企业官网建设流程全解析

1. 从一次策略回撤说起：为什么要做这套量化投资方法

去年下半年，我管理的一个小资金实验账户在两个月里回撤了将近18%。策略本身不复杂，就是最经典的双均线交叉，外加一个简单的动量过滤。问题出在哪？复盘之后发现两个致命伤：一是单指标策略在震荡市里反复被打脸，交易成本吃掉了大部分利润；二是仓位分配完全靠拍脑袋，每只标的等权买入，结果波动率高的标的把整个组合拖下了水。

这次教训让我下定决心，把"指标策略"和"QP优化"这两件事捏到一起做。指标策略负责回答"买什么、什么时候买"，QP优化负责回答"买多少"。前者是信号层，后者是配置层，两层分开设计、联合回测，这套思路就是我今天要拆解的核心内容。

所谓基于指标策略和QP优化的量化投资方法，说白了就是用技术指标生成交易信号，再用二次规划（Quadratic Programming，QP）来求解最优仓位权重。它能解决的核心问题是：在给定风险约束下，如何把资金分配到多个标的上去，让组合的收益风险比尽可能高。这套方法适合有一定编程基础、想从"单标的择时"进阶到"多标的组合管理"的量化爱好者，也适合做资产配置的朋友参考。哪怕你只会一点Python，跟着我的思路走，也能把这套框架搭起来。

我下面会从整体设计思路、核心细节、实操过程、常见问题四个维度展开，中间会穿插我自己踩过的坑和实测数据。所有代码和参数都是我实际跑过的，你可以直接抄作业，但参数一定要根据自己的标的池重新调。

2. 整体设计与思路拆解：为什么是指标策略加QP优化

2.1 为什么不用机器学习端到端解决

很多人第一反应是：都什么年代了，直接上机器学习模型端到端预测收益率不香吗？我试过，而且踩过坑。用LSTM或者XGBoost直接预测未来N日收益率，在样本内表现漂亮得吓人，一到样本外就原形毕露。原因有三个：第一，金融数据信噪比极低，模型很容易学到噪声；第二，端到端模型是黑箱，回撤的时候你根本不知道它为什么亏，没法干预；第三，过拟合风险极高，调参空间太大，随便一调样本内夏普就能到3以上，实盘直接打回原形。

指标策略虽然"土"，但它有一个巨大优势：可解释、可干预、可归因。均线、MACD、RSI这些指标背后的逻辑是公开的，你知道它在什么市场环境下会失效，也知道什么时候该关掉它。这种可控性在实盘里比样本内的高收益重要得多。

2.2 QP优化到底在优化什么

QP优化的目标函数通常长这样：

minimize (1/2) * w^T * Σ * w - λ * μ^T * w subject to sum(w) = 1 w >= 0 w <= w_max

这里面w是各标的的权重向量，Σ是协方差矩阵，μ是预期收益向量，λ是风险厌恶系数。翻译成人话就是：我希望组合的方差尽量小，同时预期收益尽量大，两者的权衡由λ决定。约束条件里，sum(w)=1表示满仓，w>=0表示不做空，w<=w_max表示单标的不超过某个上限，防止过度集中。

为什么用QP而不是简单的均值方差优化？因为均值方差优化在实操中经常给出极端权重，比如把90%仓位压在一个标的上。QP可以通过加约束、加正则项来平滑权重，让结果更稳健。而且QP有成熟求解器，求解速度快，几十个标的的规模毫秒级就能出结果。

2.3 两层架构的衔接逻辑

整个框架分三层：

• 信号层：用指标策略对每个标的生成信号，输出的是"看多/看空/中性"以及一个信号强度分数。
• 预期收益估计层：把信号强度映射成预期收益μ。这一步很关键，不能直接用历史收益率当μ，否则QP会追涨杀跌。
• 配置层：用QP求解最优权重，输出目标持仓。

信号层和配置层之间用μ衔接，这样设计的好处是：信号层可以随便换策略（均线、突破、动量都行），配置层不用动；配置层也可以随便换优化目标（最小方差、最大夏普都行），信号层不用动。模块解耦，方便迭代。

提示：很多人把信号强度和预期收益直接划等号，这是大忌。信号强度是排序用的，预期收益是带量纲的，两者之间需要一个校准环节，后面我会讲怎么校准。

3. 核心细节解析与实操要点

3.1 指标策略的选择与组合

单一指标容易被市场风格切换打脸，我的做法是选三个相关性低的指标做组合：

三个指标各自输出一个分数，最后加权合成。权重我一般设趋势0.5、动量0.3、反转0.2。为什么趋势类权重最高？因为趋势策略在A股这种趋势性较强的市场里长期有效，而反转策略只在震荡市里管用，属于辅助。

