一手笔记

长尾需求

Thu, 30 Jul 2026 00:00:00 GMT

长尾需求指单个规模不大、数量很多、分布分散，但合在一起能形成可观市场的需求。 它和“头部需求”相对：头部需求集中、热门、容易被大多数人看见；长尾需求更细碎、更小众，单看每一项都不大，但总量可能很大。

典型例子

场景	头部需求	长尾需求
电商	手机、纸巾、热门家电	特定型号配件、小众手工工具
内容平台	热门影视、爆款课程	冷门纪录片、细分技能教程
搜索广告	“买车”“装修”	“老房卫生间防水补漏多少钱”
SaaS	通用 CRM、OA	某个细分行业的排班、报表、合规流程

为什么重要

长尾需求过去很难被满足，因为线下货架、广告位、销售人力都有限，只能优先服务最大众的需求。互联网把库存、搜索、推荐、支付和交付成本降下来后，许多小众需求可以被找到、聚合和低成本服务。

对产品和内容来说，长尾需求常常意味着：竞争没有头部市场那么激烈，用户意图更明确，转化率可能更高，但单点规模有限，需要靠大量细分入口积累。

怎么判断

搜索词很具体，说明用户已经有明确问题。
单个关键词流量不大，但类似词很多。
大平台不愿专门服务，因为市场太碎。
用户愿意为“正好解决我的问题”付费。

边界

长尾需求不是“没人要的需求”。如果需求太弱、付费意愿太低、触达成本太高，即使很细分，也不值得做。真正有价值的长尾，是小众但真实、分散但可聚合、单点小但总量大。

策略生命周期：衰减监测、下线决策与迭代方法论

Wed, 29 Jul 2026 00:00:00 GMT

本课目标：理解策略为什么必然衰减，建立实盘表现与回测预期的偏离监测，形成降仓与下线的决策框架，并把单个策略的生死放进一套可持续迭代的个人研究体系里。

这是本系列的收官课。前面所有课程解决的是"如何造出并运行一个策略"，这一课解决的是"如何与策略的一生相处"。策略和产品一样有生命周期：上线、成熟、衰减、退役。量化研究者的长期收益，不来自某一个不朽的策略，而来自管理整个生命周期的能力。照例说明：本文不构成投资建议。

策略为什么会衰减

几乎没有策略能永远有效，衰减的来源可以归为四类：

超额收益被套利：策略赚的钱本质是市场的某种定价错误，越多资金发现它，错误被纠正得越快；
市场结构变化：交易制度、参与者结构、涨跌停与停牌规则、做空工具的变化，都会改变价量数据的生成机制，让基于旧机制的规律失灵；
风格与宏观环境切换：有些策略并未失效，只是它所依赖的风格进入了长周期的逆风段——这与永久失效很难在当下区分，是决策最难的地方；
从未有效：最残酷的一类——回测中的优势本来就是过拟合的产物，实盘只是把真相还给你。

区分"暂时逆风"与"永久失效"没有确定答案，但有一个有用的追问：**这个策略当初赚钱的逻辑，现在还成立吗？**逻辑仍在、只是短期波动，与逻辑基础已经消失，处理方式完全不同。

偏离监测：实盘 vs 回测预期

策略上线时，就应该同时上线它的"体检系统"。核心思路是把回测阶段的表现分布作为基准，持续检验实盘表现是否还落在这个分布之内。常用监测指标：

指标	监测方式	预警含义
滚动夏普	滚动窗口夏普与回测同窗口分布对比	持续低于回测分布低分位则预警
回撤超限	当前回撤 vs 回测最大回撤	实盘回撤显著超过历史最深回撤
换手与成本	实际滑点、成本 vs 回测假设	执行环节恶化，侵蚀理论收益
信号衰减	分组单调性、IC 的滚动均值	因子区分度下降

import pandas as pd
import numpy as np

def rolling_sharpe(ret: pd.Series, window: int = 120) -> pd.Series:
    mu = ret.rolling(window).mean()
    sd = ret.rolling(window).std()
    return mu / sd * np.sqrt(244)

live_rs = rolling_sharpe(live_ret)
bt_dist = rolling_sharpe(bt_ret).dropna()
alert = live_rs.iloc[-1] < bt_dist.quantile(0.10)  # 跌入回测分布尾部则预警

要点是事前设定这些阈值。上线那天就写下："滚动夏普跌破回测分布的某个分位并持续若干周，进入观察；实盘回撤超过回测最大回撤的某个倍数，触发降仓评估。"事前写下的规则，才能对抗事后的自我说服。

降仓与下线的决策框架

监测触发预警之后，决策建议走一个分级流程，而不是二选一的"留或删"：

观察级：单一指标预警。不动仓位，但启动归因——亏损来自因子失效、执行恶化，还是风格逆风？
降仓级：多个指标同时预警，或单指标持续恶化。将策略的风险预算下调（例如降半），把决策压力先释放一部分；
下线级：满足事前定义的下线条件——如逻辑基础被证伪（赚钱机制对应的市场条件已消失）、或表现恶化程度与持续时间双双越过红线。下线后策略转入"纸面跟踪"状态，继续模拟运行；
复活评估：纸面跟踪一段时间后若表现回归，且能解释此前恶化的原因，可以走重新入池流程。

这个框架的价值在于把一个情绪化的决定（"我舍不得删它"）拆成一串小决定，每一步都有客观触发条件。同时警惕反方向的错误：过于敏感的下线规则会把正常波动误判为死亡，频繁杀掉本来健康的策略——下线规则本身也要用历史数据检验误杀率。

策略迭代与版本管理

策略不是改一次就完的，要像管理软件一样管理它的版本：

每个策略有唯一标识和版本号，参数、universe、成本假设的任何变更都产生新版本；
每个版本保留：完整代码与配置的快照、回测报告、上线日期、变更理由。半年后你一定会忘记当时为什么改；
新旧版本并行跟踪：新版本先以纸面或小资金运行，与旧版本同场对比一段时间再切换，防止"越改越差"而不自知；
警惕"迭代式过拟合"：每次实盘不顺就回去调参，本质是把样本外数据逐渐变成样本内。健康的迭代应当由逻辑驱动（发现了机制层面的改进），而不是由近期亏损驱动。

收官：构建属于你自己的研究体系

系列课到这里，把视角从单个策略拉远到十年尺度的研究生涯，几条长期建议：

积累资产而不是积累策略：真正复利增长的是你的数据管道、回测框架、风控模块、实验记录这些基础设施。策略会死，基础设施让下一个策略的研发成本越来越低；
写研究日志：每一个尝试过的想法，无论成败都记录假设、实验、结论。失败的实验是你最独特的私有数据；
保持小仓位的探索预算：把大部分资金放在成熟策略上，留一小份风险预算给新想法的实盘验证，让体系始终有新陈代谢；
接受周期：你的方法论会经历顺风和逆风，体系的意义就是让你在逆风期靠规则而不是靠意志力活下来。

市场永远在变，这是坏消息，也是好消息——正因为没有一劳永逸的答案，持续研究的能力本身才成为最深的护城河。

本课小结

策略衰减源自被套利、结构变化、风格逆风或本就过拟合，核心追问是"赚钱逻辑还成立吗"；
上线策略时同步上线监测：滚动夏普、回撤超限、成本偏离、信号衰减，阈值必须事前设定；
下线决策走"观察—降仓—下线—纸面跟踪—复活评估"的分级流程，且下线规则本身要检验误杀率；
用版本管理对待策略迭代，新旧版本并行对比，警惕由亏损驱动的迭代式过拟合;
长期看，数据管道、回测框架、研究日志这些基础设施才是复利资产。

动手练习：为你实盘或模拟盘中的一个策略写一份《生命周期协议》：明确它的赚钱逻辑一句话、三个监测指标及各自的观察/降仓/下线触发条件、下线后的纸面跟踪期长度和复活条件，然后把这份协议和策略代码一起纳入版本管理。

