A股申万二级行业轮动 · 纯行业数据版

零、入口路由（使用者只丢一句模糊的话，先读这里）

> 完整版（六段可直接复制的 prompt、消歧细则、各链出图清单）见 references/入口路由与模块化交付.md。

默认交付形态：Markdown 正文 + PNG 图 + 表格（图文并茂）。默认不出 PPT——只有使用者明确说「做成 PPT / 出一份周报 / 要宣讲」才升级形态（行业轮动结论按周滚动，PPT 生命周期只有一周）。语言：禁比喻、禁口号、不出现「你」；缩写首现给一句话定义。

判定优先级：具体行业名（R5）→ 动作词（复现 R1 / 择时 R4）→ 「后市/大盘」兜底 R2 → 无法判定就直接问一句，不要猜。

R2 / R3 / R4 读同一批数据、只是叙事顺序不同（R2 自上而下 / R3 自行业而外 / R4 只切时机），因此三者若同时出现「最新一周名单」，排名、区制、数据截止日必须完全一致——这是防口径漂移的检查点。

每周前置刷新（R2–R5 共用，跑一次）：python refresh_l2_daily.py --dry-run 预检 → 正式刷新 → 再出结论。数据闸门：三个关键源（个股 K 线 / 申万一级指数 / 市场流动性）末点差异 ≤ 3 个交易日，否则停（末点不一致 = 最大静默故障，区制会缺尾周且不报错）。

两个引擎的边界：本 skill = 申万二级行业轮动（买哪个行业）；ashare-industry-top10-enhance = 申万一级行业内部 Top-10（这个行业里买哪十只）。两者独立运行、互不替代。

一句话说明

这是一套 long-only 周频行业轮动策略，不做空、不对冲、不做个股选股，因子从行业指数数据构建。本包只提供代码、不内置数据——需先用 MCP 拉齐数据，再跑完整回测。

> 复现路径（主推 B 档）：完整复现 基线（S1.32 / WFO 1.41） 走 B 档（完整个股聚合）——用通达信/腾讯自选股 MCP 拉量价+财报+估值+利率（全公开数据，无需自备 API），跑 scripts/build_l2_panel_from_stocks.py。拉数手册见 references/数据获取指南.md（逐源命令 + 常见问题与解决），构建流程见 references/个股聚合构建流程.md。A 档（纯行业版，参考读数 S1.27 ~ 1.37）数据需申万官方二级指数快照、MCP 拉不到同口径，仅作参考。

策略内核：量价反转选行业 + 毛利增速锚景气（仅 Bull 腿） + 估值/波动定仓位 + 区制门控切腿。

什么时候用

• 搭建/复现一套完整的行业轮动策略，但只有行业指数数据（第三方数据源只给行业指数）；
• 想理解一套"因子 → 信号 → regime → 风控 → 回测"的完整轮动框架；
• 想在框架上引入自己的新因子做增量验证（见「如何引入新因子」）；
• 想把周频策略扩展到月频/季频（见「月线/季频实现」）；
• 需要每周行业推荐 + 上线后持续跟踪样本外净值；
• 需要对任意申万一级/二级行业做择时定位与下钻看图（六态/▲买点/族共振），作为每周推荐的主观补充（§5.2）。

一、策略与因子构建（把问题讲清楚）

1.1 数据流全景

l2_daily_factors（二级行业日频面板: ret_1d + turnover；由个股日频**等权聚合**而成）
        │  按 ISO 周聚合
        ▼
周频面板（131 行业 × ~650 周: ret_w, turnover_w, nav）
        │  从 nav 算动量/反转
        ▼
原始因子（mom_4w/8w/12w/52w, rev_12w/8w, turnover_rev, mom_skip）
        │  截面 rank → z
        ▼
合成信号（sig = 区制门控[动量 vs 反转];  sig_gp = sig + 1.75*gp[仅Bull]）
        │  失效调仓选 Top-10 行业（`weight_mode='risk_parity'`：52 周协方差 + λ=0.3 对角收缩）
        ▼
组合收益（扣成本）→ vol targeting → ERP 择时 → 最终净值

1.2 因子怎么构建（核心）

第一步：日频 → 周频

行业指数日收益 ret_1d 累乘成周收益 ret_w = (1+ret_1d).prod()-1；换手率取周末快照 turnover_w。再从周收益反推行业净值 nav = (1+ret_w).cumprod()。

