做期货量化这几年，我越来越觉得“多策略组合”不是锦上添花，而是活下去的必备手段。尤其当市场进入低波动、政策扰动频繁、品种分化严重的阶段，单一策略的持仓体验会非常差——净值像心电图，回撤动辄百分之二三十，心态很容易崩。2026年的期货市场，程序化交易占比进一步提升，手续费和保证金规则也在变，靠一个策略吃遍所有行情的日子早就过去了。我这次梳理的这套多策略组合方案，核心就两个词：分散风险、平滑收益。不是追求某一年的爆发，而是让净值曲线在多数市场环境下都走得稳。
这篇文章适合正在做期货量化、或者准备从单策略转向组合管理的朋友。如果你已经能写出基础的策略代码，但对资金分配、策略相关性、组合风控还比较模糊，那这篇内容可以直接拿来参考。我会把整体设计思路、策略池怎么搭、资金怎么分、风控怎么做、代码框架怎么落地，以及我踩过的坑，一次性讲清楚。
1. 方案设计思路：为什么要做多策略组合，而不是把单策略做到极致
1.1 单策略天然存在收益天花板和回撤瓶颈
很多人刚接触量化时，都幻想找到一个“圣杯策略”——参数稳定、夏普高、回撤小。我在早期也这么想过，但实盘几年下来的结论是：单策略的收益天花板非常明显，而且这个天花板不是策略本身的问题，是市场结构决定的。
一个趋势跟踪策略，在流畅的单边行情里表现极好，但震荡市里会被反复打脸。一个均值回归策略，在震荡市里如鱼得水，一旦趋势启动就不断止损。一个套利策略，胜率很高，但单笔利润很薄，遇到价差极端扭曲时还可能面临尾部风险。你把任何一个策略的参数优化到极致，它依然只在适合它的那部分行情里赚钱，其他时间就是在回撤和等待。
我自己做过一个统计：同样一笔资金，单跑一个中频趋势策略，年化收益可能做到30%左右，但最大回撤也差不多要25%；而把趋势、套利、日内截断三类策略组合在一起，年化收益未必能翻倍，但最大回撤往往能压到10%到12%以内。这个性价比的差异，才是多策略组合真正的价值。
1.2 多策略的核心不是“数量多”，而是“低相关”
这里要澄清一个常见误区：多策略组合不是你把十套趋势策略叠在一起就叫分散。如果十套策略都在同一天做多螺纹钢、同一天平仓，那本质上还是一套策略，只不过换了几种参数写法，遇到不利行情时一起亏，风险一点没降。
真正的多策略组合，核心是寻找“低相关”的收益来源。说得直白一点：A策略在亏钱的时候，B策略最好在赚钱，或者至少是持平的。这样组合净值才不会出现多策略同时大幅回撤的局面。策略之间的相关性越低，组合的波动率就越低，资金曲线就越平滑，持有体验自然就好很多。
我用一个生活化的类比来解释这件事：你请客吃饭，单独点一个重口味的川菜，好吃但容易腻；单独点一个清淡的粤菜，舒服但不够刺激。你把两道菜一起端上桌，客人可以根据口味自选，整体满意度反而更高。策略组合也是一样的道理，不同类型的收益来源互相搭配，才能适应更多样的市场口味。
1.3 2026年市场环境下，组合思维的必要性
为什么特别强调2026年？因为从近两三年的市场情况看，有几个趋势非常明显。一是程序化交易参与者越来越多，很多经典策略的容量在变小，信号拥挤度在上升，单策略的超额收益被摊薄。二是宏观和政策因素对期货品种的影响权重在加大，某个品种突然被政策“点名”后，波动结构会瞬间变化，单品种策略容易踩雷。三是品种间的分化越来越明显，黑色、有色、农产品、能化各有各的节奏，用一套策略去套所有品种本身就不现实。
在这种环境下，多策略组合更像是一个“分散下注、动态调整”的系统。它不会押注某一个品种、某一个方向、某一种行情类型，而是通过多品种、多周期、多逻辑的覆盖，让整个组合在不确定性中依然保持相对稳定的表现。这也是我这套方案在2026年依然值得参考的核心原因。
2. 策略池构建：三类低相关性策略的搭配思路
2.1 趋势跟踪策略：组合的“进攻主力”
趋势跟踪是多策略组合里最常见的底仓策略，原因很简单：期货市场的趋势行情虽然不常出现，但一旦出现，往往是幅度大、持续久的大机会。趋势策略的盈亏比天然就高，靠的是“截断亏损、让利润奔跑”。
