量化研究系列报告之二十七：市场结构中的状态信息由个股相关网络驱动的双轨择时框架

指数择时问题的重新理解 4网络解构：从个股相关性透视市场结构 4个股相关性：市场结构的基础语言 4从高维相关网络到低维状态刻画 5“风险”与“机会”的刻画 6“预测涨跌”是两件事：风险与机会并不对称 6“跌”：用前瞻回撤刻画持有期的路径损失 7“涨”：以相对强势识别机会 9模型实现：从结构特征到仓位落地的全流程 10数据划分与股票池抽样 10风险与机会模型及其背后的驱动逻辑 11风险侧：连续值预模型 12机会侧：二分类预模型 12风险与机会的驱动辑 13预测结果落地：基于信号分布形态的仓位映射 15预测值可信度的分检验 15风险闸口+机会增强：信号定仓位 16滚动调参与多阈值均低敏感性 18基于双信号择时策略的实证 18基于中证全指的择时策略 19“双信号择时策略明显于买入持有基准 19基准对比：超额是只低敞口所致 20仓位靠档：增加策的执行性 21信号迁移：一套信号，多个指数 22三个宽基指数上的移验 22各指数自训练是否优？ 23关键设计的消融检验 24市值加权与传统价格特征是否带来增益 24仓位网格上下限的敏感性检验 257总结 26风险提示： 27图表1三个并行相关估计的窗口期 5图表2个股相关性网络谱特征的构造与经济释义 6图表3前瞻回撤的定义 8图表4收益与前瞻回撤的分布稳定性 8图表5收益与回撤的波动分组汇总 9图表6不同阈值下”风险事件”的覆盖程度 9图表7相对强势的定义 10图表8训练与测试划分 11图表9模型的评价指标及其含义 12图表10风险模型的评价指标 12图表机会模型的评价指标 13图表12风险模型选中特征的构成 13图表13风险模型入选特征的类别构成随时间的变化 14图表14机会模型选中特征的构成 14图表15机会模型入选特征的类别构成随时间的变化 15图表16风险侧与机会侧入选特征的对比 15图表17风险模型的十分位分组的实际后验回撤 16图表18机会模型十分位分组的实际后验收益 16图表19风险闸口与机会增强的二元规则 17图表20研究框架：从个股相关网络到指数仓位 19图表21中证全指：权益仓位与指数走势 19图表22中证全指择时策略整体表现 20图表23中证全指：分年度超额收益（相对买入持有） 20图表24中证全指：择时策略与买入持有净值对比 20图表25基准策略的设定 21图表26中证全指：择时策略与各基准的绩效对比 21图表27中证全指：仓位分级靠档对绩效的影响 22图表28信号迁移：四个宽基指数的整体表现（2020-01-01至2026-07-31） 22图表29信号迁移：分年度超额收益（相对买入持有，%） 23图表30四个宽基指数：择时策略净值曲线（复用全指的信号） 23图表31信号迁移VS各指数自训练 24图表32传统价格特征清单 24图表33特征集消融：不加权VS市值加权VS加入传统价格特征 25图表34仓位网格上下限的敏感性（每格为年化超额%/夏普） 25指数择时问题的重新理解然而，价格本身是结果变量。指数的涨跌，是无数个股交易、资金流动、风险偏与此同时，A股市场的相对较大的方向性变化往往具有鲜明的内部结构特征。如在大幅回撤到来之际，市场并不一定首先出现显著的指数破位或波动率飙升，但1（2）（3）这也是本文切入市场微观结构的出发点，将整个市场视为由大量个股构成的动态系统。指数走势描述的是系统结果；个股之间的相关关系、主导因子的集中程度以及网络结构的变化，可能更早地揭示出一些市场状态信息。我们在上一篇报告《强化学习视角下的仓位管理：框架构建与实证检验——量强化因此，我们继续聚焦这个问题，但采取一条相对更克制的研究路线：不再要求风险和机会捕捉这两个问题。要先把这两个问题分开，是因为它们在经济逻辑上并不对称——网络解构：从个股相关性透视市场结构个股相关性：市场结构的基础语言如果把股票市场理解为一个由个股共同构成的系统，那么个股之间的相关性就设在时点Cₜ。Cₜ”同涨同跌”列。但是，相关性上升并不必然对应指数下跌。同风险偏好提升而表现出高相关、同步上涨——2020年下半年至2021年初的核心资产行情就是典型例子。但高相关本身意味着分散化空间收窄依赖有限的几个共同因子；一旦这些因子发生反转，原本被掩盖的结构性脆弱性就可能集中暴露。