企业官网建设流程全解析

前言｜一句“适合牛市”，往往说得太早

一套策略在上涨的年份赚了钱，在下跌的年份亏了钱。有人据此说：“它只适合牛市。”这句话听着有道理，却可能跳过了最重要的一步：**当时的人能否知道自己正处在所谓的牛市？**如果先看完整段行情，再把上涨的一截涂成“牛市”，研究者实际上用未来走势给过去的每一天起名。拿这样的标签指导交易，就把答案写在题目里了。

第十二篇检查动量选股与均值回归是否会在同一天亏损。本篇沿用这两套常见模板，往前追问一步：**共同亏损集中在什么样的市场环境？**我们不把“牛熊”当成事后公认的历史称号，而用前一交易日已经看到的指数价格，事先划出“强势、弱势、过渡”三种研究状态。然后逐日审查收益、现金仓位与成交成本。

本文提供完整的实验口径与配图，但没有运行新的行情分组实验。示意数字只用于解释计算，图表不代表平台实测。真正的答案，必须由同一数据版本下的两次可信回测和指数原始行情共同给出。

目录

• 前言｜一句“适合牛市”，往往说得太早
• 01｜先给“行情”一条当时就能执行的定义
• 02｜把指数、策略与交易日对齐
• 03｜分行情成绩单，先看赚了什么
• 04｜赚钱时有多少仓位，亏钱时又剩多少
• 05｜同一种行情，也有不同的连续路径
• 06｜两套策略何时一起失手
• 07｜别把行情分类调成漂亮答案
• 08｜什么证据才配得上“只在牛市赚钱”
• 关于本文的研究口径
• 参考资料

01｜先给“行情”一条当时就能执行的定义

媒体回头讲牛熊，通常看的是一整段已经结束的走势；策略研究需要的是交易当时可知道的状态。本文示范用平台支持的“中证全指”原始收盘价作为市场温度计。它不是天然正确的唯一指数，只是这次研究在看结果前选定的观察尺。研究者必须先核实本地是否有完整行情；没有则记录为实验未满足条件，或在看策略成绩之前登记更换指数，不能看完结果再挑最有利的一只。

设P t P_tPt​为指数在交易日t tt的真实收盘价。计算截至前一交易日的120日均价M A 120 , t − 1 MA_{120,t-1}MA120,t−1​和近20个交易日涨跌幅R 20 , t − 1 = P t − 1 / P t − 21 − 1 R_{20,t-1}=P_{t-1}/P_{t-21}-1R20,t−1​=Pt−1​/Pt−21​−1，给当天策略收益贴标签：

S t = { 强势 , P t − 1 > M A 120 , t − 1 , R 20 , t − 1 > 3 % 弱势 , P t − 1 < M A 120 , t − 1 , R 20 , t − 1 < − 3 % 过渡 , 其余有完整资料的日期 S_t=\begin{cases} \text{强势},&P_{t-1}>MA_{120,t-1},\ R_{20,t-1}>3\%\\ \text{弱势},&P_{t-1}<MA_{120,t-1},\ R_{20,t-1}<-3\%\\ \text{过渡},&\text{其余有完整资料的日期} \end{cases}St​=⎩⎨⎧​强势,弱势,过渡,​Pt−1​>MA120,t−1​,R20,t−1​>3%Pt−1​<MA120,t−1​,R20,t−1​<−3%其余有完整资料的日期​

这些120日、20日和3%的数字是预先写下的研究示例，不是经过本项目回测证明的最佳阈值，也不是行业统一的“牛熊标准”。当长期位置和短期方向不一致，或短期涨跌没有超过3%，都归入“过渡”。均线不足120个有效交易日、前一日指数价格缺失、20日比较端点缺失时，标记“未知”，不硬分进过渡。阈值等号落在哪一组也要事先约定；本篇示例中等号归过渡。

