Implementation — A股 ETF DCA + 阈值再平衡 V2

整体方案

V2 落到代码上是一个独立、自包含的 weight-based 策略类，不继承 v1： src/strategy_lib/strategies/cn_etf_dca_swing_v2.py::DCASwingV2Strategy。

不复用 v1 类的理由（与 idea.md 一致）：

• v1 的 simulate 把月度 DCA 写得很「死」（固定 5000 等额买 6 只）；v2 要切三态分支。继承会让代码读不顺。
• v1 的 swing 阈值是固定参数；v2 要按日动态算 band_t，需要在循环里维护 NAV 历史用于 vol 计算。
• 避免「v1 修 bug 牵连 v2 / v2 加 feature 影响 v1」这种相互纠缠。
• v1 已 shipped，按硬约束不修改 v1 任何文件。

实现路径与 v1 同样是「纯 numpy/pandas 单循环 + 可选 vbt Portfolio 包装」。

因子清单

V2 不依赖外部 Factor 类。唯一新引入的中间量是「过去 60 日组合 NAV pct_change 的实现波动率」，但这是策略内部 rolling 计算，不抽象成独立 Factor（不暴露 IC、不被其他策略复用）。

策略配置

• 配置文件：configs/S2_cn_etf_dca_swing_v2.yaml
• 类型：dca_swing_v2（未注册到 registry，遵守硬约束）
• 加载方式：由 summaries/S2_cn_etf_dca_swing/v2/validate.py 直接实例化 DCASwingV2Strategy

参数（与 v1 共享 vs v2 新增）：

数据

与 v1 完全一致：

• 标的池：511990 + 510300/510500/159915/512100/512880/512170
• 时间窗：2020-01-01 ~ 2024-12-31
• 数据预处理：akshare qfq → parquet 缓存；inner join 7 只共有交易日
• 起始 T0 全部 init_cash 买入 511990 货基

关键设计决策

1. DCA 三态判定（A 方向核心）

每月第一个交易日 T 的前一日 T-1 决策（pending_dca 写在 t 循环末尾，t+1 是月初）。判定基于 T 收盘的风险池总权重 w_risk：

target = self.risk_target_weight  # 0.70
if w_risk > target * (1 + dca_band_high):     # > 0.735
    pending_dca = "OFF"                        # 5000 留货基不动
elif w_risk < target * (1 - dca_band_low):    # < 0.665
    pending_dca = "BOOST"                      # 7500 等额买 6 只
else:
    pending_dca = "NORMAL"                     # 5000 等额买 6 只（与 v1 一致）

T+1 开盘执行——保持与 v1 相同的「T 决策、T+1 成交」无未来函数节奏。

2. 波动率自适应阈值（C 方向核心）

每个交易日 t 在循环里直接算：

window_nav = nav_hist[t - vol_lookback : t + 1]   # 含 t；只用历史
rets = np.diff(window_nav) / window_nav[:-1]
vol_ann = np.std(rets, ddof=0) * np.sqrt(252)
band_t = clip(vol_band_coef * vol_ann, vol_band_min, vol_band_max)

注意：

• nav_hist[:t+1] 是当日 close 后估值的 NAV，只用历史信息——无未来函数。
• 前 vol_lookback=60 个交易日 warmup 期 band_t 固定 warmup_band=0.20（与 v1 完全一致），避免冷启动噪声把 band 压到下限。
• band_t 立即用于当日的 swing 触发判定（向 t+1 下单）。

3. swing 触发逻辑（保持与 v1 一致，仅替换阈值变量）

upper = w_target_per_symbol * (1 + band_t)
lower = w_target_per_symbol * (1 - band_t)

adjust_ratio=0.5、cooldown_days=5、单标的偏离绝对额 < 1 RMB 不动单（防小数噪声）——全部沿用 v1。

4. 防止 v1 bug 传染

V2 不导入 v1 类。DCASwingV2Strategy 是独立类；DCASwingV2Result 是独立 dataclass。validate.py 同时实例化 v1（仅作对比）和 v2，但运行轨道独立。

5. 现金/持仓不足缩单

与 v1 同样的兜底：

• DCA OFF 不动钱
• DCA BOOST 时若 511990 余额不足 7500，缩单到可用上限（极端连续 BOOST 会受此影响）
• swing 加仓现金不足按可用缩；swing 减仓持仓不足按可用缩