第二步：从净值算动量/反转

任意 horizon N 周的动量 = nav / nav.shift(N) - 1，反转 = 负动量。本策略用 4/8/12/52 周四档：

第三步：截面 rank → z

每个因子在每周末按"131 个行业"横截面做 rank 转 z（cs_rank_z，NaN 保持 NaN）。截面 rank 消除行业间量纲差异，把因子统一到可比尺度。

第四步：区制门控合成信号

• 市场 regime 分 Bull / nonBull（构造见 §1.3），用 regime_lag1（上周状态）决定本周买哪条腿，防前视。
• pure_rev（反转腿）= 0.125*rev_12w_z + 0.125*rev_8w_z + 0.75*turnover_rev_z —— 反转腿里缩量占主导（3/4 权重）。
• ★ 为什么价格反转是 12w + 8w 两档（对研报信号的分解检验）：研报给的「反弹确认」定义为当日收益 − 前 40 日累计，周频化为 reb = mom_1w − mom_8w，直接叠加 Sharpe 1.19→1.24，看似真增量。由 rev_8w = −mom_8w 可得 reb = mom_1w + rev_8w，拆成三个形态分别检验：单窗口 rev_12w(0.25) S1.19 / WFO 1.07 → 双窗口版（rev_12w + rev_8w 各半）S1.22 / WFO 1.11 → 再叠加 mom_1w S1.24，但 WFO 回落 1.09。⇒ 增量来自 8 周反转窗口本身，不是研报的「反弹确认」（mom_1w 拖累样本外），故取双窗口版。权重 1:1 不是挑峰值——w8 ∈ {0.10, 0.125, 0.15} 的 WFO 同为 1.11（一片平原），取 1:1 只为少一个自由度。稳健性检验：三窗口 12+8+26 反而退化（WFO 1.04）；分年非单年主导（2018 唯一负年 −1.20）；滞后 1 周衰减 6.0%、前视检验 1.22→0.43（PASS）；0~30bp 成本下 Δ 恒 +0.03。行业层增量 rev_8w = +0.069（常规熊市段 +0.204）。
• ★ 差分型信号的前视审计盲区：reb 这类和差型信号在人为引入未来收益时，fwd_1w 会在差分中自我抵消、退化成 −cum7w（纯反转）。实测前视 Sharpe：rev_12w 单独 0.49、rev_12w + reb 0.63（反而更高）、rev_8w 单独 −0.02、mom_1w 单独 4.07。⇒ 和差 / 差分因子必须拆开单独验证，不能只看审计是否 PASS。
• sig = Bull ? mom_skip_z : pure_rev —— 牛市追稳趋势，非牛市买超跌缩量。
• sig_gp = sig + 1.75 * gp_z（仅 Bull 腿加 gp）—— 景气度只在趋势向上时有效。

第五步：失效调仓选 Top-10（risk_parity 加权）

不是每周全换，而是带"最小持有期 T=2 周 + 置换阈值 dZ=0.5 + 失效卖出 z_fail=-0.5"的路径依赖调仓：持仓行业在最小持有期内强制持有，之后若信号没跌破失效线就保留（加置换加成），只在空出的槽位用最高信号补齐。这样降换手、留趋势。

1.3 市场 regime（区制）

全行业等权驱动（零个股依赖）：

trend = 0.5 * 全行业等权净值52周动量 + 0.5 * 12周动量
vol   = 全行业等权周收益 20 周波动
liq   = 全行业换手率均值
raw   = 0.55*trend_z − 0.25*vol_z + 0.20*liq_z   （expanding z, minp=2年）
Bull  = raw ≥ expanding 70% 分位