我常用的趋势策略有两类：一类是双均线系统，适合把握中长线趋势；另一类是通道突破系统，比如唐奇安通道或ATR通道突破，对趋势启动的捕捉更敏感。在品种选择上，我会优先选流动性好、趋势性强的品种，比如螺纹钢、铁矿石、PTA、豆粕这类，持仓周期通常在5到15天。
趋势策略的缺点也很明显：震荡市里胜率会降到30%左右，连续十几次小止损很正常。所以趋势策略必须配合严格止损和仓位控制来使用，这也决定了它需要和其他类型的策略搭配，否则单看它的资金曲线，大多数人是拿不住的。
2.2 统计套利策略：组合的“减震器”
如果说趋势策略是进攻，那套利策略就是防守。套利策略的核心逻辑是“价差回归”——两个相关性很高的品种，或者同一品种的不同月份合约，价格差偏离正常范围后，最终大概率会回归均值。它赚的是价差回归的钱，和涨跌方向关系不大，所以和趋势策略的相关性天然比较低。
我常用的套利逻辑有两种：跨期套利和跨品种对冲。跨期套利做的是同一品种不同月份合约的价差，比如螺纹钢1月和5月合约；跨品种对冲做的是产业链上下游品种的价差，比如螺纹钢和热卷、豆粕和豆油、焦煤和焦炭。
套利策略的最大好处是回撤小、胜率高，但单笔利润也比较薄。它的作用是给整个组合提供一条相对平稳的收益线，对冲掉趋势策略在震荡期的回撤。不过要注意，套利策略也有极端风险，2021年前后部分品种的价差走势就出现过历史级别的偏离，所以套利的止损逻辑同样不能省。
2.3 日内截断策略：组合的“收益增强器”
日内策略的特点是从进场到出场都在一天内完成，不持仓过夜，彻底规避隔夜跳空风险。它们赚的是日内波动或者日内趋势的钱，和隔夜的趋势策略、持有一段时间的套利策略在持仓周期上天然错开，相关性也比较低。
我做日内策略时，用得比较多的是日内动量突破和日内均值回归。前者是突破日内高低点后顺势进场，后者是价格偏离日内均价过远后反向做回归。日内策略对流动性和交易成本很敏感，所以一般只做螺纹钢、PTA、甲醇、豆粕这些成交活跃、点差小的品种。
日内策略的问题是交易频率高、手续费和滑点成本占比大。我的经验是，日内策略必须把交易成本算进回测里，否则实盘和回测的差距会大得离谱。它在组合里承担的更多是“平滑收益、增厚利润”的角色，而不是单独扛起收益的大旗。
2.4 策略相关性检验：组合搭建前必须做的一步
很多人在组合策略时，犯的最大的错误就是不看相关性，凭感觉把几个策略堆在一起。我在搭建策略池之后，都会做一道很关键的工序：计算策略两两之间的收益率相关系数。
具体做法其实不复杂：把每个策略的历史每日收益率序列都导出来，然后计算相关系数矩阵。两个策略相关系数高于0.7，基本可以认为是同一种风格的重复；低于0.5，才具备比较好的分散效果。如果两个趋势策略都做同品种同周期，相关系数往往会冲到0.9以上，这种时候就应该果断剔除其中一个，而不是两个都留在组合里。
在实际操作中，我会把相关性矩阵做成一张表，每季度更新一次。这样能及时发现策略之间是否出现了“相关性上升”的苗头，及时做调整，避免在极端行情中所有策略同时亏损。
3. 资金分配与组合风控：分散风险的核心环节
3.1 风险预算法：按风险分配资金，而不是按收益分配
策略选好之后，最关键的问题就是：每个策略分多少钱？我见过很多人在这一步犯错误——哪个策略历史收益高就给谁多分钱，结果重仓的那个策略恰好在一段行情里连续回撤，整个组合跟着遭殃。
我采用的方法是风险预算法，也叫波动率目标法。核心思想是：每个策略分配到的资金量由它的风险水平决定，而不是由历史收益决定。具体的做法是，先确定每个策略的目标风险预算占比，再根据策略当前的波动率反推实际分配资金。
举个例子：假设组合总资金100万，目标年化波动率15%，三个策略的风险预算分别是趋势50%、套利30%、日内20%。如果趋势策略当前年化波动率是20%，那它的目标资金占比就不是简单的50%，而是50%乘以组合目标波动率再除以策略波动率的比例关系来调整。这样做的效果是，高波动的策略自动收敛仓位，低波动的策略可以拿到更多资金，整个组合的风险水平相对均衡。
3.2 头寸计算公式：把风险预算换算成实际手数