因此，相关性网络并不是一个机械的“高相关即看空”指标，而是一组刻画市场所处状态、需要结合其他维度共同解读的观测量。本文以个股为网络节点，以收益相关关系为节点之间的连接，围绕相关矩阵与相关图谱提取市场特征。我们的网络为不加权的个股网络，即每只股票在网络中的试。从高维相关网络到低维状态刻画𝑁𝑁(𝑁−1)/2Kriuk（6《A-lieRieCinAzer将个股收益相关网络压缩为一组可解释的市场结构特征，并非以单一指标刻画市场风险，而是从共同因子、参与主体、网络连接和结构变化等多个维度，描述市场微观结构所处的状态。首先是相关矩阵本身的估计。我们基于每一时点的股票池，并行建立三个估计12030图表1三个并行相关估计的窗口期估计器窗口刻画目标标识滚动60日短短期体制动态r60_滚动120日中中期结构变化r120_EWMA（半衰期30日）自适应平滑自适应ewm_整理特征值结构：风险是否集中于少数共同因子？最大特征值λ₁效秩下降时，意味着表面上数量众多的个股，特征向量结构：这个共同因子由谁承担？”第一特征向量载荷的子是否集中于少数股票、行业或风格。抱团交易并不总是表现为全市场平均相关性的上升，也可能表现为主导因子载荷的异常集中。图拓扑结构：局部冲击是否容易扩散？股票对视为网络中的连接边，并据此构造和孤立节点数0.3、0.5、0.7三档并行保留——标准差和偏度，以及不同阈值下的强相关配对占比，共同描述横截面联动的总体水平及其分布形态。这一组指标使模型能够区分两类表面上平均相关性相近，但含义截然不同的市场状态：一类是全市场普遍同步上升，另一类则是少数股票或局部团簇之间的强连接被异常强化。动态与状态特征：结构变化有多快，处在什么位置？λ₁AR1τ=0.5τ=0.5分位内快速恶化或修复”两类状态——两者对后续风险与机会的含义并不相同。图表2个股相关性网络谱特征的构造与经济释义特征类别代表指标回答的问题维度特征值结构最大特征值λ₁、吸收比、谱熵、有效秩、谱间隙、条件数、MP超出市场风险是否集中于少数共同因子12×3特征向量结构第一载荷HHI、最大载荷、载荷熵、载荷离散度主导因子由哪些股票承担，是否抱团4×3图拓扑结构边密度、平均度、度离散、最大度、孤立节点数、度中心化、聚类系数（τ=0.3/0.5/0.7）风险隔离强弱，局部冲击是否易扩散21×3相关性分布平均绝对相关、中位数、标准差、偏度、极值相关、强相关占比（>0.5/>0.7）联动是全面的还是局部的7×3动态与状态对7个核心量各构造变化率(5/10/20日)、差分(5/10/20日)（11个）结构恶化或修复的速度，及其所处历史位置77×3合计每个估计器44个静态+77个动态=121维—363从维度构成看，每个相关估计器均产生44合计形成1327分别构造3×7×11=231个静态特征与231个动态特征共同构成363列个股相关性网络谱特征矩阵。“风险”与“机会”的刻画“预测涨跌”是两件事：风险与机会并不对称许多市场择时研究常将未来收益率、涨跌方向或上涨概率作为统一预测目标，再将预测值映射为仓位，这种做法形式简单直观，但通常面临两类困难。境和不同政策与流动性背景下，对未来收益绝对值的含义并不稳定。个阶段表现尚可、换一个阶段就失效。第二，风险与机会的驱动本就不对称。的积聚对应结构的收敛。这种不对称还体现在时间尺度上。结构收敛往往是缓慢累积的之久，20202021——别回答这两个问题，并赋予它们不同的仓位职责。其中，风险信号用于判断未来可能承受的路径性损失，机会信号用于识别未来收益相对偏强的窗口。镜像，而是从不同维度共同刻画市场状态——前者关注应当规避的风险，后者关注值得提高风险暴露的机会。未来10个交易日的最大损失t+1t+10相对t日收盘价的最大跌幅ddfwd,𝑡前瞻回撤。𝑃ddfwd,𝑡=min1≤𝑗≤10( −1)𝑃𝑡t。d𝑡rsk𝑡=−d𝑡数值越高，代表模型预测的未来回撤越深、风险越高。这里的𝑝risk,𝑡是为统一方向而构造的风险评分，并不被解释为经过概率校准的风险概率。这里边有两个设计选择：为什么用前瞻回撤而不是区间收益，以及为什么用连续预测而不是分类。图表3前瞻回撤的定义整理问题1：为什么用前瞻回撤而不是区间收益？（1）前瞻回窗口——（2）其次是分布的稳定性。