逻辑：趋势强 + 波动低 + 流动性好 → Bull。expanding z 只用 t 及之前（防弱前视），Bull 占比约 32%。

> ★ 区制口径（两套，别混用对账）：
> - A 档（common.py 的 build_regime）：上面的简化版——全行业等权三因子（trend/vol/liq）+ expanding z / expanding 70% 分位。这是「当期信号」默认口径：严格无前视（只用 t 及之前）、自适应当前市场。代价是与 基线历史数字对不齐。
> - B 档（build_l2_panel_from_stocks.py 的 build_regime）：完整四态区制（Bull/Trans/Bear/BearSev，基于 HS300 八特征 + 市场流动性）+ train 固定口径（2014-2019 定 μ/σ 与 70%/30% 分位）。这是「复现基线历史数字（S1.32/WFO1.41）」用的口径，能逐年对账；但参数是 2019 年定格的事后值，属弱前视，到 2026 已陈旧 7 年。
> - 对账铁律：拿「A 档当期信号（expanding）」去对「基线的 1.32」是三重错位（区制复杂度 + 区制参数 + 收益口径），必然对不上。要逐年对账走 B 档 train 固定；要出干净当期信号走 A 档 expanding。
> - B 档 区制逐周对账坑（实跑逐周 99.19% 吻合后固化）：★ADX 是 SMA（rolling(70).mean()）不是 Wilder、liq_amt_pct 用 rank(pct=True)、vol_80/atr_80 用 train 期 80% 分位、广度数据源差异（5 周类别边界倒挂、仅 1 周切腿）。完整清单见 references/个股聚合构建流程.md §7.1。

1.4 风控两层（择时层，非选股层）

1. ERP 估值分位：ERP = 全A盈利收益率(1/PE) − 10Y 国债，expanding 分位 → 周频序列，shift(1) 后乘仓位。便宜（高分位）多配，贵（低分位）少配，躲阴跌熊。
2. vol targeting：26 周波动 → 目标 22% 年化波动，w = (22%/σ)^2，clip[0.4, 1.0]，shift(1)。波动放大时降仓。

1.5 实测数字

2014-2026，扣 5bp，Top-10：

> ★ 1.32 这组数字是「基线数据源（通达信/腾讯全A量价）」的样本内回测结果。用不同数据源（第三方平台指数、个股后复权价）复现，绝对绩效会不同——这是数据环境差（成分股快照、复权口径、缺失日处理），不是实现差。对账只认同源区间，不用其他数据源的数字对 1.32 判「复现失败」。
>
> 随包流程实测（同代码、数据快照不同）：全样本 Sharpe 1.27 / 年化 22.6% / MaxDD −21.1% / 净值 12.27x / WFO 1.13 / 单边换手 15.3% / 前视衰减 6.7% PASS。与基线读数差 0.05 个 Sharpe、0.28 个 WFO，属数据环境差而不是实现差（换手率在同源区间逐位一致、区制逐周吻合 99.84%）。因此验收看结构不看某一位数字——验收线见 复现手册.md §15。
>
> 两档差异（WFO 1.41 vs 0.98）来自收益口径：B 档用个股等权行业收益，A 档用申万官方指数（市值加权），两者相关仅 0.74（已实测）。
>
> 注：refresh_l2_daily.py 提供的是个股等权聚合版 A 档面板（官方指数 MCP 拉不到时的替代构造，收益口径同 B 档），用它跑 A 档脚本实测 S≈1.26 / WFO≈0.87，与上表 A 档行（官方指数派生）的读数不同。两版是同一契约文件的两种构造方式，不可互相判「复现失败」。
>
> ★ 收益源跳变污染（实测）：区制层 四态区制 逐周对齐 99.19%（HS300+流动性，不碰行业收益，不受污染影响）、组合层同构可交付；但某些平台的申万二级指数有 42 处「单日 |ret|>20% 且不回撤」跳变污染（虚增年化 6~7pp），用平台行业指数前必须验跳变，有污染就换个股层合成等权净值。详见 上手说明.md §二/§六。

职责划分（信号展示层与绩效复现层不混用）：

> 两者是不同对象：信号展示层出「当期信号」，绩效复现层出「回测绩效」，两者不混用。样本外跟踪（oos_track）对的是同口径的样本内；回测（reproduce/build）对的是回测基线。

★ 换手率是反转腿的唯一发动机（实测敏感性）：去掉换手率，Sharpe 1.27→0.98（−22.6%）、WFO 0.97→0.73（−24.6%）；仅保留换手率反而 S1.42——价格反转整体相对纯换手率是稀释，故组合中缩量占主导（0.75）、价格反转合计只占 0.25。注意区分两句话：价格反转整体稀释换手率 alpha ≠ 两个窗口无分工——rev_8w 相对 rev_12w 单窗口是真增量（对研报信号的分解检验：S 1.19→1.22、WFO 1.07→1.11，见上文「为什么价格反转是 12w + 8w 两档」）。

