🎯 今日核心问题

  1. 「感觉不行了就停」为什么是错的?正确的退役触发是什么?
  2. 退役和暂停的边界在哪里?
  3. 退役之后,这套代码和研究成果还有没有价值?

📖 精读提纲

【一】退役最难的不是判断,是承认

绝大多数人不会「因为策略失效而退役策略」,而是「因为受不了而停手」——这两者在数据上区分得很清楚:前者有触发条件、有记录、有事后复盘;后者只有一句「最近不太行」。前者让你积累经验,后者让你在同一个坑里摔三次。

退役规则必须满足三条:可计算(用日频数据就能算)、不可解释(触发即执行,不给自己留「这次不一样」的空间)、有终局性(退役后不得在 12 个月内以同样逻辑复活)。

【二】五条硬退役规则

#规则量化条件为什么是这个数
R1长期无 alpha滚动 250 日 IC 均值 < 0.01,且持续 ≥ 12 个月12 个月是一个完整的市场周期片段;低于 0.01 已低于交易成本能覆盖的下限
R2超额永久性为负连续 24 个月年化超额 < -3%24 个月足够排除单一年度风格;-3% 是「持有它不如持有沪深300」的明确信号
R3回撤超限实际回撤 > 回测最大回撤 × 1.5,且 6 个月内未修复×1.5 是「模型假设已经被打破」的经验倍数;6 个月是修复窗口
R4机制消失因子所依赖的机制被证伪(如制度变更、成分股结构变化 > 50%)例如小市值因子的「壳价值」被退市新规消灭——这不是数据问题,是地基没了
R5拥挤不可逆拥挤得分 ≥4 持续 6 个月,且多空价差 120 日累计 < -10%拥挤出清通常需要 6-18 个月;超过 6 个月仍在极端拥挤,说明这个赛道的容量已经被占满

五条规则是「或」的关系,任一条满足即退役。但要注意:R1 和 R2 是慢变量,给你反应时间;R3 是快变量,触发时你已经亏了不少,它的作用是止损式退役;R4 是定性判断,必须留下书面证据(哪条制度、哪年哪月),否则会变成「我想退役就找个理由」。

【三】一个案例:小市值因子为什么该退役,而不是该调参

2010-2016 年,A 股小市值因子年化超额 15% 以上,无数策略以它为核。2017 年之后,随着 IPO 常态化、并购重组收紧、退市制度趋严,「壳价值」这个经济学基础被抽走了。从数据看:小市值组合的超额从 15% 掉到 3%,再掉到 0 附近,同时 IC 的波动率上升了一倍。这时候很多人做的是「把市值门槛从 30 亿降到 15 亿」「加入流动性过滤」——这是在给一个地基塌了的房子换墙纸。正确的做法是执行 R4:机制被证伪,退役,把资金转向有明确机制支撑的方向。

601111 中国国航的例子则是 R3:假如你的策略是「航空股 PB 破净买入」,回测最大回撤 25%;2020-2022 年疫情导致资产负债率从 60% 升到 90% 以上,实际回撤跑到 40%,且 6 个月内未修复——这不只是「运气不好」,而是「破净=便宜」这个假设在资产负债表永久受损后不再成立。触发 R3 就该退役,而不是「等它回到 1 倍 PB」。

【四】代码:退役判定 + 退役后处理

import numpy as np
import pandas as pd

rng = np.random.default_rng(606)
dates = pd.bdate_range("2019-01-02", periods=1600)
codes = [f"{i:06d}" for i in range(1, 151)]

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))
# 模拟:前 900 天有效,之后彻底失效并转为轻微负
alpha = np.where(t < 900, 0.05, -0.008)
df["fwd_ret"] = alpha * df["factor"] + rng.standard_normal(len(df)) * 0.045

ic = df.groupby("date").apply(
    lambda g: g["factor"].corr(g["fwd_ret"], method="spearman"), include_groups=False
).rename("ic")

port = df[df.groupby("date")["factor"].transform(lambda s: s >= s.quantile(0.8))]
prem = port.groupby("date")["fwd_ret"].mean() - df.groupby("date")["fwd_ret"].mean()
nav = (1 + prem).cumprod()
dd = nav / nav.cummax() - 1

# ---------- 规则计算 ----------
m = pd.DataFrame(index=ic.index)
m["ic_ma250"] = ic.rolling(250).mean()
m["excess_ann_24m"] = (1 + prem).rolling(500).apply(np.prod, raw=True) ** (244 / 500) - 1
m["dd"] = dd
m["dd_recover_days"] = np.nan

# R1: 250日IC均值<0.01 且持续12个月
r1_raw = m["ic_ma250"] < 0.01
m["R1"] = r1_raw.rolling(250).sum() >= 250
# R2: 24个月年化超额<-3%
m["R2"] = m["excess_ann_24m"] < -0.03
# R3: 回撤>回测最大回撤(设12%)*1.5=18%,且180日未修复
m["R3"] = (m["dd"] < -0.18) & (m["dd"].rolling(180).min() < -0.18)
# R4/R5 需外部输入
m["R4_mechanism_gone"] = False
m["R5"] = ((m["ic_ma250"] < 0.015) & (m["excess_ann_24m"] < -0.05))

rules = ["R1", "R2", "R3", "R5"]
m["retire"] = m[rules].any(axis=1)
m["retire_reason"] = m[rules].apply(
    lambda r: ",".join([c for c in rules if r[c]]), axis=1
)

first = m.index[m["retire"]].min()
print("首次触发退役规则:", str(first)[:10])
print("触发原因:", m.loc[first, "retire_reason"])
print("触发时 250日IC均值: %.4f  24月年化超额: %.2f%%  回撤: %.2f%%"
      % (m.loc[first, "ic_ma250"], m.loc[first, "excess_ann_24m"] * 100, m.loc[first, "dd"] * 100))

print("\n各规则全年触发天数:")
print(m[rules].sum().to_string())

# 退役后行为:清仓,不再复活 12 个月
after = m.loc[first:]
print("\n退役后至今累计超额: %.2f%%(若继续持有)"
      % (((1 + prem.loc[after.index]).prod() - 1) * 100))
print("退役后 12 个月内是否出现 'IC 回正' 的诱惑:",
      bool((ic.loc[after.index].rolling(60).mean() > 0.03).any()))

最后两行输出是你需要看的:如果退役后策略继续亏,说明规则救了命;如果退役后它又开始赚钱,那也不是规则错了——那是你用一次「可能错过的收益」换来了一个「不会失控的系统」。这个交换要提前接受,否则每次退役你都会后悔。

退役不等于删除。把策略的因子定义、参数、退役日期、触发规则、退役后 12 个月的表现全部归档到一张表里。三年后你要做新策略时,这份档案就是你的错题本——它会告诉你哪些方向试过了、为什么死、别再试。

✏️ 今日动手

1) 把五条退役规则抄到一张卡片上,写下每条对应的具体数字(用你自己的回测结果)。

2) 检查你现在的策略:R1-R5 有没有已经在触发的?如果有一半,那你不是「在等」,是「不想认」。

3) 建一个「策略墓园」文档,把已经退役的策略写进去,附死因。

🔖 明日预告

一周下来,机制、指标、拥挤度、生命周期、处置、退役都有了。明天把它们拼成一样东西:一张每天/每周只看一眼就能知道「策略还活不活」的监控看板。