交易策略理论

1. 交易策略定义

1.1 策略的核心组成

交易策略 = 信号生成 + 仓位管理 + 风险控制 + 执行规则

市场数据 → 特征工程 → 模型预测 → 信号生成
                            ↓
                        投资组合构建 → 交易执行 → 绩效评估

1.2 四个关键组成部分

1. 信号生成

定义：决定买什么、卖什么

常见方法：

Top-K 策略：选择预测最好的 K 只股票
回归预测：预测每只股票的收益率
分类预测：预测股票的涨跌

输出：股票选择或买卖信号

def generate_signals(predictions, method='topk', k=20):
    """
    生成交易信号
    
    参数:
        predictions: 股票预测分数
        method: 策略方法 ('topk', 'regression', 'classification')
        k: 选择股票数量（Top-K策略）
    
    返回:
        signals: 交易信号
    """
    if method == 'topk':
        # 选择预测分数最高的K只股票
        topk = predictions.nlargest(k)
        signals = (predictions >= topk.min()).astype(int)
    elif method == 'regression':
        # 使用回归预测值作为信号
        signals = predictions
    elif method == 'classification':
        # 使用分类预测结果（1=买入, -1=卖出）
        signals = predictions
    
    return signals

2. 仓位管理

定义：决定买多少、卖多少

常见方法：

等权重：每只股票分配相同资金
IC加权：根据历史IC值分配权重
风险平价：等风险贡献
MV优化：均值-方差优化

输出：每只股票的权重分配

3. 风险控制

定义：限制投资风险

常见方法：

最大单股权重限制
行业分散要求
止损策略
风险平价

输出：仓位调整或平仓信号

4. 执行规则

定义：何时调仓、如何执行

常见方法：

定期调仓：每日、每周、每月调仓
触发调仓：达到某个条件时调仓

输出：交易指令

2. 量化投资基础概念

2.1 信息系数（IC）

定义：预测分数与实际收益的秩相关系数

计算公式：

IC = RankCorrelation(预测分数, 实际收益)

Python 实现：

from scipy.stats import spearmanr
 
def calculate_ic(predictions, returns):
    """
    计算 IC（信息系数）
    
    参数:
        predictions: 预测分数
        returns: 实际收益率
    
    返回:
        ic: IC 值
    """
    ic, _ = spearmanr(predictions, returns)
    return ic
 
# 示例
predictions = pd.Series([0.05, 0.03, 0.01, -0.02, -0.05])
returns = pd.Series([0.06, 0.04, 0.02, -0.01, -0.04])
 
ic = calculate_ic(predictions, returns)
print(f"IC = {ic:.4f}")

IC 含义：

IC > 0.05：模型有一定预测能力
IC > 0.1：模型预测能力较强
IC < 0：预测方向错误

ICIR（信息比率）：

ICIR = mean(IC) / std(IC)

def calculate_icir(ic_series):
    """
    计算 ICIR（信息比率）
    
    参数:
        ic_series: IC 序列
    
    返回:
        icir: ICIR 值
    """
    icir = ic_series.mean() / ic_series.std()
    return icir

2.2 换手率

定义：衡量交易活跃程度的指标

计算公式：

换手率 = 交易额 / 平均资产

Python 实现：

def calculate_turnover(portfolio_changes, avg_value):
    """
    计算换手率
    
    参数:
        portfolio_changes: 持仓变化（绝对值）
        avg_value: 平均资产价值
    
    返回:
        turnover: 换手率
    """
    turnover = portfolio_changes.abs().sum() / avg_value
    return turnover
 
# 示例
# 假设某日持仓变化
portfolio_changes = pd.Series({
    '600000': 100000,   # 买入10万
    '600001': -50000,   # 卖出5万
    '600002': 80000,    # 买入8万
})
 
avg_value = 1000000  # 平均资产100万
turnover = calculate_turnover(portfolio_changes, avg_value)
print(f"换手率 = {turnover:.2%}")