分年 13 年中 2018、2023 为弱势年。

1.6 已知边界（避免不切实际的预期）

• 拐点不可预测：ERP + vol 已是"降仓"最优解，"牛市踏空"是"降仓换回撤"的必然代价。
• 52-12 动量 horizon 不是最优：反转甜点是 8 周，52 周价格动量几乎无 alpha（动量靠 gp 景气）。
• 时序标准化无增量：行业内"相对自身历史位置"的信息已被截面 rank 捕获。
• 动量崩溃不可预测：强趋势行业的下跌不能用滞后量价可靠预警。
• 低频行业轮动天花板：行业轮动月频 S0.66、周频 S0.79（一级行业），二级行业周频才破 1。
• 收益源跳变污染：某些平台的行业指数有「单日 |ret|>20% 且不回撤」的跳变（实测 42 处，虚增年化 6~7pp），不是行情、是数据 bug。用平台行业指数前必须验跳变，有污染就换个股层合成等权净值。

二、数据契约（不内置，自己导数据）

本 skill 不内置数据。数据落盘在 data/ 目录（或设环境变量 SECTOR_ROTATION_DATA_DIR 指向别处）。

> ★ 文件名是代码的读取契约，不是基线的私有资产。build_l2_panel_from_stocks.py / common.py 按固定文件名与目录结构读取（差一个字符即报「缺数据」，不会猜测），因此下表契约名必须原样使用。但同名 ≠ 同源——契约只约束「文件名 + 必需列」，数据从哪个接口拉、放在哪个盘、文件叫什么，全部由使用者自定（zone3 / zone0 是历史编号，无语义，仅因脚本写死而保留）。做法是：用自有的数据源，把这 8 类数据落盘成同名文件。

B 档（主推）8 个数据源 —— 逐源拉取命令 + 常见问题与解决见 references/数据获取指南.md：

数据缺失时，build_l2_panel_from_stocks.py 会逐个列出缺哪些文件并指向导数据手册，不报晦涩的 traceback。

大势研判层（R2/R4 用）额外要的 5 个派生缓存 —— 无需另行准备，脚本自己从契约数据现算：六维面板（market_vision.py）除上面 8 类契约数据外，还要 5 个日频缓存（涨跌家数 / 成交集中度 / 换手率中位数 / 一级行业成交额 / 一级行业等权日收益）。这 5 个不列进契约——build_vision_caches.py 会从 stock_kline + industry_map_full 现算（一次全历史约 3 分钟），market_vision.py 在缓存缺失时自动调用它，使用者无感。唯一不在契约数据内的是宏观月频（PMI / 社融脉冲 / M1−M2），需另拉，缺失时 M 维自动降级、不报错。

A 档（l2_daily_factors.parquet，由个股 K 线聚合生成）：common.py 读它，它是由个股日频 K 线等权聚合成的 131 个二级行业日频面板（date/industry/ret_1d/rev_60d/mom_252d/mom_20d/mom_skip/turnover/n_stock），生成与刷新脚本为 scripts/refresh_l2_daily.py（口径：个股层算因子 → 每列 1%/99% winsorize → 按行业等权 mean）。

> ⚠️ 它不是「申万官方二级行业指数」（旧文档措辞有误）：官方指数是市值加权、只有 OHLCV，补不出行业换手率；本面板是个股等权、含行业换手率。两者实测日频相关仅约 0.2（周频会更高），不可互换。

刷新这个文件不需要任何 MCP 调用——输入全是本地文件（个股 K 线 + 换手率 + 映射）。见 §5.1 的 refresh_l2_daily.py。

2.1 打包分发（refresh_data.py）

把代码与文档打成 zip（自动排除 data/ 下的数据文件，只含代码与文档）：

cd scripts
python refresh_data.py --zip <版本号>

三、复现步骤

3.1 环境

• Python ≥ 3.8，依赖仅 pandas、numpy、scipy（matplotlib 可选，用于画图）。

3.2 复现步骤（B 档，完整复现）

# 1. 按 references/数据获取指南.md 拉齐 7 个必需数据源（+估值可选），放进 data/
#    （或设环境变量 SECTOR_ROTATION_DATA_DIR 指向自备数据目录）

# 2. 对账：先只产面板，核对行数/覆盖/换手率
cd scripts
python build_l2_panel_from_stocks.py --build-only

# 3. 跑完整回测
python build_l2_panel_from_stocks.py

预期输出：S1.32 / 年化 22.3% / MaxDD −23.8% / WFO 1.41 / 前视审计 PASS（衰减 13.7%）（通达信/腾讯全A量价口径），并落盘 l2_factor_panel_rebuilt.parquet。数据缺失时脚本会逐个列出缺哪些文件。

