用回测检验想法：一次 SOXL 策略探索记录

引言：一个真实的投资困境

前置阅读与风险警告

本文涉及3倍杠杆ETF的交易策略。如果你对杠杆ETF的特性（波动损耗、极端回撤、情绪考验）还不熟悉，强烈建议先阅读《杠杆ETF波动率控制案例：用信号确认驯服市场野兽》。

杠杆ETF不适合新手。本文主角小策是一位有多年交易经验的投资者，他使用卫星仓位策略来管理高波动品种——即只用总资产的一小部分（如10-20%）来交易SOXL，核心仓位仍然是低波动的指数基金。请勿在没有完整风险管理体系的情况下模仿本文策略。

SMH与SOXL：母鸡与金蛋的关系

在开始之前，先理解两个核心标的的关系：

标的	全称	特性
SMH	VanEck Semiconductor ETF	1倍半导体ETF，追踪半导体行业，波动相对温和
SOXL	Direxion Daily Semiconductor Bull 3X	3倍杠杆半导体ETF，追踪SMH的3倍日收益

SOXL的价格走势由SMH驱动，但由于3倍杠杆的特性，SOXL的波动被极度放大。在驯服猛兽一文中我们学到：直接对杠杆ETF做技术分析是危险的，因为杠杆产品的价格充满噪音。正确的做法是：用非杠杆ETF（SMH）生成交易信号，执行于杠杆ETF（SOXL）。

这就是本文所有策略的核心设计原则。

小策的困境

这是一个真实的投资故事，主角叫小策。

小策持有嘉信账户中的SOXL，从去年的$7涨到了$61。上一波高点是$70然后一路跌到$7，现在又快接近前高了。更特殊的是，经过多轮操作，这些持仓的成本已经是负数——账面浮盈巨大。

困境来了：

"我是不是该设置一个自动止盈的点了？等它到$65卖出？或者回落$60卖出？还是看SMH的均线支撑？"

"之前$28就是止损出去的，后悔死了。现在又不知道该怎么办。"

这是高波动资产持有者常见的两难：价格变化会不断改变人的感受，而没有预先写下的规则，判断很容易随行情摆动。

本文记录的，是如何借助 AI 整理假设、再用策引回测逐一验证：经历三次假设、三次验证、三次推翻，最终留下一个更值得继续观察的规则方案。

这个过程说明了一个重要原则：直觉可能是错的，逻辑可能是虚的，回测数据至少提供了一个可量化的参照——尽管回测本身也受口径、过拟合、幸存者偏差等因素影响，不等于未来实盘结果。

第一幕：最初的尝试

两个简单的想法

与AI（Gemini）对话后，小策提出了两个最朴素的想法：

用MA20均线：SMH（半导体ETF）上穿MA20就买SOXL，下穿就卖
用MA200均线过滤：在MA200确认牛市的前提下，再看MA20信号

AI给出了专业的分析框架，但同时也诚实地说，这些只是逻辑推演，需要数据验证。

策引登场：第一次回测

小策决定用策引来验证这些想法。

第一版配置使用了传统的均线交叉（CrossAbove/CrossBelow）信号：

策略	买入条件	卖出条件
策略一	SMH CrossAbove MA20	SMH CrossBelow MA20
策略二	策略一 + SMH > MA200	策略一

回测结果（2018-2026，约8年）：

指标	策略一	策略二
总收益	+80%	+40%
CAGR	7.57%	4.28%
最大回撤	-79.24%	-71.93%
交易次数	125	104

第一次打脸：

策略二（MA200过滤）的收益反而更低
原因：需要同时满足 SMH > MA200 且 CrossAbove(MA20)，错过了很多入场时机
2025年：策略一赚+45%，策略二反而亏-16%

原先预期策略二能够避开熊市，但在该样本期回测口径下，它同时错过了相当一部分牛市行情。

第二幕：状态信号的觉醒

发现关键问题

仔细分析回测结果后，小策发现了问题所在：

"CrossAbove是瞬时事件——如果策略开始运行时，SMH已经在均线上方，这个条件永远不会触发。"