换手率含义：

高换手率：交易频繁，成本高
低换手率：交易少，成本低
过高换手可能损害收益

换手率范围：

低频策略：50%-100%
中频策略：100%-300%
高频策略：300%-1000%

2.3 回撤

定义：从历史最高点到当前点的跌幅

计算公式：

回撤 = (当前净值 - 历史最高净值) / 历史最高净值

最大回撤：

最大回撤 = min(回撤)  # 回撤的最小值

Python 实现：

def calculate_drawdown(cumulative_returns):
    """
    计算回撤
    
    参数:
        cumulative_returns: 累计收益率序列
    
    返回:
        drawdown: 回撤序列
        max_drawdown: 最大回撤
    """
    # 计算累计净值
    cumulative_value = (1 + cumulative_returns).cumprod()
    
    # 计算历史最高点
    running_max = cumulative_value.expanding().max()
    
    # 计算回撤
    drawdown = (cumulative_value - running_max) / running_max
    
    # 最大回撤
    max_drawdown = drawdown.min()
    
    return drawdown, max_drawdown
 
# 示例
returns = pd.Series([0.01, 0.02, -0.01, 0.03, -0.02, 0.01, -0.03])
drawdown, max_drawdown = calculate_drawdown(returns)
 
print(f"最大回撤 = {max_drawdown:.2%}")
print(f"当前回撤 = {drawdown.iloc[-1]:.2%}")

3. Top-K 策略

3.1 核心思想

对所有股票的预测分数排序
选择预测最好的 K 只股票
按某种权重分配资金（通常等权重）
定期调仓

3.2 算法步骤

def top_k_strategy(predictions, k=20):
    """
    Top-K 投资组合策略
    
    参数:
        predictions: 股票预测分数
        k: 选择股票数量
    
    返回:
        weights: 股票权重，权重和为1
    """
    # 1. 按预测分数排序（降序）
    sorted_predictions = predictions.sort_values(ascending=False)
    
    # 2. 选择 Top-K
    top_k = sorted_predictions[:k]
    
    # 3. 计算等权重
    weight = 1.0 / k
    
    # 4. 分配权重
    weights = pd.Series(0, index=predictions.index)
    weights[top_k.index] = weight
    
    return weights
 
# 示例
predictions = pd.Series({
    '600000': 0.025,
    '600001': 0.023,
    '600002': 0.010,
    '600003': 0.009,
    '600004': -0.015,
})
 
weights = top_k_strategy(predictions, k=3)
print("Top-K 权重分配:")
print(weights)

示例输出：

Top-K 权重分配:
600000    0.333333
600001    0.333333
600002    0.333333
600003    0.000000
600004    0.000000
dtype: float64

3.3 优势与风险

优势：

✅ 简单直观，易于实现
✅ 集中投资在最有把握的股票
✅ 自动分散风险（持有多只股票）
✅ 管理成本低，易于维护

风险：

⚠️ 对预测质量敏感
⚠️ 可能集中投资相似股票
⚠️ 换手率可能较高
⚠️ 没有考虑风险和相关性

3.4 参数选择

K 值的影响：

K 小（如10）：集中度高，风险大，潜在收益高
K 大（如50）：分散度高，风险低，收益可能降低
K = 全市场：等权重市场组合，接近指数投资

实践建议：

K 通常选择 20-50 之间
根据流动性调整 K 值
考虑市场环境调整 K 值

4. IC 权重策略

4.1 核心思想

根据历史 IC 值分配权重，预测能力强的股票获得更高权重

4.2 IC 计算方法

单期 IC：

IC_t = RankCorrelation(预测分数_t, 实际收益_t)

滚动 IC：

# 计算过去 N 期的平均 IC
IC_rolling = mean(IC_{t-N+1}, ..., IC_t)

Python 实现：

def calculate_rolling_ic(predictions, returns, window=20):
    """
    计算滚动 IC
    
    参数:
        predictions: 预测分数 DataFrame (index: date, columns: stock)
        returns: 实际收益率 DataFrame (index: date, columns: stock)
        window: 滚动窗口大小
    
    返回:
        rolling_ic: 滚动 IC DataFrame
    """
    rolling_ic = pd.DataFrame(index=predictions.index, columns=predictions.columns)
    
    for stock in predictions.columns:
        for date in predictions.index[window:]:
            # 获取窗口期数据
            pred_window = predictions.loc[date - window + 1: date, stock]
            ret_window = returns.loc[date - window + 1: date, stock]
            