3.3 复现核对清单（拿到面板后逐项确认）

四、持续跟踪样本外净值（上线后的关键，A 档配套）

回测数字是在全样本上选参数的结果，只有上线后逐周积累的"真·样本外"才能检验策略是否有效。交付口径的硬门槛 = 样本外 Sharpe 破 1。

每周五收盘后三步

cd scripts
# 1. 拿本周 Top-10 持仓
python weekly_recommend.py --top 10

# 2. 查到这 10 个行业本周的指数收益，算等权均值 = 组合周收益
#    在 oos_ret.csv 追加一行（格式 yw,ret_w，ISO 周如 2026-38）：
#       echo "2026-38,0.0050" >> oos_ret.csv
#    也支持明细格式（每行 yw,industry,ret_w），脚本自动按周等权聚合

# 3. 更新净值图
python oos_track.py

oos_track.py 输出 nav_oos_track.png：样本内（红色，2014→上线）+ 样本外（蓝色，上线后逐周），并在分隔线处标出最新样本外净值。

判断标准

• 8~12 周后做第一次正式对照：样本外 Sharpe 是否落在回测 WFO 的置信区间内（A 档口径约 0.97，B 档约 1.41，均为通达信/腾讯全A量价）。
• 样本外 Sharpe 持续 < 0.5 → 警惕策略失效或数据口径错位（样本外收益口径必须与回测一致：行业指数周收益、等权）。

> ★ 职责划分（信号净值与回测绩效不混用）：oos_track.py / weekly_recommend.py 走「当期信号」口径（出 Top-10 + 仓位），reproduce.py / build_l2_panel_from_stocks.py 走「完整回测」口径（含失效调仓 + vol + ERP）。两者是不同对象，对账时只拿同口径比：样本外 vs 样本内（同 oos_track），回测 vs 回测（同 reproduce/build）。见 §1.5 职责划分表。

五、每周行业推荐（weekly_recommend.py，A 档配套）

python weekly_recommend.py --top 10 --out weekly_rec.csv

输出最新一周的：regime 状态（Bull/nonBull）、ERP 仓位分位、Top-10 行业表（排名/sig_gp/所属腿/关键因子），以及每个行业"为何可买"的分腿说明：

• 反转腿（非 Bull）：买"超跌 + 缩量无人问津"的行业——rev_12w/rev_8w（过去 12/8 周跌得多）+ turnover_rev（换手率低）。逻辑：跌过头 + 没人关注 = 错杀修复。
• 动量腿（Bull）：买"52 周强势且近 4 周没暴涨 + 景气好"的行业——mom_skip = mom_52w − mom_4w + gp（毛利增速）。逻辑：趋势自我强化 + 基本面景气。

> 注意：推荐是"展示层"信号，不代表择时建议。它回答"按策略此刻该买哪 10 个行业、为什么"，不回答"大盘该不该加仓"——后者由 ERP 分位 + vol targeting 决定。

5.1 自动化调度（每周五收盘后自动出推荐）

推荐流程本质是"刷新数据 → 出推荐 → 追加样本外净值"三件事，前两件可以全自动，第三件视数据源而定。核心是顺序：weekly_recommend.py / oos_track.py 读的是 l2_daily_factors，所以调度里第一步必须先把它刷新到最新周五，否则出的是旧持仓。

5.1.1 数据刷新：refresh_l2_daily.py（零 MCP 调用）

l2_daily_factors.parquet 是个股日频等权聚合的产物，所以它的刷新是纯本地重算，不消耗任何 MCP / Choice / EmQuant 配额：

① 个股 K 线刷新（唯一需要联网的环节；已有断点续传机制，注意限流）
        ↓  本地文件落盘后
② python refresh_l2_daily.py     ← 纯本地，18 秒，零配额
        ↓
③ python weekly_recommend.py --top 10 --out weekly_rec.csv

