量化策略规划及管理

来源: Obsidian Vault

量化策略规划及管理

统一管理所有量化策略的规划、开发、回测和运营规范 基于 fractal-system 从零到G1的完整迭代经验 + 策略库批量管理方法论 最后更新：2026-06-09

一、策略库总览

当前已开发/规划中的策略：

每个策略在 mystocks/策略/ 下有代码仓库([策略名]/)和策略卡片([策略名].md)。

二、构建完整量化策略的七层框架

一个可上线运行的量化策略，需要逐层满足以下七层条件。任何一层缺失都会导致实盘失败。

第1层：数据基础

核心教训： 数据粒度是第一道门槛。在错误的时间周期上优化参数是徒劳。fractal-system花了5轮参数优化(V2-V7b)才发现瓶颈在时间周期本身。

第2层：市场制度适配

核心教训： 策略必须与制度匹配。T+1下做日内、A股做空、高手续费下做高频——这些不是策略问题，是制度不匹配。

第3层：策略逻辑

核心教训： 信号过滤 > 出场规则 > 入场信号。入场容易想到，但决定盈亏的是过滤和出场。

第4层：统计有效性

第5层：统计陷阱规避

第6层：迭代方法论

改善幅度对比（fractal-system实证）： - 架构(15min→日线)：+3.11% - 逻辑(只做多)：+42.1% - 逻辑(amp<2%过滤)：+15.55% - 参数(V3→V7b)：+0.29%

迭代纪律： 1. 每次失败必须有明确根因诊断——信号太少？止盈不可及？手续费太高？制度不匹配？ 2. 不要在失败方向过度优化——15min调参5轮仍亏，应更早切换 3. 快速试错——每次迭代有明确假设和验证 4. 先验证方向，再优化参数——参数天花板到了就说明瓶颈在架构层

第7层：工程与运营

三、策略库管理规范

吸收自《一键回测整个策略库》方法论

3.1 目录结构

mystocks/策略/
├── README.md                  ← 策略库入口说明
├── INDEX/                     ← HTML看板（http://ip:端口 浏览）
│   ├── index.html             ←   总览仪表盘
│   ├── fractal-system.html    ←   策略详情页
│   └── Ross-trade.html        ←   策略详情页
│
├── cards/                     ← 策略卡片（.md）
│   ├── fractal-system.md      ←   分形投资体系卡片
│   ├── Ross-trade.md          ←   洛氏霍克卡片
│   └── [future].md            ←   未来新策略卡片
│
├── docs/                      ← 管理文档
│   ├── 量化策略规划及管理.md    ←   本文件（总览+规范）
│   ├── 新策略开发必读.md        ←   提交前检查清单+评估标准
│   ├── 常见失败路径避坑清单.md  ←   所有策略共享的失败路径库
│   └── 一键回测整个策略库.md    ←   参考文档（批量回测方法论）
│
├── fractal-system/            ← 代码仓库（Gitea clone）
│   ├── src/ scripts/ config/ docs/
│
├── Ross-trade/                ← 代码仓库（Gitea clone）
│   ├── ross_trade/ scripts/ configs/ docs/
│
├── eod-overnight/             ← 代码仓库（从hermes/local复制）
│   ├── tasks/ config/ docs/ conditions/ phases/
│
└── [future-strategy]/         ← 未来新策略（同结构）

目录职责： - README.md — 策略库入口，链接到各子目录 - INDEX/ — HTML看板，浏览器访问查看策略总览、回测对比、详情页 - cards/ — 策略卡片(.md)，每个策略一个文件，含参数/回测/运维/迭代历史 - docs/ — 管理文档，规范/必读/避坑清单/参考 - [策略名]/ — 代码仓库（Gitea克隆）

每个策略占三个位置： - [策略名]/ — 代码仓库（Gitea克隆，含源码/配置/脚本/测试） - cards/[策略名].md — 策略卡片（人读摘要，含参数/回测/运维/迭代历史） - INDEX/[策略名].html — 策略详情页（浏览器可读，含图表）

3.2 策略接口规范

状态: 暂缓 — 等Ross-trade完成开发后再评估统一接口

为支持批量回测和横向对比，每个策略应暴露统一接口：

# 每个策略模块必须实现以下接口
STRATEGY_NAME = "fractal-system"       # 策略唯一标识
STRATEGY_DIR = "/root/.hermes/mycode/fractal-system"  # 代码路径

def run_backtest(stock_pool=None, start=None, end=None, params=None):
    """运行回测，返回标准结果"""
    return BacktestResult(
        trades=[],           # 交易列表
        win_rate=0.0,        # 胜率
        total_return=0.0,    # 总收益率
        annual_return=0.0,   # 年化收益
        max_drawdown=0.0,    # 最大回撤
        sharpe=0.0,          # 夏普比率
        exit_reasons={},     # 离场原因分布
    )

