# Alpha 优化：按失败原因做实验

仅依据 2026 新帖整理。先保存原表达式、完整 settings、PnL、所有检查原值，再一次改变一个结构问题。优化目标应包括收益、成本、稳健性和组合增量，不能只追求过线。总框架来源：[普通 Alpha 到顶级 Alpha 的优化执行手册](https://support.worldquantbrain.com/hc/en-us/community/posts/42549574041367)（2026-08-07）。

## 诊断顺序

| 观察 | 先检查 | 可比较的处理 | 停止信号 |
| --- | --- | --- | --- |
| PnL 平坦或突然断崖 | 字段停更、覆盖、缺失和常数 | 有限回填、更新频率检查 | 新近没有有效数据 |
| Weight concentration | 有效股票数、稀疏组、极值 | 数据修复、尾部处理、适当平滑 | 指标改善只因缩小了样本 |
| 换手高、margin 低 | 信号时效和收益来源 | decay、hump、事件触发 | 换手降但收益与稳健性同步崩溃 |
| Robust/Sub-universe 失败 | 规模、流动性、地区分层 | 针对机制的分组和中性化对照 | 只有精确分界或参数能过线 |
| Ladder/近年弱 | 分段 PnL、极端年份和单股 | 尾部压缩、机制更新 | 依赖旧年份利润或单一事件 |
| SC/PC 高 | 同族结构、字段和已有池 | 先结构/数据换源，再少量变体 | 多轮微调仍处同一高相关簇 |

这是建议顺序，不是固定平台公式。

## 1. 降换手：评估信息损失

2026 对比帖列出 `ts_mean`、hump、目标换手类算子和 `trade_when`，未证明有统一最优者。另一个案例将 decay 从 5 加到 20，作者报告换手 0.55→0.30、Sharpe 1.3→0.9，展示平滑的代价。来源：[降低【turnover】的几种方法对比分析](https://support.worldquantbrain.com/hc/en-us/community/posts/41849925214231)（2026-07-10）、[【换手治理】低换手≠稳健：turnover 的三个隐形侵蚀点，和 trade_when 别用反了（USA/TOP3000/D1）](https://support.worldquantbrain.com/hc/en-us/community/posts/42065262268567)（2026-07-19）。

比较短、中两个平滑窗口和原始基线，同时看近期 PnL、收益、margin、覆盖、信号相关、持仓时间和平台高换手检查。目标换手参数不保证实现值，不能未经单位核验把 0.15 称为年化换手。

Python 案例中“先平滑再 rank”帮助降换手，但评论指出 turnover、returns ratio 和 PnL realization horizon 不同步。来源：[【Python Alpha 挑战赛】高换手率因子优化经验分享](https://support.worldquantbrain.com/hc/en-us/community/posts/41551682155799)（2026-06-28）。降换手不意味着通过所有高换手测试。

## 2. trade_when：先看条件覆盖与持仓延续

低覆盖 insiders 案例中，门控和常数回退造成 Full 通过、Sub 失败。帖子给出的 20%、5–10% 是经验警戒值。来源：[【Python Alpha】trade_when 参数调优](https://support.worldquantbrain.com/hc/en-us/community/posts/41447270247703)（2026-06-24）。

必须核查具体条件、保持旧仓与退出的区别；常数值经后续标准化和中性化后不必然等于空仓。比较门控单独、主信号单独、两者组合，并报告有效持仓数、触发频次和最长持有时间。不要把条件写反，也不要以减少样本掩盖无效股票。

## 3. 集中度与缺失

MEA 案例报告衰减后换手与 Fitness 大幅改善，但覆盖和指数衰减的作用没有被分别隔离。来源：[MEA TOP400 从 CONCENTRATED_WEIGHT 阻塞到全部通过：一次完整的 Alpha 优化记录](https://support.worldquantbrain.com/hc/en-us/community/posts/40962462282007)（2026-06-04）。EUR 案例强调时间覆盖与横截面股票覆盖不同。来源：[EUR TOPCS1600的经验：解决Robust universe Sharpe / Sub-universe Sharpe / Weight concentration 问题](https://support.worldquantbrain.com/hc/en-us/community/posts/38669179039255)（2026-02-26）。

