多因子模型的仓位策略与回测情况如何？

多空全仓策略最终表现高度依赖于底层模型对市场核心趋势的捕捉能力， 以及对频繁交易带来的成本冲击的适应能力。

1.多因子模型的仓位策略介绍

本研究中的仓位策略，指的是将预测模型得到的 0-1 信号或概率信号（国债 期货价格上行概率）转化为仓位信号的映射方式。如多空全仓即出现 0 信 号时空满仓，1 信号多满仓，设置门槛值让仓位在部分门槛概率内执行空仓， 或将概率信号通过映射函数转化为仓位信号等。

多空全仓策略（二值化策略，基准策略）

多空全仓策略是一种基于二值化信号执行的极端仓位管理模式，其将模型 的概率预测结果直接转化为极端的全仓操作。具体而言，当模型输出的上 涨概率信号超过 50%（即信号值>0.5）时，策略采取多头满仓；当信号值<0.5 时，则切换为空头满仓。这种“全押注”式的仓位决策机制，本质上是将模 型的预测能力在仓位布局上推向极限——假设模型的预测结果完全可靠， 通过满仓杠杆最大化单次交易的收益潜力。 多空全仓策略具有过于极端、调仓幅度过于极端等问题，但其有其极简性 与透明性，适合作为业绩比较基准：一方面，其收益表现直接反映模型的原 始预测质量，任何信号偏差均会以未缓冲的形式暴露在净值波动中；另一方 面，该策略为后续连续型策略提供了风险收益特征的对比锚点，可量化评估 其他仓位平滑策略或门槛策略的收益提升和风险控制效能。

带门槛的多空全仓策略和逐步加仓策略

带门槛的全仓策略。该策略的核心改进在于引入模糊区间过滤机制：当预 测信号处于中间区间，如（0.45, 0.55）时进行平仓操作，规避低置信度信号 下的交易；当信号不处于中间区间时沿用原始多空全仓策略。带门槛的全 仓策略思路源于原始多空全仓策略的极端仓位特征（全仓/空仓）及其在高 噪声信号区间的频繁错误交易问题，这在模型预测信号的胜率分布特征（呈 “V”字型，即信号靠近 0 或 1 时胜率较高，而部分模型中间区间胜率低于 0.5）中有明显体现。一方面，相比多空全仓策略，门槛全仓策略减少了模 型给出不明显预测信号时的误判风险，另一方面，信号不明显时涨跌幅更倾 向于较小，从而门槛全仓策略能减少交易收入少于交易费用的情况。通过减 少中间区间的低效交易频次，门槛策略旨在提升整体收益风险比。 带门槛的逐步加仓。结合门槛值模型和渐进式的逐步加仓管理模式，其核 心是通过三阶信号过滤机制动态划分决策区间：当模型预测信号突破上阈 值（如概率值>0.55）时，视为强多头信号触发正向仓位调整，单次增加 1/5 仓位直至满仓；若信号跌破下阈值（如概率值<0.45）则判定为强空头信号， 单次减少 1/5 仓位直至空仓；中间模糊区间（0.45-0.55）则不改变仓位，规 避低胜率交易干扰。此前的多空全仓策略在震荡市中能快速调仓从而捕获 收益，但在趋势市中仍然可能出现仓位快速波动从而产生不必要的交易费 用。针对这种因全仓策略极端仓位切换引发的波动风险和额外成本，分步调 仓机制在保留多空转换的前提下，降低单次交易的成本，实现仓位的渐进式 变化。

基于不同风险偏好和映射函数设计连续策略

连续型交易策略的作用是将二值选择的概率信号转化为仓位调整信号，即 将模型计算得的国债期货价格上行概率 X%，通过函数 f(X%)映射至相应 的仓位。这种方式既可以根据价格上行信号的强度进行较为敏感的日度动 态仓位调整，又可以避免极端且频繁地将仓位加减至多空满仓，从而使得 交易决策更加精确，增加盈利的同时合理控制风险。 可以将连续型的交易策略按照风险偏好类型划分为风险偏好型、风险厌恶 型和风险中性型。其中，前两者的 f(X%)一般为非线性的策略。风险偏好型 策略的概率-仓位曲线斜率逐渐减小，表明当信号没有明显倾向时边际仓位 变化较大，代表函数为 Sigmoid 函数；风险中性型策略为正比例函数，表明 仓位随着概率值同步变化；风险厌恶型策略的概率-仓位曲线斜率逐渐变大， 说明在预测信号不明显时决策较为谨慎，趋向于极致时更有信心，代表函数 为 Atanh 函数。 本次研究中我们主要考虑以下映射函数。其中?为仓位百分比，?为模型信 号概率值，?与?的取值范围均为[0,1]。对于以下模型的缩放参数，我们设计 了基于历史信息的动态网格搜索以优化策略持仓。网格搜索以 30 天为更新 周期，每次到期进行一次参数优化。