# 先干跑（预检各源新鲜度 + 比对历史，不写文件）
python refresh_l2_daily.py --dry-run

# 正式刷新（预检 → 重算 → 原子落盘 → 历史比对）
python refresh_l2_daily.py

脚本会打印每个输入源的「最新日期」与待补区间；输入全部是本地文件：
stock_kline/stock_kline_YYYY.parquet(close + turnover) + industry_map_full.parquet(l2)。

> ★ 已知性质（须知）：winsorize 用的是全样本 1%/99% 分位，每新增一段数据
> 分位会微调 ⇒ 被 clip 的极端值微调 ⇒ 历史行业均值出现 ~1e-4 量级漂移（集中在股灾等极端日）。
> 实测刷新 09-04→09-30 后，重叠期 638 个可比周里 632 周（99.06%）的 Top-10 名单完全一致，
> 不一致的 6 周各差 1 个行业（全在 2015/2018 极端行情周），sig_gp 截面相关 0.99999857。
> ⇒ 刷新不会让基线回测结论失效，但历史数字并非逐位可复现，对外引用时以最新刷新为准。

> ⚠️ gp 依赖的 official_sw_l1_daily_2014_2026.csv 要放在数据目录根：
> 该文件（一级行业指数日线，31 列）用于把财报可用日对齐到交易周。缺了不会报错，只会静默降级为无 gp
> （sig_gp 在 Bull 腿少掉 1.75×gp_z 那一项）。补数走 EmQuant csd（31 个指数一次调用）
> 或 westock kline pt018xxxxx（批量，分批重试），量极小；补完记得同步到数据目录。

调度的三种挂法（把 refresh_l2_daily.py 放在 weekly_recommend.py 之前即可）：

方式 A：Linux/macOS cron（每交易日收盘后，周五为主）

# crontab -e  追加（周五 17:00，A股已收盘 + 数据源已落盘）
0 17 * * 5 cd /path/to/skill/scripts && \
  python refresh_l2_daily.py && \
  python weekly_recommend.py --top 10 --out ../output/weekly_rec.csv && \
  python oos_track.py >> ../output/cron.log 2>&1

要点：refresh_l2_daily.py 随 skill 提供（scripts/，零 MCP 调用），必须排在 weekly_recommend.py 之前；--out 用固定文件名每周覆盖，想留历史就改成 weekly_rec_$(date +\%Y\%W).csv（crontab 里 % 必须转义成 \%）。

方式 B：Windows 任务计划程序

schtasks /Create /TN "SectorRotationWeekly" /TR "python C:\path\to\skill\scripts\weekly_recommend.py --top 10 --out C:\path\to\output\weekly_rec.csv" /SC WEEKLY /D FRI /ST 17:00

方式 C：WorkBuddy 自动化（本环境内最省事）

在对话里一句话创建一条每周五 17:00 触发的循环自动化，把任务内容写全（刷新行业指数到最新周 → 跑 weekly_recommend.py 出 Top-10 并落盘 → 跑 oos_track.py 更新净值图），结果每周自动推送。无需自己维护 cron/计划任务。

半自动的一步——样本外净值追加：oos_track.py 依赖 oos_ret.csv，需要"这 10 个行业本周的指数收益等权均值"。如果数据源能直接取行业指数收益，写个小脚本自动聚合后 append 即可全自动；否则就半自动（调度只出推荐，周末查一次收益补一行 yw,ret_w，再跑 oos_track.py）。判断标准见 §四。

5.2 择时下钻（timing_drilldown.py，主观补充）

> 定位边界（先读这个）：择时下钻是 基线的「人工风控眼镜」，不进 信号公式——它回答"这个行业现在处于什么位置、有没有超跌买点"，不改变"该买哪 10 个"。参数（8 日迟滞、VR>1 分档）是在 30 个一级行业上定标的，搬到 131 个二级行业未重定标、不承诺统计显著性。把它当结构化看盘工具，不要当统计信号。

三种模式：

python timing_drilldown.py                  # 默认：本期 Top-10 时序图 + 31 一级行业状态总表
python timing_drilldown.py --l1 医药生物    # 一级下钻：该一级大图 + 下属全部二级网格
python timing_drilldown.py --l2 中药Ⅱ      # 二级下钻：单一二级完整时序