风险预算确定之后，还需要把资金预算换算成每个品种的具体手数。我常用的公式是：
手数 = 该策略分配资金 × 该策略允许的最大亏损比例 /（ATR × 合约乘数）
其中ATR是平均真实波幅，用来衡量当前品种的波动水平。举个例子，如果某策略在产品螺纹钢上分配了20万资金，设定单笔最大亏损为账户的0.5%（也就是5000元），螺纹钢当前ATR是80点，合约乘数是10，那么手数 = 5000 /（80 × 10） = 6.25手，取整就是6手。
这个公式的好处是，它把仓位和波动直接挂钩。行情波动大的时候，ATR上升，手数自动减少；行情平稳的时候，ATR下降，手数自动增加。这比固定手数在风控上科学得多，可以避免在波动剧烈时仓位过重、单笔亏损过大。
3.3 三层止损与组合熔断机制
止损是量化交易里最容易被低估的部分。很多策略策略赚钱，但一次意外就把几个月利润全部回吐。我在组合层面设计了三个层级的止损和熔断机制。
第一层是策略级止损：每个策略内部设定最大回撤阈值。比如趋势策略回撤达到账户净值的8%，就暂停该策略，等它修复之后再重新启用。第二层是组合级熔断：整个组合的累计回撤达到15%时，所有策略降半仓运行，回撤继续扩大到20%则全部暂停，只保留套利策略的轻仓运行。第三层是品种级限制：单一品种的总持仓市值不超过组合总资金的30%，防止某个品种出现过大的集中度风险。
这些阈值不是固定的，需要根据策略的历史最大回撤来设定。原则是“止损线要留出正常波动的空间，但不能突破历史极端情形下你能承受的底线”。定得太窄容易频繁触发，定得太宽又起不到保护作用。
3.4 组合再平衡：定期检查策略权重与相关性
策略组合不是搭好之后就一劳永逸的。市场在变，策略的表现也在变，原来的合理配置可能半年后就失效了。我一般每个月做一次组合体检，每季度做一次正式的再平衡。
月度体检主要看三件事：各策略的当前波动率有没有异常变化、策略间相关性有没有显著上升、有没有触犯熔断或风控阈值。季度再平衡会做一次完整的权重调整，把表现过热、波动过大的策略仓位降下来，把波动平稳、相关性低的策略仓位提上去。
这里有一个需要特别注意的地方：再平衡不是“哪个策略最近赚钱就加仓”。量化组合管理的目标永远是把组合的波动控制在一定范围内，而不是追逐短期收益。过热的策略往往意味着波动也在放大，盲目追高反而破坏了组合的风险结构。
4. 核心代码与系统框架：从策略信号到组合管理
4.1 用Python实现策略信号的生成
现在做期货量化，绕不开Python。我用Python做策略研究已经有很长时间，数据获取、信号生成、回测分析基本都是用Python完成。下面我以唐奇安通道突破策略为例，展示一个最基础的趋势策略信号生成过程。
import pandas as pd import numpy as np def donchian_signal(df, period=20): """ 唐奇安通道突破策略信号 df: 包含high, low, close列的DataFrame period: 通道周期 返回: signal, 1为做多, -1为做空, 0为观望 """ df = df.copy() df['upper'] = df['high'].rolling(period).max() df['lower'] = df['low'].rolling(period).min() df['mid'] = (df['upper'] + df['lower']) / 2 df['signal'] = 0 df.loc[df['close'] > df['upper'].shift(1), 'signal'] = 1 df.loc[df['close'] < df['lower'].shift(1), 'signal'] = -1 # 去掉连续重复信号，只保留转折点 df['position'] = df['signal'].replace(0, np.nan).ffill().fillna(0) return df这段代码的逻辑其实很直观：把过去20根K线的最高价作为通道上轨，最低价作为通道下轨。价格突破上轨就做多，跌破下轨就做空。shift(1)是防止用到当根K线的最高价最低价造成前视偏差，这一点非常关键，很多新手写策略时忽略了这一点，导致回测结果严重失真。
