Implementation — A股 ETF 等权 + 趋势倾斜 v2

整体方案

继承 v1 的 TrendTiltStrategy（间接继承 S3 EqualRebalanceStrategy），覆盖 4 个方法解决 v1 的两大问题：

1. _tilt_weights：从「正分数 / 正分数和」（归一化）改成「(score - cutoff) / score_full / N」（不归一化）→ 让 cash 自然存在
2. compute_trend_scores：用连续版 MA 因子（tanh 风格）替代 v1 的离散 sign 版；同时跳过 bond_symbol 不参与 trend 排序
3. target_weights：在 risky 权重之上叠加（a）波动率过滤（b）债券 overlay
4. __init__：透传父类参数 + 新增 v2 的 5 个参数

v1 的 _validate_weights 直接复用（v1 已经放宽过 sum<1 的约束）。

因子清单

factors/__init__.py 不修改（按硬约束）。下游直接 import：

from strategy_lib.factors.trend import MABullishContinuous, DonchianPosition
from strategy_lib.factors.volatility import AnnualizedVol

新增因子（详细说明）

MABullishContinuous(short, mid, long, k)

score = mean( tanh(k * (close/MA - 1)) for MA in (short, mid, long) )
# 取值 ∈ (-1, +1)

• 为什么：v1 的 MABullishScore 用 sign() 输出 ∈ {-3,-1,+1,+3}，离散阶跃让权重在 ramp 区间瞬变。tanh 把价格相对均线的偏离平滑映射到 (-1, +1)，三层 MA 求平均后仍 ∈ (-1, +1)。
• k=20 的标定：close/MA - 1 = 5% → tanh(20·0.05) = tanh(1) ≈ 0.76。让 5% 偏离对应明显但不饱和的信号；这与 A股 ETF 典型 σ 在 1.5%/天 的 6 小时窗口偏离量级一致。
• 暖机期：MA_long 还没 ready 时返回 NaN。

AnnualizedVol(lookback)

ret = log(close).diff()
vol = ret.rolling(lookback).std() * sqrt(252)

• 与 RealizedVol 的差别仅在 √252 缩放，便于策略侧直接用 0.30 这种「年化口径」阈值比较。

关键设计决策

1. 连续 ramp 替代归一化（修复双峰）

v2 的 _tilt_weights：

def _tilt_weights(self, scores: pd.Series) -> dict[str, float]:
    valid = scores.dropna()
    n_risky = max(len(valid), 1)
    weights = {}
    denom = self._score_full   # 默认 1.0
    for sym, score in valid.items():
        raw = (score - self._cutoff) / denom
        raw = max(0.0, min(1.0, raw))
        if raw > 0:
            weights[sym] = raw / n_risky
    return weights

关键点：weight_i = raw_i / n_risky，不再除以 Σraw_j。score 在 cutoff 与 cutoff+score_full 之间时，权重正比于 score；超过 score_full 饱和到 1/n_risky。

2. 波动率过滤（修复避险命题）

def _vol_breadth(self, date, prices_panel) -> float:
    # 池中 vol > vol_high 的资产占比 ∈ [0, 1]
def target_weights(...):
    risky_weights = self._tilt_weights(scores)
    if self._vol_breadth(date, panel) >= self._vol_breadth_threshold:
        risky_weights = {s: w * self._vol_haircut for s, w in risky_weights.items()}
    ...

默认 vol_high=0.30 / vol_breadth_threshold=0.5 / vol_haircut=0.5：池中 ≥ 50% 的风险 ETF 60 日年化波动 > 30% 时，全体权重 ×0.5。

与趋势信号正交：vol filter 不依赖方向判断，只看「整体风险 regime」。这是 vol-target portfolio 的标准思路，弥补 v1 「趋势信号对快速下跌识别滞后」的固有问题。

3. bond overlay（修复空仓 carry）

risky_sum = sum(risky_weights.values())
cash_gap = 1.0 - risky_sum
bond_w = min(cash_gap, self._bond_max_weight)
if bond_w > 0.01:
    out[self._bond_symbol] = bond_w

bond_max_weight = 0.4 是上限——即便 cash_gap = 1（全空仓），bond 也只占 40%，剩余 60% 留作纯现金（防股债同跌）。

bond_symbol 在 compute_trend_scores 里被显式跳过——它不参与 trend 排序，只作为现金缺口的填充工具。

4. cash_ratio 的计算口径（vbt 集成）

v2 含 7 个 symbol（6 risky + 1 bond），vbt 的 pf.cash() 把 bond 占比也算成「非现金」。验证脚本里改用：

cash_ratio = 1 - sum(risky_asset_value) / total_value

确保 bond 不被算作 cash，这样 cash_ratio 真实反映「无 risk 资产仓位」。

5. 避免 lookahead

与 v1 一致：compute_trend_scores 内部对每个 symbol 做 df.loc[df.index <= date] 切片再算因子。_vol_breadth 同样切片。父类 from_orders 默认 t+1 成交。