def run_daily_scan():
    """每日扫描，生成信号"""
    pass

def get_config():
    """返回当前配置"""
    pass

3.3 批量回测流水线

状态: 暂缓 — 依赖3.2统一接口

参照"一键回测整个策略库"的核心设计：

策略库目录 → 自动发现每个策略模块 → 统一数据集 → 运行回测 → 对比基准 → 排名汇总

关键设计原则：

1. 自动发现 — 扫描策略目录，动态加载每个策略模块（importlib）
2. 统一数据集 — 所有策略用同一份数据，保证横向可比
3. 统一基准 — 用买入持有(Buy and Hold)作为统一参照
4. 统一初始资金 — 所有策略用相同的 initial_capital
5. 失败隔离 — 单个策略异常不中断整体运行，记录到 failures.csv
6. 结果归档 — 每次运行生成： - summary.csv — 策略排名汇总 - failures.csv — 失败记录 - 每个策略的独立优化结果和资金曲线图
7. 命令行控制 — 同一引擎，不同数据集： bash python backtest_all.py --pool amp_lt_2pct --period 2024-01-01:2026-06-08

3.4 排除核心工具模块

策略目录中并非每个文件都是"可交易策略"，需排除： - 包初始化文件 (__init__.py) - 工具函数库 (utils.py, common.py) - 配置文件 (config.py, settings.py) - 注册表/调度器

3.5 策略评估标准

评估节点规则： - 每2周评估一次实盘胜率 - WR ≥ 40% → 可上线 - 35-40% → 继续观察1周 - < 35% → 启动迭代

3.6 资金管理规则

多策略运行时的资金分配与风险敞口控制

组合级约束：

仓位评估可参考凯利公式：f = (p×b - q) / b，其中p=胜率, b=盈亏比, q=1-p。 后续策略多了可以增加动态资金分配制度（按近期表现动态调整权重）。

3.7 策略淘汰规则

策略不是永久的。市场环境变化时，策略可能失效。需要明确的退役机制。

退役流程： 1. 关闭Cron任务 2. 策略卡片状态改为 ⚰️ 已退役 3. 代码仓库保留（不删除，作为历史参考） 4. 在本文件总览表中标记退役日期和原因 5. 如果未来市场环境变化，可重新唤醒

四、策略完整度对照表

以fractal-system G1为例，逐层检查：

五、常见失败路径与应对

六、新策略开发流程

开发一个新策略时，按以下步骤推进：

1. 规划 → 确认策略逻辑/时间周期/数据源/市场制度约束
2. 数据 → 确认数据质量/粒度/复权一致性
3. 实现 → 编码信号生成/风控/回测框架
4. 初始回测 → 验证逻辑是否产生信号
5. 根因诊断 → 如果亏损，诊断是架构/逻辑/参数哪层的问题
6. 迭代优化 → 按优先级：架构 > 逻辑 > 参数
7. 扩大验证 → 扩大股票池/时间窗口
8. 固化 → Git commit + 配置文件 + 策略卡片
9. 部署 → Cron日扫描 + 实盘观察期
10. 评估 → 2周评估节点，决定上线/继续/迭代

每一步的详细要求见上方"七层框架"对应层级。

七、fractal-system 迭代版本历史

八、一句话总结

量化策略的alpha来自"正确的时间周期 + 正确的方向 + 正确的股票过滤"，而非参数微调。 80%的时间花在发现哪个维度是瓶颈上，20%的时间花在修复上。 架构(周期) > 逻辑(过滤/方向) > 参数(SL/TP)，优先级不可颠倒。 策略库的价值在于批量验证、横向对比、快速淘汰——把时间花在值得深入的候选者上。

附录：策略卡片模板

新建策略时，复制此模板到 mystocks/策略/[策略名].md

# {策略名称}

> {一句话描述策略核心逻辑}

---

## 基本信息

| 项目 | 内容 |
|------|------|
| 策略名称 | {名称} |
| 代码仓库 | `mystocks/策略/{名称}/` (Gitea: {URL}) |
| 运行仓库 | {Hermes执行路径} |
| 数据源 | {CH/MySQL/TDX...} |
| 配置格式 | {TOML/YAML} |
| 数据处理 | {polars/pandas} |
| Git | {commit hash} |
| 状态 | {🔄实盘观察期 / ✅已上线 / 📋规划中 / ⚰️已退役} |

## 策略逻辑

**入场：**
- {规则1}
- {规则2}
- {过滤条件}

**出场：**
- 止损: {参数}
- 止盈TP1: {参数}
- 止盈TP2: {参数}
- 时间止盈: {参数}

**过滤：**
- {过滤器1}: {参数}
- {过滤器2}: {参数}

## 当前参数

| 参数 | 值 | 说明 |
|------|-----|------|
| {param} | {value} | {desc} |

## 回测结果

**回测区间:** {start} ~ {end}
**股票池:** {N只, 筛选条件}

| 指标 | 值 |
|------|-----|
| 总交易 | {N}笔 |
| 胜率 | {WR}% |
| 总收益 | {pnl}% |
| 年化收益 | {annual}% |
| 最大回撤 | {dd}% |
| 盈亏比 | {pf} |

