历时 9 个月 (2025-08 → 2026-04) 在中国 A 股市场搭建的量化系统。一路走来: B 站荐股博主 (累计 −91.85%) → 雪球散户共识信号 (审计后跌到 ~2% 净) → 因子研究 (12 因子全部 t<2) → 一进二/打板事件战法 (系统证伪) → 最终落到一个静态 30/30/40 全天候 ETF 组合, 不择时不选股。
这些策略本身不赚超额, 真正有价值的是基础设施、审计框架、和复盘文档。 在settle 到最简单的答案之前, 6 类策略被系统证伪。
🇨🇳 中文长文反思 (最重要的产出, 比代码值得读):
docs/quant_strategy_lessons.md
🚀 What came after (2026-05): 把这套审计文化系统化为可复用的"识别低效 → 找基础设施 → 落地策略"三阶段工作台，跑出 4 个部署中的 alert 工具 + 1 条 conditional alpha 方向。详见 quant-research-log — 那是这套思路的下一步。
静态 30/30/40 全天候 ETF 组合, 季度再平衡.
| 资产 | 权重 | ETF |
|---|---|---|
| 股票 (70% 红利低波 + 30% 创业板) | 30% | 512890 / 159915 |
| 国债 (5 年期) | 30% | 511010 |
| 黄金 | 40% | 518880 |
整体: CAGR 7.43% / MDD −18.96% / Calmar 0.39 / Sharpe 0.60 — 历经 2015 股灾、2018 贸易战、2020 疫情全部活下来。
Train vs Test 分段 (foundation 框架强制 OOS):
| 段 | 区间 | CAGR | MDD | Calmar |
|---|---|---|---|---|
| Train | 2010-06 → 2018-06 | +3.71% | -19.4% | 0.19 |
| Test | 2018-07 → 2026-05 | +11.32% | -13.1% | 0.86 |
→ 整体 7.43% 高度依赖 2018-2026 段的黄金 + 国债双牛市. 前 8 年只有 3.71%/yr. 下个 10 年 CAGR 大概率落在 4-9%/yr, regime 切换可能更低.
| 年 | 收益 | MDD | 波动 | Sharpe | 备注 |
|---|---|---|---|---|---|
| 2010 (Jun-Dec) | +10.39% | -5.80% | 11.21% | +1.63 | 起始段 |
| 2011 | −6.38% | -13.27% | 10.87% | -0.57 | 股+债+金同跌 |
| 2012 | +5.20% | -7.26% | 9.28% | +0.61 | |
| 2013 | −7.75% | -14.13% | 10.97% | -0.73 | Taper tantrum |
| 2014 | +12.29% | -4.36% | 8.58% | +1.44 | 牛市启动 |
| 2015 | +12.33% | −18.96% | 14.80% | +0.89 | 股灾, 债+金救命 |
| 2016 | +7.00% | -4.81% | 8.67% | +0.85 | |
| 2017 | +3.53% | -3.52% | 4.65% | +0.80 | 沉闷年 |
| 2018 | −4.42% | -9.70% | 6.24% | -0.72 | 贸易战 |
| 2019 | +19.89% | -4.19% | 7.02% | +2.72 | ⭐ 三资产同涨 |
| 2020 | +13.93% | -7.90% | 10.44% | +1.35 | 疫情 + 黄金大涨 |
| 2021 | −6.48% | -12.82% | 12.66% | -0.49 | 黄金 + 国债回调 |
| 2022 | +2.89% | -3.78% | 6.84% | +0.47 | |
| 2023 | +8.26% | -3.21% | 5.14% | +1.64 | |
| 2024 | +19.97% | -4.04% | 9.31% | +2.09 | ⭐ 黄金 + 国债双牛 |
| 2025 | +28.38% | -3.80% | 9.15% | +2.89 | ⭐⭐ 史上最佳 |
| 2026 (1-5月) | +4.21% | -11.55% | 20.85% | +0.69 | 进行中 |
4 年负收益 (16 年中 25%): 2011 / 2013 / 2018 / 2021 — 都是宏观压力年. 最深 MDD: 2015 股灾 -18.96% (但全天候靠债+金对冲, 股票同期跌 ~50%). 史上最佳年: 2025 +28.38% (黄金牛 + A 股反弹叠加).
