之前做ETF轮动用的普通回归算法，容易被极端K线带偏方向，而纯粹的动量指标又缺乏对趋势形态的刻画，有没有一种回归算法让趋势评分既敏感又稳定呢。今天要拆解的这套V28.1版本，就是在趋势评分环节融入了Huber回归抗异常点能力与Sigmoid函数对斜率的非线性压扩，形成了一套更鲁棒的评分体系。五年回测策略达256.73%​​，​​年化超额收益达到27%​​，​最大回撤为28.34%​​。​​整体策略的整理逻辑这套策略的核心可以拆解为四个环节：候选池评分、持仓选择与分配、盘中盘后止损机制、以及冷却与调仓规则。评分环节是V28.1的修改核心，它决定了哪些ETF能进入持仓候选。传统做法是直接用线性回归拟合对数价格，然后把斜率与R方相乘作为趋势得分。但线性回归对异常值非常敏感——碰到一根因突发事件放量的异常阳线或阴线，斜率会被大幅拉偏，导致评分失真。V28.1的做法是先用Huber回归替代普通线性回归，Huber回归通过一个epsilon参数控制异常点的权重衰减程度，相当于给极端数据加了软约束。然后，将得到的斜率送入Sigmoid函数进行非线性压扩，把斜率限制在[-1,1]区间内。这样做的目的很明确：当斜率绝对值过大（比如连续暴涨或暴跌）时，Sigmoid的饱和特性会压缩它对评分的贡献，避免极端行情下的单边押注。组合效果就是，评分对温和趋势更加敏感，对剧烈波动则保持克制。持仓选择环节很简单：按评分降序取前两名，各分配固定仓位。但这里有个容易被忽视的细节——实盘和回测的资金分配逻辑不同