策略配置

• 配置文件：configs/S5_cn_etf_trend_tilt_v2.yaml
• 类型：trend_tilt_v2（不注册到 registry，本任务范围内）
• 父策略：v1 cn_etf_trend_tilt → S3 cn_etf_equal_rebalance
• 关键参数：
  • 趋势：ma_short/mid/long=20/60/120, donchian=120, cutoff=0.0, score_full=1.0, use_continuous_score=True
  • 波动率：vol_lookback=60, vol_high=0.30, vol_breadth_threshold=0.5, vol_haircut=0.5
  • 债券：bond_symbol=511260, bond_max_weight=0.4

数据

• 标的池：v1 的 6 只风险 ETF + 511260 十年国债 ETF（已缓存）
• 数据范围：2020-01-01 ~ 2024-12-31；暖机自 2019-07-01（120 日）
• 复权：akshare qfq 前复权（与 v1/S3 一致）

与 v1 / S3 的关系

• 直接继承 TrendTiltStrategy(v1)，复用其 compute_trend_scores 框架的部分代码（_normalize_to_unit）和 _validate_weights
• 不修改 v1 任何文件（按硬约束）
• 不修改 S3 父类（v1 已验证 vbt sum<1 兼容性，v2 继承同一保证）
• 不修改 factors/init.py

踩过的坑

1. cash_ratio 计算口径

最初用 pf.cash() 计算 cash_ratio，但 vbt 在多 asset 共享资金池时 pf.cash() 包含的是「未配置到任何 asset 的现金」——bond 占比不算 cash。但用户问的「cash_ratio」语义上想看「真正没投资风险资产的比例」，所以改成 1 - risky_value/total_value。

2. bond_symbol 在 trend 排序里要跳过

最初没跳过，导致 511260 也被算 trend_score。但国债的 close > MA 形态对应「债券走牛」，反而得到正分数，与「股市趋势」语义错位。改成 compute_trend_scores 里显式 if symbol == bond_symbol: continue。

3. MABullishContinuous 已经 ∈ (-1, +1)，不要再 / 3

v1 的 _normalize_to_unit(ma, max_abs=3) 是为离散 score ∈ {-3, -1, +1, +3} 设计的。v2 替换连续因子后已经在 (-1, +1) 内，再除以 3 会让它 max_abs ~ 0.33 远小于 Donchian 的 1.0，破坏两者权重平衡。compute_trend_scores 里加了 isinstance 判断分支处理。

4. 浮点 score_full 与 cutoff 的边界

当 cutoff = 0、score_full = 1 时，score = 0.5 → raw = 0.5 → weight = 0.5/N。这是预期。但若 cutoff = 0.3、score_full = 0.5，需要 score ≥ 0.8 才饱和。文档里把这个含义说清楚以防误用。

与并行实现的对接点

• v1 文件已存在并合并，本子代理直接 import：from strategy_lib.strategies.cn_etf_trend_tilt import TrendTiltStrategy, _normalize_to_unit
• factors 已存在 v1 新增的 MABullishScore / DonchianPosition，v2 在文件末尾追加 MABullishContinuous 和 AnnualizedVol
• registry / __init__.py 注册由集成 PR 统一处理

相关 commits

• 实现：<待commit>

Validation — A股 ETF 等权 + 趋势倾斜 v2

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 v2 真实数据回测

配置 / 数据 / 暖机

• 数据：v1 同 6 只风险 ETF + 511260 十年国债 ETF，akshare qfq 前复权
• 回测窗口：2020-01-02 ~ 2024-12-31（共 1209 个交易日），暖机自 2019-07-01
• 资金：100,000 RMB，佣金万 0.5（fees=5e-5），滑点万 5（slippage=5e-4）—— V1 共享基线
• v2 默认参数：
  • 趋势：rebalance_period=20, ma=20/60/120, donchian=120, cutoff=0.0, score_full=1.0, use_continuous_score=True
  • 波动率：vol_lookback=60, vol_high=0.30, vol_breadth_threshold=0.5, vol_haircut=0.5
  • 债券：bond_symbol=511260, bond_max_weight=0.4
• 执行入口：PYTHONPATH=src python summaries/S5_cn_etf_trend_tilt/v2/validate.py real

Smoke tests（合成数据）

6/6 通过。

主结果

样本期 2020-01-02 ~ 2024-12-31，初始净值 100,000：

v2 的核心改善：

• 波动率减半：22.0% → 11.1%（vol filter 显效）
• MaxDD 砍半：-47.8% → -20.5%（避险命题首次真正兑现）
• Calmar 翻倍：0.08 → 0.13
• Sharpe 不变：0.28（v2 用更低波动换 CAGR，risk-adjusted 持平）
• CAGR 退化：3.92% → 2.57%（-1.35 pct/yr，主要损失在 2024）

