用 12 只股票复制一只基金，再多赚 3.3%

一个"基金复制+增强"的实战复盘 · 3 年真实数据回测 · 年化超额 +3.29pt · 信息比率 0.42

用 20 万本金，把一只基金的 30-40 只持仓浓缩成 12 只，既要像它，又要比它多赚一点。我们用 3 年真实数据回测了这件事，最后落地成一个每天 17 点自动跑的模拟盘。这篇把全部思路、参数、坑和真实数字摊开来讲。

一、为什么做这件事

朋友推荐了一只基金（下称"母基金"），过去三年年化 14.48%，最大回撤 -32%。收益不惊艳，但持仓分散、风格稳健，适合长线持有。

但直接买基金有三个不爽：

1. 看不到实时持仓 —— 季报一个月才披露一次，且只有 Top10
2. 费率叠加 —— 管理费 + 申购赎回费 + 销售服务费，年化吃走 1-2pt
3. 没法做仓位调整 —— 全部钱被锁在基金里，灵活性差

于是就有一个朴素的想法：

能不能用股票账户直接复刻这只基金的持仓？再顺便做点小增强？

如果能做到，省下的费率就是收益，外加 Alpha 增强就是"白送"的。下面就是把这件事完整做出来的全过程。

二、整体设计：从 30-40 只浓缩到 12 只

母基金典型持仓是 30-40 只股票，行业分散。直接复制全部持仓有两个问题：

• 资金量小（20 万），每只 5000 块，买不满一手（A 股 100 股起）
• 长尾持仓对收益贡献有限，很多票就是来"凑数"的

所以策略思路是：

从母基金 30-40 只持仓中精选 Top12，做稀疏复制 + 有限度增强。

核心优化目标

max   λ·αᵀw  −  (w − w_F)ᵀΣ(w − w_F)

三个变量：

• w：我们要的组合权重（12 只票）
• w_F：母基金的原始权重（30-40 只票）
• α：因子得分（动量 + 相对强度 + 波动率）

第一项：组合 α 加权得分（越高越好）
第二项：组合相对母基金的跟踪误差平方 TE²（越小越好）
λ：权衡参数，控制增强的强度

约束条件（实战硬约束）

三、λ：一个值得花整段讲的参数

λ 是整个策略里唯一需要在"像母基金"和"比母基金好"之间做权衡的旋钮。

λ 的实际意义

λ 怎么参与计算

每个信号日做两件事，λ 都参与：

第一步：选股

综合分数 = 母基金权重 + λ × α × 0.02

α 是横截面 Z-score（动量 0.4 + 相对强度 0.4 − 波动率 0.2）。λ=0.5 时，α 每高 1 个标准差，综合分数加 1pt。作用：只在边缘股票（母基金权重接近）时，α 决定谁入选。

第二步：配权（核心）

梯度 = 2Σ(w − w_F) − λ·alpha_scale·α
w_new = w − 0.08 × 梯度

alpha_scale = 平均日方差，把无量纲 Z-score 换到 TE² 同量纲，这是 λ 能在 0~1 间横向可比的关键。迭代 120 次或权重变化 < 1e-9 时收敛。

λ 网格搜索结果

我们在 2023-07 ~ 2026-09 的真实数据上把 λ 从 0.3 跑到 0.8：

λ=0.5 是真实最优。λ 太小，α 拉力不足；λ 太大，TE 上升、换手和摩擦成本把 α 吃光。

顺便验证股票数 N

N=12 是陡峭的局部最优。N 太多稀释 alpha，N 太少偏离母基金太多。

四、最容易踩的两个"假象坑"