            # 计算 IC
            ic, _ = spearmanr(pred_window, ret_window)
            rolling_ic.loc[date, stock] = ic
    
    return rolling_ic

4.3 权重分配方法

方法 1：直接 IC 权重

def ic_weight_direct(rolling_ic, min_ic=0.02):
    """
    直接 IC 权重分配
    
    参数:
        rolling_ic: 滚动 IC
        min_ic: 最小 IC 阈值
    
    返回:
        weights: 股票权重
    """
    # 只选择 IC > min_ic 的股票
    valid_stocks = rolling_ic[rolling_ic > min_ic]
    
    # 根据 IC 分配权重
    weights = valid_stocks / valid_stocks.sum()
    
    return weights

方法 2：IC 绝对值权重

def ic_weight_absolute(rolling_ic, min_ic=0.02):
    """
    IC 绝对值权重分配
    
    参数:
        rolling_ic: 滚动 IC
        min_ic: 最小 IC 阈值
    
    返回:
        weights: 股票权重
    """
    # 取 IC 的绝对值
    abs_ic = rolling_ic.abs()
    
    # 只选择 IC > min_ic 的股票
    valid_stocks = abs_ic[abs_ic > min_ic]
    
    # 根据 IC 绝对值分配权重
    weights = valid_stocks / valid_stocks.sum()
    
    return weights

方法 3：平滑 IC 权重

def ic_weight_smooth(rolling_ic, min_ic=0.02, alpha=1.0):
    """
    平滑 IC 权重分配（softmax）
    
    参数:
        rolling_ic: 滚动 IC
        min_ic: 最小 IC 阈值
        alpha: 平滑系数
    
    返回:
        weights: 股票权重
    """
    # 只选择 IC > min_ic 的股票
    valid_stocks = rolling_ic[rolling_ic > min_ic]
    
    # Softmax 归一化
    weights = np.exp(alpha * valid_stocks) / np.sum(np.exp(alpha * valid_stocks))
    
    return weights

4.4 优势与风险

优势：

✅ 考虑预测能力差异
✅ 动态调整权重
✅ 对历史表现好的股票给予更高权重

风险：

⚠️ 需要足够历史数据
⚠️ IC 可能不稳定
⚠️ 换手率可能较高
⚠️ 过度拟合历史数据

4.5 实践建议

使用滚动窗口计算 IC（如 20 期）
设置最小 IC 阈值
对 IC 进行平滑处理
限制单股权重最大值

5. 均值-方差优化（MVO）

5.1 理论基础

马科维茨现代投资组合理论：在给定风险水平下最大化收益

5.2 数学模型

优化问题：

max: μ^T w - λ w^T Σ w

s.t.:
    Σw_i = 1        (权重和为1)
    w_i ≥ 0         (不允许做空)
    w_i ≤ w_max     (最大单股权重)

变量说明：

w：权重向量
μ：期望收益向量
Σ：协方差矩阵
λ：风险厌恶系数

5.3 有效前沿

定义：在不同风险水平下获得最大期望收益的投资组合集合

意义：

有效前沿上的组合都是最优的
投资者根据风险偏好选择组合
有效前沿是凸的

5.4 参数估计

期望收益估计：

mu = returns.mean()

协方差矩阵估计：

sigma = returns.cov()

正则化（防止过拟合）：

sigma_reg = sigma + lambda_reg * np.eye(len(returns.columns))

5.5 CVXPY 求解

import cvxpy as cp
 
def mv_optimization(returns, risk_aversion=1.0, max_weight=0.1):
    """
    均值-方差优化
    
    参数:
        returns: 历史收益率
        risk_aversion: 风险厌恶系数
        max_weight: 最大单股权重
    
    返回:
        weights: 最优权重
    """
    n = len(returns.columns)
    
    # 定义变量
    w = cp.Variable(n)
    
    # 定义参数
    mu = returns.mean().values
    sigma = returns.cov().values
    
    # 正则化
    sigma_reg = sigma + 1e-6 * np.eye(n)
    
    # 定义目标函数
    objective = cp.Maximize(mu @ w - risk_aversion * cp.quad_form(w, sigma_reg))
    
    # 定义约束
    constraints = [
        cp.sum(w) == 1,  # 权重和为1
        w >= 0,         # 不允许做空
        w <= max_weight # 最大单股权重
    ]
    