以2023-01-01至2026-07-31的中证全指为例，未来10日期末收益的标准差为4.21，偏度+2.03、超额峰度+12.88；同期前瞻回撤的标准差为2.58%，偏度−1.03、超额峰度+1.76。收益的分布又尖又厚，少数几个暴涨日就主导了整个分布的形状，而这类日子恰恰最难重复；前瞻回撤的分布形状则规整得多。图表4收益与前瞻回撤的分布稳定性标的标签均值标准差P10P50P90偏度峰度中证全指收益0.264.21-4.09-0.124.432.0312.88回撤-2.072.58-5.32-1.620.66-1.031.76沪深300收益0.243.62-3.42-0.163.572.9720.40回撤-1.691.95-4.24-1.460.43-0.741.43中证500收益0.384.80-4.85-0.045.541.548.78回撤-2.322.99-6.11-1.730.76-1.001.71国证2000收益0.315.54-5.710.116.330.946.16回撤-2.853.83-7.16-2.100.95-1.443.20整理（3）按过去6012.7%升至26.1%变化了前瞻回撤只变化了0.89pp，前者是后者的三倍；回撤的均值也几乎不（%跳到。分年度看结论一致1.35pp。图表5 收益与回撤的波动分组汇总标的分组区间波动收益均值收益std回撤均值回撤std中证全指低波动12.7-0.392.76-2.011.98中波动16.630.505.48-2.322.86高波动26.110.693.86-1.902.79高低组之差1.082.720.420.89沪深300低波动11.840.164.73-1.861.57中波动14.880.213.09-1.652.11高波动21.770.342.71-1.562.13高低组之差0.182.020.310.56中证500低波动12.99-0.233.11-2.042.18中波动19.660.746.15-2.593.29高波动29.840.644.59-2.343.34高低组之差0.973.040.551.16国证2000低波动15.62-0.213.66-2.282.69中波动22.46-0.417.01-3.974.82高波动35.311.605.21-2.313.45高低组之差2.013.351.692.14整理问题2：为什么用连续预测而不是分类？分类必须先划一条线，例如把回撤低于−5%的样本标记为风险事件，但这条线定在何处？%29（%0仅7（3%则升至，在10以−5%计，中证全指的正样本率2023至2026年依次为6.20%、15.70%、7.00%300为6.01%2000为21.39%图表6不同阈值下”风险事件”的覆盖程度回撤阈值35810标的样本数占比天数占比天数占比天数占比天数中证全指86529.325311.5992912沪深30086520.61786.05271中证50086532.528115.81374922国证200086538.533321.41856854整理.3机会侧同样不直接回归未来10训练样本中未来10日收益的70%𝑟 =−1，𝑦

=𝕀

>𝑄train(𝑟 ))fwd,𝑡图表7 相对强势的定

𝑡

fwd整理也就是说1030%（1）——（2）固定的+3%或+5%2015202330%（3）只承担机会识别这一项职责。标签只说明后续收益在本地训练分布中偏强，并不意味着市场没有风险，也不替代风险模型的回撤判断。30%为正类2025年是−1.58%2026−3.91%，把−1.6%与−3.9%模型实现：从结构特征到仓位落地的全流程数据划分与股票池抽样10的walk-forward训练：2013-01-0110日，以隔离标签的前瞻窗口、避免训练集与测试集重叠；182018-01-022026-07-31。图表8walk-forward训练与测试划分整理若对全部A1,000只。N直接相关——同样的市场结构，N越大最大特征值越大。若逐日按比例抽样，NN=1000使能够成立的前提。抽样本身会带来多大的不确定性？从中证全指的指数成分股中抽1,000只，两个不同随机种子给出的名单不可能完全重叠，是不确定性来源。如何消除这个自由度？4组（22风险与机会模型及其背后的驱动逻辑连续预测10。9：kC@3UC-5%。