Implementation — A股 ETF 等权 + 趋势倾斜 (S5)

整体方案

继承 S3 (EqualRebalanceStrategy)，覆盖两个钩子：

1. target_weights(date, prices_panel)：核心倾斜逻辑——按每只 ETF 的时序趋势分数分配权重，弱趋势退出。
2. _validate_weights(weights)：放宽父类「sum == 1」「禁止全 0」两条约束，使全空仓在熊市可表达。

实现拆分两个独立函数（便于单测）：

• compute_trend_scores(date, panel) -> pd.Series：把面板 → 每只 ETF 的标量 trend_score ∈ [-2, +2]
• _tilt_weights(scores) -> dict：trend_score → 归一化权重 dict（≤0 的 symbol 不出现）

因子清单

新增因子（详细说明）

MABullishScore

score = sign(close > MA_short) + sign(MA_short > MA_mid) + sign(MA_mid > MA_long)
# 取值 ∈ {-3, -1, +1, +3}（中间组合产生 ±1）

• 为什么用：经典趋势跟踪信号。三个二元判断的离散组合，抗参数扰动。
• 暖机期：MA_long 还没 ready 时返回 NaN（被上游处理为「该 ETF 此期间不参与」）。

DonchianPosition

pos = (close - low_N) / (high_N - low_N)  ∈ [0, 1]
# 1.0 = 通道顶端（强势），0.0 = 通道底部（弱势）

• 为什么用：与 MA 系列在数学性质上互补——一个看离散方向，一个看连续位置。Turtle 体系经典指标。
• 除零保护：通道宽度 = 0（常量价格）时返回 NaN。

这两个因子没有改 factors/__init__.py

按硬约束要求，factors/__init__.py 不修改。下游用法：

from strategy_lib.factors.trend import MABullishScore, DonchianPosition  # ✓
# from strategy_lib.factors import MABullishScore  # ✗ 暂不可用，等合并

合并到主分支时外部代理应在 factors/__init__.py 增补两行 import 与 __all__ 项；本子代理任务范围内不动。

关键设计决策

1. 全空仓的契约扩展（与 S3 协调点）

S3 当前实现的 _validate_weights 强制：

• sum(weights) == 1.0（误差 < 1e-6），违反则自动重归一化
• total <= 0 抛 ValueError(f"target_weights 全为 0，无法再平衡")

S5 需要在熊市返回 sum < 1 甚至全 0（全空仓）。采用方案 B：在子类覆盖 _validate_weights，放宽这两条约束：

• 允许 sum ∈ [0, 1+ε]，不重归一化（保留现金留底语义）
• 允许 total == 0（全空仓 → 让 vectorbt 把所有 size 设为 0 → 全平仓）
• 仍然校验非负 / keys ⊂ symbols / sum > 1+ε 时归一化（防御性）

这是对 S3 钩子契约的扩展。S3 父类 build_target_weight_panel 调用 target_weights → _validate_weights → 写入 weights_df，本子类的覆盖刚好生效。已确认 S3 父类不在其他地方再次断言 sum == 1。

2. 趋势分数的归一化

两个因子的原生量纲不同：

• MABullishScore ∈ [-3, +3]
• DonchianPosition ∈ [0, 1]

把它们各自映射到 [-1, +1] 后等权相加：

• MA：score / 3 → 截断到 [-1, +1]
• Donchian：2 * pos - 1 → 截断到 [-1, +1]

最终 trend_score = w_ma * ma_norm + w_dc * dc_norm，理论值域 [-2, +2]（默认 score_weights = (1.0, 1.0)）。好处：cutoff 阈值在不同标的之间可比；调超参时改 score_weights 即可改变两个信号的相对重要性。

3. 避免 lookahead

compute_trend_scores(date, panel) 内部对每个 symbol 做 df.loc[df.index <= date] 切片再算因子，确保 t 时刻只用 t 及之前的数据。S3 父类的 from_orders 会在下一根 bar 成交，叠加之后实现 t 信号 → t+1 开盘成交，无未来函数。已用 test_lookahead_bias 验证（截断 panel 与完整 panel 在同一截止日给出完全相同分数）。

策略配置

• 配置文件：configs/cn_etf_trend_tilt.yaml
• 类型：trend_tilt（自定义；尚未注册到 strategies/registry.py，注册由后续 PR 处理）
• 父策略：继承 cn_etf_equal_rebalance
• 关键参数：rebalance_period=20、ma_short/mid/long=20/60/120、donchian_lookback=120、cutoff=0.0

