报告导读：
　　本文构建了一套覆盖525个Alpha因子的国债期货多因子策略体系。因子库的因子共9大类别，涵盖量价、利率、宏观、跨合约价差、久期、权益联动、机构行为、席位，以及机器挖掘因子。其中，机器挖掘因子是通过GA遗传算法、机器学习、表示学习、滚动主成分分析等方法得到非线性因子，共同构成挖掘因子池。通过严格的IC筛选、夏普-Calmar加权、波动率缩放及组合止损机制，最终构建出四个国债期货合约(T/TF/TS/TL)的投资组合。
　　核心结论：
　　(1)多合约等权组合(目标波动率10%)全区间夏普比率3.457，最大回撤仅-1.81%，Calmar比率6.96，样本外夏普3.349，样本外回撤-0.94%，显著优于任何单合约策略，样本内外业绩一致性较强。
　　(2)单合约最优策略夏普介于1.688~2.812之间，通过多合约组合有效分散了利率曲线风险
　　 (3)机器挖掘因子在筛选因子中占比约30%，显著提升了策略的信息含量
　　研究框架要点：
　　(1)GA遗传算法、机器学习、表示学习、滚动主成分分析等方法挖掘因子，共同构成挖掘因子池。通过SimpleGAFactorMiner(简化遗传算法)、GAFactorMiner(DEAP遗传编程)、SupervisedFactorMiner(LightGBM /RandomForest/GradientBoosting监督学习)、RepresentationFactorMiner(PCA/RollingPCA表示学习)四类引擎，从原始因子中自动挖掘非线性组合因子，与人工设计的499个传统因子共同构成525个Alpha因子池。
　　(2)严格样本内外划分(2024-12-31为界)。样本内区间(2020-01-01 ~ 2024-12-31)用于因子挖掘、参数优化及组合构建；样本外区间(2025-01-01 ~ 2026-04-30)用于独立验证策略泛化能力。所有因子权重、组合参数均在样本内确定，样本外期间不做任何参数调整。
　　(3)精确回测引擎(t日收盘信号→ t+1日开盘执行，无前视偏差)。回测严格遵循滞后执行原则：t时刻bar收盘后产生信号，t+1时刻bar开盘时执行，考虑滑点，收益从t+1开始计算。
　　(4)多种组合加权方法。单因子层面支持夏普加权、夏普-Calmar加权、等权组合；多合约组合层面支持等权、夏普加权、风险平价、回撤倒数四种合约间权重分配方法。
　　(5)波动率缩放+ NAV迭代止损。根据20日滚动波动率动态调整仓位，使组合实际波动率趋近目标值；针对特定合约引入NAV迭代止损机制，当净值回撤超阈值时按衰减系数逐步降低仓位。
　　(6)多合约组合(等权配置，目标夏普>3.0，回撤<-2%)。将T/TF/TS/TL四个单合约策略按等权方式组合(各25%资金)，目标波动率10%，全区间夏普3.457，最大回撤仅-1.81%，样本外夏普3.349。