4.2 组合层的风险控制模块实现
策略信号生成只是基础，真正的难点在组合层的风控管理。我通常会把多策略系统的架构分成四个模块：信号模块、风控模块、执行模块、监控模块。其中风控模块是最核心的，它负责把多个策略的信号汇总后做统一的风控检查。
下面是一段简化的组合风控逻辑伪代码，展示了多策略信号汇总后如何遵守统一风控规则：
def risk_check(strategy_signals, current_position, account_info): """ strategy_signals: dict, 每个策略的最新信号 current_position: 当前所有品种持仓 account_info: 账户资金、回撤等关键数据 """ combined_signals = {} # 1. 检查组合层级熔断 if account_info['drawdown'] > 0.15: return 'reduce_half' if account_info['drawdown'] > 0.20: return 'stop_all' # 2. 检查策略层级暂停 for strategy, signal in strategy_signals.items(): if account_info['strategy_drawdown'][strategy] > 0.08: combined_signals[strategy] = 0 else: combined_signals[strategy] = signal # 3. 检查品种层级集中度 for symbol, pos in current_position.items(): total_exposure = abs(pos['qty'] * pos['price'] * pos['multiplier']) if total_exposure / account_info['total_equity'] > 0.30: combined_signals[symbol] = reduce_position() return combined_signals这套风控模块的逻辑核心是“分层控制”：在策略层、组合层、品种层分别设置独立的检查规则，任何一个层级触发条件都会限制信号的下发。比如整个组合回撤超过15%，任何策略的新开仓信号都会被拦截，已有的仓位要逐步降低。
4.3 策略研究工作流：回测、评价与验证
策略组合的开发流程，我一般走四个步骤。第一步是数据准备，把历史日线数据和分钟线数据整理干净，特别要注意复权处理和异常值清洗。第二步是单策略回测，用Python的backtrader或者vectorbt框架，先跑单策略的历史表现，记录收益、回撤、夏普、盈亏比等关键指标。第三步是组合回测，把多个策略的净值序列按权重合并，观察组合整体的风险收益特征。第四步也是最重要的一步——压力验证，把2020年疫情冲击、2022年行情剧烈波动、2024年政策的极端行情时段单独拿出来，看组合在这些特殊时期的表现。
回测中有一个细节需要重点提醒：一定要把手续费、冲击成本和滑点算进去。期货交易的实际成本分为两部分，交易所手续费和期货公司加收部分，再加上市价单通常带来的滑点。我的经验是，回测时按单边万分之五到万分之八来估算总成本，会更接近真实结果。很多策略在忽略交易成本后年化收益看着很高，一旦计入真实成本，可能就失去实盘价值了。
4.4 实盘落地：用PTrade类量化终端还是自建系统
策略研究到实盘之间还差一个可落地的执行系统。目前国内期货量化实盘落地主要有两条路：一是使用券商的量化终端，比如常见的PTrade，它把行情、研究、交易打通了，可以在同一个环境里写策略文档、做回测、挂实盘；二是自己用CTP接口搭建交易系统，灵活度高，但开发和运维成本大，适合有一定编程能力的团队。