图1：三类状态由前一交易日已经发生的指数价格决定；灰色“未知”是资料不足，不是第四种行情。规则为方法示意。

最重要的是标签的时间：如果周二收盘仍满足强势条件，周三才突然下跌，周三的策略收益仍归在周二已知的强势状态。这看起来不如事后称它为“下跌日”顺眼，却保留了研究者当时真实拥有的信息。周三收盘后若条件变化，影响的是周四标签。状态标签不等于订单：本篇只分组观察，没有让策略看到标签后自动切换。

02｜把指数、策略与交易日对齐

两套策略沿用第十二篇的对照口径：同一股票池、数据版本、成本与成交规则、日期、初始资金和调仓频率。若继续采用“均衡、每周调仓、最多5只”的共同持股上限，要记下均值回归模板原默认是6只，本研究已把它改为5只。若用原始预设，就应明确这是5只与6只的两套策略，不装作其余条件完全相同。

指数数据应从平台数据管理 → 基准行情选择“中证全指”，确认覆盖率，再下载完整原始行情。平台运行结果中的benchmark_equity是为画基准净值而计算的列：某个回测日缺少指数行情时，当前实现会沿用上一收盘价。画一条连续基准线可以理解，但不能把这条填补后的线拿来判断行情状态；缺失日可能被误写成“横盘”。状态分类应使用benchmark_bars的原始raw_close，并逐日检查实际观测日期。

图2：交易日t tt的策略收益，配交易日t − 1 t-1t−1已知的市场状态。缺资料的日期单列，不能自动补零。

两次回测各自保留nav.parquet、positions.parquet、订单和费用明细、配置快照与可信度报告。先检查是否有审计失败、首尾日期不同或异常净值，再按共同交易日期求收益。任何一方缺估值，该日就不能硬凑成双策略比较。指数有价而策略没值，与策略有值而指数缺价，都是不同的数据问题，缺口清单应随实验保存。

03｜分行情成绩单，先看赚了什么

设E k , t E_{k,t}Ek,t​为策略k kk在t tt日收盘的账户总资产（含现金、费用后的结果），每日净收益为：

r k , t = E k , t E k , t − 1 − 1 r_{k,t}=\frac{E_{k,t}}{E_{k,t-1}}-1rk,t​=Ek,t−1​Ek,t​​−1

对每个状态分别列出有效交易日数、平均日净收益、收益为正的日数比例和收益分布。只写“强势赚15%、弱势亏8%”远远不够：强势可能有500天，弱势只有20天；也可能某一状态的大部分收益都来自很少几个异常日。中位数、分位区间和最差几天的原始日期有助于看清这一点。

图3：需由真实运行填入的表格。各状态样本天数与连续段数必须与收益并列。

还要把策略和同日指数放在一起。若强势时动量平均每天赚0.08%，指数平均每天涨0.10%，可以说账户这类日子赚钱，却不能因此说它“战胜市场”。反过来，弱势时策略亏0.04%、指数跌0.20%，账户仍在亏钱，但相对指数跌得少。这里的数字全部是手工教学例子；指数原始收盘价是价格口径，不是包含全部分红的全收益基准，所以两者的日收益差额只能称“相对这条价格指数的差额”，不能直接冠名为严格意义上的超额收益或阿尔法。

分组均值还会被各状态出现的频率影响。设n s n_sns​是状态s ss的有效天数，r ˉ s \bar r_srˉs​是该状态的平均日收益，n nn是全部有效日数，则：

r ˉ = ∑ s ∈ { 强势,弱势,过渡 } n s n r ˉ s \bar r=\sum_{s\in\{\text{强势,弱势,过渡}\}}\frac{n_s}{n}\bar r_srˉ=s∈{强势,弱势,过渡}∑​nns​​rˉs​

这只是日收益平均值的拆分，不是把非连续日期的收益直接相加，更不是重新生成一条可交易净值。它提醒我们：即使某策略在强势状态表现好，如果强势日很少，整段历史的贡献也未必大；反过来，某类状态样本太少，漂亮均值也可能靠不住。

