Tutorial 09: 全天候 Alpha 综合策略¶
本篇导览
| 项目 | 说明 |
|---|---|
| 目标 | 将选股、轮动、风控等模块整合为可运行的综合策略，并对接回测与模拟盘 |
| 预计用时 | 2 小时以上（可按目录分次阅读） |
| 前置 | Tutorial 04～08 建议至少通读一遍；代码见 examples/21_combined_strategy/ |
本教程将之前所有教程和示例中的策略技术整合成一个完整的、可投入实盘的综合策略。 我们会逐步讲解每个组件的设计原理、数学公式和代码实现， 并提供完整的回测和模拟盘代码，可直接运行。
说明： examples/21_combined_strategy/README.md 目录内脚本会将子目录加入 sys.path 以导入 combined_strategy，与 eqlib 的安装方式无关。
目录¶
- 策略概述
- 第一层：多因子选股（Z-Score 标准化）
- 第二层：行业轮动评分加成
- 第三层：技术指标入场 / 离场信号
- 第四层：风险管理与仓位控制
- 生命周期回调集成
- 完整策略代码说明
- 回测验证
- 模拟盘部署
- 策略解读与改进方向
1. 策略概述¶
1.1 设计目标¶
"全天候 Alpha"（All-Weather Alpha）策略的设计目标是：
- 鲁棒性：在牛市、熊市、震荡市都能有效运行，不依赖单一市场环境
- 多维度：同时利用基本面（因子得分）、技术面（RSI / MACD / 布林带）和结构面（支撑阻力位）
- 风险可控：多层止损（硬止损 + ATR 追踪止损），严格的仓位上限
- 可解释性：每一个买卖决策都有可追溯的量化依据
1.2 策略架构¶
┌──────────────────────────────────────────────────────────┐
│ 每周一 — 多因子 + 行业轮动选股 │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────┐ │
│ │ 动量因子 │ │ 成交量 │ │ 反转修正 │ │ 波动率 │ │
│ │ (35%) │ │ (30%) │ │ (15%) │ │ (20%) │ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ └───┬────┘ │
│ └──────────────┴─────────────┴─────────────┘ │
│ Z-Score 标准化 │
│ ↓ 合成综合得分 │
│ 行业动量评分加成（+10%） │
│ ↓ 排名选 Top 5 │
└──────────────────────────────────────────────────────────┘
↓ g.selected_stocks
┌──────────────────────────────────────────────────────────┐
│ 每日 — 技术指标入场 / 离场 │
│ │
│ 入场条件（必须同时满足 C + D + E）： │
│ C. 超卖信号：RSI < 35 OR 价格 < 布林下轨 │
│ OR 价格触及唐奇安下轨 │
│ D. 确认信号：MACD 金叉 OR 接近支撑位 │
│ E. 成交量确认：当日量 ≥ 1.2 × 20日均量 │
│ │
│ 离场条件（任一满足即卖出）： │
│ 1. 硬止损：亏损 > 8% │
│ 2. ATR 追踪止损 │
│ 3. 布林上轨 + RSI 超买 │
│ 4. MACD 死叉 │
│ 5. 唐奇安上轨突破 │
│ 6. 接近阻力位 + RSI 超买 │
└──────────────────────────────────────────────────────────┘
┌──────────────────────────────────────────────────────────┐
│ 生命周期回调 │
│ before_trading_start → 检查 ST 股，记录开盘前状态 │
│ after_trading_end → 记录收盘后组合快照 │
└──────────────────────────────────────────────────────────┘
1.3 股票池（12 只，覆盖 8 个行业）¶
| 代码 | 名称 | 行业 | 选择理由 |
|---|---|---|---|
| 601398 | 工商银行 | 银行 | 大盘蓝筹，波动低，适合均值回归 |
| 600519 | 贵州茅台 | 白酒 | 高 ROE 消费龙头，长期趋势强 |
| 002594 | 比亚迪 | 新能源 | 新能源板块龙头，波动大但趋势明显 |
| 601857 | 中国石油 | 石油天然气 | 能源板块，受大宗商品价格驱动 |
| 601088 | 中国神华 | 煤炭 | 高股息防御，与石油负相关 |
| 601390 | 中国中铁 | 基础设施 | 政策驱动，与经济周期相关 |
| 600276 | 恒瑞医药 | 医药 | 创新药龙头，抗周期性较强 |
| 000333 | 美的集团 | 家电 | 制造业龙头，ROE 稳定 |
| 600916 | 中国黄金 | 黄金 | 避险资产，与股票负相关 |
