如何评价策略

从哪些方面去改进策略：多因子融合与全链路精细化

小象实战讲义 · 初阶量化交易：策略编写及系统搭建 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

当一个量化策略通过初步回测与健康体检后，量化工程师通常会发现其存在某些局部短板（例如震荡市回撤略大、多头行情抓取不全或特定周期换手率偏高）。此时，策略迭代绝不是盲目调整几个数字参数，而是需要沿着底层交易逻辑的因果关系链条，从标的池因子质量、入场特征工程、出场风控精细化到多策略低相关性对冲展开全链路系统性改进。

本讲系统介绍量化策略全流程优化的标准框架；深入探讨多因子非同质化融合（价值/成长/动量/低波）与因子正交化去共线性；剖析基于 ATR 真实波幅的动态出场止损优化；并阐明多策略组合降低组合波动率的工程实践。

💡 核心导读

• 策略优化的核心前提：逻辑驱动而非数据挖掘：
  • 一切优化的起点必须源于清晰的经济学逻辑或市场微观结构逻辑（例如：为什么小市值具有壳价值溢价？为什么低估值具有均值回归动力？）；
  • 严禁无逻辑地对上百个技术指标做穷举拼凑，避免落入伪相关性的陷阱。
• 策略四大核心维度的改进抓手：
  1. 标的池层（Universe Optimization）：
     • 从单一单因子（如仅看 PE）升级为多因子融合模型（价值因子 PE/PB + 质量因子 ROE + 动量因子 Momentum + 波动率因子 ATR）；
     • 因子正交化（Factor Orthogonalization）：消除因子间的共线性重叠，提取纯净的增量 Alpha；
  2. 择时与特征层（Timing & Features）：
     • 引入量价过滤（如成交量放大确认突破、威科夫努力与结果背离过滤）；
     • 将固定时间窗口（如 MA10）升级为基于市场波动率的自适应均线（如 Kaufman 自适应均线 AMA）；
  3. 出场与风控层（Exit & Sizing）：
     • 将固定比例止损升级为 $3 \times ATR$ 动态波动率跟踪止损（棘轮式：止损线只上移、不下移），在暴风雨来临时自动放宽容忍度，在平静期自动收紧保护线，浮盈扩大时逐级上移锁定利润；
  4. 资产配置层（Portfolio Diversification）：
     • 将单一趋势策略拓展为低相关性多策略组合（趋势跟踪策略 + 均值回归套利策略 + 基本面多因子策略），利用策略间的负相关性抹平组合回撤。

┌─────────────────────────────────────────────────────────────┐
│                    量化策略全链路精细化改进路径                 │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌───────────────┬─────────────┴─────────────┬───────────────┐
 ▼               ▼                           ▼               ▼
┌─────────────┐ ┌─────────────┐             ┌─────────────┐ ┌─────────────┐
│ 1. 股票池   │ │ 2. 择时特征 │             │ 3. 出场风控 │ │ 4. 多策略   │
├─────────────┤ ├─────────────┤             ├─────────────┤ ├─────────────┤
│ • 多因子融合│ │ • 量价配合  │             │ • 3×ATR动态 │ │ • 趋势+套利 │
│ • 因子正交化│ │ • 波动自适应│             │ • 阶梯式止盈│ │ • 低相关对冲│
│ • 剔除伪因子│ │ • 威科夫过滤│             │ • CPR风险仓 │ │ • 抹平回撤  │
└─────────────┘ └─────────────┘             └─────────────┘ └─────────────┘

一、真实波幅（ATR）在动态风控中的应用

传统固定 5% 止损无法适应不同股票的波动个性（银行股日均波动 1%，而科技股日均波动 5%）。通过引入真实波幅 $ATR$：

$$TR_t = \max(|High_t - Low_t|, |High_t - Close_{t-1}|, |Low_t - Close_{t-1}|)$$ $$ATR_t = \frac{(N-1) \cdot ATR_{t-1} + TR_t}{N} \quad (\text{Wilder 平滑，等价于 } \alpha = 1/N \text{ 的指数平滑})$$

注意 ATR 的经典定义采用 Wilder 平滑（$\alpha = 1/N$），而非普通 EMA 的 $\alpha = 2/(N+1)$——pandas 中应对应 ewm(alpha=1/N, adjust=False)；若写成 ewm(span=N)，平滑系数近乎翻倍，ATR 响应速度约为经典定义的两倍，与主流行情软件（通达信/TradingView 均为 Wilder 口径）的数值不可比。将初始止损距离设定为 $3 \times ATR$，动态实现”大波动给大空间、小波动给小空间”的自适应风控；多头跟踪止损线再叠加棘轮机制 $\text{Stop}$t = \max(\text{Stop}{t-1},\ Close_t - 3 \times ATR_t)——只上移、不下移，随浮盈扩大逐级锁定利润。

