阅读提示

这篇讲解 Betalens 的择时策略模式——它和截面因子有什么不同、YAML 配置怎么写、权重是怎么生成的。如果你对单标的择时感兴趣，这篇是入门的最佳起点。

导言

Betalens 的因子策略分为两大类：

  • 截面因子（strategy_type: cross_sectional，默认值）：在每个调仓日对全市场股票打分排名，买入高分组、卖出低分组。多空均可，适合选股型策略。
  • 择时策略（strategy_type: timing）：针对单个标的，根据技术指标/情绪指标生成仓位信号（0%~100%），满仓/空仓/半仓操作。多为纯多头，适合交易型策略。

两种模式的核心区别在于权重是怎么生成的：

1
2
截面因子：因子值 → 分组标签 → 组内等权/加权 → 权重矩阵（多头合计1，空头合计-1）
择时策略：指标值 → 信号/仓位 → 目标权重（单标的 + cash）

截面 vs 择时：关键差异

维度 截面因子 择时策略
标的数量 多只股票（截面） 单标的
权重范围 -1（空头）~ +1（多头） 0（空仓）~ 1（满仓）
调仓逻辑 分组后等权配比 信号触发后直接给仓位
YAML strategy_type 缺省或 cross_sectional timing
YAML weight.mode classic-long-short 等 freeplay（占位）
Dashboard 归属 “截面因子”页面 “择时策略”页面

XICHOU_timing 完整解析

以 betalens-factor/tdx/XICHOU/factor_XICHOU_timing.yaml 为例，逐段讲解：

1
2
3
4
meta:
  class: tdx
  name: XICHOU_timing
  strategy_type: timing    # ← 标记为择时策略
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
factor_spec:
  inputs:
    low_wide: 最低价(元)    # XICHOU 的基础数据
    high_wide: 最高价(元)  # 用于计算"创新高等待天数"
  compute_kwargs:
    sma_n: 2              # TDX SMA 窗口
    ema_n: 5              # TDX EMA 窗口
    llv_n: 10             # 创 N 日新低判断
    stock_code: 300750.SZ  # 单标的：宁德时代
    trigger_threshold: 0.1 # 触发阈值
    trigger_operator: auto # 自动选择 > 还是 <
    history_window: 5      # 最多参考 5 个历史触发事件
    duration_quantile: 0.8 # 开仓：历史持续天数达到 80% 分位才开仓
    exit_wait_quantile: 0.5 # 平仓：历史创新高等待天数达到 50% 分位时平仓
    min_history_events: 3   # 至少 3 个历史事件后才启用（避免冷启动过拟合）
    default_exit_wait_days: 5  # 默认持仓延续天数
    max_weight: 1.0       # 最高满仓
1
2
3
4
weight:
  mode: freeplay           # 择时策略直接生成仓位，这里只是占位
  long_groups: null        # 不使用截面分组
  short_groups: null       # 不使用截面做空
1
2
3
4
5
6
run:
  start_date: '2025-01-01'
  end_date: '2025-12-31'
  rebal_freq: D            # 每日检查信号
  n_quantiles: 10          # 保留字段（择时脚本会忽略）
  initial_amount: 100000000

择时策略的计算逻辑

择时策略的 compute 函数不走分组，而是直接生成目标仓位：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
# 伪代码（参考 factor_XICHOU_timing.py）
def compute_xichou_timing(low_wide, high_wide, **compute_kwargs):
    # 1. 计算 XICHOU 吸筹能量指标
    xichou_energy = compute_xichou_energy(low_wide, sma_n, ema_n, llv_n)

    # 2. 判断是否触发开仓信号
    if xichou_energy > trigger_threshold:
        # 3. 统计历史触发事件持续天数
        history_durations = get_historical_durations(history_window)
        duration_threshold = np.percentile(history_durations, duration_quantile * 100)

        if current_duration >= duration_threshold:
            target_position = max_weight  # 满仓
        else:
            target_position = current_duration / duration_threshold * max_weight  # 按比例
    else:
        target_position = 0  # 不开仓

    # 4. 判断是否需要平仓
    # 基于历史"触发后创新高等待天数"估算平仓时机
    ...

    # 5. 生成权重矩阵
    weights = pd.DataFrame({
        stock_code: [target_position],  # 单标的仓位
        "cash": [1 - target_position],  # 现金 = 1 - 仓位
    }, index=[rebalance_date])

    return weights

核心特点：

  1. 不分组：不把股票分成 Top/Bottom 组，直接生成一个 0~1 的仓位。
  2. 带历史信息：用历史触发事件的分布（分位数）来决定当前仓位，避免冷启动过拟合。
  3. 有最保守的默认持仓天数（default_exit_wait_days）：即使统计样本不足，也能有基本的行为基准。

Dashboard 中跑择时策略

  1. 打开 Dashboard：http://127.0.0.1:5173
  2. 进入”择时策略“页面（不是”截面因子”页面）
  3. 选择因子：tdx/XICHOU_timing
  4. 修改参数（最常改的是 stock_code、trigger_threshold、max_weight）
  5. 点击”运行”

Dashboard 会显示：

  • 信号记录：每次开仓/平仓的时间点
  • 仓位曲线：每日目标仓位（0~1）
  • 累计净值：策略净值 vs 基准净值
  • 胜率/赔率：开仓次数、盈利次数、亏损次数、平均盈利、平均亏损
  • 平均仓位：年化平均持仓比例（衡量择时信号的积极性）

开发者侧：择时 YAML 的约束

如果要给现有的截面因子新增一个择时版本（比如 factor_ROE_timing.py），需要注意以下约束：

  1. YAML 必须有 strategy_type: timing：否则 Dashboard 不会把它放到择时策略页面。
  2. compute 函数直接生成权重矩阵：不走 get_single_factor_weight，而是返回一个 DataFrame（index=DatetimeIndex，columns=[stock_code, “cash”]）。
  3. 权重范围 0~1（纯多头），如果要做空，可以输出负值。
  4. weight.mode: freeplay 只是占位：Dashboard 配置结构要求有这个字段，但择时脚本不会使用它。
  5. 返回标准的 RunResult：FactorPipeline.run() 仍然返回 RunResult(backtest=bt, analyst=analyst, factor_values=...)，不要另建第二套返回结构。
1
2
3
4
# 择时因子脚本的 compute 函数签名
def compute_xxx_timing(**inputs, compute_kwargs, **kwargs) -> RunResult:
    # ... 生成权重 ...
    return RunResult(backtest=bt, analyst=analyst, factor_values=factor_values)

常见问题

1. 择时策略在 Dashboard 里找不到

检查 YAML：strategy_type: timing 是否拼写正确，大小写敏感。

1
2
3
4
5
# 错
strategy_type: Timing  # 大写

# 对
strategy_type: timing  # 全小写

2. 仓位一直是 0

原因可能是：

  • trigger_threshold 设太高，信号从未触发。
  • min_history_events 设太高，历史触发事件不足 3 个。
  • 看 factor_values 输出里的”是否触发”列，确认触发逻辑。

3. 择时回测和手动计算不一致

择时策略的调仓执行时间会加 10 分钟（pd.Timedelta(minutes=10)），这是框架约定。如果你在 Jupyter 里手动算信号和仓位，注意对齐到交易日边界。

延伸阅读