Implementation — Strategy 3：A股 ETF 等权 + 定时再平衡

整体方案

权重驱动策略，与现有 BaseStrategy（信号驱动）并行存在。代码： src/strategy_lib/strategies/cn_etf_equal_rebalance.py → EqualRebalanceStrategy

核心流程：

1. build_target_weight_panel(panel)：在共同交易日历上，每隔 rebalance_period 个交易日生成一行目标权重；非触发日为 NaN。
2. target_weights(date, prices_panel) 钩子：基类返回 {s: 1/n}；S4/S5 子类覆盖此方法实现因子倾斜。
3. _validate_weights：约束权重非负、和=1（可自动重归一化）、key 覆盖 self.symbols 全集。
4. run(panel, init_cash, fees, slippage)：调用 vbt.Portfolio.from_orders(size_type="targetpercent", group_by=True, cash_sharing=True)。NaN 行自动表示「不下单」。

因子清单

S4 / S5 会在子类中引入因子，但 S3 本身保持纯被动。

新增因子（如有）

无。

策略配置

• 配置文件：configs/cn_etf_equal_rebalance.yaml
• 类型：weight_based（自定义；非现有 single_threshold / cs_rank）
• 关键参数：
  • rebalance_period: 20（交易日，约月度。候选 5/10/20/60）
  • drift_threshold: null（纯日历再平衡。可选 0.03 / 0.05 / 0.10）
• 标的池：6 只 V1 基线 ETF（510300/510500/159915/512100/512880/512170）
• 回测参数：100k / fees=0.00005 / slippage=0.0005（V1 共享基线）

数据

• 标的池来源：手工列（V1 基线，与 docs/benchmark_suite_v1.md 同步）
• 数据范围：2020-01-01 ~ 2024-12-31（日线，前复权 qfq）
• 数据预处理：build_target_weight_panel 内部对 6 只 ETF 取交易日历交集，避免某只 ETF 上市晚导致的对齐问题

target_weights 钩子接口契约（S4 / S5 必读）

这一节是 S4 (cn_etf_momentum_tilt) 和 S5 (cn_etf_trend_tilt) 的扩展契约。 S4/S5 应只覆盖 target_weights 一个方法，不应改父类的下单/再平衡日历/权重校验逻辑。

签名

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

调用时机

• 父类 build_target_weight_panel(panel) 在每个 rebalance 候选日调用一次。
• 候选日序列由 _rebalance_calendar(common_idx) 生成：common_idx[0], common_idx[period], common_idx[2*period], ...（即 T0 + 每 N 个交易日）。
• 设了 drift_threshold 时，候选日权重会先和"上一次实际权重"比较，未超阈值则不写入 panel（但 target_weights 仍被调用以判断是否触发）。

参数

返回值

dict[str, float]，键为 symbol、值为目标权重。约束：

子类最小示例（动量倾斜的简化版）

class MomentumTiltStrategy(EqualRebalanceStrategy):
    def __init__(self, *, lookback: int = 60, top_k: int = 3, **kw):
        super().__init__(**kw)
        self.lookback = lookback
        self.top_k = top_k

    def target_weights(self, date, prices_panel):
        # 计算每只 ETF 截至 `date` 的 lookback 日动量
        rets: dict[str, float] = {}
        for s in self.symbols:
            close = prices_panel[s]["close"].loc[:date]
            if len(close) < self.lookback + 1:
                rets[s] = 0.0
                continue
            rets[s] = close.iloc[-1] / close.iloc[-self.lookback - 1] - 1.0
        # Top-K 等权（其余 0）
        ranked = sorted(self.symbols, key=lambda s: rets[s], reverse=True)
        winners = ranked[: self.top_k]
        return {s: (1.0 / self.top_k if s in winners else 0.0) for s in self.symbols}

返回的权重会被父类校验（自动重归一化、违反约束报错）后写入目标权重 panel。

关键不变量（S4 / S5 不要破坏）

• 永远满仓：父类校验权重和 = 1，S3/S4/S5 都不持有现金缓冲（这是与 S1/S2 的本质差异）。
• 次日成交防未来函数：vbt.from_orders 在下一根 bar 成交，配合 target_weights 只读 date 及之前的数据 → 无 lookahead。子类绝对不要在 target_weights 内访问 prices_panel[s].loc[date+1日:]。
• 下单时机由父类管：子类不要自己调 vectorbt API。

