🎯 今日核心问题
- 监控指标不能太多:4 个就够。哪 4 个能在策略亏钱之前就告警?
- 每个指标的「正常区间」怎么来的——是拍脑袋,还是从自己的历史分布里算出来的?
- 阈值触发了,然后呢?没有动作的阈值毫无意义。
📖 精读提纲
【一】监控的第一原则:早于亏损
大多数人的「监控」是看账户净值。这等于火灾报警器装在灰烬里。真正有用的指标必须满足一条:它在亏损发生前后但更早地变化。IC 衰减通常在净值回撤前 2-4 个月出现;换手率异常往往在策略拥挤期就冒头;超额收益滚动窗口是滞后确认;回撤突破是最后一道闸门。四个指标,从「因」到「果」排成一条链。
【二】四个指标 + 具体阈值
| 指标 | 计算方法 | 正常区间 | 预警阈值(触发条件) | 触发动作 |
|---|---|---|---|---|
| IC 衰减 | 日频截面 Spearman IC 的 60 日均值 | 0.03 ~ 0.08 | 60 日均值 < 0.02 且持续 3 个月(60 个交易日) | 仓位砍半,进入观察期 |
| IC 方向反转 | IC 的 250 日中 IC<0 的占比 | < 40% | 连续 60 日 IC<0 占比 > 55% | 暂停开新仓(不反向) |
| 超额收益滚动窗口 | 相对沪深300 的 120 日超额,年化 | +3% ~ +20% | 120 日年化超额 < -5%,或连续 2 个窗口 < 0 | 降仓至 30%,撰写失效报告 |
| 换手率异常 | 组合月换手 / 近 24 个月中位数 | 0.8 ~ 1.5 | 比值 > 2.0 或 < 0.4,连续 2 个月 | 查信号是否被噪声主导;检查成本假设 |
| 回撤突破 | 净值相对历史高点的回撤 | < 10% | > 15%(= 回测最大回撤 × 1.2) | 强制降仓至 20%,只留核心 |
| 相对强弱塌陷 | 组合 60 日收益 - 沪深300 60 日收益 | -8% ~ +15% | 连续 3 个 60 日窗口 < -8% | 暂停,重跑样本外 |
注意每个阈值都写成「幅度 + 持续期」的组合。只写幅度,一根大阴线就触发,你会被噪声折腾到放弃监控;只写持续期,缓慢失血三个月你才发现。幅度负责灵敏度,持续期负责特异性,两者缺一不可。
【三】阈值从哪来:用自己的历史分布,而不是别人的经验
「IC 60 日均值 < 0.02」这个数字不是随便写的。做法是:把你回测期的 IC 60 日均值序列拉出来,取 5% 分位数作为「历史上最差的情况」,再把阈值设在这个分位数略下方(约 2% 分位)。这样阈值的含义是:如果现在比过去 5 年里最差的 5% 还差,那大概率不是运气问题。
以 002472 双环传动所在的汽车零部件板块为例,一个「盈利修正」类因子在 2021-2023 年 IC 60 日均值的中位数约 0.045,5% 分位在 0.018;到了 2024 年,因为板块整体被新能源整车价格战拖累,盈利预测下修频繁且滞后,这个因子的 IC 60 日均值长期趴在 0.01-0.02 之间。如果阈值定在 0.02,它会在 2024 年初就报警——而净值上的明显回撤要到 2024 年中才出现。这就是「早于亏损」的价值。
【四】代码:一个能每天跑的监控器
import numpy as np
import pandas as pd
rng = np.random.default_rng(7)
dates = pd.bdate_range("2021-01-04", periods=1100)
codes = [f"{i:06d}" for i in range(1, 121)]
df = pd.DataFrame([(d, c) for d in dates for c in codes], columns=["date", "code"])
t = df["date"].map({d: i for i, d in enumerate(dates)}).to_numpy()
df["factor"] = rng.standard_normal(len(df))
alpha = np.where(t < 780, 0.05, 0.008) # 第 780 天后因子收益衰减
df["fwd_ret"] = alpha * df["factor"] + rng.standard_normal(len(df)) * 0.045
# 净值:因子多头前 20% 等权组合,对比基准(沪深300 代理)
top_mask = df.groupby("date")["factor"].transform(lambda s: s >= s.quantile(0.8))
port_ret = df[top_mask].groupby("date")["fwd_ret"].mean()
bmk_ret = df.groupby("date")["fwd_ret"].mean() * 0.9
nav = (1 + port_ret).cumprod()
bmk = (1 + bmk_ret).cumprod()