实盘工程：执行、监控与故障处理

Tue, 28 Jul 2026 00:00:00 GMT

本课目标：梳理从回测走向实盘的工程差距清单，搭建下单执行、监控告警和故障处理三大模块的基本框架。

回测系统是实验室，实盘系统是生产线。实验室里跑通的东西，放到生产线上会遇到一整类新问题：数据晚到、接口断线、订单部分成交、程序半夜崩溃。实盘工程的目标不是消灭故障——故障一定会发生——而是让每一类故障都有预案、有告警、有兜底。本文讨论工程方法，不构成投资建议。

回测与实盘的差距清单

先把差距列出来，才知道要补什么：

维度	回测世界	实盘世界
数据	干净、完整、瞬间可得	会迟到、会缺失、会出错
成交	按假设价格全额成交	部分成交、滑点、排队不成交
时间	一次性跑完全部历史	必须在交易时段内按时完成每一步
状态	无状态，随时重跑	有持仓、有在途订单，重启需恢复状态
错误	抛异常就停	停下来本身就是风险敞口

这张表的每一行都对应一块工程投入。最容易被低估的是最后两行：实盘系统是有状态的长期运行服务，崩溃后如何恢复现场（当前持仓、未完成订单、今日已发信号）必须在设计之初就考虑。一个实用的设计原则是让关键步骤幂等：同一个信号重复执行不会重复下单，重启后重跑当日流程能得到一致的结果。做到这一点，大部分"崩溃后不敢重启"的恐惧都会消失。

国内实盘通道概览

个人和小团队做 A 股程序化，常见的通道大致几类：券商提供的量化终端（如 QMT、PTrade 等，提供行情、下单接口和策略运行环境）、券商开放的接口服务，以及面向机构的专业交易系统。选择时关心几个维度就够了：

接口稳定性与文档质量，是否支持你需要的委托类型；
数据推送的及时性，以及历史数据能否满足研究复现；
资金门槛、费率，以及合规要求——务必通过正规渠道接入，遵守券商和交易所对程序化交易的报备与管理规定。

通道只是水管，不必神化。真正决定实盘质量的是你自己在水管两端搭的东西：信号生产和执行监控。

下单执行：拆单与限价保护

把一个目标持仓变成一串订单，中间有大量细节。两个最基本的机制：

拆单：大单直接砸进盘口会造成冲击。基本做法是把母单拆成子单，按时间或按成交量比例逐步执行，控制单笔子单占盘口挂单量和近期成交量的比例。

限价保护：永远不要裸发市价单。用"对手价加减若干跳"的限价单代替市价单，既保证大概率成交，又给滑点上了锁。

def make_child_orders(target_qty: int, max_child: int,
                      side: str, ref_price: float,
                      protect_ticks: int = 3, tick: float = 0.01):
    """把母单拆成子单，并给出限价保护价格"""
    sign = 1 if side == 'buy' else -1
    limit_price = round(ref_price + sign * protect_ticks * tick, 2)
    qtys = []
    remain = target_qty
    while remain > 0:
        q = min(max_child, remain)
        qtys.append({'qty': q, 'limit': limit_price})
        remain -= q
    return qtys

在此之上还有两个必答题：子单超时未成交怎么办（撤单重报？追价几次为止？）；尾盘还没完成怎么办（放弃剩余量还是收盘前集中处理）。这些规则要事先写死在代码里，不能留给盘中临时决定。

执行层还有一条常被忽视的原则：执行质量要量化。每天记录每笔成交相对信号价或到达价的滑点，按标的流动性分组统计。只有持续测量，你才知道回测里的成本假设是否贴近现实，也才有依据去改进拆单参数。执行是少数几乎"纯靠工程就能改善收益"的环节，值得投入。

监控告警：四条防线

实盘监控的原则是：每一个环节都假设它会坏，并为它安排一个观察者。至少要覆盖四层：

数据监控：行情是否按时到达、时间戳是否连续、关键字段是否出现异常值（如价格为零、成交量倒挂）。数据坏了，后面全错；
信号监控：今日信号是否按时生成、信号分布是否偏离历史常态（比如突然要求换手全部持仓，往往是上游数据出错而不是市场机会）；
持仓与风险监控：实际持仓与目标持仓的偏差、总敞口、单票集中度是否越界；
成交对账：每日收盘后，系统记录的持仓和资金必须与券商结算数据逐笔核对，任何不一致都要当日查明原因。

告警要分级：提示类进日志、异常类发消息、致命类（如持仓对不上、风控线触发）必须打电话或用能把人叫醒的方式。所有告警都要避免"狼来了"——长期误报的告警等于没有告警。

故障演练与手动接管

预案写在纸上没用，要演练。建议定期做几类演习：

断线演练：盘中主动切断行情或交易连接，验证系统能否正确暂停、重连后能否恢复状态而不重复下单；
脏数据演练：注入一条异常行情，验证数据校验层能否拦截；
手动接管演练：假设程序完全不可用，你是否能在几分钟内用券商客户端手工查清当前持仓、撤掉所有在途订单、必要时手工平仓。手动接管的操作步骤应该写成一页纸的清单贴在手边。

另外准备一个"一键停止"开关：立即停止发新单并撤掉全部未成交订单，但不平仓。多数故障场景下，先冻结局面再排查，比慌乱操作好得多。每次真实故障之后，把经过和处理写进故障记录，并检查现有告警为什么没有更早发现它——故障记录积累一年，就是你最贴身的运维手册。

本课小结

实盘与回测的核心差距在于：数据会坏、成交不确定、系统有状态、停机本身就是风险；
通道选型看稳定性、接口能力与合规，剩下的质量取决于你自己的执行与监控层；
下单执行的两块基石是拆单和限价保护，超时与尾盘处理规则必须事先固化；
监控覆盖数据、信号、持仓、对账四层，告警分级且严控误报；
故障不可避免，可演练的预案和一页纸的手动接管清单是最后防线。

动手练习：为你的策略写一份《手动接管清单》：假设程序在持仓状态下彻底崩溃，列出从"发现故障"到"局面受控"的每一步操作（查持仓、撤单、评估是否平仓、记录现场），然后找一个非交易时段，用模拟环境把整个流程完整走一遍并计时。

策略容量与多策略配置：规模是收益的敌人

Mon, 27 Jul 2026 00:00:00 GMT

本课目标：理解"规模为什么会吃掉收益"，学会粗略估算策略容量、识别拥挤度，并用风险预算的方式管理一个多策略组合。

回测里的年化收益是"零资金假设"下的理论值：假设你的交易不影响价格、想成交多少就成交多少。一旦资金变大，这两个假设都会破产。理解容量，是从"做出一个好策略"走向"管理一笔真实资金"的必修课。本文为方法讨论，不构成投资建议。

容量从哪里被吃掉：三个约束来源

策略容量的本质是：随着管理规模上升，实际可实现的超额收益会衰减，直到某个规模时新增资金的边际收益为零。衰减来自三个层面：

流动性约束：你能买的量受制于标的的成交额。小市值股票上的策略，规模稍大就买不进、卖不出，或者被迫拉长建仓周期，让信号在等待中过期；
冲击成本：你的订单本身会推动价格。买入推高成本、卖出压低卖价，冲击成本大致随参与率上升而非线性增长——规模翻倍，冲击成本上升往往不止一倍；
信号衰减：换手越高、持有期越短的策略，对执行摩擦越敏感。一个依赖短期反转的高换手策略，其超额收益的"半衰期"可能只有几天，大资金根本来不及完成布局。

一个直觉性结论：换手率越高、持仓越偏小市值、信号越短期，容量越小。指数增强这类低换手、全市场分散的策略容量大；小市值高频轮动策略容量小。

容量估算：不求精确，只求量级

容量无法精确计算，但可以估出量级。一个常用的思路是从"参与率上限"倒推：

设定单票成交参与率上限（例如不超过当日成交额的某个百分比，避免明显冲击）；
结合策略的持仓分布和调仓周期，算出每期最多能换手的金额；
再由策略的目标换手率，反推出可承载的总规模。

import pandas as pd

def capacity_estimate(positions: pd.DataFrame,
                      max_participation: float,
                      turnover_per_rebalance: float) -> float:
    """粗略容量估算：positions 含每只持仓的权重 weight 与日均成交额 adv"""
    # 每只票单期可交易金额上限 = 日均成交额 * 参与率 * 建仓可用天数
    tradable = positions['adv'] * max_participation * positions['days']
    # 单票隐含的组合规模 = 可交易金额 / (权重 * 单期换手率)
    implied = tradable / (positions['weight'] * turnover_per_rebalance)
    return implied.min()  # 瓶颈由最难交易的持仓决定

