模型吐出一列分数之后呢：从打分到持仓，中间还有一整套决定

大部分量化教程的结尾长得都差不多：数据洗好了，因子算出来了，模型训完了，评估指标也画了图——完。

然后你打开输出文件，看见的是这样一坨东西：几千行，每行一个股票代码，后面跟一个小数。0.0231、0.0187、-0.0044……

你盯着它，脑子里冒出一个很朴素的问题：所以呢？

这一列数字本身买不了任何东西。它不告诉你买几只，不告诉你每只买多少钱，不告诉你明天这列数字变了要不要跟着换。从「一列分数」到「账户里躺着哪几只、各多少股」，中间隔着一整套必须有人拍板的决定。这段路在教程里几乎总是被跳过，但它恰恰是最容易把前面所有努力糟蹋掉的一段。

先说人话：这就是招聘

你是个小公司的负责人，办公室里只有八张工位，现在八张都坐满了人。

某天来了个猎头，给你递了一份两百人的名单，每个人后面标了个分数，说这是他们对「适不适合你们公司」的评估。名单第一名的分数，比你现在最差的那个员工高一点点。

问题来了。

第一，你要不要为了这「一点点」换人？ 换一个人不是零成本：招聘费、交接期、新人上手要两个月、老人走的时候还带走一堆没写下来的东西。如果新人只比老人好 3%，这笔账多半是亏的。

第二，一次换几个？ 一次换一个，公司稳，但名单更新得快，你可能永远追不上最优配置。一次换五个，办公室直接瘫痪一个季度。

第三，多久看一次名单？ 猎头说他每天都能更新。你每天照着新名单换人吗？

第四，新来的人给多少工位、多少资源？ 平均分？还是分数高的多给？

第五，也是最容易被忘的：名单上排第一的那个人，他愿意来吗？ 分数是猎头算的，人家可能压根不跳槽。名单上有他，不等于你招得到他。

这五个问题，一个都不能不回答。而你会注意到，猎头给你的那份分数表，一个都没回答。

投资里完全是同一回事。模型的输出叫预测分（或者叫信号、打分），意思是「模型认为这只票接下来相对好的程度」。它是一个排序依据，不是一个指令。把排序变成指令的那套规则，量化里叫策略层——具体说，是组合构建那一层。

投资层：分数到持仓，要拍板的四件事

把上面的比喻翻译过来，你要定的是这几件事。

持几只（宽度）。 只买分数最高的那一只，赌性太大——模型的判断本来就是概率性的，单只票上模型说的话基本没有意义。买五百只，那你基本就是买了个指数，模型选出来的那点区分度被稀释光了。这个数往哪边挪，都在牺牲一样东西。

多久重算一次（频率）。 分数每天都在变，但你不必每天都跟着变。这件事牵涉的东西比直觉多得多，单独有一篇讲——调仓频率，它同时压着交易成本、容量和信号新鲜度，往哪边拧都要还债。

每次换几只（换手强度）。 这是最被低估的一个旋钮。频率决定「多久看一次」，换手强度决定「看完之后动多大」。同样是每周看一次，每次只换一只和每次全换掉，是两套完全不同的策略。

每只放多少钱（权重）。 等权？按分数加权？按波动率倒数加权？以及——留不留现金？

四件事定完，你才有一个可执行的东西。少定任何一件，程序都跑不起来。

系统层：qlib 是怎么把这四件事写成代码的

qlib 里有一个专门干这件事的模块，名字直白得可爱：TopkDropoutStrategy（在 qlib/contrib/strategy/signal_strategy.py 里）。名字本身就是它的全部思路——Topk（取前 k 名）+ Dropout（每次踢掉几个）。

它对外只有几个旋钮，但每一个旋钮背后都藏着一个上面提过的决定。

topk 是持仓只数。n_drop 是每个调仓日最多替换几只。这两个数一定，宽度和换手强度就都定了。

有意思的地方在于，它并不是「简单粗暴地把持仓里分数最低的 n_drop 只卖掉，换成候选里分数最高的 n_drop 只」。如果这么干，会出一个很蠢的事故：你手上排名第八的票，可能比外面排名第九的候选还要好，结果你把好的卖了、买了差的，白付一趟手续费。

源码里处理这件事的方式，是先把「现有持仓」和「今天想买的候选」合成一张大表，重新排一次序，然后只卖那些掉到这张大表末尾的：

# combine(new stocks + last stocks),  we will drop stocks from this list
# In case of dropping higher score stock and buying lower score stock.
comb = pred_score.reindex(last.union(pd.Index(today))).sort_values(ascending=False).index

# Get the stock list we really want to sell (After filtering the case that we sell high and buy low)
sell = last[last.isin(get_last_n(comb, self.n_drop))]