k（10A（30%图表9模型的评价指标及其含义模型指标定义含义与读法风险侧RankIC风险评分p_risk与实际未来10日前瞻回撤（取负号后）的Spearman秩相关衡量风险信号的排序能力。越高越好；本文样本量下其抽样标准误约0.07，小于该幅度的差异不应视为有效差异AUC-3AUC-5AUC-8以"未来10日前瞻回撤是否深于-3（-5,-8）"为二元标签，计算p_risk的ROC曲线下面积衡量风险信号识别真实风险事件的能力。0.5表示与随机猜测无异，越高越好；两个阈值分别对应中度回撤与深度回撤机会侧RankIC机会评分p_opp与实际未来10日收益的Spearman秩相关衡量机会信号的排序能力AUC以“未来10日收益是否位于训练分布前30”为标签计算的ROC曲线下面积衡量机会信号识别相对强势窗口的能力整理风险侧：连续值预测模型风险侧采用岭回归直接拟合连续的前瞻回撤。但363维特征相对于每期1200~3300topk—10次bootstrap重采样topk次结果的均值。这样做的目的是压平特征选择环节的方差。（2018-01至RankIC为0.1532，AUC0.59760.55950.6495最深的−8%一档（84（%与%分别为0与256个。图表10风险模型的评价指标样本数RankICAUC(−3)AUC(−5)AUC(−8)指标0.15320.59760.55950.6495样本数195659025684）30.213.14.3整理机会侧：二分类预测模型（训练集上收益最高的30为阈值，LGBM一个topkIC为为30%图表11机会模型的评价指标样本数RankICAUC正样本数正样本占比19470.16950.596458430整理风险与机会的驱动逻辑我们以topk=3018首先是风险模型选中的特征，从图表12和图表13可以观察到：特征选择相当稳定：10topk，100（326两期之间，核心集的重合平均为25.9个。18363有效秩（（中到了什么程度。按照静态25233.2%2.3%2024图表12风险模型选中特征的构成未来检验这一结构是否只是某几期的偶然，我们把各类特征在18个训练期上的分布逐期画出来可以看到，它在整个样本外区间内基本稳定，没有出现明显漂移——这从侧面支持了“结构信息比价格信息更持久”。图表13风险模型入选特征的类别构成随时间的变化整理我们用同样的方法看机会侧选中的特征及其随时间如何变化。机会侧关注的特（（）（HI荷合计占到23.5%形态上的分工更为鲜明。风险侧核心集有71.7%是252日分位，机会侧只有27.8%5/10/2016.5%44.3%，而风险侧在这两类上合计不到0.7%。总而言之，风图表14机会模型选中特征的构成不过与风险侧不同，机会侧的类别构成本身并不稳定。把189期的13.3%升至后9期的33.7%，有%降至p，16.8pp。图表15机会模型入选特征的类别构成随时间的变化整理最后把两侧的选择直接对齐比较。由于风险侧采用采样，这里取各期的核心集（平均28.3个）与机会侧当期的30个特征求交集。18期中，两侧共同选中的特征平均只有1.5个，其中8期完全不重合。全部累246223两这一结果进一步说明，风险与机会并不是同一件事的正反面。我们在建模时把它们拆开，是出于经济逻辑上的考虑；而拆开之后，模型自己也选择了两套不同的观测量。图表16风险侧与机会侧入选特征的对比预测结果落地：基于信号分布形态的仓位映射模型给出的是一串连续的预测值，但仓位只能是0到1不同。预测值可信度的分组检验17但两端的区分相当明确：最高十分位组所对应的未来10日前瞻回撤均值为−3.48%−1.97%（）−8%组为13.0%0.5%，相差约26图表17风险模型的十分位分组的实际后验回撤整理机会信号呈现出同样的特征：最高十分位组的未来10日收益均值为1.46%，最低组为−1.17%，而中间组的次序同样并不整齐。图表18机会模型十分位分组的实际后验收益整理风险闸口+机会增强：双信号定仓位上一节的分组检验表明，益或回撤的精确幅度因此，本文不直接使用模型原始输出进行连续仓位映射，而是先将两类预测信号分别转换为滚动分位，再据此构造“风险闸口+机会增强”的双信号仓位规则。记风险模型输出的风险评分为𝑝risk，其数值越高表示未来十个交易日发生较大由于两类模型均采用滚动扩张训练、每半年更新，模型输出的尺度可能随着各期模型发生变化。