注意最后一行：容量由瓶颈持仓决定，而不是平均值。另一个交叉验证的办法是在回测中直接叠加随规模递增的冲击成本模型，画出"规模—净超额收益"曲线，找到收益衰减到不可接受的拐点。

策略拥挤度：别人和你做一样的事

容量不只关于你自己的规模，还关于所有做同类策略的资金总量。当一个因子或策略变得拥挤：

收益被提前透支，超额收益中枢下移；
更危险的是"拥挤交易的踩踏"：当持有同类头寸的资金同时止损或降杠杆时，会出现与基本面无关的剧烈回撤，且流动性在你最需要它的时候消失。

拥挤度难以直接观测，但有一些代理指标可以跟踪：同类公开产品的规模增速、因子多头组合的估值分位、因子近期的动量与波动、成交额中疑似同向资金的占比变化。指标不必精确，重要的是当多个代理指标同时亮灯时，主动降低该策略的风险预算。拥挤本身不是立刻离场的理由——拥挤的策略往往还能继续赚一段——它改变的是风险收益比：上行空间在收窄，尾部风险在累积，你的仓位应该随之下调。

多策略配置：相关性管理与资金分配

单策略容量有限，规模增长的正路是横向扩展策略池。多策略配置的两个核心问题：

**第一，相关性管理。**多策略的价值几乎全部来自低相关。两个相关性很高的策略放在一起，只是同一个策略的两份仓位。实操建议：

用滚动窗口计算策略间收益相关性，重点看压力时期的相关性——平时不相关的策略在危机中经常一起回撤；
按驱动逻辑给策略分类（价量类、基本面类、事件类、对冲套利类），逻辑同源的策略即使历史相关性低，也要合并计入同一个风险桶。

**第二，资金分配。**推荐从等波动（每个策略贡献相同波动）起步，再演进到风险预算（按你对各策略的信心和容量分配风险份额）：

分配方式	逻辑	优点	缺点
等资金	每策略同样资金	简单	高波动策略主导组合风险
等波动	每策略同样风险贡献	风险均衡、稳健	忽略收益预期差异
风险预算	按信心与容量定制风险份额	灵活、贴近实战	依赖主观判断，需纪律

策略池的进出机制

多策略组合是活的，需要一套新陈代谢规则：

入池标准：新策略必须经过样本外跟踪期（先模拟盘、再小资金），且与现有池子的相关性低于门槛，逻辑上能说清楚收益来源；
观察与降级：实盘表现显著劣于回测预期、或拥挤度指标持续恶化的策略，先降风险预算进入观察名单，而不是立刻踢出；
出池纪律：事前定义下线条件（如滚动表现跌破阈值且逻辑基础被证伪），避免"亏损了但舍不得删"的沉没成本陷阱。

进出机制本身也要留痕复盘：每次入池、降级、出池的理由都记录在案，一年后回看这些决策的质量。你会发现自己系统性的偏差——比如总是对亲手研发的策略更宽容、对表现平稳但不起眼的策略更苛刻——而纠正这些偏差本身，就是多策略管理水平的提升。

本课小结

容量被流动性、冲击成本、信号衰减三者共同限制，换手越高、票越小、信号越短，容量越小；
容量估算看量级不看精度，瓶颈由最难交易的持仓决定；
拥挤度是系统性风险：无法精确测量，但可以用多个代理指标预警并主动降预算；
多策略的价值来自低相关，资金分配建议从等波动起步，向风险预算演进；
策略池要有明确的入池、观察、出池规则，并对这些决策本身做复盘。

动手练习：选你手上换手率最高的一个策略，按"参与率上限倒推"的思路估算它的容量量级；再在回测中叠加一个随规模上升的线性冲击成本，画出规模从小到大时净超额收益的衰减曲线，标出你认为的容量拐点。

组合风控体系：风险预算、压力测试与回撤控制

Sun, 26 Jul 2026 00:00:00 GMT

本课目标：把"感觉危险就减仓"升级为一套分层的风控体系——事前有预算、事中有监控、事后有复盘，并且每条规则都经过回测检验。

很多策略死掉不是因为信号失效，而是因为某一次风险事件把本金打掉了太多，从此再也回不到正常运转的状态。风控体系的意义在于：在事情发生之前就规定好你会怎么做，而不是在恐慌中临场发挥。本文是方法论讨论，不构成投资建议。

风控的三层结构：事前、事中、事后

把风控动作按时间轴拆开，会清晰很多：

层次	时点	核心问题	典型工具
事前	建仓之前	我最多愿意亏多少？亏在哪里？	风险预算、仓位上限、集中度约束
事中	持仓期间	现在的风险和预算一致吗？	实时敞口监控、回撤线、波动率目标
事后	事件之后	亏损来自哪里？规则有效吗？	归因分析、风控规则复盘

三层缺一不可。只有事中监控而没有事前预算，就会陷入"跌了才想该不该卖"的被动；只有事前规则而没有事后复盘，规则会逐渐和市场脱节。

事后复盘值得多说两句，因为它最容易被省略。每一次显著回撤之后，至少回答三个问题：亏损来自哪个策略、哪类因子、哪些持仓？事前的风险预算有没有正确预估这次亏损的量级——如果实际亏损远超预算，说明风险模型漏掉了什么？事中的规则有没有被严格执行——如果没有，是规则不合理还是执行纪律出了问题？把答案写成简短的复盘记录，几次积累下来，你对自己组合的风险画像会远比任何模型输出更真切。

风险预算：先分配"亏损额度"再分配资金

传统做法是分配资金（给策略 A 三成仓位），更合理的做法是分配风险（允许策略 A 贡献组合三成的波动或回撤）。两者的区别在于：低波动策略可以拿更多资金，高波动策略必须被压缩。

一个简化的风险预算流程：

确定组合层面的总风险目标，比如年化波动率目标或最大可容忍回撤；
按策略间相关性和各自波动率，把总风险拆分到每个子策略；
用目标风险除以子策略的实际波动率，反推出资金权重；
定期（如每月）根据滚动波动率重新校准。

import numpy as np

def vol_budget_weights(vols: np.ndarray, budgets: np.ndarray) -> np.ndarray:
    """按风险预算反推资金权重（忽略相关性的简化版）"""
    raw = budgets / vols          # 风险预算 / 波动率
    return raw / raw.sum()        # 归一化为资金权重

vols = np.array([0.25, 0.12, 0.08])      # 三个子策略的年化波动
budgets = np.array([0.4, 0.4, 0.2])      # 期望的风险贡献占比
print(vol_budget_weights(vols, budgets))

严格版本需要考虑相关性矩阵，但即使是这个简化版，也比按拍脑袋分资金要纪律得多。

压力测试与情景分析：问"如果……会怎样"

波动率和 VaR 描述的是常态，压力测试关心的是非常态。设计压力测试有两条路径：

历史情景重放：把组合当前的持仓放回历史上的极端阶段（如流动性危机、风格剧烈切换、单一板块崩塌的时期），看损益如何；
假设情景构造：人为设定冲击组合，例如"中小市值因子单月大幅回撤 + 成交额萎缩一半 + 无法按收盘价成交"，检验组合在多重不利条件叠加下的表现。

好的压力测试有三个特征：情景要具体到可计算（每个资产跌多少、流动性折价多少）；要覆盖你的策略最怕的那种市场，而不是泛泛的大盘下跌；要输出行动含义——如果测试结果不可接受，事前就应该降低相应敞口，而不是把报告存档了事。

回撤控制机制：规则、熔断与它们的代价

事中风控最核心的是回撤控制。常见机制包括：

分级降仓规则：回撤触及某一档位时按预定比例降低总仓位，例如每加深一档降一部分仓，直到最低仓位；
熔断线：回撤触及深水线时全面降至底仓或空仓，进入冷静期，需满足恢复条件（如净值修复、波动回落）才能重新加仓；
波动率目标：不直接盯回撤，而是让组合波动维持在目标水平，波动升高自动降杠杆。