与各基准的 alpha

v2 对 BH 几乎打平（α=-0.50% 不显著），对 S3 微负，对 v1 显著为负——这是「换 risk profile 不换 alpha」的明确信号。

分年度收益（避险命题验证的关键）

• 2022 单年 v2 -7.58%（v1 -21.61%, BH -21.68%）—— 改善 14 pct，避险命题首次兑现
• 2023 v2 -8.01% 也优于 v1 -18.91%（震荡市的 vol filter 与 bond carry 双重得益）
• 2020 v2 +22.13% 落后 v1 +41.12% —— 牛市初期 vol_filter 在 2020-03 触发（疫情急跌），错过随后反弹
• 2024 v2 +0.47% 远落后 v1 +28.09% —— 9-24 行情前 vol 没飙升，但 score_full=1.0 的常态保守 + bond 占 40% 让组合变成「股 60/债 40」错过单边

v2 关键指标

Cash ratio 是否真正连续

结论：v2 的 cash 分布达成了完全连续化——70% 的交易日 cash ratio 在 5%-95% 区间内，符合「随趋势强度连续变化」的设计目标。

避险命题：cash 是否对齐 BH 下跌

意外发现：v2 的相关性没有显著提升（甚至略低）。这说明 v2 的避险不是来自「精准对齐下跌时刻」，而是**「结构性降仓」**——常态期就只 50-70% 仓位，所以 BH 跌时 v2 也跌但只跌一半。

这是 vol-target portfolio 的本质（不是 timing，是 sizing），与「趋势退出 = 择时」的初衷有偏差。避险命题部分兑现：MaxDD/2022 数据兑现，但相关性指标没改善。

Vol filter 触发情况

• 67 个 rebalance 日中，vol haircut 在 16 天触发（24%）
• 主要时段：2020-03（疫情急跌）、2022 全年、2024-09 行情前后
• 触发时全体权重 ×0.5

Bond overlay 用量

• 触发率（bond > 1%）：98.2%（几乎所有交易日 bond 都在仓）
• 触发时中位 bond 权重：40.0%（满档）
• 平均 bond 权重：36.8%
• bond 长期占 40% 是 score_full=1.0 严格 + 池中常态信号偏弱的副作用

思考：v2 实际是个「30% 趋势 + 40% 债 + 30% 现金」的混合体，趋势倾斜的纯度被稀释。如果想保留更多趋势性，可以把 bond_max_weight 降到 0.2 或仅在 vol haircut 触发时启用 bond。

关键图表

• artifacts/equity_curve.png —— v2 / v1 / S3 / 510300 BH 四条净值曲线
• artifacts/drawdown.png —— v2 vs v1 vs BH 的回撤序列（看 2022 v2 显著浅）
• artifacts/cash_ratio.png —— 关键：v2 连续 vs v1 双峰的现金分布（含直方图）
• artifacts/regime_overlay.png —— v2 高现金段（≥70%）叠加在 510300 BH 净值上
• artifacts/vol_filter_trace.png —— 池中高波资产占比时间序列 + haircut 触发段

解读：v2 是否解决了 v1 的两个问题

v2 是否值得 ship

核心结论：v2 实现了「下行保护」目标，但代价是「降 alpha」。

支持 ship 的理由：

• MaxDD -20.52% 是 5 个策略里最佳（之前最佳是 S2 的 -37.1%）
• Vol 11% 在 ETF 组合里非常低，符合「保守型策略」定位
• 2022 / 2023 两个困难年都跑赢 v1 / S3 / BH（避险路径多场景兑现）
• Calmar 0.13 是 5 个策略里最佳

不支持 ship 的理由：

• CAGR 2.57% 与 S3 (2.16%) 几乎打平，alpha vs S3 = -1.80%（统计意义上不显著）
• Sharpe 0.28 与 v1 完全相同——风险调整后没有改进
• bond overlay 主导（占 37% 平均仓位），策略性质从「趋势倾斜」漂移到「股债混合」
• 2024 大幅落后 v1 +28%——单边趋势市的捕获能力丢失
• 避险命题的「相关性」指标未改善——说明本质是「降仓 sizing」而非「精准 timing」

下一步

待用户决策：

• 状态 = shelved with notes（避险命题数据上兑现，但 alpha 没提升、参数自由度增加）—— 推荐
• 或：状态 = shipped (defensive variant)，作为 v1 的「保守型」对照存档
• 后续可探索：
  • 关掉 bond overlay 单跑（看纯 vol filter + 连续 ramp 的效果）
  • score_full = 0.5 让常态期更激进（试图保留 2024 alpha）
  • 把 vol_haircut 与 trend 强度联动（强趋势 + 高波 = 仍小幅持仓）
  • 用更短 lookback (vol_30) 提升避险时效性
• 等 2025 H1 数据后做 OOS 验证