综合考虑市场状态变化和模型尺度变化，本文分别计算两个预测值在过去半年的滚动分位，与模型的训练频率保持一致：𝑟risk,𝑡=𝑃𝑐𝑡𝑅𝑎𝑛𝑘125(𝑝risk,𝑡),𝑟opp,𝑡=𝑃𝑐𝑡𝑅𝑎𝑛𝑘125(𝑝opp,𝑡)因𝑟𝑖𝑠𝑘_𝑡ℎ0；𝑜𝑝𝑝_𝑡ℎ1；𝑤𝑡=𝑚𝑎𝑥[𝑔𝑡(𝑟risk),I(𝑟opp,𝑡≥𝑜𝑝𝑝_𝑡ℎ)]其中，𝑔𝑡(⋅)为风险闸口对应的状态变量：正常状态下取值为1，风险触发后取值为0。图表19风险闸口与机会增强的二元规则整理这一规则的核心含义是：𝑐𝑜𝑜𝑙_𝑑𝑎𝑦𝑠风险信号触发清仓后，即使风险分位暂时回落，闸口也不会立即恢复为满仓，而是维持空仓最短持有期。因此：这一设计符合两类信号的经济含义：风险事件通常不会在单日内完全消化，风险闸口需要一定的持续性；而强机会信号反映的则可能是急跌后市场结构的快速修复，应当保留其及时进场的空间。0/1模型可靠的信息主要集中在极端分位区域，而非风险或机会强度的连续刻画等于对模型尚未得到充分验证的细粒度排序赋予经济权重。另一方面，由度集中于三个可解释参数：风险阈值𝒓𝒊𝒔𝒌_𝒕𝒉、机会阈值𝒐𝒑𝒑_𝒕𝒉与清仓冷却期𝒄𝒐𝒐𝒍_𝒅𝒂𝒚𝒔。滚动调参与多阈值平均降低敏感性单一阈值组合下的仓位只会在0与1之间切换，可能导致结果对阈值设定较敏感。为降低这一问题，本文进一步采用滚动调参与多阈值组合平均。参数并非在全样本上一次性确定，而是按季度滚动更新。每个季度开始时，策24𝑟𝑖𝑠𝑘_𝑡ℎ∈{0.800.820.96}9档；𝑜𝑝𝑝_𝑡ℎ∈{0.80,0.820.96}9档；𝑐𝑜𝑜𝑙_𝑑𝑎𝑦𝑠∈{5,10,15,20}432410%的参数组33组基于双信号择时策略的实证201010训练窗前30%；两侧输出各自转为滚动分位后，按“风险闸口+图表20研究框架：从个股相关网络到指数仓位整理基于中证全指的择时策略885062.WItt+15bp2018-01-01回测区间取2020-01-01至2026-07-31。“双信号”择时策略明显优于买入持有基准把仓位序列与指数走势叠在一起，可以更直观地看到策略在什么位置减仓、又在什么位置把仓位加回去。从仓位结构看，策略满仓天数占52.3%、空仓天数占19.3%，其余约三成为多组阈值分歧时产生的中间仓位；年双边换手约12.8倍、年调仓39次，大致相当于每两周调整一次，交易频率适中。图表21中证全指：权益仓位与指数走势整理策略年化收益13.14%−39.33%20.36%降至16.13%；夏普比率相应由0.27提升至1.05，Calmar由0.10提升至1.09。7个年度中6个为正2021（p主要产生于下跌年份（2022年18.93pp、2024年25.36pp）与结构分化的年份（6p1图表22中证全指择时策略整体表现 图表23中证全指：分年度超额收益（相对买入持有）指标择时策略买入持有指标择时策略买入持有差值年化收益()16.903.7513.14年化波动()16.1320.36-4.23夏普比率1.050.270.78最大回撤()-15.58-39.3323.75Calmar1.090.100.99平均敞口0.661.00-0.34年换手(倍)12.82012.82年调仓次数39.2039.2图表24中证全指：择时策略与买入持有净值对比整理基准对比：超额是否只是低敞口所致，低于同敞口静态”基准与趋势择时采用相同的回测区间、执行时点与交易成本假设。图表25基准策略的设定基准仓位规则参数买入持有全程满仓持有标的指数—同敞口静态恒定持有与本策略相同的平均权益敞口，其余持有短债指数885062.WI敞口=策略平均敞口（中证全指约0.66）均线择时MA(N)NN∈{20,60,120,250}LLT趋势择时低延迟趋势线（LLT）向上时满仓，向下时空仓持有短债d∈{20,60,120}本策略双信号二元闸口+多阈值平均整理16.90%3.68%——两者敞口完全相同，差距却达13.22pp一质疑。均线与在各参数下的年化收益位于1.12%~6.38%之间，夏普均在0.5以下；均线策略对参数高度敏感，策略之间离散很大：MA250的年化收益为6.38%，而MA120仅1.37%。