**离场分布:**
- stop_loss: {N}笔 ({pct}%)
- take_profit_1: {N}笔 ({pct}%)
- take_profit_2: {N}笔 ({pct}%)
- time_exit: {N}笔 ({pct}%)

## 风控规则

| 规则 | 参数 | 说明 |
|------|------|------|
| {rule} | {value} | {desc} |

## 运维

| 项目 | 详情 |
|------|------|
| Cron日扫描 | {时间} (job: {id}) |
| Cron周报 | {时间} (job: {id}) |
| 评估节点 | {date} |
| 评估规则 | WR≥40%→上线 / 35-40%→观察 / <35%→迭代 |

## 迭代历史

| 版本 | 周期 | 核心变更 | 笔数 | 胜率 | 收益 | 年化 |
|------|------|---------|------|------|------|------|
| V1 | {period} | {change} | {N} | {WR} | {pnl} | {annual} |
| **当前** | **{period}** | **{change}** | **{N}** | **{WR}** | **{pnl}** | **{annual}** |

附录B：新策略添加流程（必读）

当一个新策略完成开发并通过回测验证后，必须按以下5步将其登记到策略库。 每个策略在策略库中占4个位置，缺一不可。

总览：4个登记位置

Step 1: 创建代码仓库

cd "/mnt/c/Users/John Cheng/Documents/Obsidian Vault/mystocks/策略"
# 如果代码已在别处开发，复制或clone到此处
cp -r /path/to/[策略名] [策略名]/
# 或 git clone
git clone http://192.168.123.104:3001/john/[策略名].git

代码仓库标准结构（参考zt-chaser）：

[策略名]/
├── config.yaml          # 可配置参数（权重/阈值/过滤条件）
├── README.md            # 策略说明
├── .gitignore           # 排除缓存/数据
├── src/                 # 源码模块
├── scripts/             # 运行脚本（回测/扫描/模拟盘）
├── data/cache/          # 数据缓存（.gitignore排除）
└── reports/             # HTML分析报告

Step 2: 创建策略卡片

在 cards/ 下创建 [策略名].md，使用附录A的卡片模板。必填内容：

• 基本信息：名称/类型/周期/数据源/代码位置/状态
• 核心指标：回测区间/样本量/胜率/收益/回撤/连亏
• 因子/逻辑体系：每个因子的权重/IC/p值/数据源
• 实盘参数：阈值/仓位/止损/卖出规则
• 迭代历史：版本表格

# 参考
cp cards/zt-chaser.md cards/[策略名].md
# 然后修改内容

Step 3: 创建HTML详情页

在 INDEX/ 下创建 [策略名].html，使用暗色主题（CSS变量与index.html一致）。

:root {
  --bg:#0d1117; --card:#161b22; --border:#30363d;
  --text:#c9d1d9; --dim:#8b949e; --accent:#58a6ff;
  --green:#3fb950; --red:#f85149; --yellow:#d29922; --purple:#bc8cff;
}

关键组件（参考 INDEX/zt-chaser.html）： - 核心指标3列网格 - 因子表（含IC/p值/数据源标签） - 回测阈值扫描表 - 成交率/风控模型（如有） - 版本迭代时间线 - 返回总览按钮

Step 4: 更新总览看板

修改 INDEX/index.html，在策略卡片网格 <div class="grid"> 中添加新卡片：

<!-- [策略名] -->
<div class="card">
  <div class="card-header">
    <div class="card-icon" style="background:linear-gradient(...)">ICON</div>
    <div>
      <div class="card-title">[策略名]</div>
      <div class="card-type">类型 · 理论 · 周期</div>
    </div>
    <span class="status obs/dev">状态</span>
  </div>
  <div class="stats">
    <div class="stat"><div class="stat-value green">XX%</div><div class="stat-label">胜率</div></div>
    <div class="stat"><div class="stat-value green">+XX%</div><div class="stat-label">收益</div></div>
    <div class="stat"><div class="stat-value green">-XX%</div><div class="stat-label">回撤</div></div>
  </div>
  <div class="params"><table>...关键参数...</table></div>
  <div class="version-bar">...版本条...</div>
  <br>
  <div class="actions">
    <a class="btn btn-primary" href="[策略名].html">查看详情</a>
    <a class="btn btn-outline" href="../cards/[策略名].md">Markdown卡片</a>
  </div>
</div>

同时在对比表 <table class="compare-table"> 中添加新列。

Step 5: 更新README和总纲

1. README.md — 目录表加行 + 策略总览表加行
2. docs/量化策略规划及管理.md — 第一章"策略库总览"表格加行

检查清单

完成添加后逐项确认：

启动/重启HTTP看板服务

pkill -f "http.server 8890"
cd "/mnt/c/Users/John Cheng/Documents/Obsidian Vault/mystocks/策略/INDEX"
/root/miniconda3/envs/stock/bin/python -m http.server 8890 &
# 验证
curl -s -o /dev/null -w "%{http_code}" http://localhost:8890

浏览器访问：http://localhost:8890 或 http://192.168.123.104:8890