报告行业投资评级 未提及 报告的核心观点 通过优化仓位策略可提升量化框架的真实表现，不同仓位策略在不同市场环境和搭配不同模型时表现各异，投资者应根据自身风险偏好和市场情况选择合适的模型与策略，且应更注重收益而非手续费消耗 [2][6][111] 根据相关目录分别进行总结 多因子模型下仓位策略的关键作用 - 市场一般量化框架直接使用涨跌方向预测存在问题，如模型胜率与收益率等指标不一致、频繁大幅调仓增加成本、复杂模型难收敛和稳定性不足等 [8] - 相比优化模型预测胜率，优化量化体系中的仓位策略更重要，可通过提高交易信号触发门槛值、设置逐步加仓条件或使用反双曲正切函数等方式提升策略盈亏比并限制换手率 [9] 多因子模型的仓位策略介绍 - **多空全仓策略**：基于二值化信号执行的极端仓位管理模式，将模型概率预测结果直接转化为全仓操作，适合作为业绩比较基准 [12] - **带门槛的多空全仓策略和逐步加仓策略**：带门槛的全仓策略引入模糊区间过滤机制，减少误判风险和低效交易频次；带门槛的逐步加仓结合门槛值模型和渐进式加仓管理模式，降低单次交易成本 [13][14] - **基于不同风险偏好和映射函数设计连续策略**：将二值选择的概率信号转化为仓位调整信号，可按风险偏好分为风险偏好型、风险中性型和风险厌恶型，对应不同映射函数，如 Sigmoid 函数、线性函数和 Atanh 函数等 [18] 策略回测情况 - **回测模拟的样本区间和关键参数**：交易标的为国债期货 T 合约，初始净值为 1，保证金比率为 2%，各策略信号发出后次日开盘开仓、收盘计算胜率、后日开盘调仓，使用最近 120 天数据训练模型，预测下一个交易日，2024 年为牛市，2025 年 1 - 5 月为震荡市 [30][31] - **多空全仓策略的基准结果**：牛市下增厚效果有限，震荡市中部分模型能实现显著收益增厚，搭配非线性模型在震荡市表现优于线性模型，搭配 GRU 时序模型能较好压制换手率 [33][34][35] - **带门槛值的全仓策略和逐步调仓策略**：门槛策略能优化投资策略赔率，但需根据模型类型和市场环境审慎设定阈值；逐步调仓策略能降低换手率和交易成本，但通常会牺牲部分收益，配套 LG 模型在震荡市表现较佳 [37][40][53] - **单一连续策略的效果分析**：在震荡市中与部分模型搭配能显著提升策略赔率，GRU 模型与连续策略组合表现稳定，Atanh 策略和 Sigmoid 策略展现不同风险偏好，换手率高低差异不固定 [58][68][73] - **交易手续费影响的再讨论**：信号输出强度与交易成本正相关，不同仓位策略对手续费影响不同，国债期货手续费对收益侵蚀程度较小，投资者应确立“收益优先、成本其次”的优化级次 [94][97][110] 总结与策略建议 - 各类仓位策略搭配重要，能在模型信号胜率不变时提升整体表现，震荡市中合理选择仓位策略增厚效果明显 [111] - 二值全仓策略在趋势明显时捕获收益，但波动、回撤和换手率高；门槛逐步加仓策略交易频率低，但震荡市收益捕获能力有限（LG 模型除外） [111] - 单一连续策略在震荡市表现出众，线性和正态策略收益稳定，Sigmoid、Atanh 和 Atanh - Sigmoid 策略适合风险厌恶型投资者，GRU 模型搭配 Atanh 类策略表现稳定 [111] - 单一连续型策略中的 Sigmoid 和 Atanh 等在震荡市能降低换手率和手续费消耗，投资者应更注重收益 [111]

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]