数据

• 标的池：V1 共享基线 6 只 ETF（与 S3 完全一致）
• 数据范围：2020-01-01 ~ 2024-12-31；额外回拉 6 个月（2019-07-01 起）做暖机
• 数据预处理：依赖 data.get_loader('cn_etf') 的 qfq 复权

踩过的坑

• S3 _validate_weights 的严格断言：第一次实现时直接返回 {}，但 S3 父类在 _validate_weights 里把 total <= 0 当成致命错误抛错。最终通过覆盖 _validate_weights 解决，没有改 S3 父类。
• smoke test flake：最初用 GBM 合成数据，drift > 0 也偶发把某些 symbol 在最近一日的 close 推到 MA 下方导致权重变 0。改用纯指数路径（无噪声）做断言，排除随机性。
• 120 日暖机：MA120 / Donchian120 在数据起点前 120 日均为 NaN，必须让 data loader 多拉至少 120 个交易日（约 6 个月）历史；不然回测开头几个月会被全空仓。

与并行实现的对接点

• 等 S3 主线合并：本类的 import from strategy_lib.strategies.cn_etf_equal_rebalance import EqualRebalanceStrategy 已经能 resolve（S3 文件已存在于本仓库 src/strategy_lib/strategies/cn_etf_equal_rebalance.py）。
• 等 factors/__init__.py 合并增补：暂时使用 from strategy_lib.factors.trend import ... 直接 import。
• strategies/__init__.py 与 strategies/registry.py 的注册由集成 PR 统一处理，本子代理范围内不动。

相关 commits

• 实现：<待commit>

2026-05-08 vectorbt sum<1 兼容性验证（事后）

背景：S5 允许 target_weights 返回 sum<1 的权重 dict（含全空仓），需要先确认 vectorbt 在 from_orders(size_type="targetpercent", group_by=True, cash_sharing=True) 模式下能正确把缺失资金留作 cash，而不是错误地分配给某个资产。

验证脚本：/tmp/vbt_subunit_test.py（临时文件，已用毕）

关键测试与结果：

结论：vectorbt 完整支持权重和 < 1 的 targetpercent。S3 父类 run() 不需任何修改，本子类只覆盖 _validate_weights 即可。这扫除了 S5 工程路径上最大风险点。

2026-05-08 真实数据回测发现（追加）

• 价值密度命题失败：原以为 S5 主要靠 2022 熊市避险加分，实际 2022 单年 S5 (-21.61%) 与 BH (-21.68%) 几乎完全重合。S5 vs S3 的超额主要来自 2024 单年的板块行情（+19.27 pct）。
• 现金占比是双峰分布而非连续：cash_ratio 几乎只有 0 / 1 两种状态，因为 _tilt_weights 用「正分数 / 正分数和」做归一化——只要有 ≥1 个标的的 trend_score > cutoff，权重和就 = 1。要做出连续的现金缓冲，需要把权重计算改成「正分数 / N」（不归一化）+ 上限 clip，或者引入大盘 trend_score 作为整体仓位调节器。
• cutoff 灵敏度方向出乎意料：cutoff 从 0.0 提到 0.3/0.5 反而恶化（CAGR 转负）。说明趋势分数在 [0, 0.3] 区间携带了主要的有用信号——A股 ETF 的「弱趋势但还在涨」比「强趋势」更值得介入。
• 空仓时段命中率低：220 个全空仓天数与 BH 「当日下跌」的相关性仅 0.033，几乎随机。MA + Donchian 这套信号对 A股快速下跌的反应速度不够。

Validation — A股 ETF 等权 + 趋势倾斜 (S5)

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：趋势倾斜逻辑独立验证

背景

S3 子代理与本（S5）子代理并行运行；为了不阻塞，本轮不跑真实回测，只用合成数据 + stub 父类（如果 S3 还未合并）独立验证倾斜逻辑的数学一致性。

验证脚本

• summaries/cn_etf_trend_tilt/validate.py
• 跑法：PYTHONPATH=src python3 summaries/cn_etf_trend_tilt/validate.py
• 内置：自动检测 S3 父类是否存在；不存在时注入 stub。同时注入 loguru 桩，避免开发环境缺依赖时启动失败。