这就是状态(State)和事件(Event)的本质区别：

事件：价格穿过均线的那一瞬间
状态：价格在均线上方的持续状态

策引的原语优势

策引的 RelativeStrengthTransformer 可以用来表达这种状态判断：

RS = Price / MA × 100

RS > 100：价格在均线上方（持续状态）
RS > 101：价格有效站稳均线上方1%（带缓冲带）
RS < 99：价格有效跌破均线下方1%

关键优化：

用状态替代事件：RS > 101而非CrossAbove
增加缓冲带：避免在均线附近频繁切换
Lag确认机制：连续2天满足条件才触发卖出

第二次回测：惊人的逆转

重新配置后的策略二（MA200 + 状态信号 + Lag确认）：

指标	旧策略二	新策略二
总收益	+40%	+747%
CAGR	4.28%	30.39%
最大回撤	-71.93%	-69.62%
交易次数	104	14

9倍的收益提升。

关键发现：

交易次数从104次降到14次
持仓时间从887天增加到3555天
在本文样本中，减少反复进出明显改善了策略表现

这组结果说明：在本文样本里，频繁离场造成的损耗比预想中更大。但接近 70% 的最大回撤也提醒我们，高收益并没有消除杠杆产品的极端风险。

第三幕：非对称策略的诱惑与破灭

聪明的想法

看到策略二的结果后，小策和 AI 又讨论了一个更复杂的方案：既然 MA200 进场较慢、MA20 出场较快，能不能把两者结合起来？

非对称策略（Hybrid）的设计：

买入：RS_MA200 > 101 AND RS_MA20 > 100（大趋势+短期强势）
卖出：RS_MA20 < 99（趋势转弱即跑）

从设计意图看，它试图结合两种策略的优点：

MA200保证只在牛市进场
MA20保证一旦趋势转弱就快速离场

调整前的假设是：它或许能兼顾策略二的熊市过滤能力和策略一的回撤控制。

第三次回测：现实的毒打

回测结果：

指标	策略二(MA200)	策略三(Hybrid)
总收益	+747%	+131%
CAGR	30.39%	10.93%
最大回撤	-69.62%	-75.25%
交易次数	14	79

结果与预期相反：这组看似更周全的规则，反而是几组候选方案中表现最差的。

死因分析：

在大牛市中（如2020-2021或2023），价格经常出现3%-5%的急跌回踩，瞬间击穿MA20，然后迅速拉回创新高。

策略三的悲剧循环：

SMH回踩MA20 → 策略三吓得止损离场
SMH迅速反包拉升 → 策略三此时是空仓的
SMH重新站稳 → 策略三追高买回

每一次假摔都交出了筹码，然后在更高的位置接回来。对于3倍杠杆，这种低卖高买的磨损是致命的。

AI承认错误：数据无情地揭示了策略逻辑在真实市场中的边界。在3倍杠杆下，过度微操等于自杀。越花哨的逻辑死得越快，越纯粹的趋势活得越久。

第四幕：发现黄金平衡点

回撤的困扰

虽然策略二（MA200）收益最高，但小策仍有顾虑：MA200的回撤还是太大了。当熊市来临时，等跌破年线，SOXL可能已经跌了50%以上。有没有更好的平衡点？

MA50的登场

既然MA20太敏感，MA200太迟钝，那MA50会不会是刚刚好？

追加回测：

指标	S2(MA200)	S5(MA50)
总收益	+747%	+575%
CAGR	30.39%	26.77%
最大回撤	-69.62%	-65.55%
夏普比率	0.691	0.655
交易次数	14	34