04｜赚钱时有多少仓位，亏钱时又剩多少

同一状态下，账户净值可能因选股而变，也可能因仓位而变。动量选股在弱势环境里没有合格股票时，账户可能部分或大部分持有现金；均值回归在短期下跌时可能仍挑到股票。应按状态列出每日实际持股市值占总资产比例、全现金日数、换手、费用和未成交订单，而不只看信号发出次数。

图4：应把净收益和实际股票仓位并列；图中刻度为示意，不代表两套策略真实仓位。

若弱势期策略回撤较小，但长期只有10%股票仓位，这是一条有价值的风险控制事实；它不能直接证明“在跌市里选股仍然有效”。相反，若弱势期保持高仓位却跑赢价格指数，才值得进一步查选股、行业、市值与成本的贡献。可以另列“有持仓日”的条件收益作诊断，但主成绩必须保留所有日期：事后只挑策略愿意入场的日子，会把空仓成本和错过反弹的日子藏起来。

仓位的时间也要核对。收盘后的持仓解释下一交易日账户将面对的风险；若要解释当天的收益，应查当天价格变化前实际持有的股票，以及当日成交发生的时间。不能拿当天收盘才形成的新目标仓位，去解释当天已经发生的全部收益。尤其在状态切换附近，忽略这一日的差别，容易把“行情变化后才减仓”写成“提前避开了下跌”。

05｜同一种行情，也有不同的连续路径

把所有“弱势日”抽出来做一张平均表，可能把十几次短促调整和一次漫长下跌混成同一种经验。账户在连续下跌中的现金、成交和回撤路径，和零散的单日下跌并不一样。每个状态除了交易日数，还要记录连续状态段数、每段持续天数、段内起止净值。一段从强势转入弱势、又很快返回过渡的过程，也值得保留，不要只展示持续最久的那段。

图5：强势、过渡、弱势的连续段用于检查路径；不是从本项目行情推算出的真实年份。

这里有一个容易出错的“最大回撤”算法：把历史上所有弱势日依次拼成一条新曲线，再对这条虚构曲线求最大回撤。原本相隔几个月的两天被粘在一起，中间的盈利、亏损和持仓变化全消失了。正确做法是保留账户原始时间轴：报告全路径最大回撤；若要看弱势段内回撤，就在每一段真实连续的弱势期内单独计算，并说明状态切换当天怎样归属。短到不足以形成可读路径的段，直接报告天数，不强算“牛市最大回撤”。

每种状态还需要足够多的独立段。300个弱势交易日若全来自一次市场事件，不能装作获得了300次互相独立的检验。按段列结果，至少能看出“多个时期重复出现”和“只在一场行情中有效”的差别；是否有统计把握，仍需更谨慎的时间序列方法与后续样本来判断。

06｜两套策略何时一起失手

第十二篇要求记录动量和均值回归的共同亏损日。现在给每个共同日期贴上事前状态标签，就能问得更细：**已知的弱势状态中，两者一起亏损的天数与幅度有多少？**已知强势状态里突发下跌时又怎样？后一类尤其重要，因为周三的大跌不能倒过来把周二的“强势”改成弱势。

图6：各格数值待实际回测计算。共同亏损应同时报告天数、占比与平均损失，并列市场当日变化。

可在每个状态内分别算“两者都亏日数 / 该状态的双方有效日数”和“动量亏损时，均值回归也亏的日数 / 动量亏损日数”。两种分母回答不同问题。还要看同一天的指数涨跌和两边股票仓位，避免把整个市场同时下跌误写成某一个策略独有的问题。若弱势状态里几乎没有投资日，读者也需要知道：共同亏损少，可能主要是因为两边都在持现金。

这一章不构造一个50%/50%的“组合收益”。两套独立账户的并排结果可以检验共同风险，却不能替代共享现金和统一订单的组合回测。第十二篇已经解释了这条边界，本篇的行情分组也不能越过它。

07｜别把行情分类调成漂亮答案

只要愿意试足够多种“牛熊线”，很容易找到一套刚好把大涨日放进强势、大跌日放进弱势的定义。60日还是120日均线、涨幅阈值是2%还是3%、选沪深300还是中证全指、标签提前一天还是不提前一天，都会改变表格。先看结果再挑规则，是另一种参数挑选。Halbert White关于数据重复用于模型选择的研究给出的提醒，放在这里同样适用：筛选过很多方案后的最好成绩，不能当作一次独立验证。

