Implementation — A股 ETF 等权 + 动量倾斜

整体方案

派生自 Strategy 3 的 EqualRebalanceStrategy，仅覆盖 target_weights(date, prices_panel) 钩子。整体仍是「6 只 ETF 满仓 + 每 20 个交易日再平衡」，本策略的差异完全集中在「目标权重怎么算」：

1. 在 rebalance 日，对面板里每个 symbol 计算 MomentumReturn(lookback=20) 在 date 当天的值。
2. 横截面 z-score 标准化（NaN 当作 0）。
3. 线性倾斜：w_raw_i = 1/N + alpha * z_i / N。
4. 用「水位线迭代」处理 [w_min=0.05, w_max=0.40] 上下限：每轮按 sum=remaining 缩放未钉死资产，识别最严重的越界并钉死到边界，重复直至收敛或 free 集为空。
5. 输出权重严格满足 sum(w)=1、w_i ∈ [w_min, w_max]、非负。

可选：启用 secondary_lookback=60，主+次动量各自横截面 z-score 后等权融合。

因子清单

新增因子（如有）

无。notes.md 中提议了 MomentumRiskAdjusted（动量/波动率），暂不实现。

策略配置

• 配置文件：configs/cn_etf_momentum_tilt.yaml
• 类型：momentum_tilt（自定义；与 cs_rank 等内置类型并列）
• 关键参数：tilt.method=zscore_linear、tilt.alpha=1.0、tilt.w_min=0.05、tilt.w_max=0.40、rebalance=20
• 与 S3 的关系：strategy.parent: cn_etf_equal_rebalance，明确派生关系；MomentumTiltStrategy(EqualRebalanceStrategy)

类签名

class MomentumTiltStrategy(EqualRebalanceStrategy):
    def __init__(
        self,
        *args,
        lookback: int = 20,
        secondary_lookback: int | None = None,
        alpha: float = 1.0,
        w_min: float = 0.05,
        w_max: float = 0.40,
        **kwargs,
    ): ...

    def target_weights(
        self,
        date: pd.Timestamp | datetime.date,
        prices_panel: dict[str, pd.DataFrame],
    ) -> dict[str, float]: ...

数据

• 标的池来源：手工 6 只 ETF（与 Benchmark Suite V1 共享基线）
• 数据范围：2020-01-01 ~ 2024-12-31
• 数据预处理：依赖 data/cn_etf loader 的前复权（akshare qfq）

与 S3 接口契约的差异（v1）

S3 的 subagent 与本任务并行运行；写本策略时 src/strategy_lib/strategies/cn_etf_equal_rebalance.py 还未落地。本实现按以下假设契约推进：

class EqualRebalanceStrategy:
    def target_weights(self, date, prices_panel) -> dict[str, float]:
        # 返回非负、和=1 的权重字典
        ...

MomentumTiltStrategy 仅覆盖 target_weights，其余初始化签名通过 *args, **kwargs 透传到父类。如果 S3 的真实实现签名不一致（比如返回 pd.Series 而非 dict、或者钩子叫别的名字），按要求优先采用本假设契约，必要时在 S3 落地后做一次小适配（修改 target_weights 的返回类型即可），其它逻辑无需改动。

源码里的 try/except ImportError 兜底是为了在 S3 模块缺失时本模块仍可被 import；正式回测必须以 S3 真实落地为前提。

踩过的坑

• 第一版 _tilt_weights 用「单轮 clip + 归一化」，在 alpha 过大时所有资产都打到上限，归一化后又退化为等权（信号丢失）。改为水位线迭代后稳定。
• z-score 计算要把 NaN 当 0（中性），否则少数资产没历史数据会污染整个截面。
• compute_panel(panel) 返回 wide DataFrame，要按 date 取一行；如果 date 不在 index 里，回退到 <= date 的最后一行（典型场景：周末/停牌）。