关键发现：

MA50的回撤最小（-65.55%），比MA200少4个百分点
收益依然优秀（26.77% CAGR）
交易次数适中（34次，平均一年4次）

最后的尝试：MA200进场 + MA50出场

既然纯粹策略胜过混合策略，那MA200进场 + MA50出场呢？

策略六（The Compromise）：

买入：RS_MA200 > 101 AND RS_MA50 > 100
卖出：RS_MA50 < 99

回测结果：

指标	S2(MA200)	S5(MA50)	S6(Compromise)
CAGR	30.39%	26.77%	15.24%
最大回撤	-69.62%	-65.55%	-72.47%
交易次数	14	34	53

再次证明：复合条件不如单一均线。

终章：六种策略的完整对比

经过四轮迭代，我们最终形成了6种策略的完整对比：

策略定义

版本	策略名称	买入条件	卖出条件
S1	The Naked Trend	RS_MA20 > 100	RS_MA20 < 100
S2	The Filtered Trend	RS_MA200 > 101	RS_MA200 < 99 连续2天
S3	The Hybrid V2	RS_MA200>101 AND RS_MA20>100	RS_MA20 < 99
S4	The Dynamic	同S3	同S3 + 动态仓位
S5	Pure MA50	RS_MA50 > 101 连续2天	RS_MA50 < 99
S6	The Compromise	RS_MA200>101 AND RS_MA50>100	RS_MA50 < 99

核心业绩指标

策略	净值	CAGR	最大回撤	Sharpe	交易次数
S1 Naked Trend	1.80	7.57%	-79.24%	0.371	125
S2 Filtered Trend	8.47	30.39%	-69.62%	0.691	14
S3 Hybrid V2	2.31	10.93%	-75.25%	0.417	79
S4 Dynamic	10.29	33.58%	-80.38%	0.700	1*
S5 Pure MA50	6.75	26.77%	-65.55%	0.655	34
S6 Compromise	3.13	15.24%	-72.47%	0.469	53

*S4为动态仓位策略，交易次数仅统计进出场次数。实际仓位在持有期间随RS值连续调整（30%-100%），但不触发离场交易。

⚠️ 注意：即便是表现最优的策略，最大回撤仍在-65%至-80%区间。这是杠杆ETF的结构性风险，而非策略失效。

年度收益分解

年份	S1	S2	S3	S4	S5	S6
2018	-50%	-47%	-25%	-31%	-29%	-48%
2019	+135%	+99%	+77%	+146%	+76%	+95%
2020	+13%	+69%	+92%	+50%	+96%	+140%
2021	-14%	+117%	-6%	+117%	+22%	+16%
2022	-65%	-64%	-62%	-65%	-58%	-59%
2023	+133%	+147%	+82%	+150%	+119%	+128%
2024	-10%	-12%	-12%	-14%	-9%	-32%
2025	+45%	+85%	+9%	+63%	+86%	+16%

关键发现：颠覆直觉的真相

发现一：复合条件是陷阱

对比	S2(单一MA200)	S3(MA200+MA20)	S6(MA200+MA50)
CAGR	30.39%	10.93%	15.24%
交易次数	14	79	53

增加条件不等于增加收益。在3倍杠杆下，多一个条件就多一个被洗出去的机会。

发现二：钝感力是核心竞争力

S2策略8年只交易14次，却实现747%收益。它的秘诀是：对短期噪音视而不见，只响应真正的趋势转折。

发现三：缓冲带的重要性

S3最初无缓冲带（RS>100买/RS<100卖），CAGR仅3.7%；加缓冲带（RS>101买/RS<99卖）后提升到10.9%。

±1%的缓冲带，效果提升3倍。

发现四：MA50是黄金平衡点

MA20太敏感：125次交易，7.57% CAGR
MA200太迟钝：14次交易，但回撤-70%
MA50刚刚好：34次交易，26.77% CAGR，最小回撤-65.55%

