只用一种选股逻辑叫单因子（比如只看ROE高低），组合多个逻辑叫多因子（ROE+反转+低波各占权重）。多因子通常更稳，但因子之间不能相关太强。
单因子评分 = Z(因子A)
多因子评分 = W₁×Z(因子A) + W₂×Z(因子B) + W₃×Z(因子C)
W = 权重，和为1
本系统：单因子（如 ROE(高)夏普0.78）和多因子组合（ROE+反转等权夏普0.67）都在名人堂中比拼，各有千秋。
衡量一个股票或策略「比大盘波动得猛还是怂」。β > 1 说明比大盘波动大（涨得猛也跌得狠），β < 1 说明比大盘稳。
β = Cov(策略收益, 大盘收益) / Var(大盘收益)
简单理解：大盘涨 1%，策略涨 β%。β=1.2 就是大盘涨 1% 策略涨 1.2%。
本系统有个最低波动率策略：β ≈ 0.6，大盘跌 10% 时它只跌 6%，防御型选手。
📊 核心指标
策略从第一天到最后一天，总的盈亏比例。比如 +233.8% 就是 10 块变 33.38 块。
总收益 = (期末净值 - 期初净值) / 期初净值 × 100%
把总收益「平均」到每年，方便比较不同时间长度的策略。总收益 +233.8%（7年）年化就是 21%。
年化收益 = (1 + 总收益)^(1/年数) - 1
例子：总收益 +178.9%（7年）→ (+178.9% + 1)^(1/7) - 1 ≈ 16.9%。收益越高年化越高，但受时间拖累。
每承担 1% 的波动，换来多少额外收益。数字越高说明「赚得值，不白亏」。A股 0.8 以上算顶级。
夏普 = (年化收益 - 无风险利率) / 年化波动率
怎么看：0.8以上 = 🏆 顶级（A股前10%）、0.5~0.8 = ✅ 不错、0.2~0.5 = 😐 还行、0.2以下 = ❌ 不如买国债
从赚最多的高点一路跌到最低点，中间亏了多少。回撤越小说明策略越抗跌，遇到股灾能扛住。
回撤 = (当前值 - 阶段最高值) / 阶段最高值
怎么看：-25%以内 = ✅ 优秀（跌得少睡得着）、-25%~-35% = 😐 一般、-35%以上 = ❌ 跟满仓跌停差不多
每个月调仓后，这个月赚钱的月份占了多少比例。62% 代表 10 个月里有 6 个多月是赚的。
胜率 = 赚钱月份数 / 总月份数 × 100%
注意：胜率高不一定赚得多——可能赚的时候只赚 1%，亏的时候亏 10%。所以胜率要和盈亏比一起看。
🧩 策略因子
「强者恒强」——过去涨得好的股票，未来继续涨。动量是 A 股最经典的因子之一。
动量 = (当前收盘价 - N个月前收盘价) / N个月前收盘价
mom1（1月动量）：上个月涨了 8%，mom1 = +8%。用来抓短期趋势。
mom3（3月动量）：近三个月涨了 15%，mom3 = +15%。中期趋势。
mom6（6月动量）：近半年涨了 25%，mom6 = +25%。长期趋势。
「跌多了会涨」——过去跌得越惨的股票，未来反弹越猛。A 股短期反转比动量还强。
反转得分 = -1 × mom（即上月跌幅越大，得分越高）
例子：茅台上月跌了 10%（mom1 = -10%），反转评分为 -(-10%) = +10%，说明它「跌出了反弹空间」。
为什么 A 股反转强：散户追涨杀跌情绪严重，跌过头了就会弹回来。
买「不折腾」的股票——过去波动越小的股票，未来风险调整后收益越好。A 股低波动策略长期有效。
波动率 = 标准差(过去 N 个月的日收益率) × 100%
lowvol3（3月低波）：长江电力近 3 月日波动 0.8%，全市场最低 5%。
lowvol6（6月低波）：用半年窗口算，过滤更严格，国有大行股优势更大。
为什么有效：妖股暴涨暴跌最后不赚钱，慢牛反而涨得稳。
衡量「热度」——最近成交量比平时放大了还是缩小了。换手率低的股票往往被低估，有安全边际。
换手率比 = 近5日平均换手率 / 近60日平均换手率
vol_ratio 低（反向因子）：换手率比 < 1 说明没人关注，可能是黄金坑。
vol_ratio 高：突然放量可能是资金进场，也可能是出货。
