1. 课程导入
在多数策略系统中，权重往往被当作一组静态参数：研究员在历史回测中寻找一组“最优权重”，然后把它固化到实盘。但真实市场并不会长期停留在同一种状态里。趋势、震荡、高波动、低流动性、政策冲击、情绪极端，这些状态会交替出现，而同一组权重在不同状态下的表现差异可能非常巨大。本课程的核心命题是：策略权重不应是常数，而应是市场状态的函数。本章作为导入，将明确学习目标、厘清核心概念，并给出全课程的整体框架。
一、学习目标
完成本课程后，你应当能够独立完成一套“市场状态驱动策略权重切换”系统的设计、实现与评估。具体目标包括：
- 识别市场状态：掌握趋势、震荡、高波动、危机等状态的量化定义方法，理解状态识别的滞后性与噪声问题。
- 构建权重映射：能够把状态信号转化为子策略权重，理解硬切换、软切换与混合切换的差异。
- 控制切换风险：掌握切换频率、换手成本、信号确认与平滑机制的设计原则。
- 评估切换效果：能够用分层回测、状态归因和滚动评估判断权重切换是否真正创造增量。
- 避免常见陷阱：识别过拟合、状态定义未来函数、切换抖动、样本外失效等典型问题。
一句话概括本课程：不是寻找“最好的策略”，而是寻找“在当前市场状态下最合适的策略组合权重”，并让这套映射在样本外依然稳健。
二、核心概念
在进入实战之前，需要统一几个关键概念。它们贯穿全课程，也是后续代码与回测的语义基础。
| 概念 | 含义 | 典型示例 |
|---|---|---|
| 市场状态 | 对市场行为模式的一种离散或连续刻画 | 趋势上涨、趋势下跌、区间震荡、高波动危机 |
| 状态信号 | 用于判断当前状态的观测量或模型输出 | 均线斜率、ADX、波动率分位、成交量变化 |
| 子策略 | 系统中可独立运行的策略单元 | 动量策略、均值回归策略、低波红利策略 |
| 策略权重 | 分配给各子策略的资金比例或风险预算 | 动量0.6、均值回归0.3、现金0.1 |
| 权重切换 | 根据状态信号调整权重配置的过程 | 趋势确认后提高动量权重 |
| 切换成本 | 因调仓产生的交易费用、冲击成本与机会成本 | 手续费、滑点、频繁调仓的净值磨损 |
其中，市场状态与策略权重之间的映射关系，是本课程要解决的核心对象。它可以形式化表示为：
weight_t = f(state_t, risk_budget, constraints)
其中：
state_t : 第 t 期识别出的市场状态
risk_budget : 总风险预算或目标波动
constraints : 权重上限、换手约束、流动性约束
weight_t : 第 t 期各子策略的目标权重这个公式看似简单，但每一个环节都充满工程细节：状态如何定义、信号是否滞后、映射是否稳定、约束是否合理、成本是否可控。课程后续章节将逐一展开。
三、整体框架：四层结构
为了让知识可落地，本课程把整套系统拆成四层。下面的SVG展示了从市场数据到最终权重输出的核心链路。
四层结构之间不是单向流水线，而是带有反馈的闭环。状态识别会影响权重映射，权重执行的结果又会通过评估反馈修正状态定义与映射参数。理解这一点，可以避免把系统做成“一次性调参”的静态模型。
四、案例场景：同一组策略，不同状态下的差异
假设你有两个子策略：动量策略M和均值回归策略R。在趋势市场中，M表现突出；在震荡市场中，R更具优势。如果始终采用固定权重0.5/0.5，会出现什么结果？
- 趋势阶段：M贡献大部分收益，但权重只有一半，整体收益被稀释。
- 震荡阶段：R表现较好，但M可能反复止损，拖累组合。
- 切换阶段：若不能及时调整，组合会经历“该赚的没赚够、该躲的没躲开”的双重损耗。
而状态驱动权重的思路是：当趋势状态被确认时，提高M权重；当震荡状态被确认时，提高R权重；当危机状态出现时，降低总仓位或提高现金权重。这样做的目标不是每次都判断正确，而是让组合在大概率正确的状态下获得更高的风险暴露，在不确定状态下主动收缩。
提示：状态驱动不等于频繁交易。好的切换系统往往在状态确认后才行动，并通过平滑与约束降低无效换手。切换频率本身就是一个需要优化的变量。
五、常见误区与复盘视角
在正式进入方法细节前，先列出初学者最容易踩的坑。这些误区会在后续章节反复出现，提前建立警觉有助于少走弯路。
- 用未来函数定义状态：例如用当日收盘后的数据判断当日状态，再用于当日权重，回测会严重高估。
- 状态划分过细：把市场分成十几种状态，每种状态样本极少，映射参数极易过拟合。
- 忽略切换成本：回测中不计手续费和滑点，实盘时收益被频繁调仓吞噬。
- 权重映射过于激进：状态一变就全仓切换，导致净值剧烈波动，甚至买在高点卖在低点。
- 只评估总收益：不按状态归因，无法判断收益究竟来自状态判断还是运气。
- 样本外失效：在历史数据上表现优异，但状态定义依赖特定历史区间，换一段数据就崩溃。
警告：状态驱动策略的最大风险不是“判断错状态”，而是“状态判断与权重调整同时过拟合”。如果状态定义和权重参数都在同一段数据上优化，样本外表现通常会很差。后续课程会给出滚动窗口与分层验证的具体做法。
复盘时，建议从三个问题入手：第一，当前状态识别是否滞后？第二，权重切换是否带来了真实的增量收益？第三，切换成本是否在可接受范围内？这三个问题分别对应状态层、映射层和执行层，也是本课程后续章节的主线。
六、本章小结与学习准备
本章完成了课程导入：明确了学习目标，统一了市场状态、状态信号、子策略、策略权重、切换成本等核心概念，给出了“数据与特征—状态识别—权重映射—执行与风控”的四层框架，并通过动量与均值回归的案例说明了固定权重的局限。同时，列出了未来需要警惕的典型误区。
在进入下一部分之前，建议你准备好以下基础：能够读取和处理时间序列数据；了解基本的回测流程；熟悉至少一种编程工具（如Python）；对波动率、均线、回撤等指标有基本认识。课程后续将围绕状态定义、权重映射、切换控制与评估验证逐步展开，每一章都会给出可操作的参数、代码片段与复盘清单。
记住本课程的核心立场：权重是状态与风险预算的函数，而不是历史最优解的复制品。只有把状态识别、权重映射、执行约束和评估反馈连成闭环，策略权重切换才可能从“看起来很美”走向“样本外可用”。