A股可持续因子自进化策略 Skill

策略定位

策略类型：可持续因子驱动 × 自进化Skill框架

核心逻辑：将可持续投资逻辑结构化为策略协议（Strategy Protocol），通过版本管理（Version Management）和样本隔离（Sample Isolation）实现策略的自动迭代进化，而非无约束参数搜索。

适用市场：沪深A股（主板、科创板、创业板、北交所）

版本说明：v1.0 — 初始版本，融合华泰金工自进化Skill三框架 + A股ESG评分体系 + 可持续因子库

自进化Skill三层框架

框架一：策略协议（Strategy Protocol）

策略协议是将投资逻辑、可调边界、约束条件写入Skill的核心层，确保迭代方向符合可持续投资研究规范。

# scripts/sustainability_strategy_protocol.py

STRATEGY_PROTOCOL = {
    # 策略元信息
    "strategy_name": "A股可持续因子策略",
    "version": "1.0.0",
    "author": "RealGreen AI",
    "created_date": "2025-01-01",
    "last_updated": "2025-01-01",

    # 可持续投资逻辑约束（硬约束，不可越过）
    "investment_logic": {
        "core_principle": "可持续价值成长 — 兼顾ESG质量与长期成长性",
        "esg_minimum": {
            "ESG总分": 60,          # 综合ESG最低60分（百分制）
            "E环境": 50,            # 环境维度最低门槛
            "S社会": 50,            # 社会维度最低门槛
            "G治理": 55,            # 治理维度门槛略高（A股特色）
        },
        "exclusion_sectors": [
            "象牙/稀有皮革", "军工武器制造", "博彩业",
            "传统烟草制造", "场外衍生品"
        ],
        "controversial_activities_threshold": {
            "adult_content": 0.0,   # 成人内容：零容忍
            "gambling": 0.0,        # 博彩：零容忍
            "tobacco": 0.1,         # 烟草：营收占比>10%排除
            "alcohol": 0.2,         # 酒精：营收占比>20%排除
            "nuclear": 0.0,         # 核武器：零容忍
            "coal_power": 0.3,      # 燃煤发电：营收占比>30%排除
        },
    },

    # 可调边界参数（可在版本迭代中调整）
    "adjustable_bounds": {
        "esg_top_percentile": {"min": 0.20, "max": 0.50, "default": 0.30},
        "sustainability_score_min": {"min": 50, "max": 80, "default": 60},
        "financial_quality_min": {"min": 30, "max": 60, "default": 40},
        "value_weight": {"min": 0.10, "max": 0.40, "default": 0.20},
        "growth_weight": {"min": 0.10, "max": 0.40, "default": 0.20},
        "momentum_lookback_days": {"min": 20, "max": 120, "default": 60},
    },

    # 组合约束（硬约束）
    "portfolio_constraints": {
        "max_stock_weight": 0.05,          # 单票最大5%
        "max_industry_weight": 0.25,       # 单行业最大25%
        "min_daily_volume": 10_000_000,    # 最小日均成交额（元）
        "min_stocks": 30,                  # 最小持仓数
        "max_stocks": 100,                 # 最大持仓数
        "turnover_rate_target": {"min": 0.20, "max": 1.0},  # 换手率目标区间
    },

    # A股特有风险约束（硬约束）
    "astock_risk_bounds": {
        "max_pledge_ratio": 0.30,          # 股权质押≤30%
        "max_goodwill_ratio": 0.30,        # 商誉/净资产≤30%
        "max_related_party_tx": 0.20,       # 关联交易≤20%
        "exclude_st": True,                 # 排除ST/*ST
        "exclude_suspended": True,          # 排除停牌股
        "exclude_newly_listed_days": 90,    # 排除上市不足90天
        "violation_lookback_days": 365,     # 违规追溯期（天）
    },
}

框架二：版本管理（Version Management）

每次策略迭代生成新版本，保留完整历史记录。

# scripts/version_manager.py

class StrategyVersionManager:
    """
    策略版本管理器
    每次迭代记录：版本号、参数变更、原因、评价结果
    """
    def __init__(self, db_path="outputs/strategy_versions.db"):
        self.db_path = db_path
        self._init_db()

    def create_version(self, strategy_name, params, reason, signals):
        """创建新版本"""
        version_id = self._generate_version_id()
        evaluation = self._run_evaluation(signals)

        record = {
            "version_id": version_id,
            "strategy_name": strategy_name,
            "timestamp": datetime.now(),
            "params": json.dumps(params),
            "reason": reason,
            "evaluation": evaluation,
            "status": "candidate"  # candidate / approved / rejected
        }
        self._save_record(record)
        return version_id

    def compare_versions(self, version_a, version_b):
        """对比两个版本的绩效差异"""
        pass

    def get_best_version(self, metric="sharpe_ratio"):
        """按指定指标返回最优版本"""
        pass