指标怎么读：

> ★ 为什么没有"磨底型买点"（预注册验证否决，不再重复验证）：位置型抄底（pos_s 极低 + 新低衰减 + 波动收敛）在 131 个二级行业上负期望——未来 20 日正收益占比仅 41%~54%（接近抛硬币），而▲的跌速极端共振（K_MOM==4）达 64.7%。▲的精度 100% 来自"跌速极端 z≤−1 共振"，不是位置、不是止跌。另有行业早期成分股极少（如医疗美容 2014-2018 仅 1 只），z 序列失真，属数据病非判据病。

数据依赖（比因子回测少一个字段）：

• 择时部分（--l1/--l2/一级总表）只需 stock_kline（close + amount）+ industry_map_full；
• 本期 Top-10（默认模式）需完整 B 档数据，缺则自动跳过 Top10、只出择时图（明确提示）；
• 口径：ret_1d = 个股日收益等权均值、amt = 个股成交额求和——与 周频情绪面板 一级行业择时面板同源同口径；个股日收益剔除 close≤0 坏点 + |ret|>0.2（停牌复牌错位假跳变，如 2015 停牌股复牌 +898%）。

每周固定跑（接在 5.1 的调度里）：数据刷新后 python timing_drilldown.py 一次即可，产物为 timing_l1_overview.png（一级总表）+ timing_top10.png（Top10 时序）。看图顺序建议：先一级总表找"吸引力分高 + ▲ 触发"的一级 → 下钻该一级的二级网格 → 交叉核对 Top10 名单的六态位置（Top10 若落在顶部右侧，属趋势持仓而非抄底，风控含义不同）。

六、因子实验台：在存量数据上测试 / 挖掘 / 替换因子

> 这一章回答一个高频问题：我把数据拉齐、面板建好了，怎么用它试自己的因子，或者替换掉本包这 5 个因子（rev_12w / rev_8w / turnover_rev / mom_skip / gp）？ 闭环三步：算 → 评 → 替。

6.1 三步闭环

核心原则：单因子 IC 只是初筛，最终价值 = 替换后组合 Sharpe / WFO / 前视衰减的增量。IC 高 ≠ 组合增量——两个因子截面相关低，不代表它们选出的行业不同，先查重叠度。

6.2 因子在哪算（两个入口）

B 档（主推，自备数据）：build_l2_panel_from_stocks.py 的 build_l2_factors() 已经算好基础因子，周频面板 wk 自带这些列可直接用：

新因子 = 在这个 wk 上加一列（industry × yw 粒度），只用 t 及之前数据。示例——"换手率 8 周变化"（量能边际）：

def build_l2_factors():
    ...
    wk = wk.sort_values(['industry', 'yw'])
    # 新因子：换手率的 8 周变化（放量/缩量的边际，而非水平值）
    wk['dturnover_8w'] = wk.groupby('industry')['turnover'].transform(lambda s: s.diff(8))
    return wk

A 档（有官方行业指数快照时）：factor_registry.py 里写 func(wk) -> Series 并 register()（自动接截面 rank-z，见 6.4）。

6.3 先评估：factor_lab.py（单因子初筛）

# 1. 产出带新因子的面板（在 build_l2_factors() 里加了新列后）
python build_l2_panel_from_stocks.py --build-only

# 2. 评估单因子（默认读 l2_factor_panel_rebuilt.parquet）
python factor_lab.py --factor dturnover_8w
python factor_lab.py --factor rev_12w --factor turnover_rev --factor my_factor

输出解读（判断基准）：

6.4 再替换：改合成（两个入口的具体位置）

B 档（build_l2_panel_from_stocks.py）——三处：

# ① build_l2_factors() 末尾：新因子列已经加上（见 6.2）

# ② main() 的截面 z 列表（约 417 行）：把新因子名加进去
for f in ['rev_12w', 'rev_8w', 'turnover_rev', 'mom_skip', 'gp', 'dturnover_8w']:
    p[f'{f}_z'] = p.groupby('yw')[f].transform(cs_rank_z)