必须诚实地面对代价：任何回撤控制都是用收益换路径。降仓规则会在 V 型反转中让你踏空修复段；熔断之后的再入场规则如果太保守，会长期把仓位锁在低位。不存在"只降低回撤不损失收益"的规则，只存在你是否愿意接受的取舍。

设计时还有两个细节值得注意。一是恢复路径要和触发路径不对称：降仓可以快，恢复要慢，避免在震荡市里被反复触发、来回摩擦；二是规则要作用在正确的层级——组合层面的熔断线和单策略层面的降仓规则应该分开设置，否则一个策略的局部回撤可能错误地触发全组合减仓。

风控规则也要回测

这是本课最想强调的一点：风控规则本身就是策略的一部分，同样会过拟合，同样需要检验。

把降仓、熔断规则写进回测引擎，比较"带风控"与"不带风控"两条净值曲线在收益、波动、最大回撤、恢复时间上的差异；
对规则参数（触发线位置、降仓幅度、冷静期长度）做敏感性分析——如果结论对参数极其敏感，说明规则不稳健；
检查规则在不同市场阶段的表现：牛市中它拖累多少，熊市中它保护多少，震荡市中它是否频繁误触发来回打脸。

一条没有回测过的风控规则，和一个没有回测过的因子一样不可信。

本课小结

风控分事前（预算）、事中（监控与执行）、事后（归因复盘）三层，缺一不可；
优先分配风险而不是资金：让每个子策略的风险贡献匹配你的预算；
压力测试要具体、要针对策略的软肋、要产生事前行动，而不是事后报告；
回撤控制必然以牺牲部分收益为代价，关键是把取舍显式化、规则化；
所有风控规则都必须回测和做参数敏感性检验，否则只是心理安慰。

动手练习：给你现有的一个回测策略加上两档降仓规则（回撤触及第一档降半仓、触及第二档降至两成仓，净值修复后逐步恢复），对比加规则前后的净值曲线、最大回撤和恢复时间，然后把两档触发线各移动一定幅度做敏感性分析，写下你对这套规则稳健性的判断。

期权与波动率策略：从希腊字母到备兑开仓

Sat, 25 Jul 2026 00:00:00 GMT

本课目标：建立期权与波动率的基本直觉，理解希腊字母的含义，并掌握备兑、保护性认沽、领口这三个适合股票投资者起步的保守策略。

做了几年股票量化之后，很多人会自然地把目光投向期权。期权不是"以小博大"的彩票，它真正的价值在于：它让你可以单独交易"波动率"这个维度，也让你可以精确地雕刻组合的收益分布。这一课不推公式，只讲直觉和用法。照例提醒：本文只做方法讨论，不构成投资建议。

期权的基本要素与国内品种

一张期权合约由几个要素定义：标的、方向（认购/认沽）、行权价、到期日、行权方式。买方付出权利金获得权利，卖方收取权利金承担义务——这个不对称结构是一切期权策略的起点。

国内场内期权目前主要覆盖宽基指数类标的，比如上证 50ETF 期权、沪深 300ETF 期权，以及若干指数期权和商品期权品种。对股票量化研究者来说，最常用的是 ETF 期权：合约标准化、流动性相对集中在近月平值附近、可以和现货组合直接对冲。

几个实践中容易忽略的细节：

期权价格由内在价值和时间价值构成，虚值期权的价格全部是时间价值；
到期日临近时时间价值加速衰减，这既是买方的敌人，也是卖方的朋友；
深度虚值和远月合约流动性差，报价点差可能吞掉理论上的优势。

隐含波动率与历史波动率

期权定价里唯一不可直接观测的输入是波动率。于是形成了两个视角：

历史波动率（HV）：用标的过去的收益率算出来的实际波动，是"已经发生的事"；
隐含波动率（IV）：把期权市场价格反推回去得到的波动率，是"市场预期将要发生的事"。

两者的差值往往是期权策略的核心信号。IV 长期高于 HV 时，卖期权在统计上收"保险费"；IV 显著低于 HV 时，买期权相对便宜。计算历史波动率非常简单：

import numpy as np
import pandas as pd

def hist_vol(close: pd.Series, window: int = 20) -> pd.Series:
    ret = np.log(close / close.shift(1))
    return ret.rolling(window).std() * np.sqrt(244)  # 年化

hv20 = hist_vol(etf_close, 20)
iv_premium = iv_atm - hv20  # 隐波溢价，常用的观察指标

注意 IV 不是一个数，而是一个曲面：不同行权价、不同到期日的 IV 不同。A 股期权常见"认沽偏贵"的偏斜结构，反映了市场对下跌保护的需求。观察曲面形态的变化本身就是信息：偏斜突然陡峭，往往意味着避险需求集中释放；期限结构倒挂（近月 IV 高于远月），通常对应短期事件带来的紧张情绪。

还有一点常被初学者忽略：IV 与 HV 的比较必须对齐期限。用 20 日历史波动率去对比近月平值期权的 IV 是合理的，但拿它去对比半年后到期的合约就会产生系统性误读。做研究时建议固定一组"标准观察点"，比如始终跟踪近月与次月平值合约的 IV，形成自己的连续序列。

希腊字母：一张直觉表

希腊字母描述期权价格对各种因素的敏感度。不需要背公式，需要的是直觉：

希腊字母	度量什么	一句话直觉
Delta	标的价格变动的敏感度	相当于持有多少份标的；平值约 0.5
Gamma	Delta 本身的变化速度	买方的加速器，临近到期的平值期权最大
Theta	时间流逝的损耗	买方每天交的"房租"，卖方每天收的租金
Vega	隐含波动率变动的敏感度	远月期权对 IV 更敏感
Rho	利率变动的敏感度	短期限品种通常可以忽略

一个有用的记法：买期权是买 Gamma 和 Vega、付 Theta；卖期权是收 Theta、扛 Gamma 和 Vega。你的每一个期权头寸，本质上都是在这几个维度上的一组敞口组合。

三个保守策略：备兑、保护性认沽、领口

对持有现货组合的量化投资者，下面三个策略是最实用的起点。

备兑开仓（Covered Call）：持有 ETF 现货，同时卖出虚值认购期权。用放弃部分上涨空间换取稳定的权利金收入。适合判断标的短期震荡或缓涨的阶段。要点是行权价的选择：太近容易被"叫走"上涨收益，太远权利金太薄。

保护性认沽（Protective Put）：持有现货，买入虚值认沽期权作为保险。最大亏损被锁定，代价是持续支付权利金——长期无脑买保险会显著拖累收益，通常在事件窗口或高不确定性阶段使用。

领口（Collar）：两者合体，持有现货 + 买虚值认沽 + 卖虚值认购，用卖认购的收入补贴买认沽的支出，可以做到近似零成本。代价是收益分布被"削平"了两端。

策略	成本	保护下行	保留上行	适用场景
备兑	收权利金	有限缓冲	封顶	震荡缓涨
保护性认沽	付权利金	是	是	短期避险
领口	近似零成本	是	封顶	锁定区间

对量化研究者来说，这三个策略都可以被参数化和回测：备兑策略的关键参数是行权价相对现价的虚值程度和展期规则（到期前几天移仓、被行权时如何处理）；保护性认沽的关键参数是保护期限和买入时机（常态化买入还是基于波动率信号触发）。把这些规则写进回测，比较不同参数下的净值曲线与回撤特征，你会对"权利金到底值不值"建立起数量化的感觉，而不是停留在概念层面。

卖方风险：必须先说清楚的警示

卖期权收 Theta 的策略，收益曲线往往是"长期平稳向上，偶尔一根大阴线"。裸卖期权的亏损理论上可以远超权利金收入，尾部风险极不对称。几条纪律建议：

起步阶段只做有现货或有对冲保护的卖方（如备兑），不做裸卖；
对卖方头寸设置基于 Delta 和名义敞口的双重限额；
在回测和压力测试中专门检验极端行情（标的单日大幅跳空 + IV 飙升同时发生）下的损益；
记住保证金会在最不利的时候被追加，预留充足的现金缓冲。