相关 commits

• 实现：<sha>（待提交）
• 调参：未发生

Validation — A股 ETF 等权 + 动量倾斜

每次新一轮回测/验证就追加一个 ## YYYY-MM-DD <轮次主题> 小节，不要覆盖。

2026-05-08 Smoke test（合成数据）

配置 & 数据

• 配置：configs/cn_etf_momentum_tilt.yaml @ commit <待提交>
• 数据：合成 panel，6 个 symbol、250 个交易日（B 频率）、不同 drift（-0.10‰ ~ +2.00‰/天）
• 父类：EqualRebalanceStrategy stub（S3 subagent 并行落地中，以保证本策略可独立验证）
• 入口脚本：summaries/cn_etf_momentum_tilt/validate.py（python3 summaries/cn_etf_momentum_tilt/validate.py）

结果

代表性权重（Case 1，6 资产、合成数据 drift 单调递增）：

512170: 0.3704
512880: 0.2809
159915: 0.1362
510500: 0.0973
512100: 0.0653
510300: 0.0500

关键观察

• 倾斜方向正确（高动量 → 高权重），上下限严格生效，归一化无误差。
• 极端 alpha 下退化为「上限组 vs 下限组」的二分配置，与设计意图一致（极端不是 bug）。
• 数据不足/空 panel 降级路径平稳。

解读 & 问题

• v1 没有真实数据，只能确认数学正确性；alpha=1.0、w_min/w_max 选择需要真实数据复盘。
• 动量 lookback 选择尚未在真实数据上比较，notes.md 已记录候选。

下一步

• 等 S3 (cn_etf_equal_rebalance) 落地 → 替换 stub → 跑联合 import smoke test
• 接 data.get_loader("cn_etf") 拉真实数据，跑 2020-2024 完整回测
• 与 S3 等权基线做差异指标分析（见下节）

与 S3 等权基线的预期对比指标（事前估计）

由于本策略只在「权重分配」上偏离 S3，用以下指标量化倾斜带来的择时贡献：

判定标准（草案）：

• 入选（继续推进）：年化 IR ≥ 0.3、TE ∈ [1%, 4%]、超额 ≥ 0%、命中率 > 52%
• 搁置（回到 S3）：IR < 0.1 或 alpha 长期 < 0、且换手率成本 > 净超额收益

注：这些数值是事前估计，等真实数据回测出来后会在新一轮 ## YYYY-MM-DD 小节里用真实数对照修正。

2026-05-08 真实数据回测（2020-01-01 ~ 2024-12-31）

配置 & 数据

• 入口：python summaries/cn_etf_momentum_tilt/validate.py real（主结果） / ... sweep（敏感性）
• 数据：data.get_loader("cn_etf").load_many(...)，6 只 ETF（不含货币 511990），akshare qfq 前复权，缓存命中
  • 510300, 510500, 159915, 512100, 512880, 512170
  • 每只 ~1211 个交易日（2020-01-02 ~ 2024-12-31）
• 父类：S3 真实落地的 EqualRebalanceStrategy（不再是 stub），直接 import 跑 baseline，参数对齐 rebalance_period=20
• 绩效计算：以策略 NAV 的日收益序列为口径，年化基数 252；总收益 = (1+r).cumprod()-1（与 vbt total_return 略有差异，因前者不扣初始建仓的佣金/滑点）
• 共享基线：100k RMB 起步，fees 万 0.5，slippage 万 5（V1 标准）

主结果（α=1.0, lookback=20, rebal=20）

S4 显著输给 S3 等权基线，输的幅度也接近 510300 BH 的水平。

与 S3 等权基线的相对绩效（因子有效性核心）

与 510300 BH 的对比（绝对基准）

S4 的绝对水平比 510300 BH 略差（-1% 年化），但波动/回撤都更高；从「绝对基准」看也没有跑赢。

分年度收益（2020 ~ 2024）

关键观察：S4 的「正贡献年份」是 2024（+7.7% vs S3），但被 2020 一年的 -20% 完全压垮。20% 的年度 alpha 缺口几乎全部来自 2020 一年——彼时 6 只 ETF 全面普涨且分散度小，动量信号容易在板块轮动中买在高位、卖在低位。

