2.7 KiB
2.7 KiB
QFR 策略开发最小闭环（Checklist）
目标：让每次改动都能被复现、复算、对比、落库，避免只看日志导致的错觉与过拟合。
0) 约定
- 唯一入口：所有优化结果必须可用 scripts/run_etf_trend_backtest.py 复算。
- 固定数据窗：同一次实验必须固定 start/end 与 configs 下的 universe json。
- 落库优先：优化与复算都要写入 data/experiments.sqlite（或输出可追溯 artifacts）。
1) 提出假设（写清楚再改）
- 本次改动想提升什么？（ann_return / max_drawdown / ann_vol / sharpe / trades_per_year）
- 风险约束是什么？（例如：max_trades_per_year <= 80，回撤不恶化超过阈值）
- 预期影响：趋势/均值回归/风险控制/换仓逻辑/过滤条件 哪一块在起作用？
2) 实现改动 + 基线自检
- 运行一次基线回测（固定 config + 时间窗）：
- python scripts/run_etf_trend_backtest.py --config --start --end
- 确认输出 artifacts：
- data/etf_trend_equity.parquet
- data/etf_trend_equity_weights.parquet
- data/etf_trend_equity_trades.parquet（如有）
3) 搜索/优化（iterate_optimize）
- 固定参数：seed、start/end、config、rawdir
- 记录 run_id（建议用时间戳）
- 让优化写库：data/experiments.sqlite
4) Top-N 复算（必须做）
目的：避免优化器算出来的 top config 因入口不同/代码变更/数据差异而不可复现。
- 复算命令：
- python scripts/verify_topn.py --db data/experiments.sqlite --topn 10 --config --rawdir data/raw
输出：
- 每个 trial 的原始指标 vs 复算指标差异
- 标记不一致（超过容忍阈值）的 trial
5) 更新 best 与汇报规则
- 只有在满足：
- ann_return 相比 last_reported_ann_return 提升 >= 5pp
- 且 Top-N 复算一致
- 且风险约束不恶化
才更新 data/opt_state.json 的 last_reported_ann_return 并对外汇报。
6) 借鉴四大流派（落成 模块 + 指标）
- 趋势：多周期一致性、风险调整动量
- 均值回归：偏离/回归信号（用于降低回撤/提高夏普）
- 风险/宏观：PCA/absorption ratio/相关性升高时降风险
- 相对价值/结构：强弱腿替换、组内中性、主题子宇宙
要求：每个模块都要
- 可开关（参数化）
- 可记录原因（trades/日志中写入 reason 字段）
- 可对比（A/B vs baseline）
7) 迭代准则（用户确认）
- 当已有一个还可以的策略（例如年化 25%+）后：
- 必须以该基础策略为主框架逐步叠加技巧与改进
- 不要换一套完全不同的思路/框架
- 每次微调的因子不超过 4 个（单次改动可归因、可回滚、可复现）