信号有没有用？14 个标的、7450 个事件的对照实验
仓位层实测把单标的结论押上四层考场，留下了一句看起来最稳的话："跑赢持有"只有 9~13/18，但"回撤优于持有"有 14~18/18——于是"择时的第一价值是压回撤"成了整套系统的存在理由。这句话有个没被追问的前提：回撤更浅，凭什么算信号的功劳？空仓本来就没有回撤。这篇用三个实验回答它，答案不客气：回撤压缩是真的，功劳属于"在场时间少"这个机械事实，不属于信号。 单标的结论被证明不可移植之后，轮到跨标的结论接受同一把尺子。
代码在 example/2026/10/21-1，新增三个文件：scan.py（截面扫描与 breadth 回算）、event.py（pooled 事件研究）、perm.py（随机对照）。全部离线跑已有 CSV，种子固定。
考场：一个池子，两条铁律
| 项 | 内容 |
|---|---|
| 标的池 | 14 个权益（8 只 ETF + 6 只个股）+ 2 个基准指数，universe.json 配置 |
| 区间 | 2020-11-17 ~ 2026-10-20，1435 个有效交易日 |
| 事件 | 7450 个（金叉 / 死叉 / 双确认翻转），覆盖 1427 个交易日 |
| 信号 | MA5x10、MA5x20、MA10x20、MACD、双确认（MA5x20 且 MACD） |
两条铁律贯穿三个实验：
- 无未来函数：T 日收盘判定，T+1 日开盘成交——与三部曲同口径
- 去均值 + 按日期聚类：事件收益先减掉同期池内等权收益（剔除"这段时间市场在涨"），显著性按日期聚类计算——同一天的多个事件先平均成 1 个观测，消除截面相关（Petersen 2009 的简化版）
第二条是本系列之前的盲区。不做去均值，你量到的不是信号，是贝塔。
实验一：把时机打乱，回撤还浅吗
方法：圆形移位（circular shift）。把信号序列整体循环移位 k 天——在场天数、在场比例、持仓区间的长度与分布完全不变，只破坏信号与市场事件的时序对齐。这是最严格的对照：它控制住了"离场多少"这个混淆因素，只问"离场的时机对不对"。
对照公平性有硬指标：14 个标的的在场比例与随机序列的最大偏差 4.41e-04（≈0）。每个标的 500 次移位，判定用 p_dd = P(随机回撤 >= 真实回撤)——p 小才是信号的功劳。
| 策略 | 随机中位 | p 值 | |
|---|---|---|---|
| 最大回撤 | -43.7% | -40.7% | p_dd = 0.448 |
| 总收益 | +12.3% | +0.7% | p_ret = 0.462 |
| 买入持有 | +8.7% / -55.5% | — | — |
随机挑时机离场，回撤比信号还浅 3 个百分点。 14 个标的里回撤显著优于随机的只有 2/14，收益显著优于随机的 1/14。
改判：回撤优势的归因
"-43.7% vs 持有 -55.5%"是事实，但置换检验把功劳拿走了——对照组的在场比例一模一样，回撤却更浅。结论从"信号能识别风险"改判为"少在场就能压回撤"。前者值一套系统，后者值一句"降低仓位"。
更有意思的是那 2 个显著的标的：黄金 ETF（p_dd = 0.020）和 562500（p_dd = 0.028）。562500 正是三部曲选冠军的那只——样本内挑出来的标的恰好是全场最显著的两个之一，这是选择偏差的教科书案例：显著性检验没毛病，毛病在于样本是被结论挑剩下的。
反面同样清楚：华贸物流 p_dd = 0.920、华锦股份 0.928、悦心健康 0.766——这三个标的的信号离场时机系统性地差于随机。
实验二：单组 t 值是假象，差值才是判据
7450 个事件、四个持有期（5/10/20/60 日），先看原始收益口径的单组检验：
| 信号 | 类型 | 60 日收益 | 60 日胜率 | t60 |
|---|---|---|---|---|
| MACD | golden | +2.22% | 51.6% | 3.14 |
| MA10x20 | golden | +2.05% | 48.8% | 2.72 |
| MACD | death | +2.27% | 47.5% | 2.68 |
| MA5x20 | death | +1.43% | 48.0% | 2.62 |
看起来很美——直到你注意到金叉和死叉的 t 值同时显著为正。金叉之后涨、死叉之后也涨，这只能说明一件事：这六年样本在涨。单组检验衡量的不是信号，是市场。
真正衡量"信号有没有区分度"的是两组之差（看多信号 − 看空信号，按日期聚类 Welch t）：
| 信号 | diff5 | diff10 | diff20 | diff60 |
|---|---|---|---|---|
| MA5x10 | +0.06% (0.22) | -0.14% (-0.34) | +0.02% (0.04) | -0.47% (-0.52) |
| MA5x20 | -0.39% (-1.19) | -0.66% (-1.43) | -0.28% (-0.43) | -0.20% (-0.18) |
| MA10x20 | -0.03% (-0.08) | -0.29% (-0.59) | +0.24% (0.34) | +1.31% (1.09) |
| MACD | +0.01% (0.05) | +0.22% (0.49) | +0.55% (0.86) | +0.63% (0.56) |
| 双确认 | +0.05% (0.18) | +0.18% (0.38) | +0.47% (0.71) | +0.39% (0.36) |
