Implementation — A股 ETF 等权 + 动量倾斜（v2）

整体方案

派生自 Strategy 3 的 EqualRebalanceStrategy（沿用 S3 的 build_target_weight_panel / run），仅覆盖 target_weights(date, prices_panel) 钩子。与 v1 保持父类不变、保持 water-fill 归一化算法不变，但有 4 处显著改动：

1. 扩池 6 → 11：默认 symbols 改为 11 只跨资产 ETF（A股 6 + 港股 1 + 黄金 1 + 美股 2 + 国债 1）
2. 严格 shift(1)：target_weights 内先用 df.loc[df.index < date] 切片再算因子（_slice_strict），把 shift 逻辑前移
3. 更长 lookback + skip：默认 lookback=120, skip=5（v1 默认 lookback=20, skip=0）
4. 可选 vol-adjusted 信号：signal="vol_adj" 时使用 VolAdjustedMomentum 而非 MomentumReturn
5. 边界对称收紧：[w_min, w_max] = [0.03, 0.30]（v1 是 [0.05, 0.40]），适配 N=11 的 1/N≈0.091

因子清单

新增因子

VolAdjustedMomentum

数学定义：mom_vol_adj = (close.shift(skip) / close.shift(skip+lookback) - 1) / std(log_returns over vol_lookback)

class VolAdjustedMomentum(Factor):
    name = "mom_vol_adj"
    required_columns = ("close",)
    direction = 1

    def __init__(self, lookback=60, skip=0, vol_lookback=60):
        super().__init__(lookback=lookback, skip=skip, vol_lookback=vol_lookback)

    def _compute(self, df):
        c = df["close"]
        mom = c.shift(skip) / c.shift(skip + lookback) - 1.0
        vol = np.log(c).diff().rolling(vol_lookback).std()
        return mom / vol.replace(0.0, np.nan)

• 为什么需要：扩池后池内资产波动差异巨大（纳指 σ ~25% / 国债 σ ~3%）。原始动量倾斜在跨资产场景下会过度偏向高 vol 资产（因为 raw return 的尺度本身和 vol 正相关），vol-adj 把信号正规化到「σ-单位 risk-adjusted return」。
• 细节：vol.replace(0.0, np.nan) 防 divide-by-zero；不加 skip 同步到 vol 窗口（vol 用 [date - vol_lookback, date) 区间，与 mom 的 skip 是分别独立的）。
• 不修改 factors/__init__.py：按硬约束由主 agent 合并。

策略配置

• 配置文件：configs/S4_cn_etf_momentum_tilt_v2.yaml
• 类型：momentum_tilt_v2（与 v1 的 momentum_tilt 并列）
• 关键参数：
  • tilt.alpha=1.0、tilt.w_min=0.03、tilt.w_max=0.30
  • signal.type=raw（默认）/vol_adj（可切换）；signal.vol_lookback=60
  • factors[0].params={lookback: 120, skip: 5}
  • rebalance: 20
• 与 v1 关系：strategy.parent: cn_etf_equal_rebalance（仍是 S3 派生），不是 v1 派生

类签名

class MomentumTiltV2Strategy(EqualRebalanceStrategy):
    DEFAULT_SYMBOLS_V2 = (
        "510300", "510500", "159915", "512100", "512880", "512170",   # A 股 6
        "159920", "518880", "513100", "513500", "511260",              # 跨资产 5
    )

    def __init__(
        self,
        symbols=None,
        *, rebalance_period=20, drift_threshold=None,
        lookback=120, skip=5,
        secondary_lookback=None, secondary_skip=None,
        alpha=1.0, w_min=0.03, w_max=0.30,
        signal="raw", vol_lookback=60,
        name="cn_etf_momentum_tilt_v2", **kwargs,
    ): ...

    def target_weights(self, date, prices_panel) -> dict[str, float]:
        sliced = self._slice_strict(prices_panel, pd.Timestamp(date))
        scores = self._momentum_scores(sliced)
        if scores.isna().all(): return {s: 1/N for s in symbols}
        z = self._zscore(scores).fillna(0.0)
        weights = self._tilt_weights(z)
        return {s: float(weights.loc[s]) for s in symbols}

    @staticmethod
    def _slice_strict(panel, date):
        return {s: df.loc[df.index < date] for s, df in panel.items()}

数据

• 标的池：11 只 ETF（V1 6 池 + 5 只跨资产）
• 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）
• 11 只 ETF 全部覆盖整段样本期（1211~1212 个交易日）；交易日历差异极小，父类 build_target_weight_panel 做 intersection 后 1208 个共同交易日

