Implementation — A股 ETF DCA + 阈值再平衡（做T）

整体方案

idea.md 中的「DCA + 阈值触发再平衡」落到代码上是一个自包含的 weight-based 策略类： src/strategy_lib/strategies/cn_etf_dca_swing.py::DCASwingStrategy。

不复用 BaseStrategy（信号驱动 entries/exits），原因：

• 本策略依赖多资产权重快照做触发判定，不是单资产 long-only 信号。
• 月度 DCA 是「净流入+等额买入」，不是「entries 切换」。
• 货基 511990 同时充当现金等价物 + 实际 ETF（T+0、有真实净值），无法用 vbt 的 init_cash 模拟。

实现路径：

1. DCASwingStrategy.simulate() — 纯 numpy/pandas 单循环，逐日：
   • 执行上一日决策的订单（DCA / swing），按 T+1 open + slippage 成交
   • 按 T 日 close 估值并计算每只权重
   • 判定是否需要月度 DCA（看下一个交易日是否月初）
   • 扫描 6 只 ETF 的相对偏离，超阈值且 cooldown 已过则进 pending 队列
2. DCASwingStrategy.run() — 包一层，惰性 import vectorbt 构造 Portfolio.from_orders（依赖未装时降级，仅返回 simulate 结果）。

因子清单

本策略不依赖因子层，纯权重规则。

新增因子

无。

策略配置

• 配置文件：configs/cn_etf_dca_swing.yaml
• 类型：自定义 dca_swing（未注册到 registry，遵守硬约束）
• 加载方式：由 summaries/cn_etf_dca_swing/validate.py 直接实例化 DCASwingStrategy
• 关键参数：

数据

• 标的池来源：手工列（共享基线 6 只 ETF + 货基）
• 数据范围：2020-01-01 ~ 2024-12-31
• 数据预处理：
  • akshare 前复权（qfq）
  • dropna(how='any') 对齐 7 只标的的共有交易日（缺一天就跳一天，避免单边持仓估值漂移）
  • 起始日 T0 把 init_cash 全数买入 511990 货基，形成现金缓冲

关键设计决策

1. 「做T」的实现 = 窄带刷单 + 频率防抖

每日 T 收盘扫描，每只 ETF 按相对偏离判定：

• w_i / w_target > 1 + rel_band → 高抛（卖偏离的 50%）
• w_i / w_target < 1 - rel_band → 低吸（从货基买偏离的 50%）

同一标的触发后写 next_allowed_idx[s] = t + 1 + cooldown_days，5 个交易日内不再触发。

2. 防未来函数

• 触发判定：T 日 close 后
• 下单价格：T+1 open × (1 ± slippage)
• 月度 DCA：T 日判定「下一日 index 是月初」，T+1 open 成交

3. 货基的处理

511990 当作真实 ETF 一起喂 OHLCV，但价格几乎线性：合成数据里我们用 close = 1 + 0.02/252 × t 模拟年化 2%。 真实回测时直接用 akshare 的 511990 净值序列。

4. 现金不足/持仓不足的处理

simulate 在执行 pending 订单时缩单到可用额度，避免负持仓。这意味着极端连续触发时实际下单量小于理论值，会在 diagnostics 里体现为 swing_* 计数比预期低。

踩过的坑

• 起初想用 BaseStrategy + entries/exits 表达，发现部分调仓（不是清仓）信号驱动表达不了 → 改自包含 run。
• 月度 DCA 的「第一个交易日」如果直接用 index.to_period('M').drop_duplicates() 会拿到 period 而非具体日期；正确做法是 groupby(period).min() 取每月 index 的最小值。
• 佣金和滑点容易重复扣：本实现把 fees 当成「从货基扣两腿手续费」，slippage 直接打在 open price 上；不要在 size 计算里再扣一次。

相关 commits

• 实现：待提交（2026-05-08 当日批次）
• 调参：本版固定参数，不调

后续 follow-up

• 装 vectorbt 后跑通 _run_with_vbt，对比 simulate vs vbt 的 NAV 差距应 < 0.5%
• 真实数据下重跑 validation
• 与 S1 横向对比表（等 S1 实现完成后）

Validation — A股 ETF DCA + 阈值再平衡（做T）

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_dca_swing.yaml @ commit <待提交>
• 实现：src/strategy_lib/strategies/cn_etf_dca_swing.py::DCASwingStrategy
• 数据：合成 OHLCV — 1 货基（年化 2% 线性）+ 6 ETF（GBM，drift ∈ [-2%, 15%]，vol ∈ [18%, 30%]）
• 时间窗：2020-01-02 起 504 个交易日（2 年）
• 训练/样本外切分：本轮仅 smoke，未做切分

因子层（IC 分析）

N/A — 本策略不依赖因子层。

分位数分组

N/A — 本策略不做分位选股。

Smoke test 断言通过项

• ✅ 月度 DCA 触发正确：24 个月 × 6 标的 = 144 笔预期，实际 138 笔（符合「最后两月不一定全触发」的容忍）
• ✅ NAV 重算恒等：Σ(shares × close) == nav，相对误差 < 1e-9
• ✅ cooldown 拦截：所有 swing 订单同标的间隔 ≥ 5 自然日
• ✅ 起始建仓：T0 把 100% init_cash 买入 511990
• ✅ 终态权重健全：风险权重 0.77，货基权重 0.23，符合「DCA 持续买入抬高风险占比」预期

回测绩效（合成数据，仅供功能验证，不代表真实预期）

关键观察：合成数据 6 只 ETF 的 drift 设得偏正，所以「高抛」次数远多于「低吸」（72 vs 18）。 这本身正是 rebalancing 的预期行为：上涨标的被反复落袋。