踩过的坑

• Python 3.13 + importlib spec 加载 dataclass：在 smoke test 中通过 importlib.util.spec_from_file_location 直接加载模块时，必须把 module 注册进 sys.modules 之后再 exec_module，否则 @dataclass 装饰器解析 type 时会拿 cls.__module__ 在 sys.modules 里找不到模块、抛 AttributeError。
• vectorbt from_orders 的 size 语义：用 size_type="targetpercent" 时，NaN 表示"该 bar 不下单"，0 表示"清仓该资产"，两者不可混淆。本实现里非触发日全部为 NaN。
• 6 只 ETF 上市时间不同：512100（中证1000 ETF）、512170（医疗 ETF）等部分 ETF 在 2014-2016 才上市，但 V1 窗口从 2020-01-01 起，已经全部存在；build_target_weight_panel 用交易日历交集兜底。
• 未来函数边界：target_weights(date, ...) 中 date 是用于产生权重的"参考日"，vectorbt 的 from_orders 默认在当前 bar 用 close 价成交。要做到次日成交，可在传入 size 时用 weights_df.shift(1)——本实现暂未 shift（等 validation 阶段确认 vectorbt 的语义后再决定，注释保留）。

相关 commits

• 实现：<待提交>
• 调参：N/A（V1 默认参数即可）

Validation — Strategy 3：A股 ETF 等权 + 定时再平衡

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 初版 smoke test（合成数据）

配置 & 数据

• 配置：configs/cn_etf_equal_rebalance.yaml @ commit <未提交>
• 数据范围：合成 panel，250 个交易日，6 个 symbol（覆盖 V1 基线代码）
• 训练/样本外切分：N/A（仅 smoke test）

因子层（IC 分析）

不适用——本策略不使用因子，目标权重恒为 1/6。

分位数分组

不适用。

回测绩效

未跑真实回测。本轮仅验证：

5/5 通过。详见 validate.py。

关键图表

待真实回测后追加。导出到 artifacts/。

• artifacts/equity_curve.png —— 待生成
• artifacts/rebalance_period_sensitivity.png —— 敏感性扫描，待生成
• artifacts/yearly_returns.csv —— 分年度收益，待生成

解读 & 问题

• target_weights 钩子契约可正常被子类覆盖——这是 S4/S5 能复用本策略框架的关键证据。
• 未来函数边界：当前实现没有对 weights_df 做 shift(1)，依赖 vectorbt from_orders 的"当 bar close 成交"语义；validation 阶段需要确认是否需要显式 shift（V1 共享基线要求"次日开盘成交"）。
• drift_threshold 在合成数据上的效果有限：6 只 ETF 漂移幅度在 0.05 阈值下大多数候选日不触发。真实数据上效果待测。

下一步

• 跑真实数据回测：2020-01-01 ~ 2024-12-31，6 只 ETF
• 敏感性扫描：rebalance_period ∈ {5, 10, 20, 60}，drift_threshold ∈ {None, 0.03, 0.05, 0.10}
• 与 510300 BH 基准对比：超额收益、信息比率、跟踪误差
• 分年度收益分解（2020/2021/2022/2023/2024）
• 验证未来函数：手动 shift 一日 vs 不 shift，对比净值差

2026-05-08 真实数据回测

配置 & 数据

• 配置：configs/cn_etf_equal_rebalance.yaml @ commit <未提交>；运行入口 summaries/cn_etf_equal_rebalance/validate.py real
• 数据范围：2020-01-01 ~ 2024-12-31（V1 共享窗口；含疫情、抱团、22 熊市、23-24 震荡）
• 风险标的池：510300 / 510500 / 159915 / 512100 / 512880 / 512170 共 6 只 ETF（不持有 511990，S3 满仓）
• 基准：510300 单 ETF buy-and-hold，与策略同窗口、同费率（fees=5e-5、slippage=5e-4）、同初始资金 100k
• 引擎：vbt.Portfolio.from_orders(size_type="targetpercent", group_by=True, cash_sharing=True, call_seq="auto", freq="1D")
• 6 只 ETF 共同交易日历：1209 个交易日

主结果（rebalance_period = 20，约月度）

关键观察：S3 在 2020-2024 这个尤其偏弱的窗口仅以 7.77% 累计 alpha、IR=0.20 跑赢 510300 BH。Sharpe 都很低（<0.3）说明这是个普涨期之外整体仓位结构都不讨好的窗口。

分年度收益

• 2020 / 2021 是 alpha 主要贡献年：分散到中证 500 / 创业板 / 证券 / 医疗的等权配置在板块轮动里吃到了 510300 之外的红利。
• 2022 熊市：S3 与 BH 几乎同步（-22.4% vs -21.4%）。等权满仓没有现金缓冲，回撤完全暴露——这是 S3 与 S1/S2 (DCA 系) 的本质差异点。
• 2023 震荡：S3 几乎完全跟随 BH（差 0.2%），等权分散在普跌环境下没用。
• 2024 拖累严重：BH 的 510300 在 2024 跑出 +20.1%（受益于"国家队"对沪深 300 的护盘），但 S3 把 5/6 仓位放在中小盘（500/创业板/1000/证券/医疗），全部跑输 → -10% 反向 alpha。
• 跨年看：S3 的 alpha 几乎全部来自 2020-2021，2022-2024 三年累计是反向贡献。

