核心观点 - 通过优化仓位策略可以事半功倍地提升量化框架的真实表现，特别是在震荡市中效果更为明显 [1][3] - 仓位策略的优化比模型预测胜率的优化更为重要，包括设置交易信号触发门槛、逐步加仓条件以及使用反双曲正切函数分配仓位等 [4][19] - 连续型交易策略（如Sigmoid、Atanh等）在震荡市中表现优异，能够在不提高预测胜率的前提下显著提升策略的赔率表现 [68][86] 仓位策略分类与特点 多空全仓策略 - 基于二值化信号执行极端仓位管理，当上涨概率信号>50%时多头满仓，<50%时空头满仓 [24] - 直接反映模型原始预测质量，适合作为业绩比较基准，但存在频繁大幅调仓和摩擦成本问题 [24][16] - 在牛市中年化收益率5.19%-7.30%，震荡市中部分模型如SVM年化收益率可达10.52% [50][51] 带门槛的策略 - 引入模糊区间过滤机制，当预测信号处于中间区间(0.45,0.55)时平仓，规避低置信度信号交易 [25] - 在牛市中GRU模型年化收益率从5.19%提升至6.25%，最大回撤从1.87%降至0.95% [56] - 在震荡市中MCMC方法最大回撤从0.96%降至0.66%，夏普比率从1.97跃升至2.85 [56] 逐步调仓策略 - 通过三阶信号过滤机制动态划分决策区间，单次调整1/5仓位直至满仓或空仓 [26] - 显著降低换手率和交易成本，但通常会牺牲部分策略收益，震荡市中多数模型年化收益率低于1% [59] - 逻辑回归(LG)模型在震荡市中表现例外，年化收益率4.30%，卡玛比率高达9.74 [64][65] 连续型交易策略 策略分类 - 风险偏好型：使用Sigmoid函数，信号不明显时仓位变化大 [34][35] - 风险中性型：线性策略，仓位随信号同步变化 [33] - 风险厌恶型：使用Atanh函数，信号不明显时决策谨慎 [38][39] 表现分析 - GRU搭配Sigmoid策略在震荡市卡玛比率达12.48，最大回撤仅0.21% [68] - MCMC搭配Atanh策略最大回撤低至逐步调仓策略的十分之一，卡玛比率高达40.32 [68] - Atanh策略在牛市与GRU/MCMC搭配时优势明显，卡玛比率达22.54，但震荡市中优势稀释 [89][103] 策略回测结果 市场环境差异 - 牛市(2024年)：各模型年化收益率5.19%-7.30%，增厚效果有限 [50] - 震荡市(2025年)：模型表现分化，SVM年化收益率10.52%，夏普比率3.17 [50][51] 模型表现 - GRU模型：时序信号捕捉能力强，与连续策略形成"万能适配"，卡玛比率在牛市达22.54 [83][86] - SVM模型：震荡市中表现突出，但策略优势具有环境依赖性 [86][88] - RF模型：通过特征随机性提升鲁棒性，震荡市年化收益率6.68% [51] 手续费影响 - 二值全仓策略因强制满仓切换导致成本峰值，年度双边换手率最高达289.55 [93][99] - 逐步调仓策略通过单次仓位调整限制，系统性压制交易频率与规模 [110] - 国债期货手续费影响较小(0.01%-0.08%年化收益率衰减)，应优先关注收益而非成本 [119]