ic = df.groupby("date").apply(
lambda g: g["factor"].corr(g["fwd_ret"], method="spearman"), include_groups=False
).rename("ic")
# ---------------- 指标计算 ----------------
m = pd.DataFrame(index=ic.index)
m["ic"] = ic
m["ic_ma60"] = ic.rolling(60).mean()
m["ic_neg_ratio_60"] = (ic < 0).rolling(60).mean()
excess = port_ret - bmk_ret
m["excess_120_ann"] = (1 + excess).rolling(120).apply(np.prod, raw=True) ** (244 / 120) - 1
dd = nav / nav.cummax() - 1
m["drawdown"] = dd
# 换手:用持仓变化近似(此处用因子排名变动率代理)
rank = df.groupby("date")["factor"].rank(pct=True)
held = rank >= 0.8
held_w = held.groupby(df["date"]).mean() # 每日持仓占比(示意)
m["turnover_ratio"] = (held_w.diff().abs().rolling(20).mean() /
held_w.diff().abs().rolling(480).mean()).reindex(m.index)
# ---------------- 阈值判定 ----------------
TH = {
"ic_ma60_low": 0.02, "ic_low_days": 60,
"ic_neg_ratio": 0.55, "ic_neg_days": 60,
"excess_low": -0.05, "dd_limit": -0.15,
}
# cond 连续为真的天数大于等于 window 时返回 True(判定日)
def rolling_run(cond, window):
return cond.fillna(False).rolling(window).sum() >= window
alerts = pd.DataFrame(index=m.index)
alerts["A1_IC衰减"] = rolling_run(m["ic_ma60"] < TH["ic_ma60_low"], TH["ic_low_days"])
alerts["A2_方向反转"] = rolling_run(m["ic_neg_ratio_60"] > TH["ic_neg_ratio"], TH["ic_neg_days"])
alerts["A3_超额转负"] = m["excess_120_ann"] < TH["excess_low"]
alerts["A4_回撤突破"] = m["drawdown"] < TH["dd_limit"]
W = {
"A1_IC衰减": "仓位砍半 + 观察期",
"A2_方向反转": "暂停开新仓",
"A3_超额转负": "降仓至 30%",
"A4_回撤突破": "强制降至 20%",
}
print("=== 指标当前水平 ===")
print(m[["ic_ma60", "ic_neg_ratio_60", "excess_120_ann", "drawdown"]].tail(3).round(4))
print("\n=== 首次触发日 ===")
for k in alerts.columns:
s = alerts[k]
first = s[s].index.min() if s.any() else None
print(f"{k:10s} 首次 {str(first)[:10]} 累计 {int(s.sum()):4d} 天 动作: {W[k]}")
# 严重度:同时触发的条数决定动作强度
sev = alerts.sum(axis=1)
print("\n最高严重度(同时触发条数):", int(sev.max()))
print(sev[sev >= 2].head(1))
跑完你会看到 A1(IC 衰减)的首次触发日显著早于 A4(回撤突破)——这正是把四个指标串成链条的意义。单独看任何一个都会漏,四个一起看,你能在净值还没受伤的时候就收到通知。
✏️ 今日动手
1) 把上面的 TH 字典改成你自己的数字:IC 阈值取你历史 IC 60 日均值的 2% 分位,回撤阈值取你回测最大回撤 ×1.2。
2) 把四个指标做成一张表,每天收盘后自动更新,写在盘后复盘里。
3) 给每个预警写一句「不解释、直接执行」的动作。写不出来的,说明你还不想认。
🔖 明日预告
四个指标里最难搞的是「换手率异常」,它背后的真正问题是因子拥挤。明天拆解:怎么知道同一个因子有多少人在用,以及拥挤度怎么量化。