小市值WFA动态回测寻优策略
由bqtnziby创建，最终由bqtnziby 被浏览 5 用户
量化策略投资中，“参数拟合”是策略失效最大的陷阱。在回测阶段很惊艳，一到实盘就水土不服；或者把回测时间一改，绩效结果就惨不忍睹。所以如何降低“过拟合风险”尤为重要。
1.什么是WFA
WFA（Walk-Forward Analysis）即滚动前向分析，是一种动态回测方法，它模拟“真实投资决策流程”，通过“滚动训练+样本外测试”的循环，让策略参数不断适配市场变化，避免单一回测的“未来函数”和过拟合问题。
1.1 WFA的逻辑：拒绝上帝视角
传统静态回测会用全量历史数据优化参数（比如直接用2016-2024年数据找最优持股数和最优调仓时间），本质是“用未来数据指导过去决策”，存在严重的过拟合风险。而WFA的核心是：
（1）分段迭代：把整个时间周期拆分成多个“训练期+测试期”的滚动窗口，每个窗口独立决策。
（2）样本外验证：用“过去的训练期”优化参数，再用“未来的测试期”验证效果，完全模拟实盘时“只能用历史数据做决策”的场景。
（3）动态适配：每个滚动窗口的最优参数可能不同，策略能随市场结构变化调整，更贴近真实投资。
1.2 WFA实现步骤
总时间范围是2016-01-01到2024-12-31，训练期6个月、测试期3个月，具体步骤如下：
- step1:划分滚动窗口：第1个窗口（训练2016.1-2016.6，测试2016.7-2016.9）、第2个窗口（训练2016.10-2017.3，测试2017.4-2017.6……）直到覆盖全周期。
- step2:训练期参数优化：在每个训练期内，遍历备选参数（如持股数2-7只），通过回测找到“让训练期收益最高”的最优参数。
- step3:测试期效果验证：用训练期找到的最优参数，在对应的测试期做回测，记录真实收益（样本外收益）。
- step4:汇总与定参：统计所有测试期的参数表现，选出现频次最高的参数作为“最终策略参数”，用于全周期回测。
2.策略核心：选股逻辑
策略选股逻辑即为 小市值筛选优选+WFA优化
2.1核心因子：流通市值
为什么选择小市值？
（1）成长潜力高：小市值公司多处于业务扩张期，规模基数小，业绩增长弹性显著大于成熟大公司，容易实现快速成长带来的股价上涨
（2）估值修复：市场对小市值标的关注度相对较低，可能存在估值低估，一旦业绩改善或逻辑被验证，估值易向合理区间修复
（3）并购重组预期：小市值公司市值体量小，被并购整合的概率更高，重组事件往往能带来股价阶段性爆发
2.2选股交易流程
- STEP1：【基础筛选】非ST、非停牌，覆盖沪深北交所主板/创业/科创板，上市满365天（list_days > 365），市盈率TTM > 0（排除亏损股，确保基本面无重大问题）
- STEP2：【核心因子排序】按流通市值（float_market_cap）从小到大排序，聚焦小市值标的，捕捉成长弹性
交易规则
- 调仓频率：根据WFA优化结果决定调仓频率
- 持股数量：根据WFA优化结果决定
- 仓位分配：等权重分配
- 成本设置：买入佣金0.03%、卖出佣金0.13%（含印花税），最低5元/笔
2.3 WFA优化过程（双参数寻优）
我们对两个参数进行寻优：持股数量和调仓周期（其它参数同样可以按照这种方法寻优），在这个策略中，我们只为每个参数设置了5个遍历选项，分别为：
持股数量：3，4，5，7，10
调仓周期：3，5，7，10，15
（1）生成滚动窗口：把 2016-2024 年拆成多个 “6 个月训练 + 3 个月测试” 的窗口，规则前面介绍过了。
（2）遍历窗口，搜索最优参数：对每个拆分后的窗口，循环遍历所有 25 种参数组合（5 个持股数 ×5 个调仓天数）
a.对每组参数（比如持股 5 只、调仓 7 天），跑 “当前窗口训练期” 的回测；
b.以 “训练期最终净值（total_value）最高” 为标准，选出该窗口的 “最优参数”（比如这组参数训练净值最高，就选它）；
c.若某组参数回测失败（比如数据缺失），直接跳过，用默认参数兜底。
（3）记录并统计最优参数
（4）用最终参数跑全周期回测：用 WFA 选出的最终参数，跑 2016-2024 年全周期回测，验证参数在完整周期内的表现 —— 这一步是 “闭环验证”，确保参数不是偶然有效。
3.回测结果分析
回测时间为2016-01-01到2024-12-31
下面是WFA的代码实现：
https://bigquant.com/codesharev3/5c0d27b4-d10d-475a-b002-1f7e38164486
\