库中的经典策略

大多数已发表的量化想法都属于少数几大家族。Quant Buffet 用 backtest.templates 与自定义代码在全库中实现它们。一旦能识别家族，你就能在两分钟内读懂任意策略文章——因为你已经知道它的经济逻辑和典型失效方式。

模板速查表

家族一 — 趋势跟踪

来源。 Mebane Faber 2007 年的战术资产配置论文，使「仅在价格高于 10 个月（约 200 日）均线时持有」这一做法广为人知。为何可能有效。 投资者对信息反应渐进、机构降风险缓慢，因此下跌具有聚集性。典型失效。 震荡市中来回打脸——规则在回调后卖出，又在更高价位买回，反复发生。

from backtest.templates import make_sma_trend

ASSETS = ["SPY", "EFA", "TLT", "GLD", "BIL"]

def make_on_day(prices):
    # 按月调仓；BIL 几乎总在自身均线之上，因此充当防御仓
    return make_sma_trend(prices, ASSETS, {"sma_days": 200})

家族二 — 横截面动量

来源。 Jegadeesh 与 Titman（1993）发现过去 3–12 个月的赢家会继续跑赢输家。为何可能有效。 对信息反应不足，加上追逐业绩的资金流。典型失效。 在剧烈转折点发生「动量崩塌」：2009 年春季市场见底反弹时，动量组合仍持有防御型赢家，几周内即遭受严重损失。

from backtest.templates import make_momentum_rotation

ASSETS = ["XLK", "XLF", "XLE", "XLV", "XLI", "XLP", "XLU", "XLY", "BIL"]

def make_on_day(prices):
    # 持有最强的 3 个板块，每月刷新
    return make_momentum_rotation(prices, ASSETS, {"lookback": 126, "top_n": 3})

家族三 — 双动量

来源。 Gary Antonacci（2014）把*相对*强度（哪个标的最强？）与*绝对*强度（它是否跑得过现金？）结合起来。为何在本库中占主导。 它用两行逻辑回答了真实配置者会问的两个问题。典型失效。 极度集中：该模板同一时间只持有一个仓位，因此某个糟糕月份会被完整承受。

from backtest.templates import make_dual_momentum

ASSETS = ["SPY", "EFA", "EEM", "TLT", "GLD", "BIL"]

def make_on_day(prices):
    # 始终只持有一个标的：最强的风险资产，若均为负则持有现金
    return make_dual_momentum(prices, ASSETS, {"lookback": 252, "cash_symbol": "BIL"})

家族四 — 均值回归

来源。 De Bondt 与 Thaler（1985）记录了长周期反转；短周期版本在 2000 年代成为主流。为何可能有效。 被动抛售与提供流动性会获得报酬。典型失效。 它本质上是变相做空波动率——它买入正在下跌的资产，因此真正的危机恰是它最痛的时候；而它的高换手率（第 5 课）还会吃掉 edge。

from backtest.templates import make_mean_reversion

ASSETS = ["SPY", "QQQ", "IWM", "BIL"]

def make_on_day(prices):
    # 当 10 日 z-score 向下偏离足够多时买入
    return make_mean_reversion(
        prices, ASSETS, {"lookback": 10, "entry_z": -1.0, "exit_z": 0.0}
    )

家族五 — 基于风险的配置

来源。 Bridgewater 的全天候与 Harry Browne 的永久组合，后来被形式化为风险平价。为何可能有效。 等金额不等于等风险——60/40 组合中约 90% 的风险来自股票。按波动率倒数配权可以平衡风险贡献。典型失效。 又是 2022 年：当所有仓位同跌且利率上行，带杠杆或久期偏重的风险平价组合无处可躲。

from backtest.templates import make_risk_parity, make_vol_target

ASSETS = ["SPY", "TLT", "GLD", "DBC"]

def make_on_day(prices):
    # 按 63 日（约一个季度）窗口计算的波动率倒数权重
    # 若想把总敞口缩放到波动率预算，请改用 make_vol_target。
    return make_risk_parity(prices, ASSETS, {"vol_lookback": 63})

一张表读懂任意策略页

案例：现在就在 IDE 里跑一遍

打开任意一个双动量策略，依次做以下三处修改（一次只改一处），并在每次运行后记录 Sharpe 与最大回撤。这就是完整的研究闭环，五分钟即可完成。

1. 基线 — 原样运行，记录 CAGR、Sharpe 与最大回撤。
2. 回看窗口 — 把 lookback 从 252 改为 126。更快的信号反应更早但打脸更多，因此要同时关注换手率与收益。
3. 集中度 — 把 make_dual_momentum 换成 make_momentum_rotation 并设 top_n: 3。预期 CAGR 下降但回撤变浅；你用上行空间换取了稳定性。
4. 资产池 — 把 ASSETS 换成 MULTI_ASSET 资产池。更多仓位通常让曲线更平滑，也会稀释最好的年份。
5. 压力区间 — 把 start 设为 2007-01-01，只用 2008 与 2022 两年来评判策略。

接下来去哪里

• 策略库 — 按动量、均值回归或风险平价筛选，连读同一家族的三篇文章，观察不同作者的差异。
• API 文档 — ASSETS、make_on_day、PortfolioEngine 与 compute_metrics 的完整参考。
• 平台导出 — 当你超出实验室能力时，把任意策略导出到 QuantConnect、Backtrader、Zipline、VectorBT 或 Freqtrade。
• 个人中心 → 回测使用记录 — 追踪你的研究实际产生了多少次运行与多少笔模拟成交。