2.策略回测情况

.回测模拟的样本区间和关键参数

参考报告《债市择时多因子模型设计：从线性模型到深度学习》，运用预测 模型生成了多因子模型预测信号，并以此信号为基础测试交易策略，其交 易标的为国债期货 T 合约。策略的初始净值为 1，国债期货的保证金比率 为 2%，并根据仓位信号计算出需要使用的保证金（使用保证金 = 净值 * 国债期货保证金比率 * 仓位比例），而未作为保证金的资金用于银行间回 购交易（以 DR007 利率计算收益），提高资金的整体使用率。 为保证开仓的可行性，根据各模型当日的预测信号，各策略信号发出后将 于次日开盘时开仓，于次日收盘时计算胜率，并于后日开盘时进行调仓操 作。 从收益构成的角度来看，每日该策略所获得的收益主要源自两个渠道。其一， 是来自国债期货头寸的盈亏情况，这一盈亏是依据当日收盘价与前一日收 盘价计算得出。其二，是来自除保证金外的投入资金所进行的回购交易所产 生的利息收入。 各预测模型每次使用最近 120 天的数据训练模型，预测当前迭代的下一个 交易日，最终输出 2024 年 1 月 1 日至 2025 年 5 月 9 日的预测信号。进而 各仓位策略将预测信号转换为仓位信号，仓位信号取值在-1 与+1 之间（例 如+0.5 表示仓位为 50%多头），并以此计算收益。后续分析中，将 2024 年 1 月 1 日至 2024 年 12 月 31 日视为牛市，将 2025 年 1 月 1 日至 2025 年 5 月 9 日视为震荡市。

多空全仓策略的基准结果：震荡市增厚效果较佳

多空全仓策略最终表现高度依赖于底层模型对市场核心趋势的捕捉能力， 以及对频繁交易带来的成本冲击的适应能力。基准策略的核心运作机制是 依据模型的预测信号，在多头满仓与空头满仓之间进行非黑即白的仓位切 换。这种极端化的仓位分配方式，使得策略在不同预测模型驱动下，呈现出 差异显著的收益结果与风险特征。

1.牛市下几乎无增厚效果，震荡市增厚效果较佳。 在牛市单边趋势行情下，各模型驱动策略的整体年化收益率相对平庸（分布 在 5.19%至 7.30%之间），未能显著超越基准或呈现出绝对优势，增厚效果 有限。相比之下，在震荡市中，模型表现分化显著，部分模型能实现相对突 出的收益增厚效果。例如，支持向量机(SVM)在震荡市中年化收益率高达 10.52%，夏普比率达到 3.17，显著优于其在牛市的表现（年化收益率 6.31%）。 这凸显了在震荡复杂的市场环境下，该策略与具备捕捉特定趋势能力的模 型产生协同作用，从而在震荡市可能获得更佳的相对增厚效果。 2.多空全仓策略搭配非线性模型能较好处理震荡市收益增厚的问题，整体表 现优于线性模型。 RF和 SVM能较好在震荡市增厚表现，主要来源于增厚收益而非控制回撤。 支持向量机（SVM）在震荡环境下表现突出，年化收益率高达 10.52%，夏 普比率 3.17。这主要来源于其对市场中高信噪比、趋势力量显著压制噪声的 区域（趋势片段）的强大捕捉能力，从而实现了显著的收益增厚。 随机森林（RF）在震荡市中年化收益率达 6.68%，通过特征随机性提升了模 型的鲁棒性，有助于捕捉复杂环境下的趋势片段，实现收益增厚。虽可能牺 牲对某些关键因子的精度，但其整体在震荡市的稳定性和收益潜力优于多 数模型。它在收益端虽不及 SVM 突出，但在回撤控制方面相对 SVM 略有 优势。 线性模型中，马尔科夫链蒙特卡洛方法(MCMC)表现较好，在震荡市中实现 年化收益率 6.72%。其贝叶斯平滑效应有利于降低错误判断的频率，使其在 复杂环境中保持了一定的稳定性。虽然收益增厚能力不及 SVM，风险控制 能力不及 RF，但在线性模型中相对逻辑回归表现较好。 3.多空全仓策略搭配门控循环单元（GRU）时序模型能较好的压制换手率 较高问题，实现对手续费的控制。 多空全仓策略在市场波动大或模型信号频繁翻转时，会导致交易换手率极 高，产生显著的手续费成本冲击。GRU 蕴含通过门控机制动态调制历史信 息与当前输入融合权重的理论优势。这种特性使它们具备识别趋势延续性 并减少对短期噪声过度反应的潜力。因此，相比其他模型（如对噪声极度敏 感的多层感知机 MLP），GRU 在实际应用中应能更有效地过滤噪声信号、 降低不必要的仓位切换频率。更有效地控制换手率带来的手续费成本降低， 是其区别于其他高灵敏度模型的核心竞争力之一。