复现命令:
python research/factors_v2/all_weather_oos.py给 train/test 分段；python research/factors_v2/run_all_weather_signal.py给当前季末调仓信号. 数据已 commit (data/market_cache/+research/factors_v2/output/long_history_4asset.csv), clone 后无需 fetch.
| 策略 | 终值 | 累计收益 | 最大回撤 |
|---|---|---|---|
| 🥇 黄金 buy-and-hold | ¥391,563 | +¥291,563 (+291.6%) | -44.8% (痛) |
| 全天候 30/30/40 | ¥314,784 | +¥214,784 (+214.8%) | -19.0% (温和) |
| 银行定期 4% (复利) | ¥187,017 | +¥87,017 (+87.0%) | 0% |
| 国债 ETF buy-hold | ¥181,193 | +¥81,193 (+81.2%) | -1% |
| HS300 buy-hold | ¥176,138 | +¥76,138 (+76.1%) | -47% |
| 红利 DIV buy-hold | ¥167,417 | +¥67,417 (+67.4%) | -58% |
3 个反直觉点:
- 黄金单买 16 年 +292%，跑赢全天候 —— 但 MDD -45% 大多数人扛不住
- HS300 持有 16 年 +76% 跑输银行定期 +87% —— A 股 buy-and-hold 16 年没赢银行
- 红利 DIV 最差 —— 2008-2018 长期没涨，2019 后才起来
全天候逐年 ¥10 万 trajectory:
2010 ¥110,725 2014 ¥114,503 2018 ¥135,724 2022 ¥179,468
2011 ¥104,019 2015 ¥129,758 2019 ¥162,149 ⭐ 2023 ¥194,682
2012 ¥109,830 2016 ¥136,190 2020 ¥185,338 2024 ¥234,058 ⭐
2013 ¥100,886 2017 ¥140,949 2021 ¥174,624 2025 ¥299,258 ⭐⭐
2026 ¥314,784 (5 月底)
前 8 年 (2010-2017): ¥10 万 → ¥14 万 (+40%), 平均 4.3%/yr, 跟银行定期没拉开差距. 后 8 年 (2018-2026): ¥14 万 → ¥31 万 (+125%), 平均 10.7%/yr, 黄金 + 国债双牛拉起来.
真实预期管理: 整体 +215% 是后 8 年的功劳, 下个 10 年 regime 切换可能回到 4-7%/yr, 10 万 → 15-20 万 而不是再翻倍. 全天候的真价值不是收益, 是 MDD 只有 -19% —— 大多数人能熬过去, 不像 -45% 黄金 / -47% HS300 多数人会割肉.
# 日常诊断 / 季末调仓信号
python research/factors_v2/run_all_weather_signal.py
python research/factors_v2/run_all_weather_signal.py --t2 # 可选: 启用 T2 双动量 overlay
python research/factors_v2/run_all_weather_signal.py --push # 推钉钉之前默认是 T2 双动量 overlay (CAGR 8.59% / Calmar 0.49). 2026-04-28 做了 alpha 解构, 发现 T2 在 OOS 段 Calmar 比静态低 0.18 (0.96 vs 1.13, 2018-2026 段): 一次错判 V 型反弹 (2020-04 STK OFF, 但下季 STK +29.6%) 把多年小对全部抵消. 静态成为新默认, --t2 保留为可选 (适合想要 2015 股灾保险的用户).
下面每一项都有 research/foundation/ 框架做的严格随机对照 + OOS 测试.
| 策略类别 | 判定 | 证据 |
|---|---|---|
| 雪球散户共识 (Top30) | ⛔ 信号反向 — Top30 +0.7%/年, Bottom30 +7.5%/年 | docs/quant_strategy_lessons.md |
| 12 个单因子 (BM, ROE, 动量, 低波, BAB, MAX, 反转 …) | ⛔ 全 t<2. 最强信号是反向 (避开高换手, t=−5.37) |
memory/factor_battery_findings.md |
| 低波 baseline (60d std, top 20%) | ⛔ Train Calmar +1.79 → Test Calmar −0.71, OOS 反转 | research/factors_v2/output/low_vol_foundation_validation.md |
| 一进二板 / 打板战法 (H1, H8 V1/V2/V3) | ⛔ 65,503 事件 / 16 年 — 所有变体负 alpha. +1.87% alpha 集中在 T close→T+1 open 的隔夜跳空 (limits to arbitrage, 散户拿不到) | research/factors_v2/output/first_board_research_summary.md |
| 教学视频规则 (H9: 量能 2x / 小盘低价 / 历史涨停 / 次日高开 4%+) | ⛔ 5 条规则在日级全部反向. 全叠加 α=−1.75% t=−8.23 |
research/factors_v2/output/h9_textbook_rules.md |
| T2 双动量 overlay (全天候) | research/factors_v2/output/all_weather_alpha_decomp.md |
反复出现的模式: 回测显示 5-20% alpha → 加随机对照 + OOS 后缩到 0-2% → 成本吃掉剩下的 → 真实 alpha 其实是宇宙 beta 或前视泄漏.