本课小结

期权让你能单独交易波动率维度，IV 与 HV 之差是最基础的观察信号；
希腊字母是头寸的"仪表盘"：买方买 Gamma/Vega 付 Theta，卖方反之；
备兑、保护性认沽、领口是现货投资者最实用的三个保守策略，各自在成本和收益分布上做了不同取舍；
卖方策略尾部风险不对称，必须有对冲、有限额、有压力测试；
期权的流动性集中在近月平值附近，实盘执行成本不可忽略。

动手练习：取一只 ETF 的日线数据，计算其 20 日历史波动率序列；再手工整理近三个月平值期权的隐含波动率（可从行情软件逐日记录），画出 IV 与 HV 的对比图，观察隐波溢价在市场大跌前后如何变化，并写一段文字总结你看到的规律。

期货与 CTA 策略：趋势、期限结构与组合价值

Fri, 24 Jul 2026 00:00:00 GMT

本课目标：理解期货的保证金与双向交易机制，掌握 CTA 趋势跟踪的三要素——信号、波动率目标、多品种分散，认识期限结构与展期收益，并理解 CTA 对股票策略投资者的组合价值。

期货：一个对量化更友好的交易场

从股票转向期货，交易机制上有三个根本变化：

保证金交易：只需缴纳合约价值一定比例的保证金即可持仓，天然自带杠杆。杠杆是中性的工具——它放大收益也放大亏损，真正重要的是你主动控制杠杆，而不是被杠杆控制。
做空与做多同样便利：没有券源限制，卖开仓和买开仓完全对称。这意味着下跌趋势和上涨趋势同样是机会，策略空间天然是股票的两倍。
T+0 与到期机制：日内可自由开平，但合约有到期日，持续持仓必须"展期"——把即将到期的合约平掉、换到远月合约上。

国内期货市场覆盖商品（黑色、有色、能化、农产品等）、金融（股指期货、国债期货）两大类几十个活跃品种，品种间驱动逻辑差异大，这正是后面讲分散时的原料。

CTA 趋势跟踪：一套朴素但完整的框架

CTA（商品交易顾问）策略中最主流的是趋势跟踪：不预测趋势何时开始，只识别趋势已经存在，然后顺势持有直到趋势结束。哲学上它是"截断亏损、让利润奔跑"的系统化版本：单次胜率往往不高，靠少数大趋势的丰厚利润覆盖多数小止损。

一个最小可行的框架由三部分组成：

信号层：常用双均线交叉、通道突破、过去 N 日收益率符号等。不同信号在细节上有差异，但捕捉的是同一类现象——价格的中期持续性。

波动率目标层：这是 CTA 工程上的精髓。各品种波动率差异巨大，如果每个品种下同样手数，组合风险会被高波动品种绑架。做法是给每个品种设定风险预算，按其近期波动率反推仓位：

import numpy as np

def trend_position(close, fast=20, slow=120,
                   target_vol=0.10, capital=1e7):
    """双均线趋势信号 + 波动率目标仓位"""
    sig = np.sign(close.rolling(fast).mean() - close.rolling(slow).mean())
    ret = close.pct_change()
    realized_vol = ret.rolling(60).std() * np.sqrt(250)
    # 波动越高仓位越小, 使该品种贡献的风险大致恒定
    weight = target_vol / realized_vol.clip(lower=0.05)
    return sig * weight * capital / close

波动率目标带来一个附加好处：市场剧烈动荡、波动率飙升时，仓位自动收缩，相当于内置了一层风控。

分散层：单品种趋势策略的净值通常难看，CTA 的可投资性几乎完全来自多品种分散。黑色系、农产品、贵金属、股指、国债的趋势各有自己的宏观驱动，彼此相关性低，几十个品种叠加后，"总有几个品种在走趋势"的概率大大提高，组合净值远比单品种平滑。

期限结构与展期收益：另一个收益维度

同一品种不同到期月份的合约价格连起来，就是期限结构：

形态	特征	持仓的展期含义
贴水（back）	远月比近月便宜	多头展期是"卖贵买便宜"，随时间获得正向滚动收益
升水（contango）	远月比近月贵	多头展期持续支付成本，空头则反之

期限结构反映了库存、仓储成本与市场对远期供需的预期。它的重要性有两层：其一，长期持有期货的总收益中，展期损益的贡献可能不亚于价格涨跌本身，忽略它的回测是错的；其二，期限结构本身可以做成因子——在贴水品种上偏多、升水品种上偏空的"期限结构策略"，与趋势信号相关性不高，是 CTA 组合里常见的第二条腿。

CTA 对股票投资者的组合价值

对已经运行股票策略的人，CTA 最大的意义不在其自身收益，而在相关性。CTA 的收益来源（商品与宏观趋势）与股票市场beta 的驱动因素差异很大，两类策略的长期相关性通常很低；尤其在股票市场持续下跌的阶段，趋势跟踪可以通过做空股指或商品捕捉下跌趋势，历史上多次危机时期表现出"危机阿尔法"的特征——当然这是特性描述，不是保证。

组合层面的算术很直接：把两个低相关的收益流按风险预算组合，整体波动的下降幅度超过收益的稀释幅度，风险调整后收益改善。这正是前面组合构建课里"分散是唯一免费午餐"在策略层面的应用——分散不仅可以发生在股票之间，更可以发生在策略类型之间。

风险点：趋势策略最怕的市场

趋势跟踪的痛苦形态非常明确——震荡市。价格反复突破又反复回落，策略不断开仓、止损、反向开仓、再止损，净值被一刀一刀"钝刀割肉"。这不是缺陷，而是这类策略的成本结构：用震荡期的持续小额亏损，换取趋势期的大额盈利。几点务实认知：

回撤期可能以年计，投资 CTA 需要与之匹配的耐心和事前的心理建设。
不要在震荡市里手工干预信号——"这次先不开仓了"式的干预会精准错过下一波趋势，摧毁策略的统计基础。
品种流动性差异大，小品种的趋势信号可能因冲击成本无法变现，容量评估要落到每个品种。
杠杆纪律高于一切：保证金交易下，风控失效的代价不是回撤，而是穿仓出局。

本文为策略框架讨论，不构成投资建议。

本课小结

期货的保证金与双向交易机制为量化提供了做空便利与杠杆工具，代价是必须管理展期与杠杆纪律。
CTA 趋势跟踪 = 趋势信号 + 波动率目标仓位 + 多品种分散，三者缺一不可，分散是可投资性的来源。
期限结构决定展期损益，既是回测必须计入的成本项，也可以独立构成低相关的策略信号。
CTA 与股票策略低相关，在组合层面提供真正的分散价值，历史上在股票熊市阶段常有独立表现。
震荡市的连续止损是趋势策略的固有成本，靠纪律和长期视角消化，而不是靠临时干预回避。

动手练习：选取三个不同板块的活跃期货品种（如一个黑色、一个农产品、一个股指），用后复权的主力连续合约数据：(1) 实现 20/120 双均线趋势信号并加上波动率目标仓位；(2) 分别回测单品种与等风险组合的净值，对比最大回撤与收益波动比；(3) 找出组合中最长的回撤区间，观察那段时间三个品种是否同时处于震荡状态，并思考再增加品种能否缓解。

市场微观结构：订单簿、价差与高频视角

Thu, 23 Jul 2026 00:00:00 GMT

本课目标：理解限价单簿的运行机制与价差、深度的含义，认识 tick 级数据的处理量级和订单不平衡等微观结构指标的预测意义，并把高频视角的洞察反哺给低频策略。

限价单簿：价格是怎么形成的

日线数据把一天压缩成四个价格，而真实的价格形成过程发生在限价单簿（Limit Order Book）里。A 股是典型的订单驱动市场：所有买卖限价单按"价格优先、时间优先"排队，买一是最高买价，卖一是最低卖价，两者之间就是买卖价差。

订单分两类，角色完全不同：

限价单：挂在簿上等待成交，为市场提供流动性，代价是不一定成交、且排队时暴露信息。
市价单（或对价单）：立刻吃掉对手方挂单，消耗流动性，代价是支付价差甚至更差的价格。