 带门槛值的全仓策略和逐步调仓策略

1.门槛策略通过过滤低置信度的交易信号，优化了投资策略的赔率，这一效 果在牛市和震荡市中均有体现。 在牛市中，GRU模型的年化收益率从5.19%提升至6.25%，最大回撤从1.87% 大幅降低至 0.95%，卡玛比率从 2.77 增至 6.55。在震荡市中，MCMC 方法 的最大回撤从 0.96%降至 0.66%，夏普比率从 1.97 跃升至 2.85。这些显著 的优化效果证明了门槛策略在提升策略赔率方面的有效性。在优化投资策 略时，模型的类型和市场环境对门槛策略的应用效果有着显著影响。对于具 有内在信号筛选能力的模型，如随机森林（RF）和门控循环单元（GRU）， 门槛策略能够有效强化其风险控制能力，进一步优化策略表现；而对于支持 向量机（SVM）这类中间信号可能具有价值的模型，门槛策略若设置不当， 可能会错误剔除有效机会，导致收益下降和回撤增加，因此需要审慎设定阈 值或深度匹配模型结构。同时，市场环境对信号置信度也有显著影响，在震 荡市中，模型信号的普遍置信度会降低，此时如果过滤强度过高，可能会导 致有效信号的损失，因此需要根据市场环境相应调整门槛设置，以确保策略 的有效性和适应性。

2.逐步调仓策略能够显著降低换手率和交易成本，但通常会牺牲部分策略收 益，尤其在震荡市中表现更为明显（配套 LG 模型为例外情况，表现较佳）。 逐步调仓策略的核心优势在于其分段式仓位管理机制。当信号突破既定阈 值时，该策略启动渐进式调仓，有效降低了仓位切换的频率，从而显著减少 了因频繁交易而产生的摩擦损耗。相比之下，门槛全仓策略虽通过过滤弱信 号减少了交易次数，但一旦信号触发，仍采取全仓切换操作，单次交易量较大，因此在控制换手率方面，其效果不如渐进式调仓机制彻底。 需要注意的是，逐步调仓策略会在一定程度上牺牲收益表现，这在震荡市 中尤为明显。在震荡市中，多数模型（如 SVM、GRU、MLP、MCMC）的 年化收益率普遍低于 1%，夏普比率甚至跌入负值区间。这反映出渐进式调 仓机制在反复震荡的行情中，由于无法快速建仓捕捉短暂机会，以及慢速减 仓导致遭受回撤，从而陷入了困境。在牛市环境下，受益于频繁的多头信号， 各模型的收益表现相对稳健。