与 S1 对比设计（待真实数据填充）

关键图表

待真实回测后导出到 artifacts/

• — 待补
• — 待补
• — 待补
• — 待补

解读 & 问题

• Smoke test 证明实现层面没有 NAV 漂移、未来函数、cooldown 失灵这三类常见 bug。
• 合成数据下 swing 买入仅 18 笔（vs 卖出 72 笔），意味着 rel_band=20% 在偏多头序列里几乎不触发低吸 → 真实 2022 熊市预期会反向。
• 起初担心 cooldown=5d 会让 sharp drop 错过抄底，smoke 数据里没出现这个场景，需要真实数据复盘 2022-01 到 2022-04 的连续阴跌段。

下一步

• 安装 vectorbt + akshare，跑 2020-01-01 ~ 2024-12-31 真实数据
• 等 S1 实现就绪后跑 head-to-head（同一份数据，同一份 panel）
• 输出年度收益分解 + 累计净值曲线 + 持仓权重热力图
• 敏感性分析（不调参，只是观察）：rel_band ∈ {15%, 20%, 25%}、cooldown ∈ {3, 5, 10} 的 OOS 差异

2026-05-08 真实数据回测

配置 & 数据

• 实现：src/strategy_lib/strategies/cn_etf_dca_swing.py::DCASwingStrategy（默认参数 = 共享基线）
• 数据：本地缓存 parquet（akshare qfq 已预拉取）
  • 货基：511990
  • 风险池：510300 / 510500 / 159915 / 512100 / 512880 / 512170
• 时间窗：2020-01-01 ~ 2024-12-31（1209 个共有交易日，已 inner-join）
• 共享成本：fees=0.00005（万 0.5）/ slippage=0.0005（万 5）/ init_cash=100,000
• 关键参数：risk_target_weight=0.70、monthly_dca_amount=5000、rel_band=0.20、adjust_ratio=0.50、cooldown_days=5
• vbt Portfolio 已成功构造（Portfolio.from_orders，cash_sharing=True，group_by=True）

绩效（V1 共享指标）

注：S2 的「换手率 154%」绝大部分来自月度 DCA（每月 6 笔等额买入），swing 部分仅 192 笔/5 年 ≈ 38 笔/年。如果剔除 DCA，仅看主动调仓的换手会降到 ~30%。

S2 特有指标

与 510300 BH 比较 — 各年度

2024 跑输 11.7 pct 是 5 年中唯一明显失利的年份。原因：9.24 大反弹时 510300 单一标的爆发，而 S2 把权重等分给 6 只，并且现金缓冲 30% + 期间累计的高抛仓位拖了后腿。

与 S1 (cn_etf_dca_basic) 的预期对比（V1 数字未跑，下面是结构性推断）

设 S1 = 同样 DCA 但不做主动再平衡（仅月度等额买入 6 只 ETF + 持有，不高抛低吸）。 基于本轮 S2 的 192 次再平衡且严重偏向「高抛」，可推：

整体推断：S2 的 alpha 主要来自震荡市与切换年（2021/2022/2023），单边趋势市（2024）会因为「过早高抛 + 权重分散」付出明显代价。 这与 idea.md 的事前假设吻合。

关键观察 — 阈值再平衡在不同行情下的「做T」成效

1. 2020-2023 几乎单向「高抛」：cumulative 5 年 177 卖 vs 15 买，比例 ~12:1。

   • 原因：DCA 持续从货基净流入风险池 → 风险权重天然向上漂移，触发上沿的概率远高于触发下沿。
   • 这是「DCA + 阈值再平衡」结构的内禀偏差，不是 bug。idea.md 提到的「对称做T」在该资金流模式下不对称。

2. 2024 高抛明显是「过早离场」：风险权重在 9 月反弹前已被多轮高抛压回到目标附近甚至偏低，没能享受 9.24 暴涨的乘数效应。

3. 现金缓冲 + 高抛=有效的下行保护：4 年中 3 年（21/22/23）跑赢 BH 共 +15 pct，这是 S2 alpha 的来源。Calmar 0.074 也几乎是 BH 0.019 的 4 倍。

4. cooldown 拦截 24%「想触发」事件：rel_band=20% / cooldown=5d 的组合让信号实际触发率 ≈ 76%，没有过度抑制（≥70% 算合理工作区间）。

5. vbt Portfolio 与 simulate NAV 一致：run() 同时调用 simulate 和 vbt 时未抛错，portfolio 已构建，留作后续 vbt 报表分析使用。

关键图表

• — S2 vs 510300 BH 标准化净值
• — 回撤对比
• — 高抛/低吸事件叠加在风险池权重曲线上（核心 S2 视图）
• — 风险权重轨迹 + ±20% 阈值带

附原始数据：artifacts/nav_series.csv、artifacts/orders.csv、artifacts/weights.csv、artifacts/real_backtest_summary.json。

下一步

• 等 S1 (cn_etf_dca_basic) 真实回测出炉，做 head-to-head 表（NAV / Sharpe / DD / 分年度差）
• 敏感性扫描（不调参用，只观察单调性）：
  • rel_band ∈ {0.10, 0.15, 0.20, 0.25, 0.30} — 关注高抛/低吸频次和 2024 跑输幅度
  • cooldown_days ∈ {1, 3, 5, 10, 20} — 关注 cooldown 命中率与 turnover
  • adjust_ratio ∈ {0.25, 0.50, 0.75, 1.00} — 关注换手率与 alpha
• 复盘 2024 跑输：是否需要在「单边趋势 + 风险权重低于目标」时降低高抛敏感度？
• 复盘 2022 抄底是否提前耗尽现金缓冲（low-buy 仅 15 次说明并未频繁低吸，可能 cash buffer 起到了「不抄底反而更稳」的作用）