阶段9WorldQuant BRAIN●●●●●

换手过高的降速带：平滑的三种手法

我的掌握程度：

q-810精讲

先掌握这个答案

三手法：①ts_decay_linear(x,n)：近n日线性加权平均——时序平滑的主力；副作用：信号滞后（反应慢n/2天）；②排名滞后/分层截断：只交易排名剧变者（rank变化>阈值才换仓）——保头部、弃边缘；副作用：组合边缘股票陈旧化；③调仓降频：信号日频算、隔k日执行——最粗暴也最有效；副作用：信号在两次调仓间衰减（尤其短周期因子）。扫窗口：对n∈{3,5,10,15}各提一次，画「n-Turnover-Fitness」三列——Fitness峰值处即最优（不是Turnover最低处！）。过度平滑警报：Sharpe随窗口增大而显著下降（信号钝化）、Fitness与Sharpe同降（已过峰值）——见好就收。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

成本必须按成交口径计算

声明换手是单向还是双向，是否有单笔最低佣金、卖出税费、借券利息和期货展期。成交价差、冲击与资金占用不能混为一个固定常数；对费率和参与率做压力测试。

本阶段实战方法 · 用实验记录把竞赛变成研究成果

参加BRAIN或金融预测比赛时，把平台成绩和可迁移的研究能力分别评价。

先阅读当前赛题数据、时间戳、评分、提交限制与使用条款；门槛以平台当期规则为准。
每次只改变一个假设，记录数据版本、公式、参数、seed、本地验证、提交分数和尝试次数。
固定验证后总结失败案例、成本敏感性和复现步骤，产出别人能核查的项目报告。

使用边界

Public榜不是最终测试集，反复围绕它调参会产生选择偏差。
平台Alpha达标不代表可直接实盘，也不等于通过招聘或获得稳定收入。

不懂的术语：股票（Stock）因子（Factor）

背景 · 从一个困惑说起

裸量价信号的Turnover动辄60-80%——平台限70%，机构限得更狠。降换手不是简单「少交易」，是在保住信号的前提下给变化率踩刹车。三种手法各有代价曲线。

由此产生的问题

三种平滑（时序decay/横截面滞后/调仓降频）的机制与副作用？怎么扫出「平滑窗口的最优值」？过度平滑的警报信号？

核心概念

为什么需要它

①换手是量价Alpha的第一税：机构研究员日常的三分之一时间在做「降换手不降信号」——平台用Turnover线逼你提前修炼；②「滞后-稳定」权衡的普遍性：任何信号处理都面临（均线如此、ML预测平滑如此、组合缓冲带如此）——一通百通；③净收益的直接来源：换手减半≈成本减半≈净超额直接+2-4%——平滑是「不挖新因子也能增收」的少数手段。

实际应用场景

标准动作：decay(5)起步→扫{3,5,10}→若还高：叠加调仓隔日→仍高：检查信号本身是否太「快」（用周频特征替换日频特征）。

与之前知识的联系

q-803（Turnover闸门）的攻关手册；q-809（三板斧）第二斧的展开；q-056（阶段1换手×成本）的工程落地；q-035（阶段1均线）是同思想的古典版。

⚠ 常见误解

平滑窗口越大越好：过峰值后信号钝化——Fitness的U型与q-715正则的U型同构（所有「约束」都有甜蜜区）
降换手就是隔几天调仓：粗暴降频丢信息最快——decay保留权重渐变，通常优先；调仓降频作兜底
换手达标就万事大吉：还要看平滑后Sharpe/Fitness是否同步恶化——三指标是联动的，单点达标不等于整体合格

🤖 AI导师

导师会先检查你的前置知识（Turnover门槛、decay概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。