每一笔成交都是"耐心的挂单者"与"着急的吃单者"的相遇。理解这一点，价格就不再是一条抽象曲线，而是买卖双方排队博弈的实时结果。A 股行情快照还提供买卖各五档或十档的价格与挂单量，这就是大多数研究者能看到的订单簿切面。

价差与深度：流动性的两个维度

衡量一只股票"好不好交易"，至少要看两个维度：

维度	含义	对交易的影响
买卖价差	卖一价减买一价	每次"立即成交"的固定过路费
深度	各档位挂单量	决定大单会把价格推多远（冲击成本）

价差窄、深度厚的股票，进出成本低；价差宽、深度薄的股票，回测里的"理论收益"很大一部分会被交易本身吃掉。价差从哪来？做市与挂单方要求补偿三类成本：处理订单的固定成本、持有头寸的存货风险，以及最重要的逆向选择成本——挂单者随时可能被"知道得更多的人"成交，价差是他们向全市场收取的保险费。

这解释了一个常见现象：重大消息前后价差会突然放宽、深度变薄——挂单者担心逆向选择，集体后撤。流动性不是常数，而是随信息环境呼吸的变量，且往往在你最需要它的时候消失。

tick 与快照数据：先掂量一下工程量

从日频转向日内，数据量级完全不同。A 股全市场一天的逐笔成交加逐笔委托有数亿条记录，即便只用三秒一档的行情快照，单日也在数千万行级别。这带来实际的工程约束：

存储要用列式格式（如 Parquet）并按日期、代码分区，CSV 在这个量级不可行。
pandas 逐行处理会慢到不可用，需要向量化、分块处理，或换用更高效的计算引擎。
清洗规则完全不同：集合竞价时段、涨跌停封板、快照乱序与丢包，都需要专门处理。

import pandas as pd

def snapshot_features(df: pd.DataFrame) -> pd.DataFrame:
    """从五档快照计算基础微观结构指标"""
    out = pd.DataFrame(index=df.index)
    out['spread'] = df['ask1'] - df['bid1']
    out['mid'] = (df['ask1'] + df['bid1']) / 2
    out['rel_spread'] = out['spread'] / out['mid']
    bid_vol = df[[f'bid_vol{i}' for i in range(1, 6)]].sum(axis=1)
    ask_vol = df[[f'ask_vol{i}' for i in range(1, 6)]].sum(axis=1)
    out['order_imbalance'] = (bid_vol - ask_vol) / (bid_vol + ask_vol)
    return out

建议在动手前先明确研究目标：是要做日内信号，还是只为低频策略估计交易成本？后者需要的数据量小得多。

订单不平衡与短周期预测

微观结构研究最经典的发现之一：订单流不平衡（买方主动成交量与卖方主动成交量之差，或买卖盘挂单量之差）对未来极短周期的价格变动有预测力。直觉很朴素——买压大于卖压时，价格短期内更可能上移。

类似的微观结构指标还有：价差变化（信息事件的前兆）、挂单撤单频率（高频参与者的活跃度）、成交在买卖价的分布（主动买卖力量对比）、大单拆分痕迹（机构建仓的脚印）。需要泼的冷水是：这类信号的预测周期通常以秒或分钟计，信号强度随时间快速衰减，只有交易成本和延迟控制到位的参与者才能变现。对普通研究者，它们更大的价值在于理解市场，而非直接构建策略。

A 股高频的现实约束

把海外高频交易的图景直接搬到 A 股会失真，几个关键约束：

T+1 制度：股票当日买入不能当日卖出，纯日内往返的股票高频策略在现货端基本不成立。日内交易的空间主要在期货、期权和可转债（T+0 品种）。
交易成本结构：卖出时的印花税加上佣金、经手费，对高换手策略是硬约束。任何高频信号都要在扣除全部成本后重新评估。
涨跌停与停牌：极端行情下价格被制度截断，流动性瞬间归零，信号与执行都会失真。

这些约束共同决定了：A 股市场上微观结构研究的主要产出，往往不是独立的高频策略，而是执行与成本优化能力。

高频视角对低频策略的启发

即使你只做周频、月频策略，微观结构视角依然值钱：

成本模型更真实：用价差和深度数据为每只股票建立差异化的成本假设，替代"千分之几一刀切"，小市值股票的回测结论可能因此反转。
执行算法有依据：调仓单拆散到日内、参考成交量分布执行（如 VWAP 思路），减少冲击成本——这直接提升策略净收益，且没有容量代价。
容量估计有抓手：策略能管多大规模，本质由持仓股票的日均成交额和深度决定，微观数据给出定量答案。
信号时点更干净：理解集合竞价与尾盘的特殊性后，你会重新审视用收盘价回测、次日开盘成交之间的裂缝。

本文为方法讨论，不构成投资建议。

本课小结

价格形成于限价单簿的排队博弈，限价单提供流动性、市价单消耗流动性。
价差与深度是流动性的两个维度，逆向选择成本是价差的核心来源，流动性会在关键时刻收缩。
tick 和快照数据的量级要求列式存储与向量化处理，动手前先明确研究目标。
订单不平衡等指标对秒到分钟级价格有预测力，但变现门槛高；T+1 和成本结构限制了 A 股股票端的高频空间。
微观结构对低频策略的最大价值：真实的成本模型、更好的执行和有依据的容量估计。

动手练习：取一只流动性好和一只流动性差的股票各一天的五档快照数据：(1) 计算全天相对价差和五档总深度的时间序列，对比两只股票的日内形态（开盘、午间、尾盘）；(2) 计算订单不平衡指标，检验其与未来 1 分钟中间价变动的相关性；(3) 假设你要在 30 分钟内买入 500 万元，基于深度数据粗估两只股票的冲击成本差异。

文本与另类数据：情绪因子的构建思路

Wed, 22 Jul 2026 00:00:00 GMT

本课目标：了解 A 股语境下主要的文本与另类数据类型，掌握"文本到股票日频因子"的完整流水线，学会检验情绪因子并识别另类数据特有的陷阱。

另类数据版图：量价财报之外还有什么

传统因子的原料是行情和财报，全市场都在用，拥挤是必然的。另类数据的吸引力在于提供尚未被充分定价的信息维度。A 股语境下常见的文本与另类数据类型：

数据类型	内容	特点
财经新闻	公司与行业报道、突发事件	覆盖面广、时效强，噪声也大
卖方研报	评级、盈利预测、正文观点	专业度高，但有系统性乐观倾向
上市公司公告	定期报告、业绩预告、重大事项	法定披露、信息权威，语言高度模板化
投资者互动平台	投资者提问与公司回复	反映散户关注度，信息密度低
社交媒体与股吧	散户讨论、情绪宣泄	情绪信号强，操纵与水军风险高
非文本另类数据	卫星图像、招聘、APP 活跃度、供应链	与基本面挂钩，获取与合规门槛高

本课聚焦文本类，因为它可得性最好，且方法论可以迁移到其他另类数据上。

从文本到因子：一条完整的流水线

文本本身不能进回测框架，必须变成"股票 × 日期"的数值矩阵。标准流水线分四步：

**第一步，清洗与实体对齐。**去重（同一新闻多渠道转载）、去噪（广告、自动生成稿），然后把每条文本映射到具体股票。实体识别是脏活也是护城河：公司简称、曾用名、集团与子公司混淆，都会把信号安在错误的股票上。

**第二步，情绪打分。**由浅入深有三档：金融情绪词典法（统计正负面词频，简单透明）；在标注数据上训练的分类模型；直接用预训练语言模型或大模型做情绪与事件抽取。工程上常见的组合是词典法做基线、模型法做增强——基线的作用是让你随时能检查复杂模型有没有跑偏。

**第三步，聚合到股票日频。**一只股票一天可能对应零条或几百条文本，需要聚合：

def build_sentiment_factor(scores: pd.DataFrame, halflife: int = 5):
    """scores: 列为 [date, stock, score] 的单条文本打分表"""
    daily = (scores.groupby(['date', 'stock'])['score']
                   .agg(sent_mean='mean', n_docs='count')
                   .reset_index())
    panel = daily.pivot(index='date', columns='stock', values='sent_mean')
    # 无新闻的日子不代表情绪为零, 用时间衰减延续近期情绪
    factor = panel.ewm(halflife=halflife).mean()
    return factor, daily