注释写得比代码还清楚：合并再排序，就是为了避免「卖高买低」。

这里有一层含义值得停一下：n_drop 是上限，不是配额。 如果今天外面的候选都不如你手上现有的，合并排序之后末尾那几个全是候选而不是持仓，那么 sell 这个列表就会是空的——这一天你什么都不用换。真正卖掉几只，是算出来的，不是设定的。很多人把换手率理解成「我设定它每周换 20%」，而在这个实现里，换手是排序竞争的结果。

买入数量也是跟着实际卖出数量走的：

buy = today[: len(sell) + self.topk - len(last)]

len(last) 是当前持仓数。这一行保证了持仓只数守恒：卖了几只补几只，仓位不满就补到满。策略不会因为某天信号特别好就多买，也不会因为信号差就空仓——它永远端着 topk 只票。这是个很强的设定，后面会说它的代价。

权重：这里有个容易看漏的细节

买入金额的计算只有一行：

value = cash * self.risk_degree / len(buy) if len(buy) > 0 else 0

risk_degree 是「总资产里拿多少比例出来投」，代码里的默认取值是 0.95，也就是留一点现金不满仓（这是当前版本的默认值，可配置）。留这一手不是为了择时，是为了给撮合留缓冲——买入价、手续费、最小交易单位取整，全都可能让你算出来的钱不够用。

真正容易看漏的是除法那部分：可用现金在今天新买的那几只之间平分。

注意，这不是把整个组合重新拉回等权。老仓位一动不动。也就是说，如果你半年前买的某只票翻了一倍，它在组合里的权重就是别人的两倍，这个策略不会把它削回来。它是「新钱等权」，不是「组合等权」。

这个区别不小。真按等权跑，赢家会被持续卖出、输家被持续买入，那是一种偏均值回归的隐性下注；而让权重自然漂移，等于对赢家持续加注。同一份分数，配上不同的权重规则，长期表现能差出一大截——而这一层跟你的模型好不好，一点关系都没有。

名单上有，不等于你买得到

前面招聘比喻里的第五个问题，源码里也有对应的处理，而且是两个独立的开关。

only_tradable：选股的时候要不要先过滤掉当天不能交易的票。打开它，挑候选时就跳过停牌的；关掉它，策略会照着分数排名往下选，选到停牌股才在下单环节被拦掉。这两种做法给出的名单可以完全不同。

forbid_all_trade_at_limit：涨跌停时是否禁止一切交易。这里有一处很诚实的地方——源码顶部的 TODO 列表里，作者自己写着这个默认值和现实不一致（现实中涨停是可以卖出的），只是改了会导致历史结果对不上，所以留着（当前版本的默认取值，可配置）。

这类开关看着琐碎，但它们决定的是同一件事：你的回测里，那些「买不到的收益」有没有被算进去。 一个不检查可交易状态的回测，会把大量涨停开盘、你根本抢不到的票算成你的持仓。这不是模型的功劳，是撮合假设送的。相关的坑在 撮合与成交假设 里有系统的讲法。

还有一个小细节：hold_thresh 是最短持有期，卖出前会检查这只票已经拿了几天，不够就跳过这次卖出。它的作用是防止信号抖动导致的来回打脸——今天分数掉出去卖了，明天又涨回来买回来，两趟手续费换了个寂寞。

分数是哪天的分数

还有一行值得拎出来：取信号的时候，用的是上一个时间步的预测：

pred_start_time, pred_end_time = self.trade_calendar.get_step_time(trade_step, shift=1)
pred_score = self.signal.get_signal(start_time=pred_start_time, end_time=pred_end_time)

今天要交易，用的是昨天收盘后算出来的分数。这不是随手写的，是纪律。如果这里图省事用了当天的分数，整套东西就废了——你在用今天的信息决定今天开盘的动作，这就是前视偏差，它会让你的历史成绩好看得离谱，然后在真钱上一分不剩地还回去。

另一种答案：不给名单，给权重

TopkDropoutStrategy 的思路是「输出一张名单」。qlib 里还有另一条路：直接输出目标权重。

WeightStrategyBase 要求你实现一个「给我分数和当前持仓，我告诉你目标权重长什么样」的函数，剩下的事交给一个订单生成器——它拿目标权重和当前持仓做差，差多少下多少单。

这条路的表达力强得多。比如 EnhancedIndexingStrategy 走的就是这条路：它不再是简单排序取前几名，而是把「跑赢指数」和「别偏离指数太远」当成一个带约束的优化问题来解，需要额外准备风险模型数据（因子暴露、因子协方差、特质风险这些），并且支持给换手加一个显式的上限。

两条路的差别，本质上是**「排序思维」和「组合思维」**的差别：

	排序思维（Topk + Dropout）	组合思维（目标权重 + 优化）
输出	一张名单	一组权重
换手怎么控	每次最多换几只	优化时加约束项
风险怎么控	靠分散（持够只数）	显式建模，约束偏离度
需要什么	只要分数	分数 + 风险模型
谁在用	研究阶段、验证信号有没有用	要对标基准、有明确跟踪误差要求时