版本命名规范：v{主版本}.{次版本}.{修订号}

• 主版本：投资逻辑重大变更
• 次版本：参数区间调整
• 修订号：微调/热修复

框架三：样本隔离（Sample Isolation）

防止信息泄露，确保评价结果可信。

# scripts/sample_isolation.py

class SampleIsolationEngine:
    """
    样本隔离引擎
    三重隔离：时间隔离 + 行业隔离 + 因子隔离
    """
    def __init__(self):
        self.train_window = 252 * 3   # 训练集：3年
        self.warmup_window = 60       # 预热期：60天
        self.test_window = 252        # 测试集：1年
        self.purge_window = 20        # purge期：20天（防止look-ahead bias）

    def split_samples(self, df_prices, df_factors):
        """三重样本划分"""
        # 1. 时间隔离：训练/测试严格分离
        train_period = df_prices.index[:-self.test_window]
        test_period = df_prices.index[-self.test_window:]

        # 2. 行业隔离：确保测试集行业分布稳定
        # （如果测试期行业构成变化过大需额外处理）

        # 3. 因子隔离：确保因子值无未来信息泄露
        df_factors = self._apply_purge(df_factors, self.purge_window)

        return train_period, test_period, df_factors

    def run_kfold_purged_cv(self, df, n_splits=5, embargo_pct=0.1):
        """K折Purge交叉验证（防止过度拟合）"""
        pass

核心工作流（6步）

Step 1 — 准备原始数据

# 可持续因子数据源
sustainability_raw = {
    # ESG评级数据（优先级从高到低）
    "primary_esg": {
        "Wind ESG": "8000+公司，月更新，200+指标",
        "华证ESG": "与SASB对齐，季度更新",
    },
    "secondary_esg": {
        "中证ESG": "本土特色（扶贫权重高）",
        "富时罗素ESG": "国际标准对齐",
    },

    # 可持续特色因子数据
    "sustainability_data": {
        "carbon_intensity": "碳排放强度（吨CO2/万元营收）",
        "green_revenue_ratio": "绿色营收占比",
        "renewable_energy_pct": "可再生能源使用比例",
        "safety_incident_rate": "安全生产事故率",
        "employee_satisfaction": "员工满意度（若有）",
        "supply_chain_esg": "供应链ESG审查覆盖比例",
        "community_investment": "社区投资额/营收",
        "tax_paid_per_revenue": "税负透明度（支付的各项税费/营收）",
    },

    # 财务因子
    "financial_raw": {
        "value_factors": ["PB", "PE", "PS", "PCF", "EV/EBITDA"],
        "quality_factors": ["ROE", "ROA", "gross_margin", "debt_ratio", "cash_ratio"],
        "growth_factors": ["revenue_yoy", "profit_yoy", "cash_flow_yoy"],
        "momentum_factors": ["return_20d", "return_60d", "return_120d"],
        # A股特有质量因子
        "astock_quality": ["audit_opinion", "cash_conversion_cycle", "accrual_ratio"],
    },
}

Step 2 — 构建可持续因子评分

# scripts/sustainability_scorer.py

from sustainability_scorer import (
    build_sustainability_score,
    add_policy_orientation_score,
    add_green_premium_factor,
    add_transition_risk_factor,
)

# 基础可持续评分（E×0.35 + S×0.30 + G×0.35，行业标准化）
df_sust = build_sustainability_score(df_esg, industry_mapping="sw_level1")

# 政策导向加分（A股特色）
df_sust = add_policy_orientation_score(df_sust)
# 输出：policy_score（新质生产力、碳中和、专精特新等政策加成）

# 绿色溢价因子（绿色业务占比×绿色溢价系数）
df_sust = add_green_premium_factor(df_sust)
# 输出：green_premium_factor

# 转型风险因子（高碳行业低碳转型能力评分）
df_sust = add_transition_risk_factor(df_sust)
# 输出：transition_risk_score

Step 3 — A股特有风险过滤

from screening_model import AStockRiskFilter

risk_filter = AStockRiskFilter(
    max_pledge_ratio=0.30,
    max_goodwill_ratio=0.30,
    max_related_tx=0.20,
    exclude_st=True,
    exclude_suspended=True,
    exclude_newly_listed_days=90,
    violation_lookback_days=365,
)
df_filtered = risk_filter.apply(df_sust)

Step 4 — 可持续因子正面筛选

from sustainability_screening import SustainableFactorScreener

screener = SustainableFactorScreener(
    # 策略协议参数（来自Step 1定义的协议）
    protocol=STRATEGY_PROTOCOL,