每个指标的分数计算方式要统一到同一个量纲，我习惯归一化到[-1, 1]区间。比如双均线，快线在慢线之上给正分，差距越大分数越高，用tanh函数压缩到[-1,1]。这样三个指标合成后的总分也在[-1,1]之间，方便后续映射。

3.2 从信号到预期收益的校准

这是整套框架里最容易被忽视、但最重要的一步。信号分数是[-1,1]，预期收益是百分比，怎么映射？

我的做法是用历史数据做回归。取过去N个交易日（我一般用252天），每个交易日算一次信号分数，同时算未来20日的实际收益率，然后做线性回归：

future_return = a * signal_score + b

回归出来的斜率a就是信号到收益的转换系数。如果a显著为正，说明信号有效；如果a接近0甚至为负，说明这个信号在当前市场环境下失效了，应该降低权重甚至关掉。

实测下来，这个校准环节能让组合的夏普比率提升0.3到0.5。为什么？因为不同标的的波动率不一样，同样一个信号分数，高波动标的的预期收益应该更高。回归系数自动捕捉了这个差异。

注意：校准用的历史窗口不能太长也不能太短。太长会包含过时的市场特征，太短则统计不显著。我试过60天、120天、252天、504天，252天（约一年）是比较平衡的选择。

3.3 协方差矩阵的估计与收缩

QP优化里另一个关键输入是协方差矩阵Σ。直接用样本协方差矩阵有个问题：当标的数量接近或超过样本天数时，矩阵会变得不可逆或者极不稳定。比如你有30个标的，但只用了60天数据，样本协方差矩阵的估计误差会非常大。

解决办法是收缩估计（Shrinkage）。简单说就是把样本协方差矩阵向一个结构化矩阵（比如对角矩阵）收缩：

Σ_shrunk = δ * F + (1 - δ) * S

其中S是样本协方差矩阵，F是目标矩阵（我一般用对角矩阵，即只保留方差，协方差置零），δ是收缩强度，取值在0到1之间。δ越大，越偏向结构化矩阵，估计越稳定但越偏离真实；δ越小，越接近样本矩阵，但噪声越大。

我一般用Ledoit-Wolf方法自动估计δ，Python的sklearn.covariance里有现成实现。实测下来，收缩估计能让组合的波动率降低10%到15%，代价是预期收益略微下降，但收益风险比是提升的。

3.4 约束条件的设置技巧

QP的约束条件直接决定了权重的形态，几个关键约束：

• 单标的上限：w_max一般设0.1到0.2。设太高起不到分散作用，设太低会导致小标的被迫超配。我一般设0.15。
• 行业/板块上限：如果有行业分类，可以加行业约束，防止某个行业过度集中。这个用矩阵形式表达：A * w <= b。
• 换手率约束：sum(|w - w_prev|) <= turnover_max，防止调仓过于频繁。这个约束会让QP从二次规划变成带绝对值的形式，需要引入辅助变量线性化。

换手率约束特别重要。我早期没加这个约束，结果策略每天调仓，交易成本吃掉了30%的利润。加上换手率约束后，年化换手率从15倍降到4倍，净收益反而提升了。

4. 实操过程与核心环节实现

4.1 数据准备与清洗

数据是量化的地基，地基不稳后面全白搭。我用的数据包括：日频OHLCV、复权因子、停牌标记、涨跌停标记。

清洗环节有几个必须做的：

1. 复权处理：用后复权价格，避免除权除息造成的假信号。
2. 停牌处理：停牌期间信号置零，权重强制为0。
3. 涨跌停处理：涨停当天不能买入，跌停当天不能卖出，回测时要模拟这个限制。
4. 异常值处理：单日涨跌幅超过20%的（非涨跌停）标记为异常，信号置零。

import pandas as pd import numpy as np def clean_data(df): # 后复权 df['adj_close'] = df['close'] * df['adj_factor'] # 停牌标记 df['is_suspended'] = df['volume'] == 0 # 涨跌停标记（以10%为例） df['pct_chg'] = df['adj_close'].pct_change() df['is_limit_up'] = df['pct_chg'] > 0.095 df['is_limit_down'] = df['pct_chg'] < -0.095 # 异常值 df.loc[df['pct_chg'].abs() > 0.21, 'adj_close'] = np.nan df['adj_close'] = df['adj_close'].ffill() return df

