核心观点
　　本文作为利率量化择时系列报告的续作，聚焦于胜率视角下的交易性择时策略，系统性回顾历史上经典的右侧交易方法，优化并提出了一套“趋势识别-节奏控制-信号整合”的日频多信号交易性择时策略，最终在T与TL利率期货品种中进行策略回测。
　　基本面择时vs交易性择时
　　基本面择时从左侧出发，以宏观基本面与事件驱动为主，强调逻辑演绎与变化，常用于中长期布局，以前篇报告《赔率视角下的30年国债期货择时策略》为例，我们构建了以集成学习为核心的分类模型。相对地，交易性择时侧重于市场行为本身，以量价数据为核心，借助技术指标进行右侧跟踪和短期交易，通过均线系统、振荡指标、趋势形态、动量节奏、支撑压力等工具构建右侧交易模型。
　　经典技术指标与子策略介绍
　　在以胜率为核心的右侧择时体系中，技术分析扮演了趋势识别、信号确认、节奏控制等角色。尽管近年来机器学习频频用于择时，但传统技术指标（K线、MACD、KDJ）仍因其逻辑清晰、参数稳定、易于执行，在量化和主观交易中广泛应用。近年来随着利率下行与波动率上升趋势共振，技术指标有效性下降，滞后性、误报率、信号断裂、稳定性弱等问题依旧突出。因此，我们设计了一套围绕“趋势识别-节奏控制-信号整合”三层结构的多信号择时策略，包括低延时趋势、阶矩波动判断、单双均线跟踪，通道过滤、以及九转结构识别等细分模块。
　　多信号策略
　　我们通过在最优参数下的子策略来构建多信号策略，以增强策略的鲁棒性。复合策略的核心类似于机器学习中的集成模型，目的在于将单策略的优势和信号相结合，构建多信号策略，并且在不同信号间交叉检验，在交易中保持信号稳定，进而降低交易频率以节约成本。策略持仓规则统一采用“交叉检验信号触发法”：当任意两个子策略发出买入信号即视为入场，无信号时空仓或平仓。结果显示，多信号策略表现优异。从胜率的角度出发，只要存在结构性做多机会，模型往往能较早捕捉并实现正向收益。在不考虑交易滑点、杠杆率、保证金的情况下，对于T，回测区间内（2015/03/20 ~ 2025/07/29）年化收益达8.63%，夏普比3.04，最大回撤2.62%，交易胜率70.37%；对于TL，回测区间内（2023/04/21 ~ 2025/07/29）年化收益达23.22%，夏普比3.78，最大回撤2.28%，交易胜率80.77%。以TL为例，2025年策略成功规避了2月和7月的大幅回撤，由于多信号模型的趋势识别与波动过滤等机制，策略及时避免了错误入场，保持了净值稳定且规避下行风险，显示出策略在极端行情下的防御能力。
　　风险提示
　　模拟交易与回测局限性；硬件误差风险；历史数据失真风险。