震荡市中，逻辑回归（LG）模型取得了显著优势。在震荡市中以 4.30%的 年化收益率断层领先，卡玛比率高达 9.74，远高于全仓策略。其关键可能在 于线性决策边界与策略形成协同，能在震荡但有上下行趋势时发出持续同 向信号，而在无趋势阶段维持仓位稳定。这完美契合了低换手、低成本的机 制要求，因此形成了 LG 保障低换手率和成本的同时，在震荡市中避免收益大幅下降的特例。 故除 LG 模型外，逐步调仓策略并未展现出相对于其他优化策略（如门槛 全仓）在收益或回撤方面的显著优势，这种相对平庸的表现在牛市和震荡 市中均存在。

单一连续策略的效果分析：满足不同偏好的需求

1.在震荡市中，连续型仓位策略（如正态、Sigmoid、Atanh 等）在与 GRU、 MCMC 和 RF 等模型搭配时，能够在没有提高预测胜率的前提下显著提升 策略的赔率表现，这一点优于逐步调仓模型。 相比全仓策略，连续型仓位策略具备“极端风险压缩机制”，以牺牲部分绝对 收益为代价，实现了风险调整后收益的飞跃提升。而相比逐步调仓策略，连 续型仓位策略因其对预测信号的迅速反应能力，取得了收益和风险的双重 优势。具体而言，GRU 在采用 Sigmoid 策略后，卡玛比率达到 12.48，远高 于二值策略的 3.97 和逐步调仓策略的 0.23，最大回撤仅为 0.21%，接近逐 步调仓策略的十分之一；MCMC 在使用 Atanh 策略时最大回撤低至逐步调 仓策略的十分之一，且年化收益率是逐步调仓策略的两倍，卡玛比率高达 40.32。类似地，RF 在正态连续策略下夏普比率提升至 3.19，卡玛比率达 20.96，全面高于二值全仓和逐步调仓策略。这种赔率优势的核心机制在于： 连续策略通过仓位分级操作，在弱信号下轻仓运行以有效隔离市场噪声并 压缩尾部风险，在强信号下保持敏感性以避免调仓滞后而丧失收益捕获能 力，使得模型即使胜率未变也能实现风险收益比的本质优化。

2.在不同市场环境下，GRU 模型展现出持续提升赔率表现的稳定性，而 LG、 SVM 等模型的策略优势则具有明显的环境依赖性。 GRU 与连续策略的组合的风险调整后收益具备跨市场的一致性表现，显著 优于与二值全仓策略的组合。具体来看，GRU 在牛市中连续策略的夏普比 率在正态策略的2.38到Atanh 策略的 2.84之间，明显优于二值策略的1.48； 卡玛比率在 9.54 到 22.54 之间，远高于二值策略的 2.77。在震荡市中，连 续策略的卡玛比率在线性策略的 4.61 到 Sigmoid 策略的 12.48 之间，优于 二值策略的 3.97 和逐步调仓的 0.24。相比之下，LG 模型连续策略的收益和 收益风险比在牛市中表现良好，但在震荡市中却相对二值全仓策略失效； SVM 模型连续策略的收益风险比在牛市中优势明显，但在震荡市中不及二 值全仓函数；MCMC 模型虽在牛市和震荡市中均有显现连续策略的风险控 制优势，但其收益率普遍不及二值全仓一半。这些结果表明，GRU 凭借其 强大的时序信号捕捉能力（强趋势识别与低噪音敏感），与连续仓位策略形 成“万能适配”，而 LG、SVM 等模型的策略优势则高度依赖于市场波动特 征，具有明显的环境依赖性。

3.Atanh 策略和 Sigmoid 策略展现不同风险偏好，但换手率高低差异不固 定，同时连续型策略的换手率整体上介于逐步调仓和门槛多空全仓之间。 Atanh 与 Sigmoid 函数在仓位控制上呈现出鲜明的对照特性：Sigmoid 函数 在概率中段（约 0.5 附近）变化最陡峭，形成震荡市中的“重仓犹豫”机制； 而 Atanh 函数则在概率两端（小于 0.3 或大于 0.7）对仓位压缩更强，体现 出极致的防御范式。这种差异在牛市中尤为明显：Atanh 策略在牛市环境中 展现出无可争议的卡玛、夏普统治力。以 GRU 模型为例，Atanh 策略虽然 年化收益 2.57%低于 Sigmoid 的 4.22%，但卡玛比率 22.54 远高于 Sigmoid 策略的 10.62，且夏普比率也保持优势。这源于 Atanh 策略对回撤的压缩能 力（最大回撤 0.11%优于 Sigmoid 的 0.40%），且优势强度与市场环境强相 关，因此在收益更低的震荡市中，部分模型会因收益太低而导致夏普和卡玛 比率丧失优势。