实战落地：从回测到行动

结合持仓现状

小策的特殊情况：

持有271份SOXL，成本为负
抗回撤能力强（已经大赚）
不能容忍踏空（已经在车上）

最终决策

短期战术（券商条件单）：

监控SMH与MA50的关系
只要SMH > MA50，死拿不动
跌破MA50时清仓保护利润

长期战略（策引组合监控）：

进场信号：跟踪S2（MA200），未来只在牛市大背景下开仓
出场信号：跟踪S5（MA50），中期趋势破坏后带走利润

复盘后留下的候选方案，是用 MA200 观察长期趋势、用 MA50 观察中期趋势变化。它只是本文样本中相对值得继续跟踪的组合，不代表未来仍然最优。

极简版：不想读完整回测的读者看这里

如果你暂时不想深入每组参数，至少先区分三件事：

MA50 只是本文测试的一条历史规则，不是确定的买卖答案；
SOXL 的杠杆损耗和极端回撤不会因为使用均线而消失；
回测中的组合仓位与真实账户仓位不是一回事。

本文的回测只能说明：在所选样本和参数下，较简单的规则胜过了几组更复杂的候选方案。它适合用来缩小研究范围，不能直接替代真实账户决策。

策引的核心价值：从这个故事中学到什么

1. 原语策略的强大表现力

我们在对话中随口提出的复杂逻辑：

连续2天确认 → Lag原语
状态而非交叉 → RelativeStrengthTransformer
MA200过滤下的MA50出场 → And逻辑组合

只要想法能够用现有原语表达，就可以放进统一的回测流程里比较。

2. 极速证伪与去魅

如果没有先做同口径比较，小策可能会直接采用看起来更周全的 Hybrid 策略，并在 2023—2025 年的震荡样本中反复进出。回测让这种交易特征在真实使用前就暴露出来。

这是一类需要警惕的执行风险，但具体结果仍取决于所选规则、样本和真实交易条件。

策引在这里的价值，不是替用户选出必赢方案，而是尽早暴露一些看似合理、历史表现却不理想的规则。

3. 数据驱动的决策信心

AI 可以帮助整理假设，券商提供真实交易工具，策引则负责记录规则并比较历史结果。三者的作用并不相同。

小策最终没有继续凭盘中感受反复改变标准，而是把 MA50 作为一条候选规则持续观察，因为它已经经过同口径的历史比较。

这种睡得着觉的底气，是数据给的。

4. 人机协作的标准范式

这个案例展示了一个完整的闭环：

实际困境 → AI整理假设 → 策引回测验证 → 结果不支持原假设 →
修正规则 → 再次回测 → 比较差异 → 留下候选方案

AI 适合帮助整理假设，策引适合把假设放进历史数据中检验；两者结合的价值，是让每次调整都有数据记录可回看。

5. 如何复现这个探索过程

本文中小策使用的AI是Gemini，但你完全可以用任何大语言模型来复现这个探索过程。如果你想把探索过程公开留痕，可以在 Discord 社区的 thread 里用 /lab new 跑实验，用 /c2i review 和 /c2i explain 复盘，改了什么、结果如何全部自动记录（AI 策略实验室 / 加入 Discord）。

方式一：使用策引AI助手（Chat2Invest）

策引内置的AI助手Chat2Invest已经了解原语策略的完整文档，可以直接帮你：

将自然语言策略描述转化为原语配置
分析回测结果并提出改进建议
解释策略失败的原因

方式二：使用任意大模型（Claude、ChatGPT等）

如果你更习惯使用其他AI工具，可以这样做：

将原语策略文档分享给AI
用自然语言描述你的策略想法
让AI生成原语策略配置
在策引中创建组合并回测验证

核心理念：原语策略 = 策略的乐高积木

原语策略系统的设计理念是声明式而非过程式——你不需要写代码，只需要描述什么条件买、什么条件卖。这意味着：

AI友好：结构化的JSON配置让AI能准确理解和生成策略
快速迭代：一个假设从提出到验证只需要几分钟
检验直觉：逻辑上说得通的方案，也要经过同口径比较

本文先后比较了三组假设。AI 帮助整理规则，策引负责按统一口径回测；结果几次都与调整前的直觉不同。

这就是AI + 原语策略组合的真正价值：快速实验、快速证伪、快速进化。

6. 谁适合这种决策模式

这套AI + 回测的决策范式不是万能的。在你投入时间之前，先确认自己是否适合。

适合的人：

已经有持仓，需要解决「什么时候该卖」的问题
能接受结果不支持原假设，并愿意放弃表现不理想的规则
追求过程确定性，而非追求每次都抓住最高点
愿意花几个小时换来未来几年的安心

