【策略发布】CSI300_多因子截面策略_低换手

251

点赞克隆，谢谢分享，加上防未来也很不错的，欢迎一起交流V：liaonui，备注聚宽

@红牛牛再补充说明一下：我在Qlib实现策略时，本身已经尽量规避了所有未来成分（包括指数成分、信号生成与调仓时点），核心逻辑上不依赖任何未来数据。你在聚宽这版代码里额外加上的avoid_future_data属于平台级的防未来函数校验，我这边也完全认同，这相当于是又加了一层安全检查，对回测可信度是加分项。感谢你的补充和验证。

@乐活智投目前聚宽这边只是读取本地 Qlib 生成的信号文件并执行，并不在聚宽端重新构建股票池或训练模型。如果要从中证500成分股中选股，本质上需要在本地 Qlib 侧完成两件事：1）将股票池由 CSI300 历史成分股替换为中证500（000905）历史成分股（同样按日期过滤，避免未来函数）；2）在该股票池上重新生成截面预测与持仓信号文件，再同步到聚宽执行。聚宽端的策略逻辑（读取 signal_table、topk / ndrop 调仓、低换手执行等）无需修改。目前我这边还没有对中证500股票池做过系统性测试，后续如果有比较成熟的结果，会单独更新说明。

楼主前面提到： ① 极致低换手：每天最多换 1 只，成本低，滑点影响小，用户跟踪轻松，更接近真实可复制的实盘效果，是普通用户最容易跟踪的量化策略形态。我回测过程中发现，每日是有可能卖出多只活买入多只的情况的，我读了一下代码，我的理解是reblance代码中就是要确保持仓符合最新的权重这是前面调整过吗？

@CHCN 你理解得基本是对的，这里补充澄清一下层次上的区别：在我本地的qlib代码里，信号层是严格控制的：每个交易日最多卖出1只、买入1只（ndrop=1），这是策略“极低换手”的核心。聚宽里的rebalance主要是在执行层做事：根据 qlib 给出的目标持仓与目标权重，模拟实际持仓向 qlib 权重对齐。可能会看到多只股票有小额买卖，但并不是在换股，而是权重回归。所以可以简单理解为：qlib决定换不换股、换哪一只，聚宽只是把qlib的目标持仓/权重尽量还原出来。真正决定换手和成本的，还是qlib里的信号逻辑，而不是聚宽这层的权重调整。聚宽即使引入了多一些的小额换手，策略回测结果也和本地qlib差别不大。

大神你这个因子如果是22年下半年到24年9月这段时间，会一直回撤吗？我测试了很多因子，25年效果很好，但是22年下半年到24年9月这个时间段，无论什么因子效果都很一般，也无法延续到25年获取高收益。

@wxz2010 这个现象其实和我的数据切分方式是一致的：22–23年并不是样本外测试，而是验证区间（valid），主要用于看排序稳定性、IC 和回撤结构，而不是追求收益最大化。在22–23年这种β偏弱、风格频繁切换的市场环境下，大多数截面因子表现都会偏平，这是很普遍的情况，并不代表因子失效。真正评估可交易性的，是2024年之后的test（样本外）阶段。从目前结果看，模型在test段能重新跑出稳定超额，这也是我更关注24年之后表现的原因。所以我更倾向于把22–23年当作“有效性校验”，而不是收益展示阶段。

你好 Neo, 从你的模拟盘来看的话，每天不仅有调入或者调出一只股票，还有重新调整仓位的买单卖单吧

@北极星北斗你好，感谢帮助检查模拟盘。这个问题确实容易产生误解，这里简单说明一下。在Qlib原始策略中是严格的低换手设计：每日最多卖出 1 只、买入 1 只。聚宽这边的实现是按Qlib给出的目标权重做一次统一的rebalance，因此在交易明细里会看到：一笔是调出旧股票，一笔是新股票建仓，其余是对已持仓标的做很小的权重微调。这些“多出来的买单”本质是权重对齐造成的细微再平衡，金额和股数都很小，对整体成本和换手影响非常有限。从等效换手角度看，策略仍然是接近“每日只换 1 只”的低换手结构，实盘滑点和手续费压力都比较可控。

@Neo_Alice ，对您详尽而有耐心的回复深表感谢！！！

![Img](https://image.joinquant.com/0e1326fd35b1992c56a12e146a6db7b8) 请教一下这是我用聚宽15-25年沪深300成分股日线数据训练的模型，和您的测试结果有较大的差距，应该是没有对数据进行清洗整理，其中还有很多停牌导致的空值，如果简单去掉空值，回测结果会大打折扣。请问您对别的平台数据如何整理，从而提升模型训练的效果。望不吝赐教！?

@天南散修这个结果已经和我这边的回测表现非常接近了，无论是整体收益走势还是最大回撤区间，都处在同一量级。从这个角度看，策略思路本身是可以被复现的，而不是依赖某一特定平台或数据源。不同平台之间存在数据口径、停牌处理、复权方式等差异，本身就会带来一定偏差，这在截面模型里是比较常见的现象。只要训练与预测逻辑自洽、回测结果在风险收益结构上保持一致，我个人更关注方向一致性，而不是数值上的完全对齐。你现在这个结果已经说明模型在不同环境下具备一定稳定性，后续更多是工程与参数层面的取舍问题了。

大佬你好！我自己做量化的，如果训练能分享一下过程，谢谢！！！

@Neo_Alice 感谢您的指点！

@天南散修大佬，你训练的参数能具体说说吗？我用下面的参数，效果没你的好，24-25年化38%，回撤小点9%： metric: rmse objective: regression learning_rate: 0.02 num_leaves: 128 max_depth: 8 min_data_in_leaf: 250 lambda_l1: 205.6999 lambda_l2: 580.9768 colsample_bytree: 0.8 subsample: 0.8 num_threads: 16 early_stopping_rounds: 50 num_iterations: 1000

@吞金兽的荷包你好，感谢认可。目前完整的训练流程和参数配置不太方便公开，主要还是偏个人研究和工程实现层面的内容。不过整体思路上是基于 Qlib 的标准训练框架，结合历史真实成分股、严格时间切分（train / valid / test）来做截面建模，尽量避免未来信息和过拟合。如果你已经在做量化了，其实可以直接从 Qlib 官方示例（如 Alpha158 + LGBModel）入手，很容易复现一个基础版本，再根据自己的理解逐步改进。后续我也会在帖子里持续更新实盘跟踪和一些非参数层面的经验体会，欢迎交流

@Neo_Alice 好，谢谢大神！

@Neo_Alice，大佬是否是在infer_processors 和learn_processors 都要配置CSRankNorm？另外，如您所说“18–23年确实是截面因子比较“困难”的阶段”，那如果做超参搜索的话，在验证集（22-23年）上如何做目标函数的设计呢？我用IC做打分，最优参数，在测试集（24-25）上回测的数据很差。

@cspring 我这版配置里没有显式加入CSRankNorm，目前主要关注的是预测IC本身的稳定性。从分段评估结果看，在验证区内IC表现是正常的，并未出现明显失效。这一阶段更多还是市场环境对截面因子有效性的影响，而不是模型排序能力的问题。22–23年我更倾向把它当作“稳定性与泛化检验区间”，而不是追求收益最大化的阶段，因此在目标设计上：不针对验证集做参数或目标函数的反向优化。主要观察IC稳定性、rank consistency、换手与分层单调性。明确避免用验证集结果去反推或微调模型超参。整体思路是：用训练集学结构，用验证集筛不稳定模型，用测试集（24–25）检验是否真正可交易。

vwap amount 你好，请问训练时，需要输入这两个数据吗

评论