细节决定成败：无新闻日应视为"信息缺失"而非"情绪中性"；新闻数量本身（关注度）往往和情绪得分同样有信息量，值得单独做成因子。

**第四步，时间戳对齐。**每条文本必须用真实可获取时间打戳。收盘后发布的公告只能用于下一交易日的决策，用发布日收盘价"回测"盘后新闻是最典型的前视偏差。

情绪因子的检验：老规矩，但有新问题

情绪因子的检验框架与价量因子相同——IC 序列、分组收益、多空组合、换手率——但要额外回答几个问题：

增量性：情绪因子往往与短期反转、动量、流动性高度相关。必须对传统因子做中性化后再看剩余 IC，否则你可能只是用昂贵的方式复制了动量。
衰减速度：文本信号通常寿命短，IC 随预测期拉长快速衰减。要评估在你的调仓频率和交易成本下，衰减后的信号是否还剩得下东西。
事件驱动 vs 日常情绪：业绩预告、监管处罚等重大事件的文本信号强但稀疏，日常报道信号弱但连续。两者最好分开建模、分开检验，混在一起会互相稀释。
覆盖偏斜：新闻天然偏向大市值、高热度股票。因子在有新闻覆盖的子集内有效，不等于全市场有效，分组回测要在覆盖样本内做，并明确因子的适用域。

另类数据的坑：数据本身比模型更容易骗你

另类数据研究里，大部分失败不是模型问题，而是数据问题：

覆盖度不足且不随机：只覆盖部分股票、部分时段，且缺失与市值、热度相关。在这种样本上做的统计推断带系统性偏差。
幸存者偏差与回填：数据商整理历史库时，可能只保留了"活到今天"的主体，或用今天的口径回填历史。拿到任何另类数据，第一件事是问清历史是"当时存档"还是"事后重建"。
时点性存疑：研报的入库时间晚于发布时间、数据商修订历史记录不留痕，都会让回测悄悄用到未来信息。理想的数据是 point-in-time 存档。
时效性与拥挤：另类数据的阿尔法来自信息差，一旦数据商把同一份数据卖给足够多的机构，信号会加速衰减。评估数据时要问：还有多少人在用同样的东西？
合规边界：数据来源是否合法合规、是否涉及个人信息或内幕信息、爬取行为是否越界，必须在研究开始前确认，而不是产生收益后再补课。

一个务实的态度：对另类数据的默认假设是"有坑"。拿到新数据后，先花时间做数据体检——覆盖了多少股票、历史有多长、缺失分布在哪里、时间戳是否可信——再用小规模、可解释的实验验证它与已知变量（成交量、波动率、公告日）的关系是否符合常识，最后才谈因子构建。跳过体检直接跑回测，往往是把数据缺陷当成了阿尔法。本文不构成投资建议。

本课小结

另类数据的价值在于提供未被充分定价的信息维度，文本类（新闻、研报、公告）可得性最好。
文本转因子的流水线：清洗与实体对齐、情绪打分、聚合到股票日频、严格的时间戳对齐。
检验时必须验证对传统因子的增量性、信号衰减速度和覆盖偏斜下的适用域。
数据坑比模型坑更致命：覆盖度、幸存偏差、时点性、拥挤度、合规五关都要过。
词典法基线加模型法增强是务实的打分方案，可检查性本身就是价值。

动手练习：收集一批上市公司业绩预告文本（或用公开新闻标题替代），先用一个自建的正负面词表做词典法打分，聚合成股票日频情绪因子；对市值、行业、过去 20 日收益做中性化后计算未来 5 日与 20 日的 RankIC，回答两个问题：信号衰减有多快？剔除无文本覆盖的股票后，你的可交易股票池还剩多大？

机器学习选股：特征工程、滚动验证与过拟合控制

Tue, 21 Jul 2026 00:00:00 GMT

本课目标：明确机器学习在选股中的正确定位——截面排序问题，掌握特征工程、标签设计与滚动验证的关键细节，并建立一套对抗过拟合的系统性防线。

ML 在选股中的定位：排序问题，不是预测涨跌

把机器学习用于选股，最常见的误解是把它当成"预测某只股票明天涨还是跌"的分类器。金融数据信噪比极低，单只股票的绝对涨跌几乎不可预测。可行的问题定义是截面排序：在同一时点，判断哪些股票未来一段时间的相对表现更好。

这和多因子模型的目标完全一致——ML 模型本质上是一个非线性的因子合成器：输入是你熟悉的各类因子暴露，输出是一个综合打分，然后按打分构建多头（或多空）组合。你在因子课里学的一切——中性化、IC 检验、分组回测——依然是评估这个"超级因子"的工具。换句话说，ML 不是替代因子研究，而是替代"因子加权"这一步。

特征工程：模型的上限在这里决定

树模型再强，也只能在你给的特征空间里找规律。特征工程的几个要点：

以因子逻辑为起点：估值、质量、动量、流动性、波动率、分析师预期等成熟因子族是基础输入。每个特征最好能讲出经济含义，纯数据挖掘出来的特征要打折看待。
截面标准化：每个交易日内对特征做排序百分位或 zscore 处理，让模型学"相对关系"而非受市场整体状态干扰。
处理缺失与极值：缺失值的处理方式本身要放进流水线，避免用未来信息填充；极值按截面分位数缩尾。
控制特征数量：几十到一两百个有逻辑的特征，通常好过几千个自动生成的特征。特征越多，虚假规律越多。

def cs_rank(df: pd.DataFrame, cols: list) -> pd.DataFrame:
    """按交易日做截面百分位排序, 输出 0~1 之间的特征"""
    out = df.copy()
    out[cols] = df.groupby('date')[cols].rank(pct=True)
    return out

标签设计：你让模型学什么，它就学什么

标签常被忽视，但它直接定义了模型的目标。常见选择：

标签设计	说明	适用场景
未来 N 日原始收益	最直接，但混入市场与行业波动	择时与选股混合的目标
未来 N 日超额收益	减去基准或行业均值，聚焦相对强弱	指数增强、市场中性
截面排序百分位	只保留相对名次，压制离群样本影响	排序模型的天然搭配
二分类（是否进前 30%）	简化问题，牺牲部分信息	样本噪声极大时的稳健选择

两个关键细节：其一，标签周期要与调仓周期匹配，用未来 20 日收益训练的模型拿去做日频调仓，行为会失配；其二，标签计算必须严格用"当时可知"的价格，涨跌停无法成交的样本要处理，否则回测好看、实盘落空。

滚动验证：时间序列上不能随机切分

随机 K 折交叉验证在金融数据上是灾难——同一时期的样本被拆到训练集和验证集里，信息泄漏让验证分数虚高。正确的做法是滚动训练（walk-forward）：

def walk_forward_splits(dates, train_years=3, test_months=6, gap_days=20):
    """滚动切分: 训练窗 -> 隔离带 -> 测试窗, 逐段向前推进"""
    splits = []
    start = dates.min()
    while True:
        train_end = start + pd.DateOffset(years=train_years)
        test_start = train_end + pd.Timedelta(days=gap_days)  # 隔离带防泄漏
        test_end = test_start + pd.DateOffset(months=test_months)
        if test_end > dates.max():
            break
        splits.append((start, train_end, test_start, test_end))
        start = start + pd.DateOffset(months=test_months)
    return splits

要点：训练窗与测试窗之间留出不短于标签周期的隔离带（purge/embargo），防止标签重叠造成的泄漏；模型的所有预处理（标准化参数、缺失值填充）只能在训练窗内拟合；每段测试结果拼接起来，才是接近实盘的样本外表现。

树模型 vs 线性模型：不是越复杂越好

梯度提升树（GBDT 类）是表格数据上的主力：能自动捕捉非线性和特征交互、对特征尺度不敏感、对缺失值宽容。线性模型（带正则的回归）则胜在稳定、可解释、样本效率高、不易过拟合。