图表26中证全指：择时策略与各基准的绩效对比方法年化收益()年化超额(pp)夏普最大回撤()Calmar平均敞口本策略16.913.411.048-15.581.0850.66买入持有3.490.271-39.330.0891同敞口静态3.680.190.337-25.950.1420.66均线MA201.12-2.370.149-33.940.0330.53均线MA602.86-0.630.265-22.50.1270.55均线MA1201.37-2.120.166-310.0440.58均线MA2506.382.890.461-15.220.4190.61LLT(d=20)4.330.840.381-27.160.1590.53LLT(d=60)6.352.850.499-18.190.3490.54LLT(d=120)3.890.40.331-15.430.2520.56整理说明：表中“买入持有”一行的口径，为使各行可比，它同样经过T+1执行与5bp单边成本的回测引擎，因此年化为3.49%，略低于前文引用的指数自身收益3.75%；本文的年化超额一律以指数自身收益为基准计算。仓位靠档：增加策略的可执行性（1设档距为将每日由多组阈值平均得到的仓位w四舍五入到最近的δ的整数倍，即𝑤′=𝑟𝑜𝑑(𝑤𝛿)·𝛿δ=2时为0、2…0档距取0.2时，年调仓次数由39次降至30次，下降约23%，而年化超额由13.14%变为13.24%，最大回撤由−15.58%变为−16.08%。也就是说，靠档把操作频率降了近四分之一，收益与回撤几乎没有损失。图表27中证全指：仓位分级靠档对绩效的影响档距年化超额()夏普最大回撤()年换手(倍)年调仓次数不分档13.141.049-15.5812.8239.20.113.211.052-15.2012.9235.70.213.241.056-16.0812.5830.00.2512.901.033-15.9013.1228.50.513.131.039-17.4112.9621.2113.901.065-14.9013.2813.3整理信号迁移：一套信号，多个指数到此为止，全部方法与检验都在中证全指这一个标的上完成，那么这套信号只对中证全指有效，还是刻画了更一般的市场状态？本章从两个方向回答——先看把中证全指的信号原样迁移到其他宽基指数的效果，再看让各指数用自己的成分股各训一套信号是否更好。这两个方向的对比，恰好能说明信号中承载的究竟是全市场层面的信息，还是标的自身的特质。三个宽基指数上的迁移检验本节将上一章的信号原样迁移到沪深、中证500与国证2000—“市场是否危险”属于全市场层面的判断，不因所择标的而异，而个股相关网络刻画的正是这一层面的信息。若该假设成立，迁移就应当有效。迁移的口径说明。风险与机会两个模型及其滚动分位均沿用在中证全指上训练的结果，不做任何重训；只有仓位层的三个阈值参数按第4.3.3节的规则在各标的自身的回测窗口上滚动调参。也就是说，“市场是否危险、是否有机会”的判断来自全市场，而“以多大力度响应”允许各标的自行校准。迁移效果见图表13.14%10.67%15.60%和−39%~−46%收敛至−15%~−25，夏普由0.18~0.36提升至0.84~1.20，平均敞口均落在0.657~0.663这一狭窄区间内。4×7共28个年度中仅3次为负，且全部集中在2021年——与中证全指上观察到的结构完全一致。（>中证>（%>30%图表28信号迁移：四个宽基指数的整体表现（2020-01-01至2026-07-31）标的策略年化基准年化年化超额策略波动基准波动夏普策略最大回撤基准最大回撤Calmar平均敞口中证全指16.903.7513.1416.1320.361.05-15.6-39.31.090.66沪深30012.481.8110.6715.4319.030.84-25.3-45.60.490.66中证50021.335.7315.6017.4022.391.20-15.2-41.81.410.66国证200023.156.4716.6819.9425.611.14-25.3-42.70.920.66图表29信号迁移：分年度超额收益（相对买入持有，%）标的20202021202220232024202520260731年化超额中证全指8.53-0.4018.937.5225.364.4416.0213.14沪深3009.732.1718.638.9118.320.397.5910.67中证5009.74-2.5922.099.1032.616.0817.6715.60国证20009.40-8.4819.976.1135.4910.9026.0716.68整理图表30四个宽基指数：择时策略净值曲线（复用全指的信号）各指数自训练是否更优？