与直觉相悖，Atanh 策略的换手率并非一致低于 Sigmoid 策略。从结果来看， Atanh 的换手特性与模型高度耦合，于 LG、MLP、SVM 三个模型中换手率 高于 Sigmoid，并拥有优于 Sigmoid 策略的夏普、卡玛比率，且在 MLP、 SVM 两个模型中拥有高于 Sigmoid 策略的收益率。但这种效果可能会随市 场环境的变换而改变，如震荡市中 LG 模型与 Atanh 策略组合保持较高的换 手率，但收益和抗风险双重失效，表现均弱于 Sigmoid 策略。这说明 Atanh 策略和 Sigmoid 策略本身是无差异的，它们通过不同路径（信号压缩 vs 重 仓犹豫）实现风险缓冲目标。因此考虑“环境-模型-策略”的三维适配，是 取得高风险调整后收益、低换手率的关键。

4.Atanh 策略在与 GRU 或 MCMC 模型搭配时，在牛市环境中展现出明显 的卡玛和夏普优势，核心在于其回撤控制能力出众。 例如，GRU+Atanh 组合在牛市中卡玛比率高达 22.54，夏普比率达到 2.84， 最大回撤仅为 0.11%，显著超越 Sigmoid 和线性策略；MCMC+Atanh 组合 卡玛比率达 21.66，夏普比率为 2.43，回撤低至 0.08%，同样优于正态连续 和二值策略。然而，Atanh 的优势仅在与 GRU 或 MCMC 绑定时成立，依赖于这些模型的时序门控或贝叶斯滤波能力来优化信号质量。在 RF 模型中， Atanh 策略表现相对 Sigmoid 不佳，表明其并非独立的优势策略。此外， Atanh 的优势在震荡市中显著稀释，与其他连续策略的回撤差异缩小，卡玛 比率在 GRU、LG、RF、SVM 模型中均低于 Sigmoid 策略。因此 Atanh 策 略在 GRU/MCMC 模型驱动下，能在牛市环境中展现出无可争议的卡玛、 夏普统治力。但这依赖于其对回撤的压缩能力，且优势强度与市场环境强相 关，模型信号特点的变动或市场环境的改变可能导致其优势瓦解。

交易手续费影响的再讨论：关键在收益增厚而非成本降低

设置仓位时必须考虑到投资收益、高换手率与摩擦损耗之间的平衡。基于 量化回测的手续费影响分析揭示出清晰的层级规律。在模型维度，信号输出 强度与交易成本呈现显著正相关性：MLP 作为信号最敏锐的模型，因其门 控机制对利率市场微观波动的敏感性，在二值全仓策略中产生最高额的手 续费损耗；RF 模型的二值全仓策略手续费较低，这不仅是因为其信号强度 较弱——实际上全仓机制会排除掉信号强弱的影响——还因为其层次化决 策屏障使得其在重要分裂节点时才触发剧烈调仓。

通过设置仓位策略，可以有效的调整换手率和手续费强度：二值全仓因强 制满仓多空跳跃式切换，始终构成成本峰值；门槛全仓通过信号过滤仅实现 有限缓解，仍显著高于连续型策略；逐步调仓则凭借单次仓位调整幅度限制 （20%阀值）和状态保持机制，系统性压制交易频率与规模，成为抗损耗性 能最优的方案。值得注意的是单一线性策略并没有展现出稳定的手续费大 小排序，说明不同强度的信号区间会产生不同的高交易费用策略。尽管部分 策略相对其他策略产生较高成本，但整体上对收益的侵蚀程度仍可控。

但需要注意，综合历史收益数据评估，国债期货的手续费的影响区间 （0.01%~0.08%年化收益率衰减）对各模型策略理论收益的影响较小。因 此投资者应确立“收益优先、成本其次”的优化级次：将主要精力投入模型 信号质量提升与仓位策略的市场适应性改进，仅对弱信号模型在低收益环 境下实施精准成本控制。这种战略级认知将是量化交易系统持续进化的重 要基石。