踩过的坑

1. DCA mode 决策时点：起初想把判定逻辑放到 t=月初当日（“今天是月初就决定”），但这违背 v1 的 pending_dca 模型（v1 是 t-1 决策、t 执行）。改为「t 是月初前一交易日时决策」→ index[t+1] in month_firsts 时算 mode → t+1 执行。这样保持和 v1 完全相同的时间轴。
2. vol 窗口含 t 还是不含：写成 nav_hist[t - vol_lookback : t + 1] 含当日 close。当日 NAV 基于 T close，是已经实现的信息——不属于未来函数（与 v1 的 swing 决策同源时点）。
3. warmup 期固定 0.20：第一版尝试在 warmup 期就用 t=10/20 的短窗口算 vol，结果 band_t 在前 60 日剧烈震荡。改为固定 0.20（v1 默认值）后早期 NAV 与 v1 几乎重合，便于事后归因到底是「DCA 路由」还是「vol 自适应」贡献了差异。

相关 commits

待提交（2026-05-08 v2 批次）。

后续 follow-up

• 如果 v2 结果显示「band_t 长期撞底（vol_ann × 0.6 < 0.10）」，考虑把 vol_band_coef 从 0.6 上调到 0.9（让低波期更接近 v1 的 0.20）
• 如果 BOOST 几乎不触发，考虑放宽 dca_band_low 到 0.03（更敏感）
• 真实数据下 v2 vs v1 head-to-head 出表（在 validation.md）

Validation — A股 ETF DCA + 阈值再平衡 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 smoke test（合成数据）

配置 & 数据

• 配置：configs/S2_cn_etf_dca_swing_v2.yaml @ commit <待提交>
• 实现：src/strategy_lib/strategies/cn_etf_dca_swing_v2.py::DCASwingV2Strategy
• 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）

Smoke test 断言通过项

• ✅ 月度 DCA 触发笔数 = 活跃模式数 × 6（NORMAL=21 + BOOST=2 → 23 × 6 = 138 笔 dca_buy）
• ✅ DCA OFF=0 / NORMAL=21 / BOOST=2（合成数据偏多头，OFF 没触发是正常的：风险权重稳定在 0.70 附近不会超 0.735）
• ✅ NAV 重算恒等（相对误差 < 1e-9）
• ✅ swing cooldown 拦截：所有同标的间隔 ≥ 5 自然日
• ✅ 起始建仓：T0 把 100% init_cash 买入 511990
• ✅ band_t 范围 ∈ [0.10, 0.10]（合成数据 NAV vol 较低，band 触底，符合「低波时阈值收紧到下限」的设计预期）

合成数据回测绩效（仅功能验证，不代表真实预期）

关键观察：合成数据下 v2 NAV vol 仅 7.13%，导致 band_t 全程 0.10（撞下限）。这相当于在 v1 基础上收紧 swing 阈值，触发会更频繁——这是合成数据特性，不代表真实数据下的行为（真实 vol_ann 一般 15-25%，band_t 会落到 0.10-0.15）。

2026-05-08 V2 真实数据回测

配置 & 数据

• 实现：DCASwingV2Strategy() 默认参数（即配置文件中的 v2 参数）
• 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，与 v1 完全一致）
• 共享成本：fees=0.00005 / slippage=0.0005 / init_cash=100,000
• v2 关键参数：dca_band_high=0.05 / dca_band_low=0.05 / dca_boost_factor=1.5 / vol_lookback=60 / vol_band_coef=0.60 / vol_band_min=0.10 / vol_band_max=0.30 / warmup_band=0.20

V2 vs V1 head-to-head（核心对比表）

与 510300 BH 的对比（v2 视角）

V2 特有指标

与 510300 BH 各年度对比

关键观察 — V2 设计的实际效果

1. A 方向（DCA-priority routing）确实在运转，但对高抛/低吸比影响微弱

   • 5 年 59 个月里 DCA OFF 触发了 25 次（42.4% 月份），每次「不灌」相当于把 5000 RMB 留在 511990 不入风险池
   • 然而高抛次数仍然 187 vs v1 177，实际反而 +10——为什么？
     • 当 DCA OFF 时，权重 > 73.5% 的状态本来就是「轻度过热」，swing 上沿（v1 84%、v2 因 band 收窄到 ~78%）依然容易触发
     • v2 的 band_t 平均仅 0.111（远小于 v1 的 0.20），swing 触发更敏感——这与「DCA OFF 减少高抛」的设计意图互相抵消
   • 核心原因：A 和 C 在「频次」上相互抵消（A 想减少高抛 + C 让 swing 更敏感）；高抛/低吸比的根因是「DCA + 市场结构性偏多头」，单靠停 DCA 不能逆转 5 年里风险权重大部分时间在目标线上方的事实