经过 5 个 bug 修复 (B1-B4 + 防御保护) 和 7 段 self-test 全过, 现在是新策略的唯一通道。没有随机对照 + OOS 切分 + 基准匹配 + 成本模型, 框架直接拒跑。
from research.foundation import (
DataBundle, Universe, CostModel,
CrossSectionalStrategy, EventDrivenStrategy,
Backtest, StandardReport,
)
data = DataBundle.load() # 自动审计 OHLCV 覆盖率 / 一致性
uni = Universe.broad(data, mcap_range=(30, 500)) # 显式市值层级
strat = CrossSectionalStrategy(name="my_factor",
factor_fn=my_fn,
top_pct=0.20, hold_days=180)
bt = Backtest(strategy=strat, universe=uni,
cost_model=CostModel.a_share_retail_quarterly(), # 33-73bp 真实成本
random_control=True, # 必填, 否则抛异常
train_test_split=("2018-12-31", "2019-01-01"), # 必填
n_random_repeats=1) # 不要调高, 会人为缩 random std 抬 t-stat
result = bt.run()
StandardReport.from_result(result).print()改框架后必跑 self-test:
python research/foundation/self_test.py
# 7 段必须全过: NULL, RANDOM, 高换手 (反向), 前视 (正向), EventDriven NULL (18,972 事件), 成本一致性, 拆分严格性完整 bug 清单和数据偏差: research/foundation/AUDIT_FINDINGS_2026_04_27.md.
虽然衍生信号是反向的, 但这数据集本身在公网上独一无二:
- 8,070 笔去重后的 smart-money 调仓事件 (剔除 887 笔重复)
- 1,373 只独立股票, 2014–2026
- 14 个月 live 验证标签 (2025-Jan → 2026-Feb 模拟交易胜率 53.76%)
适合做行为/情绪类研究, 不要当可交易信号用.
| 阶段 | 时间 | 结果 |
|---|---|---|
| v1–v4 B 站/早期雪球 | 2025-08 → 2025-12 | 前视, 指标错. 修前 Calmar 0.99, 修后 ~0.05 |
| v5 多空对冲变种 | 2026-01 | 年化 31% → 23% (真实成本) → 报废 (A 股不能做空) |
| v6.1 SRF + go-flat | 2026-02 | 修前 Calmar 1.13 → 修后 0.07 (go-flat 用了当期未来收益) |
| 因子库 (factors_v2) | 2026-03 → 2026-04 | 12 因子加随机对照测试. 全 t<2. 转向 ETF 配置 |
| 全天候发现 | 2026-04-21 | 30/30/40 → CAGR 8.13%, MDD −19.4%, Calmar 0.42 (vs 此前 70/30 纯股 Calmar 0.18) |
| T2 动量 overlay | 2026-04-23 | Full Calmar 0.49, Test OOS Calmar 0.96 |
| Foundation 框架 | 2026-04-27 | 修 5 个引擎 bug, 7 段 self-test, 低波 OOS 证伪 |
| H8 / H9 一进二板 | 2026-04-27 → 28 | 65k 事件, 教学规则 6 个变体全部负 alpha |
| T2 解构 + 简化 | 2026-04-28 | T2 OOS alpha 转负, 生产降级为静态 30/30/40 默认 |
git log 中的审计轨迹:
1a1fb68修前视 ·9a88817long-only ·25c2684真实成本dd71ccdfoundation v1 ·8e44ad6H8/H9 证伪 ·2b6551dT2 alpha 解构 + 静态默认
# Python 3.12, Windows/Linux
pip install -r requirements.txt
# 1. 一次性建好数据基础 (~10 分钟)
python research/data_prep/build_data_foundation.py
python research/data_prep/update_stock_data.py
# 2. 跑框架自检 (必须全过)
python research/foundation/self_test.py
# 3. 复现全天候生产
python research/factors_v2/all_weather_oos.py # 6 个动量变体的 OOS
python research/factors_v2/all_weather_alpha_decomp.py # T2 vs 静态 alpha 解构 (★ 关键这一个)
# 4. 复现各种证伪
python research/foundation/strategies_first_board_executable.py # H8 (V1/V2/V3)
python research/foundation/strategies_h9_textbook_rules.py # H9 (5 条教学规则)
python research/foundation/strategies_lowvol.py # 低波 OOS 反转
# 5. 日常生产 (季末跑一次出调仓单)
python research/factors_v2/run_all_weather_signal.py # 静态 30/30/40 (默认)
python research/factors_v2/run_all_weather_signal.py --t2 # 可选 T2 overlay
python research/factors_v2/run_all_weather_signal.py --push # 推钉钉上面所有数字四舍五入误差内可复现.
- 散户共识是负向信号, 完全验证 Barber-Odean (2000) 的预测. Top30 比 Bottom30 跑输 6.8pp/年. regime 切换补救不了.
