量化投研与策略评审，属于证券投资、资产管理与金融科技场景。券商研究所金工/自营、私募量化、公募指数增强团队在把新因子或新策略纳入实盘前，都要回答同一个问题：这条回测是真的，还是未来函数、幸存者偏差、成本低估与反复调参的产物。随着量化竞争加剧、超额收益衰减，「能否复现、是否显著」比「曲线好不好看」更重要。现实中研究员各自写脚本，回测口径不统一，样本外检验和多重检验校正常被跳过，评审只能看净值曲线；问题往往在上线后才以回撤的形式暴露。本项目把这一环节做成可复现的「信号尽调」流程，服务于三类场景：①新信号入库前评估，输出扣除真实摩擦后的净值、换手、成本与显著性；②复现外部研报或面试策略，快速定位未来函数与成本假设；③教学与自测，用负结果说明「回测好看」与「统计显著」的差距。目标用户是券商研究所、自营、私募与公募的量化研究员及策略评审人。
系统输入股票池与日期区间，自动完成取数、信号构建、回测与统计验证，输出每个参数组合的净值、年化收益、夏普、换手率、成本与显著性指标。①信号层：内置动量、反转、低波动、高相关价差配对四类信号族，参数网格显式枚举，枚举数直接作为多重检验的试验次数；②回测层：按 A 股真实摩擦撮合，覆盖 T+1 执行口径、主板/创业板/科创板分板块涨跌停拒单、停牌不可交易、佣金/印花税/过户费，并以毛、净双账本精确分离信号边际与成本侵蚀；③验证层：置换检验（穷举 121 个价格面板位移）、5 折 walk-forward、Benjamini-Hochberg FDR/Bonferroni 校正与 Deflated Sharpe；④报告层：一键生成 10 张图表与 Markdown 摘要。与只画净值曲线的回测框架不同，本系统把试验次数和验证层作为核心输入。示例结果：20 个组合中最佳净夏普 +0.51，但 Deflated Sharpe 仅 0.11、FDR 校正后 0/20 显著，等权买入持有反而跑赢全部策略。
个人独立完成。技术栈：Python 3.12、pandas/NumPy/SciPy/statsmodels、SQLite、akshare、matplotlib、pytest。架构分 data/signals/backtest/validate/report 五层，config.yaml 集中管理全部参数，代码不硬编码，保证「试了多少组」可核查。数据层：298 只沪深300成分股 × 2015–2024 日频，62.6 万条股票-日；新浪主源 + 腾讯备源，指数退避重试与 parquet 本地缓存（支持断点续传）；SQLite 将「行情事实」与「可交易性判定」分表，便于用 SQL 复核停牌与涨跌停。回测层：t 日收盘生成信号、t+1 开盘执行；封板拒单、停牌前值结转、无交易带；双账本满足「毛净值 − 净净值 ≡ 累计成本」，实测误差 1e-17。验证层：回测与验证共用 pipeline.run_spec()，避免校验对象与回测策略漂移；48 个 pytest，重点覆盖截断不变性、篡改未来数据、成本恒等式与配置静默失效。工程上定位并修复多个不抛异常的静默 bug，其中「非调仓日误清仓」把周频策略压成 1 日持有、换手虚增约 4 倍；修复后全量重跑，结论与图表同步更新。研究流程无随机数，删除 results 重跑结果逐位一致。代码：github.com/wenzhanouyang-sjtu/ashare-signal-lab
评论