另一种看起来更自然的做法，是让每个指数用自己的成分股与收益训练信号，直觉上，这应当更贴合各自标的的特性。本节对三个非全指标的分别做了自训练对照：特征、标签与模型全部改用该指数自身的数据，其余设置完全不变。从图表31的结果来看，自训练的效果明显弱于迁移方案。自训练的风险侧IC降至0.0148~0.0947（迁移为0.1098~0.1805），机会模型的IC更是降到-0.0212~0.0526，几乎完全失去预测力。究其原因，我们认为有两个方面。“市场是否危险更充分；单个指数自身的风险样本本就稀疏，再按自己的成分股缩小股票池，网络的统计噪声进一步放大，信噪比双重恶化。率先在其自身的交易结构中显现，而其他指数内部的结构未必同步恶化——例如一轮由科技板块引发的急跌，宽基或红利类指数的成分股网络此前并无明显的“不健康”特征，若只看自身成分股便得不到信号；但恐慌情绪会传染至全市场，此时市场beta占据主导，各指数一并下行。以全市场股票池构建的网络能够看到板块层面的结构恶化，局部网络则不能。图表31信号迁移vs各指数自训练风险侧机会侧标的信号来源RankICAUC(-8)RankICAUC沪深300迁移(全指信号)0.110.580.160.58自训练0.090.60-0.020.49中证500迁移(全指信号)0.180.620.160.60自训练0.090.570.050.56国证2000迁移(全指信号)0.160.580.140.59自训练0.010.520.040.58整理关键设计的消融检验市值加权与传统价格特征是否带来增益（）（2）个股谱特征（3）特征+27维传统价格特征，清单见图表32。三组特征集各自跑完整的walk-adAC图表32传统价格特征清单类别指标窗口/参数（个数）收益类多期限累计收益1/5/10/20/60日（5）波动率类滚动已实现波动率、短长期波动率比、GARCH(1,1)条件波动、波动率的波动率波动率5/10/20/60日；比值5/20、10/60；GARCH(1,1)；vol-of-vol（8）下行风险类下行半偏差、区间内最差单日收益半偏差20日；最差单日5/20日（3）趋势类价格/移动均线10/20/50日（3）趋势类RSI14日（1）回撤类相对区间高点的回撤20/60日（2）分布与横截面收益偏度、峰度；个股收益的横截面离散度偏度、峰度各取20/60日；横截面离散度为当日（5）整理市值加权族的结果是两侧分裂的。风险侧它并不弱于不加权族——IC0.15020.1497AUC（0.59300.57100.6290对1C由8降至lyC由0.5905降至0.5301A”加入传统价格特征显著更差。27GARCHRSI。即便先把传统特征中构造重复的窗口变体归并、并把9图表33特征集消融：不加权vs市值加权vs加入传统价格特征风险侧机会侧特征集标的ICAUC(-5)AUC(-8)ICAUC个股谱中证全指0.1530.5600.6500.1700.596沪深3000.1100.5500.5770.1570.578中证5000.1810.5740.6170.1590.600国证20000.1550.6000.5840.1420.588四标的均值0.1500.5710.6070.1570.591个股谱（市值加权族）中证全指0.1540.5880.6420.0060.539沪深3000.1350.6000.6590.0160.508中证5000.1630.5820.610-0.0220.536国证20000.1500.6020.605-0.0140.538四标的均值0.1500.5930.629-0.0030.530个股谱+传统特征中证全指0.0690.5200.6020.1460.587沪深3000.0330.5100.5560.1290.558中证5000.0990.5500.5850.1380.590国证20000.0850.5610.5170.1340.591四标的