标签：量化策略

aifactor.qidiquant.com 上是两千多个公开可见的 A 股因子，每个都带一份基于本地前复权日线的绩效报告。这篇讲清那些数字怎么算出来的：t-1 收盘信号 t 日持有、横截面两头各取 20%、年化按 250 个交易日、不计手续费滑点，以及 AI 生成的因子入库前过的是哪一关。

能用相关系数判断两个策略是「真分散」还是「假分散」；能把多个策略的日收益按权重合并成一条组合净值曲线，并算出组合的年化收益、夏普与最大回撤

能写出四类退出规则：固定百分比止损、ATR 自适应止损、移动止盈（trailing stop）、时间止损；能把风控逻辑插入事件驱动回测，验证「带刹车」与「不带刹车」的差别

能计算个股/行业相对基准的相对强弱曲线（比值线）与 RPS 排名；能实现行业动量轮动：每月选相对强度排名前 N 的行业持有

能用「均线结构 + 波动率状态」搭建一个三态分类器：趋势上 / 震荡 / 趋势下；能用 Python 实现状态识别，并把状态序列画在价格图上做可视化着色

能写出打分法的完整流水线：去极值 → 标准化 → 加权合成 → 排序取 TopN；能实现 zscore 标准化与缩尾去极值，并说清为什么每一步都不能省

能解释什么是因子（Factor）、因子暴露与因子收益；能用 Python 计算 Rank IC 序列，并解读其均值、标准差与 ICIR

能说清二八轮动的完整规则：比较池、动量口径、调仓频率、平手规则；能用 Python 实现月度调仓的轮动回测（严格无未来函数）

能说清网格交易的三个要素：价格区间、格距、每格金额；能用 Python 实现等差网格，并在模拟行情上跑出完整的成交记录

能说清均值回归的直觉，以及它成立的前提条件（震荡市 / 宽基指数 vs 趋势市）；能用 z-score 度量价格偏离程度，写出「z 低于 −1.5 入场、回到 0 出场、跌破 −3 止损」的完整规则

能说出动量效应（Momentum Effect）的直觉解释，以及它在什么环境下容易失效；能用 Pandas 实现过去 N 日收益率排序选股 / 选 ETF 的最小动量策略，并用 shift(1) 杜绝未来函数