本篇建议把中证全指、120日均线、20日涨跌、±3%、前一交易日信息先登记为主方案。若担心结论只依赖这组数字，可在看结果前再登记一组有限的敏感性检查，例如仍用同一指数、只把120日均线改为60日。检查的目的不是从中选赢家，而是看“只在强势赚钱”的说法是否轻易翻转；所有尝试和变化都应留在附表。

图7：研究顺序示意。替代规则必须事前登记；样本外不能被反复用来选最漂亮的分类。

再把时间分为规则形成期与后续检验期。即使主方案在形成期的强势日表现突出，样本外仍需同时报告三个状态的天数、段数、收益、仓位和费用。若后续期几乎没有弱势段，只能说“尚未充分检验弱势表现”，不能用空白格断言策略已跨越牛熊。若想进一步设计“强势开动量、弱势开均值回归”的切换策略，那是新的交易规则：它必须单独回测切换时点、持仓迁移、费用和样本外表现，不能把本篇条件分组表直接当成切换策略收益。

08｜什么证据才配得上“只在牛市赚钱”

写结论时，先用一个完整句子交代口径：“在某数据版本、某股票池与成本模型下，以中证全指前一交易日价格按预定规则划分强势、弱势、过渡，某策略在各状态的有效样本分别为多少天、多少段。”然后再写收益、价格指数差额、实际仓位、共同亏损与样本外情况。缺了一项，结论的范围就要相应收窄。

图8：发表前填写的结果页；所有数字留空。结论栏应随样本数量和审计状态调整。

可能出现三种截然不同的结果。第一种，策略只在强势状态有正净收益，弱势和过渡均受损；这支持“收益依赖强势市场”的描述，但还要看强势期是否只是跟着指数上涨。第二种，弱势时账户亏得少，主要靠空仓；这说明风险暴露变了，却不是“选股在熊市赚钱”。第三种，多个弱势连续段和样本外时期都有稳定的净收益或可靠的相对表现；这才值得进一步追查信号是否在弱势环境仍有独立价值。它们都只是未来实测可能出现的解释路径，本文不预先宣称哪种真实发生。

“只在牛市赚钱”是一句很重的话。它至少需要事前能认出的行情定义、可信的逐日账户结果、足够的连续状态段，以及冻结规则后的后续验证。若这些条件还没有满足，最诚实的结尾不是替策略贴“牛市专用”标签，而是清楚写出：我们已经知道它在哪些历史日期赚钱；尚不知道这种分法能否帮助识别未来。

关于本文的研究口径

封面与图1—8是编辑配图和研究方法图；正文0.08%、0.10%、−0.04%、−0.20%等数字均为教学例子，不能作为策略收益引用。

行情分类使用“前一交易日信息”是为避免把当天已发生的涨跌偷渡进当天标签；它不自动证明状态具有预测力。原始指数价格是价格口径，和策略含现金、税费的净值并非完全等价的总回报比较。强势、弱势与过渡仅是本文定义的研究分组，不等同于监管、交易所或宏观经济意义上的“牛市”“熊市”。

真正复核时，请保存事前规则、指数代码与原始数据、两次运行编号、配置快照、可信度报告、缺失日期清单、各状态天数与连续段数，以及全部事前登记的敏感性尝试。若数据、审计或样本量不满足研究要求，结论应写“不可判断”，不补造数值。

参考资料

1. Andrew W. Lo, “The Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective,”The Journal of Portfolio Management, 30(5), 2004, 15–29. 作者在 MIT 提供的论文摘要。本文借其“市场环境与投资行为可能变化”的研究动机；该文不是本项目策略分行情表现的证据。
2. Halbert White, “A Reality Check for Data Snooping,”Econometrica, 68(5), 2000, 1097–1126. 期刊原文与 DOI。用于说明重复搜索分类方案会削弱单次“最优结果”的可信度。