| 000858 | 五粮液 | 白酒 | 与茅台相关但相对折价 |
| 601318 | 中国平安 | 保险 | 大金融板块，估值低 |
| 600887 | 伊利股份 | 消费品 | 必需消费，抗跌性好 |
行业分散原则：选入不同行业的股票，使得不同市场环境下总有一部分股票处于强势。
2. 第一层：多因子选股（Z-Score 标准化）¶
2.1 为什么用多因子选股¶
单一因子（如只看动量）容易在市场风格切换时失效。多因子模型通过综合多个维度， 使策略在不同市场环境中均保持一定的选股能力（参考 Tutorial 08）。
2.2 四个因子定义¶
因子 1：动量因子（权重 35%）¶
- 经济含义：过去 20 个交易日的涨幅。动量越高，近期趋势越强。
- 权重最高 的原因：A 股市场"追涨杀跌"特征明显，动量效应在中短期有效。
因子 2：成交量放大因子（权重 30%）¶
- 经济含义：近期成交量相对历史均量的倍数。 量比 > 1 说明近期资金关注度上升，价格上涨更可靠。
因子 3：短期反转修正（权重 15%）¶
- 经济含义：对近 5 日涨幅取反值。 短期涨太多的股票（追高风险大）因子值低； 短期略有回调的股票因子值高（更安全的买点）。
- 这是动量因子的补偿：避免选出近期已经涨了很多、性价比不高的股票。
因子 4：低波动率因子（权重 20%）¶
- 经济含义：低波动率股票在相同收益下风险更小（低波动溢价）。 取负号是因为波动越低，因子值越高。
2.3 Z-Score 标准化¶
不同因子的量纲不同（动量是百分比、量比是倍数），直接加权会导致某个因子主导结果。 Z-Score 标准化消除量纲差异：
def _zscore_normalize(values_dict):
vals = list(values_dict.values())
mu = statistics.mean(vals)
sig = statistics.stdev(vals) or 1e-9
return {k: (v - mu) / sig for k, v in values_dict.items()}
2.4 综合得分合成¶
按 score 从高到低排名，选出 Top 5 股票。
3. 第二层：行业轮动评分加成¶
参考 Tutorial 07，在多因子得分的基础上加入行业轮动维度。
3.1 行业动量计算¶
每个行业取一只代表性股票，计算近 10 日收益率：
同样进行 Z-Score 标准化，得到各行业的相对强弱。
3.2 行业加成¶
加成权重只有 10% 的原因： 行业信号通常比个股因子"滞后"（行业已经涨了很多才能被观测到）， 权重过高容易形成追高。10% 的加成能给行业信号一定影响力，而不至于主导整个排名。
4. 第三层：技术指标入场 / 离场信号¶
多因子模型确定了"应该持有哪些股票"，但不告诉我们"什么时候买入最合适"。 技术指标负责这个"精确入场时机"的工作。
4.1 RSI 均值回归入场（Tutorial 06）¶
公式：
ΔP_t = P_t − P_{t-1}
AvgGain_t = EMA(max(ΔP_t, 0), N=14)
AvgLoss_t = EMA(max(−ΔP_t, 0), N=14)
RS = AvgGain / AvgLoss
RSI = 100 − 100 / (1 + RS)
入场条件： RSI < 35（超卖区）
逻辑： RSI < 35 说明近期下跌力度明显超过上涨力度，市场可能过度悲观， 存在反弹机会。
4.2 布林带均值回归（Example 14）¶
公式：
Middle = MA(close, N=20)
Upper = Middle + 2 × std(close, N=20)
Lower = Middle − 2 × std(close, N=20)
入场条件： price ≤ Lower（价格跌破下轨，统计意义上的超卖）
离场条件： price ≥ Upper AND RSI ≥ 65（统计意义上的超买）
bb_upper, bb_mid, bb_lower = utils.boll(close, period=20, num_std=2.0)
buy_signal = price <= bb_lower.iloc[-1]
sell_signal = price >= bb_upper.iloc[-1] and rsi >= 65
4.3 MACD 趋势确认（Example 15）¶
公式：
EMA_fast = EMA(close, N=12)
EMA_slow = EMA(close, N=26)
DIF = EMA_fast − EMA_slow
DEA = EMA(DIF, N=9) # Signal line
柱状图 = 2 × (DIF − DEA)
金叉（看涨信号）： DIF 由下穿上越过 DEA
死叉（看跌信号）： DIF 由上穿下越过 DEA
4.4 ATR 追踪止损（Examples 15 / 20）¶
ATR 公式：
追踪止损价：
当 current_price < trailing_stop 时止损卖出。
优势：追踪止损随着价格上涨而上移，既保护了利润，又允许价格正常波动。 与固定百分比止损相比，ATR 止损能根据市场实际波动率动态调整。
atr_values = utils.atr(high, low, close, 14)