    # 可持续因子筛选配置
    sustainability_top_pct=0.30,     # 可持续评分前30%入选
    min_sustainability_score=60,     # 可持续评分最低门槛
    min_esg_subscore={
        "E": 50, "S": 50, "G": 55,
    },

    # 多因子权重配置（可在版本迭代中调整）
    factor_weights={
        "sustainability_score": 0.40,  # 可持续评分
        "financial_quality": 0.20,    # 财务质量
        "value_factor": 0.20,         # 估值价值
        "growth_factor": 0.20,        # 成长性
    },

    # 可持续特色筛选
    green_revenue_min=0.10,           # 绿色营收最低占比
    exclude_fossil_fuels=True,       # 排除化石燃料开采
    exclude_tobacco=True,            # 排除烟草

    # 板块差异化
    board_bonus={"科创板": 0.10, "创业板": 0.05},
)
screened = screener.screen(df_filtered)

Step 5 — 组合构建

from portfolio_builder import build_sustainable_portfolio

portfolio = build_sustainable_portfolio(
    screened,
    # 组合约束（来自策略协议）
    max_w=0.05,
    max_ind_w=0.25,
    min_liquidity=10_000_000,
    min_stocks=30,
    max_stocks=100,
    # 可持续特色约束
    min_green_holdings=0.50,         # 绿色持仓占比≥50%
    max_fossil_exposure=0.05,        # 化石燃料敞口≤5%
    min_diversity_score=0.30,        # 组合多样性（行业/板块分散度）
)

Step 6 — 回测验证 + 版本迭代

from backtest_engine import run_backtest
from version_manager import StrategyVersionManager

# 创建版本管理器
vm = StrategyVersionManager()

# 运行回测
bt_results = run_backtest(
    signal_df=portfolio,
    test_period="2022-01-01",  # 样本隔离：训练期外
    benchmark="000300.SH",
    initial_capital=100_000_000,
    transaction_cost=0.0015,
    slippage=0.001,
)

# 评估结果
evaluation = {
    "annual_return": bt_results["annual_return"],
    "sharpe_ratio": bt_results["sharpe_ratio"],
    "max_drawdown": bt_results["max_drawdown"],
    "turnover_rate": bt_results["turnover_rate"],
    "sustainability_score_avg": bt_results["avg_esg_score"],
}

# 创建策略新版本记录
if evaluation["sharpe_ratio"] > 0.7:
    new_version = vm.create_version(
        strategy_name="A股可持续因子策略",
        params=screener.get_current_params(),
        reason="夏普比率突破0.7，调整可持续评分权重",
        signals=portfolio,
    )
    print(f"✅ 新版本已创建: {new_version}")
else:
    print("⚠️ 当前版本未达标，需进一步迭代")

可持续因子库（行业差异化权重）

因子分类

行业权重配置示例

# references/industry_sustainability_weights.py

INDUSTRY_WEIGHTS = {
    # 行业：(E权重, S权重, G权重)
    "煤炭": (0.40, 0.25, 0.35),     # E权重高，关注转型风险
    "钢铁": (0.35, 0.30, 0.35),
    "电力": (0.40, 0.25, 0.35),     # E权重高，关注清洁能源转型
    "化工": (0.35, 0.30, 0.35),
    "半导体": (0.20, 0.30, 0.50),   # G权重高，关注国产替代+治理
    "新能源": (0.45, 0.25, 0.30),   # E权重极高
    "医药": (0.15, 0.40, 0.45),     # S+G权重高，关注产品安全+研发
    "食品饮料": (0.10, 0.45, 0.45), # S权重高，关注食品安全
    "互联网": (0.10, 0.40, 0.50),   # S+G权重高，关注数据安全+员工关怀
    "银行": (0.15, 0.30, 0.55),     # G权重极高，关注资产质量+合规
    "保险": (0.10, 0.35, 0.55),
    "房地产": (0.30, 0.30, 0.40),
    "传媒": (0.05, 0.50, 0.45),     # S权重高，关注内容合规
    "轻工制造": (0.20, 0.40, 0.40),
    "汽车": (0.30, 0.30, 0.40),
}

参数默认值

SUSTAINABILITY_STRATEGY_PARAMS = {
    # 策略协议参数
    "strategy_version": "1.0.0",
    "core_principle": "可持续价值成长",
    "esg_minimum_total": 60,
    "esg_minimum_E": 50,
    "esg_minimum_S": 50,
    "esg_minimum_G": 55,

    # 可持续因子权重
    "sustainability_score_weight": 0.40,
    "financial_quality_weight": 0.20,
    "value_factor_weight": 0.20,
    "growth_factor_weight": 0.20,

    # 筛选参数
    "sustainability_top_pct": 0.30,
    "min_sustainability_score": 60,
    "green_revenue_min": 0.10,
    "financial_min_percentile": 40,