与 v1 接口契约的差异

踩过的坑

• shift 语义：< vs <= 在 close-to-close 模型里只差一个 bar，但 v2 显式选 < 以确保 rebalance 日的 close 价不进因子计算（vbt from_orders 在 rebalance 日 close 就成交了，因子用了同日 close 等于「下单时的成交价已经被自己的信号知道」）。
• vol_adj 在低 vol 资产上的放大效应：511260（十年国债）vol 极低，vol_adj 会把它的动量信号放大数倍。被 z-score 截面化后这个绝对值放大被吃掉，但仍可能挤进 z-score 分布尾部。实测看 vol_adj 信号在 11 池上 IR ≈ 0，没出现明显异常。
• 跨资产交易日历：理论上港股/美股 ETF 与 A 股交易日不完全一致，但因为这些都是 A 股交易所上市的 ETF（513500/513100 在上交所），交易日历跟 A 股一致。loader 拉出来都是 1211~1212 行，可直接 intersection。
• 1/N 边界对称：N=11 时 1/N≈0.091。v1 的 [0.05, 0.40] 在 1/N=0.167 上是大致对称的；移植到 N=11 上会变成 [0.05, 0.40]→[0.55x, 4.4x] 严重偏右。改为 [0.03, 0.30] 对称为 [0.33x, 3.3x]。

相关 commits

• 实现：<待提交>
• v1 → v2 增量：仅 src/strategy_lib/strategies/cn_etf_momentum_tilt_v2.py、src/strategy_lib/factors/momentum.py（追加 VolAdjustedMomentum）、configs/S4_cn_etf_momentum_tilt_v2.yaml、summaries/S4_cn_etf_momentum_tilt/v2/、ideas/S4_cn_etf_momentum_tilt/v2/

Validation — A股 ETF 等权 + 动量倾斜（v2）

每次新一轮回测就追加一个 ## YYYY-MM-DD <轮次主题> 小节。

2026-05-08 Smoke test（合成数据）

配置 & 数据

• 配置：configs/S4_cn_etf_momentum_tilt_v2.yaml @ commit <待提交>
• 数据：合成 panel，11 个 symbol、400 个交易日、不同 drift（-1.0‰ ~ +2.0‰/天）
• 父类：S3 真实落地的 EqualRebalanceStrategy（直接 import，不再 stub）
• 入口：python summaries/S4_cn_etf_momentum_tilt/v2/validate.py smoke

结果

关键观察

• 倾斜方向正确（高 drift → 高权重，monotone），上下限严格生效
• 严格 shift(1) 切片正确：所有 symbol 在切片后 max(index) < date
• vol_adj 信号无除零异常、归一化正常

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

配置 & 数据

• 入口：python summaries/S4_cn_etf_momentum_tilt/v2/validate.py real（默认 11 池 + lb=120 + skip=5 + α=1.0 + raw）
• Sweep：python summaries/S4_cn_etf_momentum_tilt/v2/validate.py sweep
• 11 只 ETF cache 全部命中，2020-01-02 ~ 2024-12-31，1211~1212 个交易日
  • A 股 6：510300, 510500, 159915, 512100, 512880, 512170
  • 跨资产 5：159920, 518880, 513100, 513500, 511260
• 父类：EqualRebalanceStrategy，rebalance_period=20
• 共享基线：100k RMB 起步、fees=万 0.5、slippage=万 5

主结果

头条结论：v2 default 大幅优于 v1（NAV +30pp，Sharpe ×3.7，MaxDD 减半），但仍输 S3 (11 pool)（CAGR -1.0pp，Sharpe -0.04）。

与 S3 (11 pool) 的相对绩效（因子有效性核心）

v2 vs v1 head-to-head（异时验证 v2 改进是否有效）

v2 比 v1 实质性改善，但因为两边池子不同，IR/TE 对比不严格 → 看下一节做控制变量。

控制变量：扩池本身贡献了多少 alpha？

分解 v2 - v1 的 +5.73% 年化 alpha：

• 「v2 params on 6 pool」vs「v1 params on 6 pool」 = +1.58% − +0.02% = +1.56% from params（lookback/skip/shift/边界）
• 「v2 params on 11 pool」vs「v2 params on 6 pool」 = +5.75% − +1.58% = +4.17% from pool
• 总和：+1.56% + +4.17% ≈ +5.73% ✓
• 结论：v2 总改进的 ~73% 来自扩池，~27% 来自参数。

进一步证据：v2 params 在 6 池上 vs S3 在 6 池上 IR = -0.26（仍负）→ 扩池不是让动量信号变好，而是让 S3 baseline 本身变好（S3 在 11 池上 CAGR 比 6 池高 +4.0%，Sharpe 高 +0.25）。真正的 alpha 属于「扩池 S3」，不属于「动量 tilt」。

与 510300 BH 的对比（绝对基准）

v2 终于在绝对基准上跑赢 BH —— v1 是 -1.05%，v2 是 +2.61%。但这同样主要靠扩池。

分年度收益

关键观察：

• v2 跑输 S3 主要在 2020/2022 两个单边市（同 v1 的发现：单边市动量 tilt 受损）
• v2 跑赢 v1 的 alpha 主要在 2023（+13.19%）— 来自纳指/标普500/黄金的跨资产分散，不来自动量信号
• 3/5 年 v2 ≥ S3（2021/2023/2024），但 2/5 年差距大 → 方向上不算稳定

