第六、七道工序：组合优化与仿真

组合优化：目标函数只有一行#

把前面所有工序的产出装进一个目标函数：

最大化：总预测收益 − 风险惩罚 − 交易成本惩罚

预测来自第 2~3 章，风险项来自第 4 章的因子协方差，成本项来自第 5 章。没有成本项时这就是单期均值-方差，闭式解一步到位。成本项一进来，问题的性质就变了——今天的交易影响明天的持仓和后天的成本，单期问题变成多期动态规划。

多期问题的工程近似是原书的重头戏，直觉可以用两句话说完：

• 别一步跳到目标仓位：存在成本时，最优策略是每期向”理想组合”移动一小步（部分调整）——移动速度由 alpha 衰减速度与冲击成本的比值决定；
• 快慢 alpha 要区别对待：快信号衰减快，等你慢慢建仓它已经没了——所以快信号只配小仓位快执行；慢信号才值得承载大仓位。预测的半衰期决定它的容量，这是第 3 章快慢搭配在优化端的闭环。

杠杆：Kelly 的现实版#

组合形状定了，还剩”整体开多大”。理论答案是 Kelly 准则（最大化对数财富增长率），但原书的实践立场是：永远用 fractional Kelly。因为 Kelly 的输入（预期收益）恰恰是你估得最不准的东西，而过度杠杆的惩罚是不对称的——估高一倍会破产，估低一倍只是少赚。波动率目标制（vol targeting）是同一思想的日常形式。

第 7 章仿真：全书最坦诚的一章#

回测（仿真）是量化研究的核心仪器，这章讲的是仪器本身的系统误差：

1. Simulation 与 production 的一致性：回测代码和实盘代码如果是两套，它们的差异就是一类无法审计的误差。理想架构是同一套决策代码，喂历史数据就是回测，喂实时数据就是实盘——本平台”研究模块与 API 共用同一套代码”的设计正是这个原则的低配版；
2. 回测过拟合：试验次数必须记账，多次尝试后的最好夏普要打折——与《金融机器学习》的 Deflated Sharpe 一脉相承，原书从业者视角补了一刀：研究员的简历激励天然鼓励过拟合，制度设计（样本外封存、试验登记）比个人自律可靠；
3. Paper trading 的位置：上线前用实时数据空跑，是抓”回测与现实差异”的最后一道网——它抓不到统计问题，但能抓到数据口径、时序、成交假设的工程问题；
4. Bugs 单独成节：教材里罕见的诚实。作者的经验之谈——量化系统的 bug 里，让回测变好看的 bug 存活时间远长于让回测变难看的，因为没人急着去查好消息。所以要双向怀疑：坏结果查 bug，好结果更要查 bug。

本页带走的三句话#

1. 组合优化的目标函数只有一行：预测收益 − 风险罚 − 成本罚；成本项把单期问题变成多期，最优解从”跳到目标”变成”逐步逼近”；
2. 预测的半衰期决定它的容量；杠杆永远用 fractional Kelly——你估得最不准的数不配满仓 Kelly；
3. 回测和实盘要共用一套代码；让回测变好的 bug 活得最久——好结果比坏结果更需要查 bug。