Smoke test 全部通过（8 / 8）

因子层（IC 分析）

不适用。S5 是单标的时序方向信号，不做横截面排名 → 不适用 IC / Rank IC。

S4 (动量倾斜) 的横截面 IC 与本策略不可对比；本策略的因子有效性由「全空仓时段的下行保护」体现，需要在真实回测里看（见下方 blocker）。

分位数分组

不适用（同上，单标的时序）。

回测绩效

未跑。原因：

关键图表

（无 — 暂未跑真实回测）

解读 & 下一步与 S3/S4 对比设计

S5 vs S3 对比目标

• 核心命题：「趋势退出」是否真的提供下行保护？
• 预期方向：在 2022 熊市年（S3 预计回撤 30%+），S5 应该明显更小（目标 15-25%）
• 代价指标：换手率上升、牛市顶部因迟疑而少赚
• 关键观测窗口：2022-04（疫情底）、2022-10（二次探底）、2024-02（节前反弹）的趋势拐点

S5 vs S4 对比目标

• 核心命题：「时序方向」与「横截面排名」哪个更稳健？
• 关键差异：S4 在熊市仍然满仓（只是把权重分给「跌得最少的」），S5 可以全空仓
• 预期方向：
  • 牛市（2020/2021 上半年）：S4 ≈ S5（都跟得上）
  • 单边熊市（2022）：S5 > S4（S5 空仓避险）
  • 震荡市（2023-2024）：S4 > S5（S5 频繁假突破被成本侵蚀）
• 输出：S4 与 S5 的累计收益分年度对比 + 最大回撤期叠加图

关键统计指标（除 V1 通用清单外，S5 特有）

• 全空仓天数占比 (cash_days_ratio)：在 5 年 1217 个交易日中，trend_score 全负的交易日占比
• 空仓时段与基准跌幅相关性：空仓时 510300 是否真的在跌

下一步

• 数据接入：等 data/cn_etf loader 就绪，拉 2019-07-01 ~ 2024-12-31（含暖机）
• 真实回测：跑 V1 共享基线指标 + S5 特有指标（cash_days_ratio）
• 与 S3、S4 三策略并排对比图（净值曲线、年度收益、回撤）
• 敏感性：(ma_short, ma_mid, ma_long) ∈ {(10,30,90), (20,60,120), (30,90,180)}；cutoff ∈ {0, 0.3, 0.5}；donchian_lookback ∈ {60, 120, 240}

2026-05-08 真实数据回测

配置 / 数据 / 暖机说明

• 数据：data/raw/cn_etf/{510300,510500,159915,512100,512880,512170}_1d.parquet，akshare qfq 前复权日线
• 回测窗口：2020-01-02 ~ 2024-12-31（共 1209 个交易日），暖机自 2019-07-01 起多取约 6 个月覆盖 MA120/Donchian120
• 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
• S5 默认参数：rebalance_period=20, ma_short=20, ma_mid=60, ma_long=120, donchian_lookback=120, cutoff=0.0, score_weights=(1.0, 1.0)
• 执行入口：PYTHONPATH=src python summaries/cn_etf_trend_tilt/validate.py real

vectorbt sum<1 兼容性验证（关键风险点已解除）

独立写了 5 行脚本（/tmp/vbt_subunit_test.py，已删）验证 vbt.Portfolio.from_orders(size_type="targetpercent", group_by=True, cash_sharing=True) 是否在权重和 < 1 时正确把缺失资金留作现金。结论：完全支持。

结论：S3 父类 run() 不需要任何修改即可正确支持 S5 的 sum<1 / 全空仓权重。S3 父类 _validate_weights 的「sum 必须 = 1 / total > 0」严格断言已被本子类覆盖（cn_etf_trend_tilt.py:158-175）规避，下游进 vectorbt 时直接被正确解释。

主结果（默认参数）

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

S5 vs 510300 BH：alpha_ann = +2.60%，跟踪误差 14.69%，IR = 0.177 S5 vs S3 equal：alpha_ann = +1.31%，跟踪误差 12.47%，IR = 0.105