不适合的人：

想要别人直接告诉你「今天买什么」
不愿意接受回测结果与直觉相悖
希望AI替自己承担决策责任
追求刺激感，享受频繁交易的快感

如果你属于后者，这篇文章对你没有价值。但如果你属于前者，这套方法可能会改变你的投资决策方式。

原语实现参考

S2: The Filtered Trend（收益最高）

核心配置：

{
  "market_indicators": {
    "indicators": [{ "code": "SMH" }],
    "transformers": [
      {
        "name": "smh_rs_ma200",
        "type": "RelativeStrengthTransformer",
        "params": { "indicator": "SMH", "reference": "ma", "window": 200, "field": "Close" }
      }
    ]
  },
  "trade_strategy": {
    "indicators": [
      { "id": "threshold_buy", "type": "Constant", "params": { "value": 101 } },
      { "id": "threshold_sell", "type": "Constant", "params": { "value": 99 } }
    ],
    "signals": [
      {
        "id": "rs_above_101",
        "type": "GreaterThan",
        "inputs": [
          { "market": "SMH", "transformer": "smh_rs_ma200" },
          { "ref": "threshold_buy" }
        ]
      },
      {
        "id": "rs_below_99",
        "type": "LessThan",
        "inputs": [
          { "market": "SMH", "transformer": "smh_rs_ma200" },
          { "ref": "threshold_sell" }
        ]
      },
      {
        "id": "rs_below_99_yesterday",
        "type": "Lag",
        "params": { "periods": 1, "fill_value": 0 },
        "inputs": [{ "ref": "rs_below_99" }]
      },
      {
        "id": "rs_below_99_confirmed",
        "type": "And",
        "inputs": [{ "ref": "rs_below_99" }, { "ref": "rs_below_99_yesterday" }]
      }
    ],
    "outputs": {
      "buy_signal": "rs_above_101",
      "sell_signal": "rs_below_99_confirmed"
    }
  }
}

原语链条：

SMH价格 → RelativeStrengthTransformer(MA200) → RS值
    ↓
RS > 101? → 买入信号
    ↓
RS < 99? → Lag(1天) → And → 卖出信号（连续2天确认）

S5: Pure MA50（风控最优）

与S2的关键差异：

使用MA50而非MA200
买入也增加了2天确认机制

{
  "transformers": [
    {
      "name": "smh_rs_ma50",
      "type": "RelativeStrengthTransformer",
      "params": { "indicator": "SMH", "reference": "ma", "window": 50, "field": "Close" }
    }
  ],
  "signals": [
    {
      "id": "rs_above_101",
      "type": "GreaterThan",
      "inputs": [
        { "market": "SMH", "transformer": "smh_rs_ma50" },
        { "ref": "threshold_101" }
      ]
    },
    {
      "id": "rs_above_101_yesterday",
      "type": "Lag",
      "params": { "periods": 1, "fill_value": 0 },
      "inputs": [{ "ref": "rs_above_101" }]
    },
    {
      "id": "buy_confirmed",
      "type": "And",
      "inputs": [{ "ref": "rs_above_101" }, { "ref": "rs_above_101_yesterday" }]
    }
  ],
  "outputs": {
    "buy_signal": "buy_confirmed",
    "sell_signal": "rs_below_99"
  }
}