current_atr = atr_values.iloc[-1]
trailing_stop = highest_since_buy - 2.5 * current_atr
4.5 支撑阻力位确认（Example 20）¶
支撑阻力位通过识别历史价格中的摆动高低点聚类得到：
sr = utils.support_resistance_levels(
high, low, close,
lookback=60, # 回看 60 根 K 线
tolerance=0.025, # 2.5% 容差
)
nearest_support = sr.get("nearest_support")
nearest_resistance = sr.get("nearest_resistance")
近支撑入场条件：
即价格距离支撑位不超过 2.5%，认为"接近支撑位"。
近阻力离场条件：
4.6 成交量确认（Example 15）¶
公式：
确认条件： vol_ratio ≥ 1.2
逻辑： 价格下跌到支撑位，同时成交量扩大，说明有资金在接盘， 下跌可能即将结束。Example 15 使用 1.5× 阈值；本策略使用 1.2× 阈值 （稍宽松，因为已经有多个其他条件把关）。
4.7 唐奇安通道（Example 20）¶
公式：
- 入场信号：
price ≤ DC_lower（价格创 20 日新低，超卖） - 离场信号：
price ≥ DC_upper（价格创 20 日新高，获利了结）
5. 第四层：风险管理与仓位控制¶
5.1 入场条件的组合逻辑¶
入场 = A AND B AND C AND D AND E
A. 该股在本周 Top-5 选股列表中
B. 当前持仓数 < 5（仓位有空间）
C. 超卖信号（RSI < 35 OR 价格 ≤ 布林下轨 OR 价格 ≤ 唐奇安下轨）
D. 确认信号（MACD 金叉 OR 价格接近支撑位）
E. 成交量确认（当日量 ≥ 1.2 × 20 日均量）
多条件 AND 设计的好处： 减少假信号。每个单独的技术信号都有约 50% 的假信号率； 三个独立信号同时触发，假信号率理论上降低到 12.5%。
5.2 离场条件的优先级¶
离场 = 以下任一条件满足（按优先级从高到低）：
1. 硬止损：loss_pct < −8% ← 无条件执行，保本为先
2. ATR 追踪止损 ← 动态风险控制
3. 布林上轨 + RSI ≥ 65 ← 技术性获利了结
4. MACD 死叉 ← 趋势转换信号
5. 唐奇安上轨 ← 价格创新高后回落
6. 近阻力位 + RSI ≥ 65 ← 位置性获利了结
5.3 仓位控制¶
等权配置：
最大持仓数：1 / 20% = 5 只股票。
优势：等权配置避免了过度集中风险。例如即使某只股票触发止损， 最多也只损失 20% × 8% = 1.6% 的总资金。
6. 生命周期回调集成¶
参考 Example 08，策略注册了两个生命周期回调。
6.1 开盘前（before_trading_start）¶
def _before_market_open(context):
# 记录当前持仓状态
log.info("PRE-MARKET | total=%.2f | cash=%.2f | positions=%d"
% (...))
# 检查 ST 股票（停牌、戴帽等异常情况）
st_map = get_extras("is_st", security_list=universe)
st_stocks = [c for c, flag in st_map.items() if flag]
if st_stocks:
log.warning("ST stocks: %s" % st_stocks)
6.2 收盘后（after_trading_end）¶
def _after_market_close(context):
pnl_pct = (portfolio.total_value - portfolio.starting_cash) / portfolio.starting_cash
record(
total_value=portfolio.total_value,
cash=portfolio.available_cash,
num_holdings=held,
pnl_pct=pnl_pct,
)
record() 将数据保存到回测结果中，供 generate_chart 绘图使用。
7. 完整策略代码说明¶
7.1 文件结构¶
examples/21_combined_strategy/
├── combined_strategy.py # 完整策略模块（可导入、可修改）
├── run_backtest.py # 回测运行脚本（直接可运行）
├── run_paper_trade.py # 模拟盘运行脚本（直接可运行）
└── README.md # 本教程摘要
7.2 策略模块结构¶
# combined_strategy.py 结构
STOCK_POOL = [...] # 12 只股票
SECTOR_MAP = {...} # 股票→行业映射
SECTOR_REPRES. = {...} # 行业代表股（用于行业动量计算）
# 参数配置（按需修改，使用模块级常量）
TOP_N = 5
RSI_OVERSOLD = 35
ATR_MULTIPLIER = 2.5
...