2. C 方向（vol-adaptive band）真的让 band_t 在低波时收紧

   • band_t 均值 0.111 vs v1 固定 0.20，几乎一半时间 band 撞下限 0.10
   • 高波时段（2022 / 2024.9）band_t 最高到 0.229——比 v1 的 0.20 略宽，避免高波期反复刷单
   • 但 vol_band_coef=0.6 偏低，让 band 整体偏紧，触发频率比 v1 高，vol 自适应"放宽"的作用没有充分体现

3. 换手率显著降低（154% → 96%，-58 pct）

   • 这是 v2 最明显的实际收益——主要来自 DCA OFF 节省的月度流入（25 次 × 5000 × 7 笔/月 = 87.5 万 RMB，5 年累计成交额降低约 5%——但年化换手率分母是平均 NAV，这部分数据贡献到换手率比想象的大）
   • 附加好处：手续费/滑点累积成本降低，对长期复利友好

4. MaxDD 改善（-37.10% → -35.12%）

   • 主要发生在 2022 熊市段：DCA OFF 在 2022 上半年高位时停灌、避免在熊市继续往下加仓；同时 band_t 在 2022.4 高波时拉宽 swing 阈值，减少了"越跌越买"的反复
   • Calmar 从 0.074 升到 0.080，回撤效率小幅改善

5. 2024 跑输 BH 的幅度几乎没改善（-11.70 → -11.42pct）

   • 期望 BOOST 能在 9 月反弹时加速补仓——但 5 年里 BOOST 仅触发 3 次，且时机分散
   • 9.24 反弹后 1-2 个月才让 w_risk 跌破 66.5%（之前持仓本来就饱和）；BOOST 反应不够快
   • 这是 A 方向的结构限制：DCA 月度节奏太慢，赶不上单边反弹的乘数效应；要解决 2024 这种"大反弹"问题，得改成"主动补仓"（不依赖月度触发），但那已经超出 v2 范围

6. 核心 KPI 高抛/低吸比未改善（11.80 → 11.69，仅 -0.11）

   • 我在 idea.md 里的预期是降到 3:1 ~ 6:1
   • 实际结果说明：A 方向的"停 DCA"无法逆转风险池权重长期偏多头的事实——只要市场结构性向上、DCA 不停、风险标的内部不再平衡，v1 的不对称就会持续
   • 真正能扭转这个比例的方法是 B 方向（不对称阈值），或者根本性改变资金流（比如「不做月度 DCA、改成 DCA 仅在 w_risk < target 时触发」）——后者已经接近 S3 等权再平衡

解读 — 这次 v2 实验告诉我们什么

根因诊断：

1. 不对称问题的根因不是"DCA 流入"，而是"6 只 ETF 在 5 年里整体偏多头 + 资金长期占在风险池"——任何不在「单只 ETF 维度」做不对称调整的方案都会失败
2. A 和 C 互相抵消：A 减少了 DCA 灌入（应该减少高抛），但 C 让 swing 更敏感（增加高抛）——净效应几乎抵消
3. A 的"停灌"只是停了"额外注入"，没有帮助消化已有的过热权重；除非配合 swing 主动减仓，否则 w_risk > 73.5% 的状态可以持续好几个月

关键图表

• — V2 vs V1 vs 510300 BH 标准化净值（三条线）
• — V2 vs V1 vs BH 回撤
• — V2 高抛/低吸事件叠加在风险池权重曲线 + DCA OFF/BOOST 阈值
• — V2 风险权重轨迹（上）+ band_t 动态阈值（下）

附原始数据：artifacts/nav_series.csv / orders.csv / weights.csv / band_t.csv / dca_modes.csv / real_backtest_summary.json

下一步

• 判定 v2 status：核心 KPI（高抛/低吸比、2024 vs BH）均未达预期 → shelved
• 若未来要做 v3，方向应该是：
  • B 方向（不对称阈值）：上沿严格（如 +12% 触发）、下沿宽松（如 -25%）—— 直接治标
  • 或者单只 ETF 维度的相对表现剃头（领涨标的减仓更敏感）—— 但这开始接近 momentum tilt 的反向（S4 已 shelved）
  • 或者完全去掉 DCA：S3 等权再平衡已经做了（Sharpe 0.26），可能比修补 S2 更值
• V2 的换手降低（154%→96%）是真实收益，可单独作为 v1 的「成本优化版本」保留——但这与「修复不对称」的初衷不一致