α 敏感性（lookback=120, skip=5, raw, 11 pool）

α=0（等权）依然是最优档——v1 的现象在 v2 上完整复现。任何非零倾斜都把 Sharpe 从 0.486 拉低到 0.38~0.46。这是一个非常重要的负面证据：换池、换 lookback、加 shift、改边界都没改变这个核心事实——动量信号在 A 股 ETF 跨资产截面上不带 alpha。

Lookback 敏感性（α=1, skip=5, raw, 11 pool）

lookback=250（年度动量）是唯一 vs S3 IR > 0 的档，但幅度极小（+0.077，t=+0.17 远未显著）；CAGR 7.48% > S3 6.73%。这可能是唯一接近「动量 tilt 在跨资产 ETF 上有效」的证据——年度动量与「资产类别表现持续性」吻合（黄金牛、纳指牛、债券熊往往持续超过半年）。但样本仅 5 年（4~5 个独立年度动量周期），统计意义有限。

Signal 类型对比（lookback=120, α=1, 11 pool）

vol_adj 信号几乎完美匹配 S3 —— alpha ≈ 0、IR ≈ 0、t ≈ 0，但 Sharpe 和 MaxDD 都更优（Sharpe 0.572 vs S3 0.486；MaxDD -18.53% vs S3 -23.03%）。这是因为 vol-adj 让权重往低波动资产（国债/黄金）轻微倾斜——本质上趋近于 risk parity，而非动量。这告诉我们：扩池 + 简单的 vol-aware 权重就足以击败 S3 等权 baseline，跟动量信号关系不大。

关键图表

• artifacts/equity_curve.png：4 条线 v2 vs v1 vs S3-11 vs BH。v2 全程在 v1/BH 之上，但被 S3-11 微微压住
• artifacts/drawdown.png：v2 最大回撤 -22% vs v1 -48% vs BH -41%
• artifacts/weight_evolution.png：11 资产堆积面积；2022 熊市期国债/黄金权重明显抬升
• artifacts/tilt_strength.png：v1（6 池, lb=20）vs v2（11 池, lb=120）的 z-score 分布对比 + 主动权重对比；v2 的 z-score 分布更集中、|Δw| 更小（因为 lookback 长信号变化慢）
• artifacts/pool_ablation.png：v2 参数在 11 池 vs 6 池的净值曲线对比；6 池版本基本贴着 v1 + S3-6
• CSVs：alpha_sweep.csv / lookback_sweep.csv / signal_sweep.csv

解读：动量 tilt 在 A 股 ETF 上是否有效（v2 之后的判断）

答案：

• 在 6 只 A 股 ETF 上：v1 已证伪（IR=-0.49）；v2 用更长 lookback 在 6 池上 IR=-0.26，仍负。
• 在 11 只跨资产 ETF 上：v2 default IR=-0.17，4 个 lookback 中 3 个负，1 个 (lb=250) 微正 +0.077。整体仍判定为「不显著有效」。
• vol_adj 在 11 池上：IR ≈ 0 + Sharpe 改善 → 「不亏 + 风险控制更好」。但严格说不是动量信号在贡献 alpha，而是 vol-aware 权重避免高波动资产权重过大。

结论：横截面动量在 A 股可投资 ETF 池上经济意义不显著（统计显著性也不显著）。v2 主要的胜利来自扩池让 S3 baseline 本身变好。

解读：Bug / 问题

• shift(1) 严格切片：v2 显式实现，相比 v1 隐式更稳；实测对结果影响很小（vbt from_orders 本来就是次日成交），但作为代码契约更清晰
• 跨资产交易日历：因 11 只都是 A 股交易所上市的 ETF，交易日历一致，无须特殊处理
• vol_adj 在国债上的高得分：511260 vol≈3% 时 vol_adj 会把动量放大，但 z-score 截面化后被吃掉，未观测到异常
• 回测口径：与 v1 一致（(1+r).cumprod() 总收益、252 日年化），三组对比同口径

下一步

1. 决策点：把 v2 标记为 shipped（因为大幅优于 v1 + 跑赢 BH 2.6%），但 status 备注「价值在扩池 S3，不在动量 tilt」
2. 反推到 v3 候选：直接用「11 ETF + S3 等权」作为 baseline，跳过倾斜（α=0 始终最优）
3. v3-alt：在 11 池上加「大盘 510300 200MA 过滤」二元开关，跌破退化等权 / 上方倾斜
4. vol_adj 信号长 lookback (250) 单独再跑一档（理论上是「不亏 + 长动量」的最佳组合）
5. 反哺 S3：把 11 池作为 S3 v2 候选 — 数据说明扩池 S3 显著比 6 池 S3 强（CAGR +4pp、Sharpe +0.25）