# 核心函数
_zscore_normalize(values_dict) # Z-Score 标准化工具
_compute_factors(code) # 计算单股四因子
_score_sector_momentum() # 行业动量评分
rank_stocks_weekly(context) # 每周选股排名
_compute_indicators(code) # 计算技术指标
_check_sell(context, code, ind) # 离场逻辑
_check_buy(context, code, ind) # 入场逻辑
_before_market_open(context, data=None) # 生命周期：开盘前
_after_market_close(context, data=None) # 生命周期：收盘后
weekly_rebalance(context) # 每周一调仓
daily_trading(context) # 每日信号处理
initialize(context) # 策略入口（必须有）
7.3 关键参数速查¶
| 参数 | 默认值 | 含义 |
|---|---|---|
TOP_N |
5 | 每周选股数量 |
W_MOMENTUM |
0.35 | 动量因子权重 |
W_VOLUME |
0.30 | 成交量因子权重 |
W_REVERSAL |
0.15 | 反转修正权重 |
W_VOLATILITY |
0.20 | 低波动率权重 |
RSI_OVERSOLD |
35 | RSI 超卖阈值 |
RSI_OVERBOUGHT |
65 | RSI 超买阈值 |
BOLL_PERIOD |
20 | 布林带周期 |
ATR_MULTIPLIER |
2.5 | ATR 追踪止损倍数 |
SR_LOOKBACK |
60 | 支撑阻力回看期（天） |
SR_TOLERANCE |
0.025 | 支撑阻力容差（2.5%） |
MAX_SINGLE_PCT |
0.20 | 单股最大仓位（20%） |
HARD_STOP_PCT |
0.08 | 硬止损阈值（8%） |
VOL_CONFIRM_RATIO |
1.2 | 成交量确认倍数 |
8. 回测验证¶
8.1 直接运行回测¶
回测参数： - 时间段：2022-01-01 至 2024-12-31（3 年） - 初始资金：¥500,000 - 基准：沪深 300（000300.XSHG） - 股票池：12 只（8 个行业）
输出报告：
- reports/backtest_<时间戳>.png — 净值曲线图
- reports/backtest_<时间戳>.html — 交互式 HTML 报告
- reports/backtest_<时间戳>.md — Markdown 摘要
- reports/backtest_<时间戳>.json — 完整回测数据
8.2 回测代码详解¶
# run_backtest.py 核心片段
import sys, os
sys.path.insert(0, ".") # 项目根目录
sys.path.insert(0, "examples/21_combined_strategy") # 策略所在目录
from combined_strategy import initialize, STOCK_POOL
from eqlib import run_strategy, analyze_returns
result = run_strategy(
initialize_func=initialize, # 策略入口函数
start_date="2022-01-01",
end_date="2024-12-31",
starting_cash=500_000,
benchmark="000300.XSHG",
securities=STOCK_POOL, # 预加载数据，加快回测速度
report_dir="reports",
)
# 绩效分析
metrics = analyze_returns(result, risk_free_rate=0.03)
print("Sharpe ratio : %.4f" % metrics["sharpe_ratio"])
print("Max drawdown : %.2f%%" % (metrics["max_drawdown"] * 100))
print("Win rate : %.2f%%" % (metrics["win_rate"] * 100))
8.3 回测结果解读指南¶
运行完成后，关注以下关键指标：
| 指标 | 含义 | 参考值 |
|---|---|---|
| 夏普比率 | 每单位波动风险的超额收益 | > 1.0 为良好，> 2.0 为优秀 |
| 最大回撤 | 从历史峰值到最低点的跌幅 | < 20% 为可接受 |
| Calmar 比率 | 年化收益率 / 最大回撤 | > 1.0 为良好 |
| Alpha | 相对基准的超额收益 | > 0 说明策略创造了价值 |
| Beta | 与大盘的相关性 | < 1.0 说明策略波动小于大盘 |
| 胜率 | 盈利交易数 / 总交易数 | > 50% 为较好 |
8.4 使用本地数据加速（推荐）¶
首次运行时下载并保存数据，后续运行直接从本地读取：
# 第一步：预下载数据（只需一次）
python examples/19_local_data_backtest.py --download-all
# 第二步：使用本地数据运行回测（速度更快）
# 在 run_backtest.py 中修改：
# result = run_strategy(..., use_local=True)
9. 模拟盘部署¶
9.1 运行模拟盘¶
# 默认设置（资金 ¥500,000，每 60 秒刷新一次报价）
python examples/21_combined_strategy/run_paper_trade.py