坑 1：前视偏差（look-ahead bias）

我们最早的一版回测，跑出来的年化超额是 +5.95%，喜人。后来逐日对账发现问题：

# 错误写法（隐含前视）
整数股数 = 目标金额 // (当日收盘价 × 100) × 100

当日开盘成交的单子，股数却用当日收盘价估算——等于开盘前就知道今天会涨还是跌，这是隐性的信息泄漏。

修复后用当日开盘价直接估算：

# 正确写法
整数股数 = 目标金额 // (当日开盘价 × 100) × 100

修复后所有配置超额平均下降约 6.8pt。换言之，+5.95% 里有 6.8pt 是假超额，真实超额只有 3% 左右。

任何回测，先问一句：你这个数据，在那个时间点真的拿得到吗？

坑 2："自然现金缓冲是好事"的幻觉

A 股 100 股一手，目标 95% 仓位实际只能买到 70-80%。我们一度以为这是"免费的现金缓冲"，回撤更浅、波动更低。

修复前视偏差后再看：那 6.8pt 虚假超额恰恰主要来自这个现金缓冲——因为回测在涨的日子，"隐性少买"显得克制；跌的日子，"隐性少买"显得聪明。两者共同制造了"超额稳定"的假象。

修复后我们引入 fill_to_target=True（贪心填满到目标仓位），超额反而从 +2.60% 升到 +3.29%。

看上去稳健的"缓冲"，可能只是回测 bug 的副产品。

五、最终落地的配置

# 模拟盘固化的最终参数
n_stocks               = 12
lambda                 = 0.5
stock_exposure         = 1.0   # 2026-09-21 起由 0.95 上调；下表绩效为 95% 口径
min_weight             = 0.03
max_weight             = 0.15
industry_band          = 0.05
weight_drift_threshold = 0.04
relative_weight_band   = 0.02
alpha_affects_selection = True
selection_replacement_buffer = 0.0
fill_to_target         = True

3 年真实回测绩效

关键数字解读

• +3.29pt 真实超额：剔除所有前视偏差、含印花税/佣金/滑点、整数股约束
• 0.94 高相关：策略本质是"像基金但更好一点"，不是另起炉灶
• 30× 年化换手：每天检查信号，但 4% 漂移阈值+±2% 缓冲带让大部分日子不动
• 0.42 信息比率：超额不算巨大，但稳定

六、上线模拟盘

回测过了不算完，必须真实模拟跑一段时间。我们把策略包装成一个 Django 模块：

• 每晚 17 点 Jenkins 定时任务触发
• 用当日开盘价执行昨日信号，整数股、含滑点和佣金
• 收盘后记净值，生成次日信号
• 漂移不足 4% 不调仓，避免换手

页面包含：

• 回测验证区（月度收益率倒序、累计净值曲线）
• 当前模拟盘（净值、持仓、今日成交、信号）
• 实盘跟踪区（可随时录入实际成交）
• 对比看板（模拟 vs 实盘偏离）

模拟盘跑了几个交易日，净值曲线、交易成本、换手率都和回测对得上。数据和回测完全同源，时间序列严格无前视——这一点比多赚几个点更重要。

七、做完这件事，我学到的

1. 回测 80% 的价值在于排错
   前视偏差、幸存者偏差、未来函数、整数股、停牌、费率——每一个都能让"漂亮回测"变成"实盘翻车"。
2. 参数少一点，调得动
   整个策略真正的外部参数只有 N=12 和 λ=0.5。其他都是约束或阈值，不参与拟合。参数越少，越不容易过拟合。
3. 复刻+有限增强 > 完全自由
   完全自由选股的策略容易飘，复刻类策略有"锚"——母基金就是那个锚，你只需在它基础上 +3pt 就够。
4. 先问能不能落地，再问收益高不高
   20 万本金、A 股 100 股一手、印花税费率，这些约束不是细节，是策略本身。

八、最后一句话

这套策略我不会说它"能赚钱"。我只会说：它在 3 年真实数据上，剔除所有已知偏差后，比母基金多赚 3.29pt，年化 17.77%。

它现在每天晚上 5 点自动跑，每一笔成交都有台账。如果三个月后模拟盘还能维持这个超额，再谈实盘的事。

—— 写在一个普通的周五晚上