A股策略体系全景：从分形到动量到趋势跟随

综合 strategy-building 项目 515 页内容，提取用户已实践的 4 套量化策略体系及其相互关系。

一、策略矩阵

策略 Alpha 来源 持仓周期 Universe 信号类型 代码仓库
B-Line 60日反转（输家反弹） T+30 月度 universe100（100只全市场） 单因子 RET_60D mystocks
Doubles 90日动量延续（赢家继续） T+20 月度 660只历史翻倍股 29因子 LightGBM /opt/claude/doubles
Ross-trade 趋势突破（洛氏霍克） 日线波段 全市场 K线结构识别（1-2-3/RH/TTE） john/Ross-trade
分形体系 K线形态序列预测 日内+波段 全市场 20种标准形态+四条魔法线 mystocks/k-analysis

关键洞察: B-Line 和 Doubles 互为对冲——反转 vs 动量。B-Line 在熊市末期表现好（超跌反弹），Doubles 在牛市中期表现好（强者恒强）。组合使用可平滑收益曲线。

二、策略间架构关系

                    ┌─────────────────┐
                    │  factor-pool    │ ← 因子研发管线
                    │  (因子生命周期)  │
                    └───────┬─────────┘
                            │ verified 因子
              ┌─────────────┼─────────────┐
              ▼             ▼             ▼
     ┌────────────┐  ┌───────────┐  ┌──────────┐
     │  B-Line    │  │  Doubles  │  │ Ross-trade│
     │  反转策略  │  │  动量策略  │  │ 趋势跟随  │
     └─────┬──────┘  └─────┬─────┘  └────┬─────┘
           │               │              │
           └───────────────┼──────────────┘
                     ┌─────┴─────┐
                     │ QuantLab  │ ← 信号融合+执行
                     │ v8 平台   │
                     └───────────┘

三、核心策略深度分析

B-Line：反转因子策略

根据 obs-b-line-策略总览，B-Line 是最简单但稳健的策略： - 信号: 全市场 RET_60D（60日收益率）排序，选最低5只 - 逻辑: A股散户主导市场存在过度反应，超跌股有均值回归倾向 - 验证: walk-forward 4窗口全部正收益 - 风险: 暴露于个股基本面恶化（价值陷阱）

Doubles：动量+机器学习策略

obs-doubles-策略总览 是最复杂的策略，也是生产化程度最高的： - 信号: 29个因子 → LightGBM binary → top-10 排序 - 核心创新: 引入 r_spread_60d regime indicator 区分牛/熊状态 - 迭代历史: v1(OHLCV基线) → v5(加入regime) → v7(walk-forward) → v12(forward regime detector) - 生产配置: v5 + K=20 + N=10 + soft sector cap=4 - 诚实评估: obs-策略评估报告-doubles 承认生存者偏差，含 horizon mismatch 反思

Ross-trade：K线结构趋势跟随

obs-ross-trade系统设计说明书 是一套基于 Joe Ross 经典理论的量化实现： - 信号: 1-2-3结构 → RH点识别 → TTE触发价突破 - 哲学: "突破即是市场的真相"——即使假突破也有动能可赚 - 优势: 结构定义规则明确，不依赖 MACD/KDJ 等滞后指标 - 局限: 第一版不识别 LG/CG/TR 横向细分结构

分形体系：K线形态预测

obs-logic_spec 是最完整的可编码规格书： - 核心模块: 单K识别(7种) → 聚合映射 → 四条魔法线 → 分形映射(模式B) → 时间通道 - 三层过滤: 形态 → 趋势 → 量能 - 代码化: 每个模块有明确的 IF/ELSE 决策树

四、因子生态（factor-pool）

obs-因子库-factor-pool-设计方案-v2 定义了因子研发的完整管线：

数据采集 → 因子计算 → 中性化(市值+行业) → 标准化评估 → 入库 → 组合优化 → 信号输出 → 健康监控

三道门筛选: 1. P1: IC/ICIR 评估（原始预测力） 2. P2: 中性化后残余 alpha（剥离市值/行业暴露） 3. P3: 正交化（因子间去相关）

已知局限（根据 obs-因子库-factor-pool-设计方案-v2）: - SDJC/CDP/DCVR 在 CSI300/500 全弱（ICIR 天花板 ~0.24） - Kronos-small Top10 多头夏普 2.18（最强单因子）

五、数据源架构

obs-2-量化交易数据源管理方案设计 提出了适配器模式的数据管理方案： - ClickHouse (:8123) — 日线/Tick 存储（135表 quantix + 19表 k_analysis） - MySQL (:3306) — 持仓/交易/财务数据 - eltdx (:8020) — 实时行情 + TDX日线（7843只） - akshare/baostock — 外部补充数据

六、知识缺口

  1. 跨策略对比: B-Line vs Doubles vs Ross-trade 在同一时间段的表现对比缺失
  2. 策略组合优化: 4 套策略的资金分配权重和再平衡频率未定义
  3. Regime 切换: 如何根据市场状态动态切换不同策略？
  4. 交易成本完整建模: 停牌/涨跌停对策略执行的影响量化不足

关联页面