- 散户的成本压制一切. Top30 raw alpha 是 +14-17% gross, 但 56bp 双边 × 83% 换手 = 9.8%/年成本. 净 alpha 微负. 这就是为什么大部分散户"alpha"在真实成本下消失.
- A 股涨停股的 +2% 隔夜跳空真实存在但不可套利. Foundation 在 65,503 笔首板事件验证: T 日 close 进场策略捕获 +1.87% (
t=+63), 但 T 日 close 需要 ex-post 知道封单是否守住. T+1 open 进场的版本全部负 alpha — 散户站在 trade 的另一边. - 趋势跟随动量在 V 型反弹中要命. T2 在 Train 段 Calmar +0.18 (alpha 在 2010-2018 真实), 2020-04 V 型反弹时 STK OFF, 下季 STK +29.6%, BOND +1.2% — 一次错过 V 底把多次小对全抵消. OOS Calmar −0.18.
- 修过的 5 个引擎 bug 全朝 alpha 高估方向偏. B1: EventDriven 持仓多 1 天 → 收益虚高. B2:
n_random_repeats=30→ random std 缩小 → t-stat 虚高. B3: event random baseline 跨整个时间段抽 → 牛市信号 vs 熊市 random → 市场环境差异被算成 alpha. B4: cross-sectional random pool 没排除 picks. B5: t-stat 退化样本除零. 不存在对称: 让 alpha 缩小的 bug 用户会发现并报修, 让 alpha 膨胀的 bug 在引擎里默默躺好几个月.
详见 docs/quant_strategy_lessons.md:
- 先复现已知学术结论再发明任何东西. 在 Fama-French / Jegadeesh-Titman 上验证引擎. 如果复现不出, 你的引擎是坏的, 后面所有"新发现"都是噪音.
- 预先注册一个假设. 81 次参数实验是统计自杀. Harvey-Liu-Zhu (2016) 的标准是 multiple-testing 校正后
t > 3.5, 不是 3.0. - OOS 是神圣的. 第一天就划好 holdout, 不要偷看. 先跑 81 次实验再算 OOS 不是 OOS.
- 成本是参数, 不是事后想起来的. 用 10bp 优化, 用 56bp 上线, 是最常见的散户错误.
- 经济直觉是统计的门. "散户共识为什么应该预测收益?" 一句话答不上, 就别测. Barber-Odean 在 2000 年就预言了我们 2026 年的实证.
research/
foundation/ ★ 强制审计的回测框架. 新策略必须从这里走.
data.py DataBundle.load() 内置审计
universe.py 显式市值层级 Universe
benchmark.py 自动匹配基准 (错配抛异常)
backtest.py 必填 random_control + OOS + cost
strategies.py CrossSectional / EventDriven 基类
self_test.py 7 段框架健康检查
AUDIT_FINDINGS_2026_04_27.md 所有已知引擎 + 数据偏差
factors_v2/ 生产全天候 + 各类证伪报告
run_all_weather_signal.py ★ 季末调仓生产信号
all_weather_alpha_decomp.py T2 vs 静态 alpha 解构
output/ 所有研究 Markdown 报告
baseline_v6_1/ 遗留雪球策略 (保留以便审计可复现)
data_prep/ panel 构建 / OHLCV 刷新
factors/ 信号生成器 (大部分遗留)
docs/
quant_strategy_lessons.md ★ 中文结构性反思
factor_learning_notes_2026_04.md 因子分类参考
archive/bilibili_legacy/ 最早的管线 (保留作上下文)
data/ SQLite 和 OHLCV 缓存 (gitignore)
config.py 本金 / ETF tickers / 钉钉 webhook (gitignore)
CLAUDE.md AI 协作规则 + 4 条硬规则
CLAUDE.md 里 4 条硬规则 (8 轮反复证伪后还活着, 在此重申):
- 不选股. 任何因子组合 CAGR ≤ 12% — 跑不赢 70% 红利 / 30% 创业板静态组合.
- 不择时 / 不轮动. SMA60/120 趋势, regime gate, 动量轮动 — 全被 whipsaw 毁掉.
- 不 target-vol / 不 DD-brake. 主动降仓 = 错过反弹; 静态再平衡结构上更优.
- 季度足矣. 日/周浪费 cost; 月/季差异微小.
Python 3.12 · Pandas · NumPy · BaoStock / AkShare / TuShare · SQLite / SQLAlchemy · Matplotlib
张靖恒 (2026). Bili_Stock: 一个诚实的 A 股散户量化复盘 —
6 类策略被系统证伪, 最终回到静态 30/30/40 全天候 ETF.
https://github.com/Soli22de/Bili_Stock
最后更新: 2026-04-28. 当前生产: 静态 30/30/40, 季度再平衡, 不择时不选股. 上面所有声明均可由本仓库脚本复现.