# 自定义参数
python examples/21_combined_strategy/run_paper_trade.py \
--cash 200000 \
--interval 120
# 按 Ctrl+C 停止
9.2 模拟盘注意事项¶
- 运行时段：建议在 9:30-15:00 的交易时段内运行，获取实时行情
- 信号频率：策略每日只在每根 bar 触发一次，每周一额外触发选股
- 网络要求：需要网络访问 akshare 数据源
- 日志输出：所有买卖决策都有详细的日志记录，方便监控
9.3 部署到 PTrade/QMT¶
参考 Tutorial 05 和 Example 13， 可以将本策略导出为 PTrade/QMT 格式：
from eqlib.ptrade_adapter import export_ptrade_script
# 生成 QMT 可运行的策略文件
export_ptrade_script(
initialize_func=initialize,
output_path="combined_strategy_qmt.py",
)
10. 策略解读与改进方向¶
10.1 策略适用的市场环境¶
| 市场环境 | 策略表现预期 | 原因 |
|---|---|---|
| 震荡市 | 较好 | RSI + 布林带均值回归起主导作用 |
| 牛市 | 较好 | 动量因子 + MACD 趋势跟踪有效 |
| 熊市 | 较弱 | 股票普跌，买入信号难以盈利；止损频繁触发 |
| 单边下跌 | 可控 | 硬止损 + ATR 止损限制最大损失 |
10.2 可能的改进方向¶
1. 加入大盘过滤（推荐优先级最高）
参考 Tutorial 04，在大盘趋势向下时暂停买入：
def _market_is_bullish():
"""检查大盘是否处于上升趋势（5 日均线 > 20 日均线）。"""
hist = attribute_history("000300.XSHG", 30, "1d", ["close"])
if hist.empty:
return True
ma5 = hist["close"].tail(5).mean()
ma20 = hist["close"].mean()
return ma5 > ma20
在 _check_buy() 中增加：
2. 扩大股票池
可以将股票池从 12 只扩展到 20-30 只，涵盖更多行业，
同时增加 top_n = 8，提升分散度。
3. 动态调整因子权重
在牛市中提高动量因子权重（到 50%），在震荡市中提高低波动因子权重（到 35%）：
def _get_factor_weights():
"""根据市场状态动态调整因子权重。"""
if _market_is_bullish():
return {"momentum": 0.50, "volume": 0.25, "reversal": 0.10, "volatility": 0.15}
else:
return {"momentum": 0.25, "volume": 0.25, "reversal": 0.20, "volatility": 0.30}
4. 月度再平衡财务因子
每月加入 PE/PB 财务因子（参考 Tutorial 08 第 5 节），但仅作为辅助参考：
def _compute_pe_factor(code):
val = get_valuation(code)
if val and val.get("pe") and 0 < val["pe"] < 80:
return 1.0 / val["pe"]
return None
5. Kelly 仓位调整
根据历史胜率动态调整仓位大小（参考 Example 11）：
from eqlib.utils import kelly_criterion
win_rate = historical_win_rate # 从回测结果中提取
avg_win = historical_avg_win
avg_loss = historical_avg_loss
kelly_f = kelly_criterion(win_rate, avg_win, avg_loss)
# 使用 Half-Kelly 降低风险
position_pct = min(kelly_f * 0.5, g.max_single_pct)
10.3 过拟合风险警告¶
⚠️ 重要提示
本策略的参数（如 RSI 阈值 35/65、ATR 倍数 2.5×、因子权重等）是根据量化研究文献 和 A 股市场特征设定的合理默认值，而不是通过大量回测优化得到的最优参数。
避免过拟合的最佳实践： 1. 样本外测试：只用 2020-2022 年数据调参，用 2023-2024 年数据验证 2. 参数稳定性：轻微改变参数（如 RSI 阈值从 35 改为 33 或 37）， 如果收益大幅变化，说明参数不够鲁棒 3. 前瞻偏差检查：确保没有使用未来数据（
attribute_history始终只看历史）
延伸阅读¶
| 教程 | 相关内容 |
|---|---|
| Tutorial 06: RSI 均值回归 | RSI 原理、布林带对比 |
| Tutorial 07: 行业轮动 | 动量轮动、多维度行业评分 |
| Tutorial 08: 多因子选股 | Z-Score 标准化、IC 检验 |
| Tutorial 04: 策略优化 | 大盘过滤、止损设计 |
| 示例 | 相关代码 |
|---|---|
| Example 14: 布林带策略 | Bollinger 均值回归 |
| Example 15: MACD 策略 | MACD+成交量+ATR |
| Example 16: 多因子策略 | 动量+成交量选股 |
| Example 20: 支撑阻力策略 | S/R+MACD+ATR 完整案例 |
| Example 11: 工具库 | 所有技术指标演示 |