🎯 今日核心问题
- 一张监控看板最多放几个指标?哪些是「每天看」,哪些是「每周看」?
- 每个指标的黄色/红色阈值和对应动作,能不能在一页内看清?
- 看板报警之后,你希望自己第一件事做什么?如果答案是「想一想」,看板就是失败的。
📖 一周回顾
本周六天,我们做的事可以归成一句话:把「策略还有效吗」这个模糊问题,拆成 12 个能算的数字。
D1 说清了失效的三种机制——因子拥挤、市场结构变化、监管变化,以及三种机制在数据上的不同指纹。D2 搭了四条监控主线,每个阈值都是「幅度 + 持续期」的组合,且都用自己历史分布的 2%-5% 分位来定。D3 把「拥挤」这个虚词做成了五维打分:同质相关、估值分位、波动压缩、价差拐头、资金集中。D4 给了五阶段生命周期,每一关都有准入条件,其中观察期至少 124 个交易日、样本外 IC 须 > 0.025。D5 把报警映射成动作:降仓、行业剔除、暂停,以及为什么「反向使用」在 95% 的情况下是错的。D6 给了五条硬退役规则,让「退役」从情绪决策变成计算决策。
今天是交付日:把以上全部压进一张看板。
📊 策略监控看板(核心交付)
设计原则只有三条:(1)12 个指标,按「因 → 果」从上往下排,越靠上越早预警;(2)每个指标只有三档——绿、黄、红,不做五档,档位越多越没人看;(3)黄色只提醒,红色直接对应动作,不存在「红色但再看看」。
| # | 指标名 | 计算方法 | 正常区间(绿) | 预警阈值(黄) | 触发动作(红) |
|---|---|---|---|---|---|
| 1 | IC 60 日均值 | 日频截面 Spearman IC 的 60 日滚动均值 | ≥ 0.035 | 0.020 - 0.035 | 红:< 0.02 持续 60 日 → 仓位砍半,进观察期 |
| 2 | IC 方向占比 | 近 60 日 IC < 0 的天数占比 | ≤ 40% | 40% - 55% | 红:> 55% → 暂停开新仓,不反向 |
| 3 | ICIR(120 日) | IC 的 120 日均值 / 120 日标准差 | ≥ 0.35 | 0.20 - 0.35 | 红:< 0.20 → 信号稳定性不足,降仓 30% |
| 4 | 超额收益(120 日年化) | 组合与沪深300 日超额复利年化 | ≥ +3% | 0% ~ +3% | 红:< -5%,或连续 2 窗口 < 0 → 降至 30% |
| 5 | 相对回撤 | 组合净值 / 基准净值 相对高点的回撤 | ≥ -8% | -8% ~ -12% | 红:< -12% → 检查是策略问题还是风格问题 |
| 6 | 绝对回撤 | 净值相对历史高点的回撤 | ≥ -10% | -10% ~ -15% | 红:> 15%(回测最大 ×1.2)→ 强制降至 20% |
| 7 | 换手率比值 | 月换手 / 近 24 个月中位数 | 0.8 - 1.5 | 1.5 - 2.0 | 红:> 2.0 或 < 0.4 连续 2 月 → 查信号噪声 |
| 8 | 拥挤得分 | D3 五维打分(0-5) | ≤ 2 | 3 | 红:≥ 4 → 降至 1/3,禁新开仓 |
| 9 | 多头估值分位 | 多头组合 PE / 全市场 PE 的 3 年分位 | ≤ 70% | 70% - 85% | 红:> 85% → 不加仓,准备减 |
| 10 | 实盘-回测相关性 | 近 60 日日收益与回测序列的相关系数 | ≥ 0.75 | 0.60 - 0.75 | 红:< 0.60 → 停止加仓,排查实现偏差 |
| 11 | 滑点偏差 | 实际成交滑点 / 回测假设滑点 | ≤ 1.2 | 1.2 - 1.5 | 红:> 1.5 → 重估容量,缩小规模 |
| 12 | 持仓集中度 | 前 5 大持仓权重合计 / 单行业最大权重 | ≤ 45% / ≤ 25% | 45-55% / 25-30% | 红:> 55% / > 30% → 强制再平衡 |
| 13 | 样本外漂移 | 滚动 250 日 IC 相对全样本 IC 的偏离(Z 值) | |Z| ≤ 1.5 | 1.5 - 2.0 | 红:|Z| > 2.0 → 启动全量样本外重跑 |
三档信号如何汇总成仓位
13 个指标,全绿 = 满配;1-2 个黄 = 维持仓位但不加;3 个以上黄 = 主动降一档;任一红 = 执行该指标对应的动作;2 个以上红 = 直接降到 20%,走 D6 的退役评估。这条汇总规则要写死在看板顶部,不要每天重新判断。
看板的实现:一份能跑出「今日看板」的代码
import numpy as np
import pandas as pd
rng = np.random.default_rng(20261214)
dates = pd.bdate_range("2022-01-04", periods=900)
codes = ["002472", "601111"] + [f"60{i:04d}" for i in range(1, 99)]
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))
df["fwd_ret"] = np.where(t < 620, 0.045, 0.012) * 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))]
pret = port.groupby("date")["fwd_ret"].mean()
bmk = df.groupby("date")["fwd_ret"].mean() * 0.95
nav = (1 + pret).cumprod()
D = pd.DataFrame(index=ic.index)
D["IC60"] = ic.rolling(60).mean()
D["IC_neg60"] = (ic < 0).rolling(60).mean()
D["ICIR120"] = ic.rolling(120).mean() / ic.rolling(120).std()
D["excess120"] = (1 + (pret - bmk)).rolling(120).apply(np.prod, raw=True) ** (244 / 120) - 1
D["dd"] = nav / nav.cummax() - 1
D["rel_nav"] = nav / (1 + bmk).cumprod()