建议先画有效样本数和最大权重，再决定是否填充、平滑或舍弃数据。若靠同行填充通过，需要把同行成分作为独立对照。

## 4. Robust 与子地区表现

GLB 子区优化讨论涉及窗口、STATISTICAL 和 winsorize；帖子中的阈值只反映当时对象，应保留完整 region、universe、delay、alpha 类型核验。来源：[【MCP WorkFlow】靠这套GLB地区优化工作流，RA直接入账55刀（附核心模板）](https://support.worldquantbrain.com/hc/en-us/community/posts/41550783184663)（2026-06-28）。

ASI/IND 帖尝试按规模过滤或分层拼接。来源：[如何通过【Robust universe Sharpe and returns】检测的一些尝试](https://support.worldquantbrain.com/hc/en-us/community/posts/39920503976087)（2026-04-22）、[【Community Leader -因子构造 💎】拯救IND地区Robust universe Sharpe测试不通过的一个新思路](https://support.worldquantbrain.com/hc/en-us/community/posts/37525915867671)（2026-01-08）。ASI 另一例通过改变 Main/Robust 相对表现过线，评论质疑样本缩小与过拟合。来源：[ASI MINVOL1M市场Robust Universe优化案例](https://support.worldquantbrain.com/hc/en-us/community/posts/37473718017175)（2026-01-06）。这些是诊断线索，不能把降低主 Sharpe 作为研究目标。

先展示国家、规模、流动性和多空腿的表现，再提出结构修改；保留原 Universe 对照，并检查邻近分界。如果差距很大且无机制解释，放弃通常比不断加算子更合理。

## 5. Ladder 与尾部

`rank_by_side` 实例报告 Ladder 从 0.28→2.44，同时 margin 下降；只能说明该例可能受极值影响。来源：[使用rank_by_side改善2year_sharpe/ladder_sharpe](https://support.worldquantbrain.com/hc/en-us/community/posts/42187744015767)（2026-07-24）。

比较最大单股贡献、各年收益和多空两侧分布。若只把极端样本压掉才改善，需验证尾部是否真实错误；不能默认极端新闻一定是噪声。

## 6. 参数稳健性与跨地区

社区提出 decay±5、参数±20%和多个中性化对照，具体范围均是建议。来源：[Alpha稳健性检验代码](https://support.worldquantbrain.com/hc/en-us/community/posts/38234815701911)（2026-02-07）、[穿透参数迷雾：量化策略的敏感度分析与鲁棒性构建](https://support.worldquantbrain.com/hc/en-us/community/posts/39854893045655)（2026-04-19）。测试应寻找宽阔稳定区间，同时保留时间切分；参数稳定不能代替样本外稳定。

跨地区原样复制可能因覆盖、频率和中性化失效。来源：[【2个月提交220个RA经验分享】跨地区通用规律：哪些经验换个 Region 还能用？](https://support.worldquantbrain.com/hc/en-us/community/posts/42259186135831)（2026-07-27）、[【验证纪律】同一表达式跨 universe 跑：region regime 错配导致的指标分裂](https://support.worldquantbrain.com/hc/en-us/community/posts/41854026316055)（2026-07-10）。至少区别“字段不适配”与“经济机制不适配”，不要把多个地区试到一个成功当成迁移证明。

## 7. 相关性：先改变信息，再讨论技巧

CHN risk72 案例持续替换算子和 blend，PC 仍高；更换数据源后才有突破。来源：[CHN Python Alpha 踩坑实录：risk72 死磕 prod_corr 无果，换 virgin 数据集才过关](https://support.worldquantbrain.com/hc/en-us/community/posts/41279111112855)（2026-06-16）。先计算同族候选与基线的相关性，可以节省昂贵 PC 查询，但低 SC 不保证低 PC。来源：[PC限流的破解小窍门：基于SC的PC优化方法](https://support.worldquantbrain.com/hc/en-us/community/posts/38120459173143)（2026-02-03）。

记录提交前候选的 pairwise 矩阵和质量；提交一条会改变后续检查背景。来源：[【新人笔记】Pairwise Correlation：提交前先想清楚提交顺序](https://support.worldquantbrain.com/hc/en-us/community/posts/41903649174807)（2026-07-12）。低相关是组合约束，不能补偿无收益或低 margin；更多见 [组合优化](portfolio-and-correlation.md)。

## 一次优化的最小交付

基线与变体的唯一差异、机制解释、全部检查变化、分期表现、覆盖/成本变化、候选池相关、下一步与停止理由。任何 PENDING、WARNING、缺失检查都单列；不把“未发现失败”写成 PASS。