S5 特有指标

• cash_days_ratio（≥99% 现金天数 / 总交易日）= 0.182（220 / 1209）
• 现金占比分布：实际是双峰——要么 0%（满仓 6 标的或 N 个正分数标的等权），要么 100%（全空仓）。介于 0 和 1 之间的天数 ≈ 0。这是因为 _tilt_weights 用「正分数 / 正分数和」归一化，只要有 ≥1 个正分数就满仓那部分。
• 空仓与 510300 当日下跌相关性：0.033（很低）—— 全空仓的天数里 510300 下跌的比例并不显著高于平均。
• 全空仓时 510300 平均日收益：-0.0035%（整体均值 +0.0128%）—— 空仓时段平均确实小幅下行，但优势很小。
• 触发再平衡次数：67 次（理论上限 1209 / 20 ≈ 60，多出来是因为权重切换会触发，drift 模式未启用）

分年度收益（重点：2022 年的下行保护到底有多少？）

• 2022 单年 S5 = -21.61%，S3 = -23.47%，BH = -21.68%：S5 比 S3 少跌 1.86 pct，但几乎与 510300 BH 持平——「趋势退出」并未提供期望中的明显下行保护。
• S5 在 2022 内的最大回撤是 -22.35%（峰值始于年初），与 BH/S3 量级相同。
• 2023 年 S5 显著跑输（-18.91% vs S3 -10.17%）——震荡市中频繁假突破的代价显现，趋势退出反而吃到拐点反复的进出成本。
• 2024 年 S5 大幅领先（+28.09% vs S3 +8.82%）——「9-24 行情」是结构性单边趋势，趋势倾斜捕获到强势板块（512880 证券、159915 创业板）。
• 整体上 S5 的优势主要来自 2024，而非 2022——这与事前假设方向相反。

cutoff 敏感性

• cutoff = 0.0 是当前最佳档位。提高 cutoff 让更多标的被过滤，cash_days_ratio 上升，但年化 / Sharpe 显著下滑——A股 ETF 的「弱趋势但还在涨」状态相当常见，过分严格地要求强趋势会错过中等行情。
• MaxDD 随 cutoff 略改善（-47.80% → -42.68%），但收益跌掉的远多于回撤改善。

关键图表

• artifacts/equity_curve.png —— S5 / S3 / 510300 BH / S4 净值曲线
• artifacts/drawdown.png —— 四条策略的回撤序列
• artifacts/cash_ratio.png —— S5 每日现金占比时间序列（清晰可见双峰特征）
• artifacts/regime_overlay.png —— S5 全空仓段叠加在 510300 BH 净值上

解读：趋势退出在 A股 ETF 上是否值得

初步结论：边际有效但不显著，不及预期。

1. S5 比 S3 / BH 总收益高 ~10/16 pct，但主要贡献来自 2024 年的板块大行情（一次性事件），2022 年的「下行保护」假设未兑现——S5 在 2022 与 BH 几乎同涨同跌（差 0.07 pct），与 S3 也只差 ~2 pct。
2. 空仓时机不准：全空仓与 510300 当日下跌的相关性仅 0.033，且空仓时段 510300 平均日收益仅微负（-0.0035%）。趋势信号用 MA + Donchian 在 A股 ETF 上对真实下行起点的识别能力较弱——A股下跌往往很急，等 MA 排列翻空时已经跌一半了。
3. 震荡市代价显著（2023 跑输 8.7 pct）：在没有明显趋势的年份，趋势退出导致频繁假突破成本累积。
4. cutoff 调高反而变差：说明趋势信号的有效区域在「弱趋势就介入」一端，而非「严格强趋势」一端。
5. Sharpe（0.28）相对 S3（0.21）和 BH（0.15）有提升但绝对值仍很低。从「策略 vs 简单基准」角度，S5 提供了一定的样本期增益（CAGR +3.06 pct vs BH，IR=0.18），但样本只有 5 年且 2024 单年贡献过大，无法仅凭本回测得出「趋势退出值得长期使用」的结论。

下一步

• 关键诊断：把 2024 年单独剔除，重做指标——若剔除后 S5 vs S3 不显著，结论会从「边际有效」改成「不显著」
• 触发时延优化：尝试更短的 MA（10/30/60）或更短的 Donchian（60），看是否能更早识别 2022 起跌
• 加入波动过滤：在 trend_score 之外叠加 ATR 或已实现波动作为乘数（高波时折扣权重）
• 用 511990 货基替代纯现金：S5 全空仓时段（220 天）若投入货基年化 ~2%，可加约 +0.24 pct 收益，量级很小但系统性
• smooth 化权重：现在的 0/1 双峰太硬。考虑 cutoff 之上的「线性 ramp」——softplus 之类
• 样本外：2025 年 H1 数据补齐后做 OOS 验证