Reversal 3.5：把「跌出来的反弹」做成系统的量化策略

策略核心：在大盘或个股出现单日大幅下跌后，买入近价内（near-ATM）看涨期权，等待短期反弹兑现。策略不预测方向，只在历史统计规律触发时入场，并用5日技术指标打分过滤虚假信号。

策略实盘权益曲线 Reversal 3.5 实盘模拟权益曲线（截至 2026-08-27，权益 $54,818）

从「盯着屏幕发现的现象」到一套系统

这个项目的起点很简单：作者 randomwalkhan 长期观察到一个现象——有些股票在大跌之后，往往会在接下来几天里出现比较快的反弹。这种现象在日常生活中也有类似经验：弹簧压得越狠，弹得越高。金融市场上，这种「超跌反弹」的统计规律被学术圈称为 Short-Term Reversal Effect，最早可以追溯到 Jegadeesh（1991）等经典文献。

但发现规律和用规律赚钱是两回事。作者没有止步于「看起来有效」，而是花大量时间把直觉量化——它真的是统计规律还是幸存者偏差？反弹的幅度和概率是多少？用期权而非直接买股票能放大收益吗？这些问题驱动着项目从 Reversal 1.x 逐步迭代到今天的 Reversal 3.5。

Reversal 3.5 策略的核心逻辑

入场条件（缺一不可）

条件	参数
证券类型	QQQ 成分股 + 杠杆 ETF（SOXL/UPRO/DRAM）
60日回望窗口	过去60个交易日最大单日跌幅 ≥ 0.5%
信号匹配	同一标的在回望窗口内至少有10次符合条件的样本
成功率门槛	历史反弹成功率 ≥ 80%
PE估值过滤	非ETF标的需 trailing P/E < 140
趋势健康门控	短期下行通道中不开仓（趋势健康度指标）
5日技术打分	技术指标综合打分 < 0.50 时不开仓

期权参数

标的选择：近价内（near-ATM）看涨期权，约 30 DTE（距离到期日）
止盈/止损：回测中用 +10%/+15%/-10% 三级阶梯出场；实盘执行 +15%/+15%/-10%
流动性门控：要求最小持仓量（open interest ≥ 110）、成交量（volume ≥ 20）、买卖价差（spread ≤ 14%）

技术实现：Python + 量化工具链全景

项目以 Python + Jupyter Notebook 为核心研究环境，依赖以下关键依赖：

工具	用途
`yfinance`	从 Yahoo Finance 获取历史 OHLCV 数据
`pandas` / `numpy`	数据处理与向量化计算
`matplotlib`	回测权益曲线和实验可视化
Black-Scholes 公式	期权定价与希腊字母计算
GBM 模拟	蒙特卡洛模拟估计期权持有期收益分布
`scipy`	统计检验、曲线拟合
`requests`	实时行情 API 调用
Alpaca API	实盘/纸盘券商接口

核心回测脚本 backtest_reversal_3_3_calls.py 包含完整的 walk-forward 分析：用前3年数据训练入场参数，再用未来1年数据验证，做到真正的样本外测试。

回测结果与实盘表现

策略 3.3 版本回测权益曲线

从项目 README 中公开的实盘数据来看（截至 2026-08-27）：

初始权益：$10,000
当前权益：$54,818（浮亏 $700，1个持仓中）
已实现盈亏：$45,518
运行模式：Alpaca 纸盘（Paper Trading），完全模拟实盘环境
监控方式：GitHub 自动更新权益截图（每小时刷新）

整个策略从 2024 年初开始实盘验证，至今已运行超过两年，是少数真正公开透明、实时更新的量化研究项目。

三年磨一剑：从 1.x 到 3.5 的版本演进

版本	核心改进
`1.x`	最小股票观察集，验证「大跌→反弹」基本假设
`2.0-2.5`	加入 Black-Scholes 期权定价，覆盖不同 universe 组合
`2.3.3`	扩展 universe 到 qqq+LETF，发现杠杆ETF组合胜率更高
`2.4`	专门分析过拟合风险（overfit analysis）
`3.1`	加入 regime score 机制（市场状态过滤）
`3.3`	加入 5 日技术指标 timing overlay
`3.5`	当前生产执行版本，参数全面收敛

项目专门写了 RESEARCH_GUARDRAILS.md 作为研究纪律文档，明确规定不使用未来数据、不事后调整参数。这在开源量化项目中极为罕见。

争议与局限：诚实的自我审视

样本量问题：QQQ 成分股中满足全部入场条件的标的数量有限，实际可用于交易的候选标的偏少。
过拟合风险：策略参数均从历史数据中调优，虽然有 walk-forward 验证，但样本外表现仍需更长时间周期检验。
券商依赖：实盘/纸盘完全依赖 Alpaca API，券商政策变化可能影响策略执行。
交易成本简化：回测中的交易成本可能低估真实环境中的摩擦成本。

Timing Overlay 实验 5日技术指标 Timing Overlay 效果对比

行业意义：开源量化的一面镜子

randomwalkhan 的这个项目有几点特别值得关注：

透明即信任：每次实盘权益截图每小时自动更新，不做任何事后筛选，浮亏也一并公开。
研究方法论先行：RESEARCH_GUARDRAILS.md 明确列出了研究纪律，是防止量化研究「自我欺骗」的核心防线。
从直觉到系统的完整路径：项目记录了从「看到大跌后有反弹」→「验证现象」→「做成可交易系统」→「加入期权增强收益」→「walk-forward 验证」的全过程，为量化研究提供极好范本。

快速上手指南

git clone https://github.com/randomwalkhan/Short-Term-Reversal-Strategy.git
cd Short-Term-Reversal-Strategy
pip install yfinance pandas numpy matplotlib scipy
python backtest_reversal_3_3_calls.py  # 运行回测
python reversal_3_3_live.py              # 启动纸盘（需Alpaca账号）

前提条件：需要拥有 Alpaca 证券账户（美国券商，支持期权交易），并配置 APCA_API_KEY_ID 和 APCA_API_SECRET_KEY 环境变量。

Jupyter 研究入口：Reversal3.3.ipynb 是主要的探索性研究 notebook，适合在本地环境中逐步复现每个版本的实验逻辑。