D["rel_dd"] = D["rel_nav"] / D["rel_nav"].cummax() - 1
D["crowd"] = (D["IC60"] > 0).astype(int) * 2 # 占位:接 D3 五维打分
# ---------- 阈值表 ----------
SPEC = [
# (指标, 绿下限, 黄下限, 越低越差?)
("IC60", 0.035, 0.020, True),
("ICIR120", 0.35, 0.20, True),
("excess120", 0.03, 0.0, True),
("rel_dd", -0.08, -0.12, True),
("dd", -0.10, -0.15, True),
]
HIGH_BAD = [("IC_neg60", 0.40, 0.55), ("crowd", 2, 4)]
ACTION = {
"IC60": "砍半仓,进观察期",
"ICIR120": "降仓 30%,信号不稳",
"excess120": "降至 30%,写失效报告",
"rel_dd": "查风格暴露",
"dd": "强制降至 20%",
"IC_neg60": "暂停开新仓",
"crowd": "降至 1/3,禁新开仓",
}
def judge(row):
lights = {}
for name, g, y, _ in SPEC:
v = row[name]
lights[name] = "🟢" if v >= g else ("🟡" if v >= y else "🔴")
for name, g, r in HIGH_BAD:
v = row[name]
lights[name] = "🟢" if v <= g else ("🟡" if v <= r else "🔴")
reds = [k for k, v in lights.items() if v == "🔴"]
yellows = [k for k, v in lights.items() if v == "🟡"]
if len(reds) >= 2:
pos, note = 0.20, "多指标共振:降 20% + 启动退役评估"
elif reds:
pos, note = 0.50, "执行:" + ";".join(ACTION[r] for r in reds)
elif len(yellows) >= 3:
pos, note = 0.70, "主动降一档"
elif yellows:
pos, note = 1.00, "维持,不加仓"
else:
pos, note = 1.00, "正常运行"
return pd.Series({"lights": " ".join(f"{k}{v}" for k, v in lights.items()),
"red": len(reds), "yellow": len(yellows),
"pos": pos, "note": note})
board = D.dropna().apply(judge, axis=1)
today = board.iloc[-1]
print("=" * 70)
print("【今日策略监控看板】", D.dropna().index[-1].date())
print("=" * 70)
for k, v in today["lights"].split(" "):
name = k.rstrip("🟢🟡🔴")
val = D.dropna().iloc[-1][name]
print(f" {v} {name:12s} {val:>8.4f}")
print("-" * 70)
print(f" 红灯 {int(today['red'])} 个 | 黄灯 {int(today['yellow'])} 个")
print(f" 建议仓位上限: {today['pos'] * 100:.0f}%")
print(f" 动作: {today['note']}")
print("=" * 70)
print("\n近 10 日仓位建议轨迹:")
print(board[["red", "yellow", "pos", "note"]].tail(10).to_string())
print("\n仓位建议分布:")
print(board["pos"].value_counts().sort_index())
这段代码每天的产出就是你要看的那一眼:7 个指标各自什么颜色、几个红、仓位上限多少、动作是什么。注意 judge() 里没有任何「视情况而定」——这正是看板的价值:它在你冷静的时候替你做好决定,让你在慌的时候只需要执行。
✏️ 今日动手
1) 把 13 行指标表打印成 A4,右侧留一列空白,每天手写当时的数值和颜色。坚持两周,你会发现自己开始「看数据」而不是「看心情」。
2) 跑一遍上面的代码,把 crowd 那行换成 D3 的五维打分,把 SPEC 里的数字换成你自己回测的 2% 分位。
3) 用 002472 双环传动和 601111 中国国航各做一次单票「体检」:它属于哪个行业、这个行业的景气度处于什么位置、拥挤度得分多少——把看板从组合层延伸到个券层。
4) 设一个每周五 15:30 的日历提醒:更新看板 + 写三行周记(本周哪个指标变化最大、为什么、下周盯什么)。
🔖 下周预告
监控看板装好了,八周的框架也就齐了。下周把这些零件合成一张总图:从一条行情数据到一次实际下单,中间七层怎么咬合;以及怎么把这套东西讲给别人听——无论是面试还是给自己一个交代。