线性加权多因子模型报告(非机器学习)

报告日期 2026-07-23。在进行机器学习模型前,需要先进行因子特征工程。因子组合模式有线性加权和机器学习模型拟合两种,本报告先对线性加权方式进行研究——这种方式对因子要求更高,在重点解决因子的问题后,机器学习的训练效率会更高。

一、线性加权多因子模型 vs 机器学习模型

量化多因子策略的两种范式对比:二者目标一致(预测资产收益),但方法论、适用场景与风险特征存在本质差异。

维度	线性加权多因子模型	机器学习模型
设计哲学	因子即信号:每个因子必须独立具备预测能力	特征即输入:因子是模型学习的原材料,单个可弱
组合方式	人工加权(等权、IC加权等)	模型自动学习非线性组合(如树分裂、注意力)
可解释性	高(每个因子逻辑清晰,权重透明)	低(黑盒):需 SHAP/LIME 事后解释
典型代表	Fama-French 五因子, Barra 风险模型	LightGBM / XGBoost, Transformer

二、策略报告

(1) 交易标的

目前先对 crypto 的币安市场进行研究和回测,对成交额排名前 22 的币种合约进行交易:BTC、ETH、SOL、XRP、ADA、DOGE、AAVE、ALGO、AUCTUS、AVAX、BCH、BNB、HBAR、LINK、LTC、PENGU、SUI、TRUMP、TRX、UNI、WIF、XLM(均为 USDT 本位合约)。

(2) 手续费和滑点设置

币安吃单手续费为万分之 5,挂单为万分之 2。目前采取按周期换仓模式,发出单为限价单,所以平均是万分之 3.5 手续费;然后假设滑点为万分之 1.5(一般容量下足够),设置回测的手续费为万分之 5(包含滑点)。

(3) 策略设置

• 因子组合模型为线性加权
• 因子需进行归一化标准处理
• 方向是多空都做,按照平均数来决定开多还是开空,多空反转时全部平仓
• 目前先固定每 12 小时调仓

(4) 回测设置

• 测试时间为 2020.1.1 - 2025.12.05
• 初始本金为 1000 万,每个合约都给 1000 万;杠杆比例为 20(回测引擎输出口径为起始资金 1,000,000)
• 最小交易价位为 0.01

(5) 因子 ICIR 报告

之后补充。

三、回测报告(2020–2025 总览)

差不多 6 年收益 679.79%,最大回撤 19.21%,收益回撤比 22.72,夏普比率 1.58,总成交笔数 22,598 笔;平均年化收益回撤比约 4:1。

指标	数值	指标	数值
起始资金	1,000,000.00	结束资金	7,797,928.77
总收益率	679.79%	年化收益	75.50%
最大回撤	-299,259.31(-19.21%)	最长回撤天数	45 天
Sharpe 比率	1.58	收益回撤比	22.72
盈利/亏损交易日	1033 / 972	总成交笔数	22,598
总手续费	846,209.76	总成交金额	1,692,419,529.43

四、按年度拆分

年度	总收益率	年化收益	最大回撤	Sharpe	收益回撤比	成交笔数	点评
2020	76.62%	50.88%	-19.21%	1.45	2.88	2,734	效果一般
2021	181.33%	120.55%	-9.58%	2.41	6.34	4,180	上涨大年,还可以
2022	76.72%	51.00%	-18.13%	1.44	3.29	4,016	大跌之年,收益还可以
2023	73.49%	48.85%	-18.48%	1.52	3.30	3,892	回涨之年,也还好
2024	143.10%	94.88%	-10.70%	2.78	8.49	4,078	新高之年,近几年最高
2025	80.57%	57.89%	-15.58%	1.72	2.69	3,666	震荡较多,收益一般

五、总结

目前的收益还可以,看实盘是否可以有较好的盈利,之后会进行机器学习的研究和训练。

---

免责声明:本报告仅为策略研究记录与教学交流,不构成任何投资建议。市场有风险,投资需谨慎。