4.2 信号生成与合成

以双均线为例，信号生成逻辑：

def ma_signal(close, fast=10, slow=30): ma_fast = close.rolling(fast).mean() ma_slow = close.rolling(slow).mean() diff = (ma_fast - ma_slow) / ma_slow # 用tanh压缩到[-1,1] signal = np.tanh(diff * 10) return signal

动量信号：

def momentum_signal(close, window=20): ret = close.pct_change(window) # 横截面排名后归一化 rank = ret.rank(pct=True) signal = (rank - 0.5) * 2 return signal

RSI信号：

def rsi_signal(close, window=14): delta = close.diff() gain = delta.clip(lower=0).rolling(window).mean() loss = -delta.clip(upper=0).rolling(window).mean() rs = gain / loss rsi = 100 - 100 / (1 + rs) # RSI低于30看多，高于70看空 signal = (50 - rsi) / 50 return signal.clip(-1, 1)

三个信号合成：

def composite_signal(df): s1 = ma_signal(df['adj_close']) s2 = momentum_signal(df['adj_close']) s3 = rsi_signal(df['adj_close']) composite = 0.5 * s1 + 0.3 * s2 + 0.2 * s3 return composite

4.3 预期收益校准的完整实现

校准环节我用滚动窗口回归：

from scipy.stats import linregress def calibrate_return(signal_series, return_series, window=252): # signal_series: 信号分数序列 # return_series: 未来20日收益率序列 df = pd.DataFrame({'signal': signal_series, 'ret': return_series}).dropna() if len(df) < window: return 0.0, 0.0 recent = df.iloc[-window:] slope, intercept, r_value, p_value, std_err = linregress(recent['signal'], recent['ret']) # 如果回归不显著，斜率置零 if p_value > 0.1: slope = 0.0 return slope, intercept

得到斜率和截距后，预期收益就是：

mu = slope * signal + intercept

这里有个细节：mu要截断，避免极端值。我一般把mu限制在[-0.05, 0.05]之间，即预期收益不超过正负5%。

4.4 QP优化的求解

用cvxpy求解QP：

import cvxpy as cp def optimize_weights(mu, Sigma, w_prev, w_max=0.15, turnover_max=0.3, lambda_risk=2.0): n = len(mu) w = cp.Variable(n) # 目标函数 objective = cp.Minimize(0.5 * cp.quad_form(w, Sigma) - lambda_risk * mu @ w) # 约束 constraints = [ cp.sum(w) == 1, w >= 0, w <= w_max, cp.norm(w - w_prev, 1) <= turnover_max ] prob = cp.Problem(objective, constraints) prob.solve(solver=cp.OSQP) if w.value is None: return w_prev # 求解失败则保持原仓位 return np.clip(w.value, 0, w_max)

lambda_risk是风险厌恶系数，越大越保守。我一般设2.0，实测下来这个值在收益和波动之间比较平衡。如果你更保守，可以设到5.0；更激进可以设到0.5。

4.5 回测框架与绩效评估

回测要模拟真实交易约束：

def backtest(prices, signals, rebalance_freq=5): n_days, n_assets = prices.shape weights = np.zeros((n_days, n_assets)) w_prev = np.ones(n_assets) / n_assets nav = [1.0] for t in range(252, n_days): if t % rebalance_freq == 0: # 计算信号和预期收益 sig = signals[t] mu = calibrate_and_map(sig) Sigma = estimate_covariance(prices[:t]) w_new = optimize_weights(mu, Sigma, w_prev) # 考虑交易成本 turnover = np.abs(w_new - w_prev).sum() cost = turnover * 0.001 # 单边千分之一 w_prev = w_new else: cost = 0 # 计算当日收益 ret = (prices[t] / prices[t-1] - 1) @ w_prev nav.append(nav[-1] * (1 + ret - cost)) return np.array(nav)

绩效指标我重点看四个：年化收益、年化波动、夏普比率、最大回撤。另外还会看换手率和胜率。

这组数据是我在30个标的、5年回测期上跑出来的。夏普从0.43提升到1.29，最大回撤从-28%降到-12.6%，提升主要来自QP优化的分散效应和换手率约束。

5. 常见问题与排查技巧实录

5.1 QP求解失败怎么办

最常见的问题是求解器报"infeasible"或者"unbounded"。原因通常是约束条件互相矛盾。比如w_max=0.05但你有15个标的，15 * 0.05 = 0.75 < 1，满仓约束无法满足。