rebalance_period 敏感性

• 最佳档：period=10（双周再平衡），但 5/10/20 三档差异极小（CAGR 差 < 0.1%、Sharpe 差 < 0.005）。
• 最差档：period=60（季度），CAGR 比最佳低 0.26%、回撤略深，因为板块轮动期等了太久才再平衡。
• 换手率随 period 递减：5 → 60 时年化换手从 41% 降到 18%，但绩效提升不显著——说明本组 ETF 在这个窗口里相关性较高，再平衡溢价微弱（年化 ~25 bps 量级）。
• 若用更现实的成本（如散户万 2.5 + 滑点万 10，约我们当前 4×），period=5 会率先变成最差档。

关键图表

• artifacts/equity_curve.png —— S3 (period=20) vs 510300 BH 净值曲线
• artifacts/drawdown.png —— 双方水下曲线对比
• artifacts/rebalance_dates.png —— 61 次再平衡日期分布 + 每次再平衡前实际权重相对 1/6 的偏离条形图（前 12 次样本）
• artifacts/weight_drift_heatmap.png —— 6 只 ETF 实际持仓占比的时间序列热图（应在 1/6 ≈ 16.7% 附近）
• artifacts/yearly_returns.csv —— 分年度收益数据
• artifacts/rebalance_period_sensitivity.csv —— 敏感性扫描数据

解读

1. 2022 熊市暴露问题：等权满仓 = BH 的回撤。S3 与 BH 的 MaxDD 几乎相同（-45% 量级），月度再平衡完全无法对冲单边下跌——任何想给"再平衡能减回撤"打高分的，看这个窗口都会失望。S1/S2 (DCA + 511990 现金缓冲) 应该在这个窗口对 S3 形成结构性优势。
2. 2021 抱团瓦解期是 S3 最大功臣：BH (大盘 510300) -5%，S3 +4%，alpha +9.5%。等权分散到中证 500 / 创业板 / 证券，正好赶上 2021 中小盘领涨；这是教科书式的"分散 + 再平衡 = 卖高买低"案例。
3. 2024 集中行情是 S3 最大软肋：BH 受益于 510300 单股集中行情 (+20%)，等权配置必然拉胯（-10% 相对）；这告诉我们等权天然不适合极端集中行情。
4. 再平衡频率敏感性弱：5/10/20/60 四档 Sharpe 仅在 0.249~0.263 之间。结论是月度再平衡是最理性的默认值：周/双周再平衡换手翻倍但收益相同，季度再平衡虽省成本但跟丢板块轮动。

给 S4 / S5 的"超额阈值"建议

S3 已经把"分散等权 + 月度再平衡"这条 baseline 跑出来：5 年累计 alpha = +7.77%、IR = 0.20、CAGR alpha = +1.52%。S4 (动量倾斜) / S5 (趋势倾斜) 想证明因子有效，需要至少做到：

阈值理由：因子带来的额外换手会消耗成本；S3 已经吃掉了"分散 + 再平衡溢价"，S4/S5 必须额外提供 >= 1.5% 年化 才能覆盖（信号噪声 + 摩擦成本）。低于此值很难区分是因子真有效还是窗口运气。

已发现的策略类问题

• from_orders 没有显式 shift(1)：当前实现里 weights_df 索引就是触发日，配合 vectorbt 默认"当 bar 收盘价成交"语义，等价于"信号当日盘后即按收盘价成交"——理论上有 lookahead 风险（信号是基于当日收盘的"价格"判断，又用收盘价立即成交）。S3 等权策略本身不依赖价格信号，所以对 S3 不构成实质未来函数；但 S4 / S5 用动量/趋势信号时必须显式 shift(1) 或在 target_weights 里用 loc[:date - 1d]。已在 implementation.md “踩过的坑” 里留注释。
• 没有发现任何代码 bug：build_target_weight_panel、_validate_weights、run 都按预期工作；6 只 ETF 上市时间不一交集兜底正常；权重恒等于 1/6 在 sensitivity 扫描里全对。

下一步（更新）

• 真实数据回测 ✅
• rebalance_period 敏感性 ✅
• 与 510300 BH 对比 + 分年度收益 ✅
• drift_threshold 敏感性扫描（{None, 0.03, 0.05, 0.10}）—— 等 S4/S5 也能复用
• shift(1) 与不 shift 的净值差对比——为 S4/S5 提供"是否需要显式 shift"的量化证据
• S4 (cn_etf_momentum_tilt) 的实现 —— 用同一份 panel 跑 vs S3 alpha 对比
• S5 (cn_etf_trend_tilt) 同上