附录

A. 完整配置文件

配置文件使用说明

以下配置文件是策引策略引擎内部完整的投资组合配置，包含了原语策略定义、资金策略、标的物等完整信息。

如何在策引平台上使用这些策略：

创建原语策略组合：访问策略组合创建页面
- 仅复制配置文件中 strategy_definition 部分的内容
- 粘贴到"交易策略定义"区域
- 必须删除 capital_strategy 字段（该字段仅供参考，在创建时通过界面选择对应的资金管理策略即可）
- 其他配置项无需复制，在创建投资组合时通过界面配置
理解策略逻辑：访问原语策略可视化编辑器
- 将 strategy_definition 粘贴到编辑器中
- 可视化查看策略的指标、信号和逻辑关系
- 支持在线调试和修改策略参数
选择资金管理策略：在创建投资组合时，根据配置文件中的 capital_strategy 类型，在界面上选择对应的资金管理策略（如固定金额、固定比例、再平衡等）

⚠️ 重要提示：直接复制完整配置文件可能导致策略无法正常工作或产生意外行为。请严格按照上述步骤操作。

SOXL/SMH策略完整配置（6个版本）：

下载配置文件

B. 在线回测链接

策略版本	组合链接	年化收益	最大回撤
S2 Filtered Trend	查看组合	30.39%	-69.62%
S5 Pure MA50	查看组合	26.77%	-65.55%

C. 关键原语说明

原语	作用	本案例用法
`RelativeStrengthTransformer`	计算价格相对于均线的强度	RS = Price/MA × 100
`Lag`	将信号序列向后移动N天	实现连续N天确认
`And`	逻辑与运算	组合多个条件
`GreaterThan` / `LessThan`	阈值比较	生成买卖信号
`LinearScaleWeight`	线性映射到仓位	动态仓位控制(S4)

D. 风险提示

本文所有策略仅供研究和教育目的，不构成投资建议。

杠杆ETF的特殊风险：

波动损耗：震荡市中会产生永久性亏损
极端回撤：所有策略的最大回撤都在-65%至-80%之间
流动性风险：极端行情下可能出现流动性问题

在实盘交易前，请务必：

充分理解杠杆ETF的风险特征
根据自身风险承受能力调整仓位
永远不要投入超过你能承受损失的资金

结语

这个下午，我们没有发明新的数学公式，只是借助 AI 整理问题，再用策引反复检验不同规则，把一段纠结变成了可回看的策略实验。

最终的答案既简单又深刻：

对于3倍杠杆，钝感力就是核心竞争力
少做比多做更赚钱
数据会打脸直觉，但也会给你信心

这就是策引在这类探索中的作用：把交易灵感变成可以回测和持续观察的规则记录。

本文回测区间为2018年1月至2026年1月21日（最近交易日）。回测使用历史真实数据，过往表现不代表未来收益，投资有风险，入市需谨慎。

引言：一个真实的投资困境​

SMH与SOXL：母鸡与金蛋的关系​

小策的困境​

第一幕：最初的尝试​

两个简单的想法​

策引登场：第一次回测​

第二幕：状态信号的觉醒​

发现关键问题​

策引的原语优势​

第二次回测：惊人的逆转​

第三幕：非对称策略的诱惑与破灭​

聪明的想法​

第三次回测：现实的毒打​

第四幕：发现黄金平衡点​

回撤的困扰​

MA50的登场​

最后的尝试：MA200进场 + MA50出场​

终章：六种策略的完整对比​

策略定义​

核心业绩指标​

年度收益分解​

关键发现：颠覆直觉的真相​

发现一：复合条件是陷阱​

发现二：钝感力是核心竞争力​

发现三：缓冲带的重要性​

发现四：MA50是黄金平衡点​

实战落地：从回测到行动​

结合持仓现状​

最终决策​

极简版：不想读完整回测的读者看这里​

策引的核心价值：从这个故事中学到什么​

1. 原语策略的强大表现力​

2. 极速证伪与去魅​

3. 数据驱动的决策信心​

4. 人机协作的标准范式​

5. 如何复现这个探索过程​

6. 谁适合这种决策模式​

原语实现参考​

S2: The Filtered Trend（收益最高）​

S5: Pure MA50（风控最优）​

附录​

A. 完整配置文件​

B. 在线回测链接​

C. 关键原语说明​

D. 风险提示​

结语​