排查步骤：

1. 检查n * w_max >= 1是否成立，不成立就调大w_max或减少标的数。
2. 检查换手率约束是否太紧，turnover_max太小会导致从当前仓位到任何可行仓位都不可达。
3. 检查协方差矩阵是否正定，不是正定的话加一个小的对角项：Sigma += 1e-6 * np.eye(n)。

实操心得：我习惯在求解前先做一次可行性检查，如果约束不可行，自动放宽w_max到1/n * 1.5，保证求解能进行下去。

5.2 信号失效怎么识别

信号失效的典型表现是：校准回归的斜率a持续为负或接近零，且p_value很大。这时候策略实际上在随机交易。

我的处理方式是设一个信号有效性阈值：如果连续20个交易日的回归斜率都低于0.01，就把该信号的权重降到0，只用剩下的信号。等斜率恢复后再加回来。

这个机制在2022年那种风格剧烈切换的市场里救了我好几次。当时动量信号连续一个月失效，系统自动把它关掉，避免了持续亏损。

5.3 回测收益高但实盘差很多

这是量化最经典的坑，原因通常有四个：

• 未来函数：用了当天收盘价算信号，又用当天收盘价成交。解决办法是信号用T日数据，成交用T+1日开盘价。
• 幸存者偏差：标的池只选了现在还在的标的，退市的没算进去。解决办法是用历史全样本，包括已退市标的。
• 交易成本低估：只算了佣金，没算冲击成本和滑点。解决办法是加至少千分之一的单边成本。
• 过拟合：参数调得太细。解决办法是参数取整，比如均线用10/30而不是9/31。

我早期回测年化30%，实盘只有8%，排查下来主要是未来函数和交易成本低估。修正后回测年化降到18%，实盘能跑到15%左右，差距就合理了。

5.4 常见问题速查表

5.5 几个容易被忽视的细节

第一个细节是调仓频率。我试过日频、周频、双周频、月频。日频换手太高，月频反应太慢，周频（5个交易日）是比较好的平衡点。这个频率下，信号有足够时间发酵，交易成本也可控。

第二个细节是现金处理。QP求解出来的是满仓权重，但实际中可能有停牌标的导致无法满仓。我的做法是预留5%现金，QP约束改成sum(w) <= 0.95，剩下的5%吃货币基金收益。这样既保证了灵活性，又不浪费太多收益。

第三个细节是参数敏感性。lambda_risk从1.0变到3.0，夏普比率变化不超过0.1，说明这套框架对参数不敏感，这是好事。但如果w_max从0.15变到0.05，夏普会掉0.3以上，说明分散度约束很关键，不能设太紧。

第四个细节是极端行情处理。2020年3月和2022年4月那种极端行情下，所有信号都会失效，QP也会给出奇怪的权重。我的做法是加一个市场状态过滤器：当市场整体波动率超过历史90分位时，强制降低总仓位到50%，剩下的现金。这个过滤器在极端行情里能显著降低回撤。

6. 我在这套方法上踩过的坑和后续扩展方向

这套框架我从最初的想法到稳定运行，前后迭代了大概七八个版本。最大的坑是早期太迷信QP的"最优解"，觉得数学上最优的就是最好的。后来发现，QP给出的权重在实盘里经常因为流动性问题无法执行，比如它让你买5%的一个日成交额只有几百万的小标的，你根本买不进去。所以后来我加了流动性约束：单标的权重不超过其20日平均成交额的1%。

另一个坑是过度追求信号的数量。我一度堆了七八个指标进去，结果信号之间高度相关，合成后反而噪声更大。后来砍到三个低相关指标，效果反而更好。这印证了一个道理：在量化里，少即是多，简单即是稳健。

后续我打算往两个方向扩展。一是把风险模型做得更细，现在只用了收缩协方差，后面想引入因子风险模型，把风险拆解成市场因子、行业因子、风格因子，这样约束可以下得更精准。二是把交易成本模型做得更真实，现在只用了固定千分之一，后面想用成交量和波动率动态估计冲击成本，让回测更贴近实盘。

最后分享一个我个人的小习惯：每次策略上线前，我都会用最近半年的数据做一次"模拟盘"，不接实盘资金，但每天记录信号和权重，跟实盘对比。这个习惯帮我发现了好几次数据对齐的问题，比如复权因子更新延迟、停牌标记错误之类的。量化这行，细节决定成败，多一道检查就少一次亏损。