2. 案例1

在行业轮动策略中，动量因子是最常用的打分维度之一：把各行业过去一段时间的涨幅排序，买入排名靠前的行业，定期换仓。看起来逻辑简单，但真正落地时，几乎所有人都会先遇到一个参数：回看窗口长度。用20个交易日、60个交易日还是120个交易日计算动量，会直接改变行业排序，进而改变持仓、换手和最终收益。本案例要处理的，正是"参数只动了一点点，回测曲线却像换了一个策略"这种典型现象。

先明确一个参照约定：本节所有动量都定义为区间收益率，即回看窗口末收盘价除以窗口初收盘价减一，数值越大表示动量越强，排序时降序取前N个行业。窗口长度以交易日为单位，全文与图示保持一致。

现象：一条平滑曲线旁边的"锯齿"

假设我们构建了一个最简行业轮动策略：以某行业指数池（示例取28个申万一级行业，数据为教学假设）为标的，每月最后一个交易日调仓，按动量因子降序取前5个行业等权持有，交易成本单边万分之五。固定其他条件，只把回看窗口从20日逐步增加到120日，步长5日，得到21组年化收益。

如果策略稳健，这21个点应该连成一条平缓的曲线——窗口长短只带来温和的收益衰减或提升。但实际常见的情况是：窗口取55日时年化收益约14%，取60日时骤降到3%，取65日又回到12%。相邻两个参数只差5个交易日，年化收益却相差11个百分点。这种"尖刺"就是参数敏感性的直观信号，它提示我们：策略的表现可能高度依赖某个特定窗口恰好捕捉到的几段行情，而不是依赖动量逻辑本身。

上图是本节的核心诊断工具：以回看窗口为行、调仓频率为列，把年化收益填进格子里形成热力图。它比单条曲线更有信息量，因为可以同时观察两个参数维度的交互。图中用红色虚线框标出了两处典型敏感区：60日窗口在月频下收益骤降到3.2%，而相邻的40日和80日都在12%以上；120日窗口在双周频下只有4.8%，相邻的100日和140日却分别是14.4%和9.9%。这种"孤立低谷"比"整体偏低"更值得警惕，因为它说明策略在某组参数上恰好踩空了关键行情。

为什么会剧变：排序翻转与持仓断层

参数微调导致收益剧变的机制，通常不是因子计算本身出错，而是行业排序在临界点附近发生翻转。动量排序是一个离散选择过程：只要两个行业的动量值接近，窗口稍作变化就可能让它们的名次互换。如果互换发生在第5名和第6名之间，持仓就会换掉一个行业；如果这个行业恰好是后续涨幅最大的，收益就会明显偏离。

可以用一个简化的教学示例说明。假设某月末，行业A和行业B的动量值如下：20日窗口下A为8.2%、B为7.9%，A排第5、B排第6，策略买入A；把窗口改成25日后，A变为7.1%、B变为7.6%，名次互换，策略改买B。若下个月B上涨12%、A上涨2%，仅这一个持仓差异就带来约2个百分点的组合收益差（等权5只，单只权重20%，收益差10个百分点，贡献2个百分点）。一个月如此，多次累积就形成曲线上的尖刺。

更隐蔽的情况是持仓断层：某组参数下前5名行业高度集中于同一风格（例如都是周期股），而相邻参数下前5名分散到多个风格。这时组合的风险暴露发生质变，收益差异不再来自选股，而来自风格押注。热力图上表现为整行或整列的颜色突变，而不是单个格子。

参数稳定性检验：三步定位问题

识别敏感性不能只看一条曲线，建议按以下顺序做稳定性检验。

第一步，邻域扰动测试。对每个候选参数，取其上下各2个步长的邻域，计算邻域内收益的极差和标准差。以60日窗口为例，邻域为50、55、60、65、70日，若这5个值的年化收益极差超过8个百分点，就标记为敏感参数。这个阈值不是绝对的，可按策略换手和目标波动调整，但必须有明确标准，否则"感觉还行"无法复现。

第二步，排序稳定性度量。在每个月末，记录不同窗口下前5名行业的名单，计算名单重合度（交集数量除以5）。若某窗口与其邻域的平均重合度低于60%，说明排序本身不稳定，收益剧变只是表象。重合度是比收益更前置的指标，因为它不依赖后续行情，能更早暴露问题。

第三步，分段一致性检验。把回测区间切成若干段（例如按年度），分别计算每组参数在各段的收益排名。稳健参数应在多数分段中都处于中上位置，而不是靠某一年的极端行情拉高整体。若某参数的总收益很高但只在一年里领先，其余年份垫底，基本可以判定为过拟合。

热力图诊断的实操细节

热力图不是画出来好看就行，几个细节决定它能否真正用于判断。第一，颜色映射要固定：所有格子用同一套收益到颜色的映射，且最好以0为中性色、正收益偏暖、负收益偏冷，避免每组参数各自归一化导致视觉误导。第二，格子要标数值：颜色只提供直觉，判断跳变幅度必须看数字，相邻格差值超过阈值时用边框标出。第三，行列顺序要按参数单调排列，不能按收益排序，否则敏感区会被打散，看不出邻域关系。

在实现上，用Python的pandas做参数网格扫描即可：外层循环窗口长度，内层循环调仓频率，每个组合调用一次回测函数，把年化收益、最大回撤、换手率一起存入结果表，最后用透视表转成矩阵。示例伪代码如下，参数与数据均为教学假设：

windows = range(20, 145, 5)      # 回看窗口，交易日
freqs = ['W', '2W', 'M', '2M', 'Q']  # 调仓频率
results = []
for w in windows:
    for f in freqs:
        ret = backtest(momentum_window=w, rebalance=f,
                       top_n=5, cost=0.0005)
        results.append({'window': w, 'freq': f,
                        'ann_ret': ret.annual_return,
                        'mdd': ret.max_drawdown,
                        'turnover': ret.turnover})
grid = pd.DataFrame(results).pivot(
    index='window', columns='freq', values='ann_ret')

得到矩阵后，除了画热力图，还应计算一个简单的敏感度指标：对每一行求相邻列的收益差绝对值之和，再对每一列求相邻行的差绝对值之和，两者都大的区域就是二维敏感区。这个指标可以直接排序，帮助快速锁定需要人工复核的参数组合。

结果判读与处置

发现敏感区后，不要急着"换一组好看的参数"。正确的处置顺序是：先确认敏感区是否由少数几个调仓日的排序翻转造成，回看那几个月的行业动量值和持仓名单；再检查是否存在数据问题，例如某行业在窗口边界附近有停牌、分红除权未复权，导致收益率计算异常；最后才考虑参数本身是否合理。若确认是排序临界翻转，可以采取两种改进：一是对动量值做平滑（例如取多个窗口动量的均值或排名平均），降低单一窗口的偶然性；二是设置缓冲区，排名前5买入、跌出前8才卖出，减少临界点附近的频繁换手。

需要强调的是，参数稳定性检验的目的不是找到一个"最优参数"，而是判断策略的收益是否来自可重复的逻辑。如果一组参数在邻域内表现平稳、名单重合度高、分段胜率稳定，即使它的绝对收益不是网格里最高的，也更值得作为主参数。反之，网格里那个孤立的最高点，往往正是过拟合最典型的伪装。