排序思维的优点是看得懂。出了问题你能一眼看出是哪只票拖的后腿。组合思维的优点是能把「我想要什么、不想要什么」写清楚，代价是多了一堆需要估计的输入，而每一个估计都可能错。

不用急着觉得后者更高级。研究阶段用简单的排序策略，恰恰是为了让你看清楚分数本身有没有价值——如果加了一堆优化才有超额，那超额多半来自优化器而不是模型，这是两件事。

为什么这一段最容易白干

这才是本篇最想让你记住的。

从分数到持仓这一段，是纯成本的一段。 模型那边的所有工作是在创造 alpha，而这一段的每一个动作都在花钱：手续费、印花税、买卖价差、你的单子推动价格产生的滑点。分数的区分度是有限的，而交易成本是确定的。当 n_drop 调大、频率调快，成本是线性往上涨的，可分数带来的那点优势并不会同步变大。

于是一个很常见的结局出现了：因子评估指标漂亮，回测收益一样漂亮，但把成本假设调到接近现实的水平之后，超额收益整个消失。问题不在模型，在从分数到持仓这一段，你换手换得太勤。

持仓只数守恒，意味着你永远满仓。 前面说 buy 的数量绑定 sell，保证仓位不空。这个设定隐含了一个假设：策略只做相对选择，不做「今天全场都不值得买」的判断。牛熊都端着同样多的票。这不是 bug，是这类策略的定位——它赚的是排序的钱，市场整体的涨跌不归它管。你如果指望它躲开系统性下跌，那是找错了工具，那件事得靠别的层来做。

排名靠前的票，往往正是你最买不动的票。 模型偏好的常常是小票、冷门票、刚被消息炒起来的票。分数上它们排第一，真金白银下去，一笔单子就能把价格打上去几个点。名单越集中，这个问题越严重。这属于策略容量的范畴——同一套逻辑，一百万能跑，一个亿跑不了，本库里流动性与容量单独有一篇。

失效边界与常见误用

以为策略层能救回一个没用的模型。 救不了。分数如果没有区分度，怎么排、排几名、换几只，结果都是随机的。策略层能做的是「别把有区分度的分数糟蹋掉」，做不到无中生有。

回测里换手很低，就以为实盘也会低。 实盘的分数噪音比回测大得多——数据延迟、行情异常、模型偶尔抽风，都会让排名剧烈跳动，进而制造出回测里不存在的换手。最短持有期这类机制存在的意义就在这儿。

把持仓只数和风险分散画等号。 持二十只票，如果这二十只全在同一个板块、同一种风格上，那它们会一起涨一起跌，分散是假的。持仓只数只解决「单只出黑天鹅」的问题，不解决共同暴露的问题。

忽略「买不到」和「卖不掉」。 名单是理想世界的产物，停牌、涨跌停、流动性不足，全都会让实际持仓和名单对不上。回测里这一层假设越宽松，回测越好看，落差也越大。

觉得权重规则无所谓。 前面说过了，等权、新钱等权、分数加权，是三种不同的隐性下注。同一份分数配不同权重规则，长期结果差出来的部分，跟你的模型没有任何关系。

小结

• 模型输出的分数是排序依据，不是交易指令。中间必须有人回答四件事：持几只、多久重算一次、每次换几只、每只放多少钱。
• qlib 的 TopkDropoutStrategy 是这套决定的一个具体实现：topk 定宽度，n_drop 定换手上限；它把现有持仓和新候选合并重排，只卖掉落到末尾的那些，避免「卖高买低」；买入数量绑定实际卖出数量，持仓只数守恒。
• n_drop 是上限不是配额——真正换几只是排序竞争的结果，可能是零。
• 权重那一行只把现金在当天新买的票之间平分，老仓位不动。这是「新钱等权」而非「组合等权」，两者的长期含义完全不同。
• 名单上有，不等于买得到。可交易状态、涨跌停、最短持有期这些开关，决定了你的回测里有没有混进「买不到的收益」。
• 另一条路是输出目标权重、交给优化器，表达力更强但需要风险模型这类额外输入；研究阶段用简单排序，反而更容易看清分数本身有没有价值。
• 这一段是纯成本段：模型创造优势，这一段花钱。换手调得越勤，成本涨得越快，而分数的优势不会同步变大——很多策略的超额收益就是死在这儿。

一句话记住这篇：打分的是模型，掏钱的是你——分数只告诉你谁看起来更好，没告诉你值不值得为这点「更好」付一趟手续费。

本文所引源码均来自上述快照版本，是阅读代码得出的机制说明，不是运行结果；文中提到的默认取值随版本变化，请以你手上那个版本为准。回 量化与 AI 投研概念库 看其它概念各自在说什么；本站内容为投资教育，不构成任何投资建议，边界见 免责声明。