策略中一般用反向（低换手好）：没人买的股票跌够了。
价格站在均线上面还是下面。站上均线 = 趋势向上，站下均线 = 趋势向下。
价格/均线比 = 当前收盘价 / N日均线
price_vs_ma3（3月均线）：价格 > 60日均线 → 短期趋势向上。
price_vs_ma6（6月均线）：价格 > 120日均线 → 中长期趋势向上。
例子：某股 100 元，120日均线 90 元，比值 = 1.11（站上半年线 11%）。
🔬 数学模型
把不同股票的因子值拉到一个公平的尺度上比较。Z = 0 代表市场平均水平，Z = 1 代表比平均高一个标准差。
Z = (因子值 - 全体股票平均值) / 全体股票标准差
例子：全市场平均 ROE = 10%，标准差 = 5%。某公司 ROE = 20%，则 Z = (20%-10%)/5% = 2.0（比 95% 的公司都好）。
Z = 1 → 前 16%
Z = 0 → 平均水平
Z = -1 → 后 16%（差）
把多个因子按权重「揉」成一个数。每个因子先算 Z 值再加权，分数最高的股票就买入。
综合评分 = W1×Z(factor1) + W2×Z(factor2) + ...
例子（冠军策略）：评分 = -0.7×Z(mom1) + 0.3×Z(mom6)
茅台 Z(mom1) = -1.2（上月跌了），Z(mom6) = +1.5（半年涨了）。
评分 = -0.7×(-1.2) + 0.3×1.5 = 0.84 + 0.45 = 1.29 → 排名靠前，买入！
如果评分 < 0 → 不买。
衡量因子的「预测能力」——这个月选股的排名，在下个月是否真的赚钱了。IC 越高说明因子越准。
IC = 相关系数(因子排名, 下月收益率排名)
IC > 0：因子排名和收益正相关，选股有效。
IC < 0：因子反向有效（看反了）。
例子：反转因子的 IC = +0.49，说明上月跌得多的股票下月表现很好。
怎么看：IC > 0.1 就算不错，A 股通常 IC 只有 0.05~0.15。
🔄 回测相关
影响股票涨跌的「特征」或「信号」。比如 ROE（赚钱能力）、动量（近期涨跌）、低波（稳不稳）。
因子方向：↑ 越大越好（如 mom6 涨得越多越好），↓ 越小越好（如 mom1 跌得越多越好）。
每个月都在历史数据上「模拟」一次选股和调仓，看真实历史上这个策略能赚多少。
每月初：提取上月末因子数据 → 评分排序 → 买入前 N 只 → 持有到月底 → 下月重复
本系统的回测：2019年1月 ~ 2026年6月，每月初调仓，HS300/ZZ500 成分股中选前20%~30%。
机器学习模型——微软开源的梯度提升决策树框架，比 XGBoost 训练更快、内存更省。在月频 A 股回测中，简单因子（ROE、反转）表现远好于 LGB 模型。
本系统结果：LGB深树 +154.6% vs ROE(高) +393.4%。月频信号太少，ML 学不到有效模式。
回测中最常见的坑。如果算因子时不小心「看」到了未来的数据（比如用全样本均值和标准差算 Z 值），回测结果就会很好看但实盘完全不行。
本系统的做法：Z 值只用历史数据算（rolling z-score），当月评分只用到上个月为止的数据。确保实盘和回测完全一致。
把所有成分股都买一样多的钱，不看基本面不看价格，纯粹看平均表现。用来衡量「躺平不动」的基准回报。
等权收益 = (1/N) × Σ(个股收益)
N = 股票数量，每只股票月初分配同等市值，月底调仓
HS300 等权基准 (2019~2026)：总收益 +150.8%，年化 +13.2%，夏普 0.56。这是咱们系统里所有策略的对比基准线。
Tushare 是中国免费金融数据接口，但每周限制调用 15,000 次 API 请求。咱们系统的财务数据（ROE、毛利率等）全部通过 Tushare 拉取。
当前使用情况：13,916 / 15,000（92.8%），配额告急！token 有效期至 2026-06-26。