    # 组合约束
    "max_stock_weight": 0.05,
    "max_industry_weight": 0.25,
    "min_stocks": 30,
    "max_stocks": 100,
    "min_liquidity": 10_000_000,
    "min_green_holdings": 0.50,

    # 调仓参数
    "rebalance_freq": "quarterly",

    # A股特有风险参数（来自策略协议）
    "max_pledge_ratio": 0.30,
    "max_goodwill_ratio": 0.30,
    "max_related_tx": 0.20,
    "exclude_st": True,
    "exclude_suspended": True,
    "exclude_newly_listed_days": 90,

    # 样本隔离参数
    "train_window_days": 756,       # 训练窗口：3年
    "test_window_days": 252,        # 测试窗口：1年
    "purge_window_days": 20,        # Purge窗口：20天

    # 评价指标（版本迭代参照）
    "evaluation_metrics": {
        "target_sharpe": 0.70,
        "max_acceptable_drawdown": 0.20,
        "target_annual_return": 0.10,
        "max_turnover_rate": 1.0,
    },
}

自进化迭代机制

迭代触发条件

策略自动迭代在以下条件满足时触发：

ITERATION_TRIGGERS = {
    "ic_decay": {
        "threshold": 0.02,         # IC衰减至<0.02触发
        "lookback": 60,             # 近60天IC均值
    },
    "rolling_performance": {
        "threshold": 0.80,         # 滚动年化收益<基准×0.80触发
        "window": 252,              # 滚动窗口
    },
    "factor_boundary_breach": {
        "description": "可调边界参数触及边界时触发（需重新搜索最优值）",
    },
    "scheduled": {
        "frequency": "quarterly",   # 每季度定期评估
    },
}

迭代搜索空间

# 允许迭代的参数及搜索范围（来自adjustable_bounds）
SEARCH_SPACE = {
    "esg_top_percentile": np.linspace(0.20, 0.50, 7),
    "sustainability_score_min": [50, 55, 60, 65, 70],
    "financial_quality_min": [30, 35, 40, 45, 50],
    "value_weight": np.linspace(0.10, 0.40, 7),
    "growth_weight": np.linspace(0.10, 0.40, 7),
    "green_revenue_min": [0.05, 0.10, 0.15, 0.20],
}

版本接受标准

VERSION_APPROVAL_CRITERIA = {
    "must_pass": [
        "样本外夏普比率 > 0.60",
        "样本外年化收益率 > 基准指数收益",
        "样本外最大回撤 < 25%",
        "绿色持仓占比 ≥ 50%",
        "无新增重大违规记录",
    ],
    "improvement_required": [
        "夏普比率提升 ≥ 5%（相比上一版本）",
        "或年化收益提升 ≥ 3%（相比上一版本）",
        "或换手率下降 ≥ 10%（相比上一版本）",
    ],
    "version_guardrails": [
        "单次参数调整幅度 ≤ 20%（防止剧烈跳变）",
        "最多连续拒绝3次新版本后需人工介入",
        "每年强制人工review一次策略协议",
    ],
}

交付物格式

执行策略后输出：

1. 持仓清单CSV
• stock_code, stock_name, industry, ESG总分, E/S/G分, 可持续评分, 权重, 风险评分

1. 可持续特征报告
• 行业分布图（带绿色/非绿色标注）
• ESG评分直方图
• E/S/G雷达图
• 绿色营收分布
• 政策导向评分分布

1. 回测绩效报告
• 年化收益率、夏普比率、最大回撤、信息比率
• 相对于基准的超额收益分解
• 换手率与交易成本
• 可持续指标：组合ESG平均分、绿色持仓占比、碳强度

1. 版本迭代日志
• 每次迭代的参数变更记录
• 版本间绩效对比
• 迭代原因说明

参考文档

注意事项

1. 策略自进化边界：迭代仅在adjustable_bounds范围内搜索参数，不可越过investment_logic中的硬约束
2. 样本隔离必须：训练集/测试集必须严格分离，purge window必须≥20天，防止look-ahead bias
3. 数据时滞：A股ESG披露为半年度/年度，建议结合舆情数据做实时预警
4. 版本纪律：每次迭代必须记录reason，连续拒绝3次后需人工介入review策略协议
5. 绿色溢价时变：2020年后绿色溢价才显著，需定期验证因子有效性
6. 漂绿风险：建议加入负面新闻舆情因子，剔除舆情极差公司

免责声明

本Skill生成的策略代码和参数仅供研究参考，不构成投资建议。回测结果不代表未来收益，A股市场存在政策风险、流动性风险等多种不确定因素。策略自进化需在严格的版本管理框架下进行，人工review不可省略。