# ③ 合成公式（约 420 行）：反转腿把 0.25 的份额重新分配，塞进新因子
p['pure_rev'] = (CONFIG['rev_w'] * 0.4 * p['rev_12w_z']
                 + CONFIG['rev_w'] * 0.3 * p['rev_8w_z'].fillna(0.0)
                 + CONFIG['rev_w'] * 0.3 * p['dturnover_8w_z']
                 + (1 - CONFIG['rev_w']) * p['turnover_rev_z'])

然后 python build_l2_panel_from_stocks.py 跑完整回测，对比替换前后的 Sharpe / WFO / 前视衰减。

A 档（factor_registry.py）——注册 + 改权重（自动接 rank-z，不碰 common.py）：

def _f_dturnover_8w(wk):
    wk = wk.sort_values(['industry', 'yw'])
    return wk.groupby('industry')['turnover_w'].transform(lambda s: s.diff(8))

register('dturnover_8w', _f_dturnover_8w, leg='reversal', desc='换手率8周变化')

# 反转腿加权重（份额重新分配）
REVERSAL_WEIGHTS = {'rev_12w': 0.10, 'rev_8w': 0.10, 'dturnover_8w': 0.05, 'turnover_rev': 0.75}

6.5 挖掘方向清单（存量数据能派生出什么）

从面板已有的 mom_*w / turnover / ret_w / vol_20w 出发，可低成本派生：

已证伪、别重复（长记忆里的物理结论）：筹码 / 机构资金流 / 一致预期 dFY（行业级归零）、时序标准化位置因子（0 增量）、强趋势崩溃预警（AUC 0.61 太弱）、52-12 动量 horizon 寻优（反转甜点 = 8 周）。

6.6 三条铁律（加因子前必查，防前视 + 防假增量）

1. 前视审计：新因子只用 t-1 及之前数据；收益用 fwd_1w（shift(-1)）。加完因子跑完整回测，看内嵌审计"滞后 1 周衰减"是否 <15%。
2. 截面 rank 而非原始值：因子进合成前自动 cs_rank_z。绝对值型因子（成交额/大单净流入）是规模混淆，先归一化再测。
3. 看增量而非绝对值：新因子价值 = 组合 Sharpe / WFO 的变化，不是单因子 IC。IC 高但选行业重叠时叠加常是负增量——先查 Jaccard 重叠度。

七、月线 / 季频行业轮动如何实现

当前框架是周频。改成月频/季频，本质是"重采样 + 三个参数联动调整"，不是简单 resample('M') 了事——信号 horizon、失效调仓周期、vol 窗口必须一起改（信号 horizon 和持仓周期不匹配会锁死 alpha）。

7.1 月频改法（三步）

1. 重采样：把 load_industry_weekly() 的周频聚合改成月频。yw 键换成 year-month（如 '2014-01'），ret_w 改成 ret_m = (1+ret_1d).resample('M').prod()-1，turnover_w 取月末快照。
2. 信号 horizon 换月：mom_52w→mom_12m（12 个月动量）、mom_4w→mom_1m、rev_12w/rev_8w→rev_3m/rev_2m。即所有"周数"除以 4.33。
3. 失效调仓 + vol 参数：T=2（周）→T=1（月）；vol_win=26（周）→vol_win=12（月）；wfo_split 换成月份格式。

7.2 季频改法

同上，但 horizon 换成季度：mom_52w→mom_4q、rev_12w→rev_1q，vol_win→vol_win=8（8 个季度），T 保持 1（季）。

7.3 ⚠️ 必须知道的天花板（不要抱过高期望）

已有实证：行业轮动的 alpha 集中在周频。一级行业月频天花板 S0.66、周频 S0.79；二级行业周频才破 1。月频/季频换来的只是"更低的换手、更省心的调仓"，代价是 Sharpe 显著下降（低频错过短周期反转）。所以：

• 月频/季频适合低换手、低跟踪成本的变体，不适合追求高 Sharpe；
• 改完必须重跑 reproduce.py 的前视审计 + WFO，确认衰减 <15% 且样本外没崩。

八、文件清单

数据口径铁律（已内嵌）：信号 t-1、regime lag1、收益 fwd_1w = shift(-1)、ERP shift(1)、截面 rank nan_policy='omit'、年化用几何 CAGR nav^(52/N)。

本 skill 由 WorkBuddy 撰写，所有数字可由 reproduce.py 复现。