Alpha 敏感性（lookback=20, rebal=20）

α=0 是最优档位，意思是直接用 S3 等权——任何非零的动量倾斜都把 Sharpe 从 0.217 拖到 ~0.10。CAGR 与 IR 关于 α 单调递减并在 α≈2 触底，更大的 α 反而被边界 clip 救回一点，但仍显著落后等权。

Lookback 敏感性（α=1.0, rebal=20）

三档 lookback 全部 vs S3 IR 为负。最差的是 20 天（中期动量 + 短期反转交叠），10/60 天稍好但仍未超 S3。没有任何 lookback 使动量倾斜对等权产生正 alpha。

关键图表

• artifacts/equity_curve.png：三条线，S4 蓝 vs S3 绿 vs BH 红。可见 S3 全程在 S4 之上，分歧主要发生在 2020Q3-Q4 与 2024H2
• artifacts/drawdown.png：S4 在 2022 熊市与 2020 国庆后双双比 S3 多 ~3-5pp 回撤
• artifacts/weight_evolution.png：堆积面积图显示证券板块（512880）经常顶到 0.40 上限，医疗（512170）2021 后期顶到下限 0.05，符合「赌赛道」直观印象
• artifacts/tilt_strength.png：z-score 分布近似中心化，活跃权重 |Δw| 集中在 0~0.25（被 [0.05, 0.40] 边界拘束）
• artifacts/alpha_sweep.csv / lookback_sweep.csv：敏感性原始数据

解读：动量在 A股 ETF 上是否有效

结论：在本组 6 只宽基/行业 ETF 池 + 2020-2024 窗口上，横截面 20 日动量倾斜在统计与经济意义上都不成立。

• 方向不稳定：5 个年度只有 2024 一个明显正贡献年份，2020 一年抹掉所有 alpha。
• 统计未显著但持续负：t-stat ≈ -1.08，经典阈值（|t|>2）下不能拒绝 0，但 5/5 个 α、3/3 个 lookback 全部输 → 不是「随机噪声」而是系统性的反向。
• 池内分散度太低：6 只 ETF 都是 A股宽基/行业，相关性本就高（截面 σ 小、z-score 信息量有限），加上单边市场（2020、2022）下 6 只齐涨齐跌，「相对动量」几乎等价于过去几周的 noise。
• 短期反转在 A股 ETF 上盖过中期动量：lookback=20 是最差的一档，10 天/60 天稍好——和 A股「短期均值回复 + 中长期趋势」的传统经验吻合。skip=21（1 个月）的「跳过最近一个月」改进未在本轮启用，是潜在补救方向。
• 目标 turnover 426%/年的成本侵蚀：fees+slippage = 万 5.5，单边换手 4.26 倍 → 每年 ~0.23% 显式成本，不算大头但累计 5 年 ~1.2%，把 -1.05% 的 BH 缺口的一部分填回，但信号本身就是负的，省成本救不回来。

解读：Bug / 问题

• 未发现源码 bug。S4 的 target_weights 输出严格非负、和=1、上下限生效（已经过 smoke 与 real 双重验证）。
• 目标周转的口径选择：S3 因为目标权重恒为 1/N，“目标周转”=0；但 S3 实际仍因漂移触发再平衡换手——更精确的 turnover 需要从 vbt pf.trades 抽实际成交。当前指标只用于 S4 自身的相对比较是合理的，跨策略对照需谨慎。
• 回测口径：(1+r).cumprod() 总收益与 vbt pf.total_return() 在第一日 NAV 点的处理上略有差异（自洽即可，三条线统一口径）。

下一步

• 试 MomentumReturn(skip=21)（跳过最近 1 月，避开短期反转）后再跑一轮
• 试「波动率调整动量」(mom / vol，risk-adjusted)，可能比纯动量更稳健
• 把池子扩到 ≥ 12 只 ETF（加风格/行业）以提高横截面分散度
• 考虑把 S4 改成「动量 × 趋势过滤」的二元信号——只在大盘月度均线之上倾斜，跌破时退化为 S3 等权。这是 v2 的方向
• 当前结论：v1 配置（α=1.0、lookback=20）→ 搁置；以等权 S3 为 baseline，等更稳健的因子/信号再继续