全部 |t| < 1.5，连"粗略显著"的边都没摸到，而且快信号（MA5x10 / MA5x20）的方向是负的——金叉还不如死叉。超额收益口径（已减池内等权）更弱，最大 |t| = 1.29。
regime 分层之后同样没有稳定模式：
- 趋势↓ 组：MACD 死叉后 5 日胜率 71.8%（t60 = 1.94）——方向反了，杀跌之后是超跌反弹
- 震荡组：双确认翻空后 t20 = 2.14——同样反向，减仓之后继续涨
- 趋势↑ 组：双确认翻多后 t60 = -3.00——追涨之后是回吐
方法论：先问对照，再问显著
单组 t 值高不说明任何事，除非你先证明"另一组不是也高"。这个坑在事件研究里极其常见：本样本所有 ret60 都为正，t 值自然好看。差值检验 + 截面去均值是两道必做的工序，缺一道就会把贝塔当成 alpha。
实验三：breadth 是同步指标，不是领先指标
第三个实验不看信号，看市场宽度：breadth_dual = 池内双确认多头占比。直觉上它是领先指标——多数标的转多，行情是不是要来了？
与基准 20 日收益的相关（breadth 领先 k 个交易日）：
| 领先 k | 上证指数 | 中证500 |
|---|---|---|
| 0（同期） | 0.545 | 0.533 |
| 5 | 0.575 | 0.548 |
| 10 | 0.487 | 0.445 |
| 20（干净预测检验） | -0.023 | -0.045 |
前三个相关系数看着不错，但窗口重叠——breadth 的 20 日窗口与收益的 20 日窗口高度重合，相关是被构造出来的。只有 k = 20 是干净的预测检验（用今天的 breadth 预测未来 20 日）：-0.023 ≈ 0。
breadth 的正确用法
它是同步温度计，不是领先指标。当前 breadth_dual = 7.1% @ 2026-10-20，正好落在历史 10% 分位（均值 38.9%，历史最低 0%）——它告诉你"现在市场极弱"，不告诉你"下个月会怎样"。用它做择时的入场许可，等于用一个同步指标假装预测。
改判之后：系统还值不值得用
三个实验把结论推到了一个不太舒服的位置，但结论本身要说清楚：
| 原结论 | 改判后 |
|---|---|
| 信号能压回撤 | 少在场就能压回撤（随机离场更浅，p_dd 0.448） |
| 信号有选股/择时能力 | 差值检验全部 |
| breadth 领先市场 | 同步指标，k=20 相关 ≈ 0 |
没有翻盘的活口有两个，都没验：
- 三档仓位管理——唯一可能的 edge 来源。移动止损的收益可能来自路径依赖，与"信号挑时机"是完全不同的机制。难点：三档的在场比例随价格路径变化，无法构造等 exposure 的随机对照，对照不再严格，需要如实报告差异。
- 静态降仓位基准——如果信号唯一的作用是压暴露，那么 38% 固定仓位是更便宜的替代品：无交易成本、无 2~8pp 费率损耗。粗略估算其回撤约 -21%~-25%，优于信号策略的 -43.7%。这是决定这套系统值不值得用的关键比较，本次未做。
第二点是真正的判据：信号策略要成立，得先赢过"什么都不做、只把仓位降下来"。
注意事项
- ⚠️ 适用范围严格限定：A 股、日线、均线/MACD 交叉类信号、2020-2026、14 个标的。不适用于趋势跟踪文献里的跨市场时间序列动量（如 AQR 1880-2016 的证据）——频率与资产类别都不同
- ⚠️ 未做多重检验校正：p 值未校正，Bonferroni 阈值应为 0.05/14 = 0.0036；也未做 Deflated Sharpe / White's Reality Check。校正只会让结论更负面
- ⚠️ 零费率：三档系列换手是裸信号的 1.3~2.4 倍，按单边 0.1% 计 5 年多损 2~8pp——静态降仓位基准比起来更省
- ⚠️ 幸存者偏差：随机样本取自当前上市清单，窗口内退市标的缺席；新浪 ETF 行情不复权，债券类分红被低估
- ⚠️ 窗口口径：置换检验跑各标的的全历史 CSV（长度不一），与仓位层实测横截面的统一五年窗口（2021-10 ~ 2026-10）不完全一致——562500 的持有收益在两种窗口下分别是 -8.7% 与 -16.3%。横截面对比同口径，跨篇对比需注意
- ⚠️ 数据陈旧：各标的 CSV 末行日期不一致（10-20 / 10-21 / 10-22），日常使用前需先跑
fetch_data.py对齐，否则 breadth 末端失真 - ✅ 对照的公平性有硬指标：在场比例偏差 4.41e-04；向量化回测与原引擎对账差异 1.11e-16
复现三条命令：
.venv/bin/python perm.py --perm 500 # 随机对照实验
.venv/bin/python event.py --metric both --group regime # 事件研究 + 差值检验
.venv/bin/python scan.py --history # breadth / flow / 离散度 回算
小结
一句话概括：回撤压缩是真的，功劳不属于信号——属于"在场时间少"这个机械事实；7450 个信号的差值检验给不出任何区分度证据。
改判之后仍然能照着做的部分（三档阶梯、冷却协议、网格准入），连同这条边界一起整理进了《复合交易系统操作手册》。
这个系列一路走来，每一层的结论都在被下一层收窄：单标的数字被横截面收窄成"路径运气"，横截面的回撤优势现在被对照实验收窄成"暴露效应"。但收窄不等于白干——证伪的精度在提高：从"不知道对不对"，到"知道它在单标的上对"，再到"知道它对的原因是离场而不是预测"。
下一步只有一个问题值得先回答：信号策略能不能赢过静态降仓位。赢不了，整套系统的存在理由就该从"择时"改成"仓位"。
最后更新：2026-10-24