    # 求解
    problem = cp.Problem(objective, constraints)
    problem.solve()
    
    # 获取解
    optimal_weights = pd.Series(w.value, index=returns.columns)
    
    return optimal_weights
 
# 示例
import numpy as np
import pandas as pd
 
# 生成示例数据
np.random.seed(42)
n_stocks = 10
n_days = 252
stocks = [f'stock_{i}' for i in range(n_stocks)]
dates = pd.date_range('2020-01-01', periods=n_days, freq='D')
 
returns = pd.DataFrame(np.random.randn(n_days, n_stocks) * 0.02, 
                      index=dates, columns=stocks)
 
# MV 优化
weights = mv_optimization(returns, risk_aversion=1.0, max_weight=0.2)
 
print("MV 优化权重:")
print(weights)

5.6 优势与风险

优势：

✅ 理论基础扎实（诺贝尔奖理论）
✅ 考虑风险和相关性
✅ 科学化资产配置
✅ 可以量化风险

风险：

⚠️ 依赖参数估计（μ 和 Σ）
⚠️ 估计误差影响大
⚠️ 可能集中投资少数股票
⚠️ 对异常值敏感

5.7 实践建议

使用稳健的估计方法
对协方差矩阵进行正则化
添加约束条件（行业、流动性等）
定期重新估计参数

6. 三种方法对比

维度	Top-K 等权	IC 权重	MV 优化
复杂度	低	中	高
数据需求	低	中	高
理论支撑	经验	统计	理论
计算速度	快	中	慢
换手率	中	高	中
风险控制	弱	中	强
适合新手	✅	⚠️	❌

7. 实践建议

7.1 策略选择原则

新手建议：

从 Top-K 策权开始
使用较小的 K 值（20-30）
定期调仓（周频或月频）
严格风险控制

进阶建议：

尝试 IC 权重策略
学习 MV 优化方法
进行参数敏感性分析
做样本外验证

7.2 风险控制建议

分散化
- 持有多只股票（至少 10 只）
- 考虑行业分散
- 避免过度集中
仓位控制
- 限制单股权重（< 20%）
- 限制行业权重（< 30%）
- 设置止损机制
成本控制
- 控制换手率（< 300%）
- 使用低佣金券商
- 选择高流动性股票

7.3 参数优化建议

避免过拟合
- 使用样本外验证
- 限制参数数量
- 参数有经济学含义
参数稳定性
- 在不同时间段表现稳定
- 对数据变化不过敏
- 定期重新评估参数

总结

交易策略的核心是：

信号生成：选择股票
仓位管理：分配权重
风险控制：限制风险
执行规则：何时调仓

三种主要方法：

Top-K 等权：简单可靠，适合新手
IC 权重：动态调整，适合有历史数据
MV 优化：科学配置，适合追求风险调整后收益

建议从简单的 Top-K 策略开始，逐步学习更复杂的方法。

量化投资技术文档

探索

01-交易策略理论

交易策略理论

1. 交易策略定义

1.1 策略的核心组成

1.2 四个关键组成部分

1. 信号生成

2. 仓位管理

3. 风险控制

4. 执行规则

2. 量化投资基础概念

2.1 信息系数（IC）

2.2 换手率

2.3 回撤

3. Top-K 策略

3.1 核心思想

3.2 算法步骤

3.3 优势与风险

3.4 参数选择

4. IC 权重策略

4.1 核心思想

4.2 IC 计算方法

4.3 权重分配方法

4.4 优势与风险

4.5 实践建议

5. 均值-方差优化（MVO）

5.1 理论基础

5.2 数学模型

5.3 有效前沿

5.4 参数估计

5.5 CVXPY 求解

5.6 优势与风险

5.7 实践建议

6. 三种方法对比

7. 实践建议

7.1 策略选择原则

7.2 风险控制建议

7.3 参数优化建议

总结

关系图谱

目录

反向链接