如果是以研究和策略为主、不想花太多精力在系统开发上，我会建议优先考虑PTrade这类成熟平台。它有现成的行情源和柜台接入，可以用Python编写策略和风控模块，自动交易相对稳定。代码框架上，思路是一样的：信号模块生成交易信号，风控模块做资金管理和止损判断，执行模块负责下单，监控模块负责日常运行状态巡检。
如果选择自建系统，CTP接口是绕不开的，但CTP的开发门槛并不低，涉及登录、行情订阅、报单回报、撤单重发等一整套流程。没有半年以上的技术积累，不建议直接上手自建，容易在系统层面栽跟头。
5. 常见问题与避坑实录
5.1 策略相关性极端行情下失效怎么办
我遇到过最棘手的问题之一是：平时相关性只有0.3的两个策略，在某个品种遇到极端行情时相关系数会突然飙升到0.8甚至0.9。比如2024年商品市场出现单边暴跌行情，趋势策略在大幅盈利，套利策略中的跨品种对冲由于价差同步剧烈波动，也出现了不小回撤，两者并没有形成有效的对冲。
后来我总结出来的应对思路是：除了看常规相关性矩阵，还要做压力测试场景下的相关性分析。把历史上几次最大波动行情的区间单独拿出来，计算策略在这些区间内的相关性。如果两个策略在常规时期相关性很低、但在极端行情下相关性显著上升，就要适当降低其中一个策略的权重，或者在极端行情预警触发时提前手动减仓相关策略。
5.2 回测绩效和实盘差距太大，问题出在哪里
这是几乎每个做量化的人都会遇到的问题。回测年化40%、最大回撤8%的策略，实盘跑起来变成了年化20%、回撤15%，甚至还亏钱。从我的经验看，原因集中在四个方面。
第一是高估了执行速度，回测假设信号出现后立刻以理想价格成交，但实盘从信号产生到指令到达交易所之间有几秒到十几秒的延迟，趋势策略影响相对小，高频策略影响就巨大。第二是低估了交易成本，尤其对日内策略，手续费和滑点累积起来吓人。第三是回测数据里混入了前视偏差，比如用了当根K线的数据进行信号计算，这在实盘中根本不可能实现。第四是策略参数过度优化到了历史噪声上，换个时间段或者换个品种就失效。
排查方法也很直接：把回测中的成交价格做偏离处理，比如每笔交易加一到两个滑点，再看策略是否依然盈利；把样本数据切成两半，前半段做参数优化，后半段做样本外验证；如果样本外表现明显变差，说明参数过拟合的概率很高。
5.3 多策略组合运行中需要盯哪些异常指标
组合上线后，日常监控同样重要。我的监控清单主要包括五项：组合净值波动率是否超过目标区间、策略之间相关性是否出现趋势性上升、单品种持仓集中度是否超标、策略连续亏损次数是否到了历史极值、日内回撤是否触发熔断阈值。
其中容易被忽视的是连续亏损次数。一个策略如果连续亏损超过历史最大连亏次数，意味着现在的市场环境可能已经偏离了该策略的适用区间。此时不应该抱着“快回本了”的心态继续加码，而应该暂停该策略，等市场逻辑重新匹配后再重启。这种纪律性，才是组合管理能长期跑下去的关键。
5.4 一个容易忽视的坑：过多策略导致的过度复杂化
多策略组合并不是策略越多越好。我在早期也走过弯路，为了追求“分散”，一口气上了八套策略，结果每套策略的管理都不到位，参数监控、逻辑排查、风控规则维护的工作量巨大，最终组合表现反而还不如精简后的四套策略。
后来我把策略池稳定在五到六套左右的水平，每个策略的逻辑特征要有明显区分，整体相关性控制在较低水平。这个数量下，每个策略都还有足够的精力和时间去精细打磨，同时组合也覆盖了趋势、套利、日内的主要收益来源，已经能满足分散风险的需求了。
最后再分享一个实操层面我认为很重要的点：多策略组合的运行，本质上是在考验执行纪律。策略逻辑设计得再好，如果实盘遇到回撤时忍不住手动干预，或者看到某个策略近期收益好就忍不住调仓追高，组合效果都会大打折扣。我在实盘里吃过不少亏之后得出的结论是，把规则写清楚、把风控交给代码、自己只负责定期复盘，这样反而比每天盯盘反复操作赚得更多、心态也更稳。希望这篇内容对正在做期货量化多策略组合的朋友有所启发，方向上可以参考，细节上还是要根据你自己的资金体量和风险偏好来做适配。