二、多策略低相关性对冲的数学奇迹

若组合中包含策略 A（夏普 1.0）与策略 B（夏普 1.0），且两者收益率相关系数 $\rho \approx -0.2$：

• 组合后的整体夏普比率可直接跃升至 $1.6$ 以上；
• 这正是对冲基金（Hedge Fund）通过跨品种、跨周期、跨逻辑组合实现净值平滑向上的核心奥秘。

📝 动手练一练

下面我们用 Python 编写一段 真实波幅（ATR）动态计算与自适应止损带构建引擎，演示如何根据标的实时波动率动态调整止损幅度：

import pandas as pd
import numpy as np

def compute_atr_and_dynamic_stop(df, window=14, multiplier=3.0):
    """
    真实波幅 (ATR, Wilder 平滑) 与 3×ATR 自适应跟踪止损带引擎
    """
    df = df.copy()
    
    # 1. 计算单日真实波幅 True Range (TR)
    hl = df['high'] - df['low']
    hc = np.abs(df['high'] - df['close'].shift(1))
    lc = np.abs(df['low'] - df['close'].shift(1))
    df['TR'] = np.maximum(hl, np.maximum(hc, lc)).fillna(hl)
    
    # 2. 计算 N 日 Wilder 平滑 ATR (alpha=1/N; 注意 span=N 对应 alpha=2/(N+1), 并非 Wilder 口径)
    df['ATR'] = df['TR'].ewm(alpha=1/window, adjust=False).mean()
    
    # 3. 动态计算 3 倍 ATR 止损距离与多头跟踪止损线
    #    棘轮机制: 止损线 = max(此前全部历史止损线, 今日 close - 3×ATR), 只上移不下移, 逐级锁定浮盈
    df['Stop_Distance'] = df['ATR'] * multiplier
    raw_stop = df['close'] - df['Stop_Distance']
    df['Dynamic_Stop_Line'] = np.maximum.accumulate(raw_stop.to_numpy())
    
    return df

def test_atr_run():
    np.random.seed(42)
    dates = pd.date_range("2023-01-01", periods=10, freq="B")
    
    # 模拟标的走势: 前 5 日冲高, 后 5 日回落 —— 检验棘轮止损线在下跌段是否守住高位
    highs = [10.5, 10.8, 11.2, 11.8, 12.0, 11.6, 11.4, 11.0, 10.8, 10.5]
    lows  = [9.8,  10.0, 10.4, 10.9, 11.2, 11.0, 10.7, 10.2, 10.1, 9.9]
    closes= [10.2, 10.6, 11.0, 11.5, 11.8, 11.2, 10.9, 10.4, 10.3, 10.1]
    
    raw_df = pd.DataFrame({'high': highs, 'low': lows, 'close': closes}, index=dates)
    res = compute_atr_and_dynamic_stop(raw_df, window=5, multiplier=3.0)
    
    print("================ ATR (Wilder) 动态跟踪止损带测算 ================")
    print(res[['high', 'low', 'close', 'TR', 'ATR', 'Dynamic_Stop_Line']])
    print("--------------------------------------------------------")
    print("量化精要: 价格自 11.8 回落至 10.1, 但棘轮止损线锁定在峰值 9.47488 不再下移, 浮盈保护生效!")
    print("========================================================")

if __name__ == "__main__":
    test_atr_run()

运行结果输出：

================ ATR (Wilder) 动态跟踪止损带测算 ================
            high   low  close   TR       ATR  Dynamic_Stop_Line
2023-01-02  10.5   9.8   10.2  0.7  0.700000            8.10000
2023-01-03  10.8  10.0   10.6  0.8  0.720000            8.44000
2023-01-04  11.2  10.4   11.0  0.8  0.736000            8.79200
2023-01-05  11.8  10.9  11.5  0.9  0.768800            9.19360
2023-01-06  12.0  11.2  11.8  0.8  0.775040            9.47488
2023-01-09  11.6  11.0  11.2  0.8  0.780032            9.47488
2023-01-10  11.4  10.7  10.9  0.7  0.764026            9.47488
2023-01-11  11.0  10.2  10.4  0.8  0.771220            9.47488
2023-01-12  10.8  10.1  10.3  0.7  0.756976            9.47488
2023-01-13  10.5   9.9  10.1  0.6  0.725581            9.47488
--------------------------------------------------------
量化精要: 价格自 11.8 回落至 10.1, 但棘轮止损线锁定在峰值 9.47488 不再下移, 浮盈保护生效!
========================================================

本章小结

1. 坚持逻辑驱动优化：拒绝无脑数据挖掘，从选股、择时、风控与多策略协同四大维度推进策略迭代。
2. 掌握 ATR（Wilder）动态跟踪止损：以 $\alpha=1/N$ 的 Wilder 平滑计算真实波幅，消除固定比例止损的僵化弊端；棘轮机制令止损线只上移、不下移，实现顺应市场波动、逐级锁定浮盈的智能保护。
3. 利用多策略负相关性：通过不同逻辑策略的低相关性组合，打造平滑稳健向上的资产净值曲线。

📋 行动清单 (Action Checklist)

• 运行本讲 ATR 动态止损代码，观察止损带随价格波动的动态收放过程；
• 思考自己当前策略是否存在单因子共线性过高问题；
• 预习下一讲，学习量化研发的头号杀手——策略过拟合（Overfitting）的深度诊断与防范。

— 小象教研组