务实的取舍：先用线性模型建立基线——它的样本外 IC 就是你的"及格线"；树模型如果不能稳定超过这条线，多出来的复杂度就是纯风险。金融数据的信噪比决定了模型复杂度的边际收益递减得很快，深度模型在日频截面选股上未必优于调好参的树模型。很多成熟团队的做法是线性与树模型集成，各取稳定性与非线性捕捉能力。

过拟合的系统性防线

过拟合不是某个参数没调好，而是研究流程的病。防线要建在流程上：

一开始就锁死最终测试集：留出最近一到两年数据，全程不看，所有模型选择只用滚动验证分数，最终测试集只用一次。
限制尝试次数并记录全部实验：跑了一百个配置只报告最好的一个，等于没有验证。样本外表现要按"尝试次数"打心理折扣。
偏好简单与稳定：两个模型分数接近时选简单的；对随机种子、窗口长度敏感的结果不可信。
用成本压力测试：加入现实的交易费用与冲击成本后，很多"显著"的模型信号会消失——消失的那部分本来就不属于你。
可解释性检查：用特征重要性、部分依赖等工具看模型在依赖什么。如果收益主要来自某个你无法解释的冷门特征，默认它是数据问题而非阿尔法。

模型上线不是终点：预测 IC、换手、特征重要性的漂移都要持续监控，衰减到基线以下就该退役重训。市场结构在变，因子拥挤度在变，一个模型的有效期是有限的——把"何时重训、何时下线"写成事前规则，好过在回撤中临场纠结。本文讨论研究方法，不构成投资建议。

本课小结

ML 选股是截面排序问题，模型是非线性的因子合成器，评估工具与因子研究一脉相承。
特征要有经济逻辑并做截面标准化，标签周期须与调仓周期匹配且只用当时可知信息。
验证必须用带隔离带的滚动训练，随机 K 折在时间序列上会导致信息泄漏。
线性基线是及格线，复杂模型必须证明稳定超越它才值得采用。
反过拟合靠流程：锁死测试集、记录全部实验、成本压力测试、可解释性审查。

动手练习：用你已有的因子库构造 20 个左右截面标准化特征，标签取未来 20 日相对行业的超额收益排序百分位。分别训练岭回归与梯度提升树，用"3 年训练 + 20 日隔离 + 6 个月测试"的滚动切分，对比两者拼接后的样本外 RankIC 均值与标准差，并回答：树模型的优势（如果有）主要来自哪几个特征的非线性？

统计套利与配对交易：协整、价差与均值回归

Mon, 20 Jul 2026 00:00:00 GMT

本课目标：理解配对交易的统计基础，学会用协整检验筛选交易对、构建价差与 zscore 开平仓规则，并认清这类策略最致命的风险——关系破裂。

配对交易的直觉：赚"关系"的钱，不赚"方向"的钱

前面课程里的多因子选股，本质是对一篮子股票的相对强弱下注，但组合整体仍然暴露在市场方向上。配对交易换了一个思路：找两个走势长期绑定的资产，当它们的价差偏离历史常态时，做多被低估的一边、做空被高估的一边，等价差回归时平仓。

它的收益来源不是判断市场涨跌，而是判断"这两个资产的相对关系会回到常态"。理想情况下，市场暴涨暴跌都与你无关——多头腿和空头腿的方向性风险相互抵消，剩下的只有价差的均值回归。这也是"市场中性"一词最朴素的来源。

典型的配对候选：同行业的两只龙头股、一只股票与它所属的行业 ETF、指数期货与对应的 ETF、可转债与正股。共同点是它们背后有真实的经济纽带，而不只是历史价格碰巧走得像。

价差构建与 zscore 交易规则

确定交易对后，用滚动回归估计对冲比率 β，构建价差，再标准化成 zscore：

import pandas as pd
import numpy as np

def make_spread(pa: pd.Series, pb: pd.Series, window: int = 60):
    """滚动估计对冲比率, 构建价差与 zscore"""
    la, lb = np.log(pa), np.log(pb)
    beta = la.rolling(window).cov(lb) / lb.rolling(window).var()
    spread = la - beta * lb
    z = (spread - spread.rolling(window).mean()) / spread.rolling(window).std()
    return spread, z

spread, z = make_spread(price_a, price_b, window=60)
long_entry = z < -2.0    # 价差过低: 做多A、做空B
short_entry = z > 2.0    # 价差过高: 做空A、做多B
exit_rule = z.abs() < 0.5
stop_rule = z.abs() > 3.5   # 止损: 偏离过大, 怀疑关系破裂

一套典型规则的参数含义：

参数	常见做法	背后的权衡
开仓阈值	zscore 达到 ±2	阈值高则交易少但胜率高，阈值低则频繁交易被成本侵蚀
平仓阈值	回到 ±0.5 或 0	提前平仓锁定利润 vs 等完全回归吃满价差
止损阈值	±3 到 ±4	承认"这次不一样"，避免在破裂的关系上加倍下注
最长持仓时间	若干周	均值回归迟迟不来，本身就是关系变化的信号

注意对冲比率要用滚动窗口估计并定期更新，用全样本估计的 β 是典型的前视偏差。

除了阈值，还有一个常被忽略的量：价差的回归半衰期，即偏离回到一半所需的平均时间。可以对价差做自回归估计得到。半衰期太长（几个月以上）意味着资金占用久、期间不确定性大；半衰期太短（一两天）则信号可能撑不过交易成本。半衰期还决定了滚动窗口和最长持仓时间的合理量级——用 20 天窗口去交易半衰期 60 天的价差，规则和统计性质是脱节的。

成本核算同样关键：配对交易每轮开平涉及两条腿共四次交易，双边成本乘以四之后，很多回测里的"套利机会"会直接消失。检验规则时应把成本直接扣进每笔交易，而不是事后打折。

最大的风险：协整关系破裂

统计套利的盈亏形态是"平时赚小钱，破裂亏大钱"。价差偏离越远，模型越觉得机会大，仓位越想加——但如果偏离的原因是基本面变了（一家公司被并购、行业格局重构、其中一只暴雷），价差将永不回归，均值回归策略会一路加仓一路亏。

防线有三层：一是止损与最长持仓时间，用规则强制承认失败；二是分散，同时交易多个交易对，单对破裂的伤害有限；三是持续监控协整关系本身，滚动窗口内检验统计量持续恶化时主动下线该交易对。永远记住：历史平稳不是未来平稳的保证。

A 股做空约束下的变通

A 股融券券源有限、成本不低，教科书式的"做空单只股票"经常落不了地。实务上常见的变通思路：

可转债 vs 正股：转债隐含正股多头敞口，与正股之间存在天然的价格纽带，可以构造相对价值交易。
ETF 或股指期货作为空头腿：做多一篮子看好的股票，用股指期货或可融券的宽基 ETF 对冲市场敞口，把"个股对个股"退化为"个股对指数"。
同一资产的不同载体：股指期货与对应 ETF、跨市场上市品种之间的价差，做空一侧通常在期货端实现，可行性高得多。

这些变通各有基差、折溢价、转股条款等新维度，这里点到为止，核心信息是：在 A 股做统计套利，工具选择本身就是策略设计的一部分。本文仅为方法讨论，不构成投资建议。

本课小结

配对交易赚的是"相对关系回归常态"的钱，方向性风险靠多空两腿对冲。
相关性不能替代协整：前者是短期步调，后者才保证价差平稳、偏离可回归。
交易规则围绕 zscore 设计开仓、平仓、止损、最长持仓四个要素，成本与频率是核心权衡。
协整关系破裂是最大风险，需要止损、分散和对关系本身的持续监控三层防线。
A 股做空受限，可用可转债、ETF、股指期货等工具构造多空结构。

动手练习：选取同一行业两只业务相近的 A 股（或一只个股与其行业 ETF），取三年日线数据：(1) 计算收益率相关系数；(2) 用 60 日滚动窗口构建价差与 zscore，画出 zscore 序列；(3) 按 ±2 开仓、±0.5 平仓的规则统计信号次数与每次偏离的回归天数；(4) 观察是否存在 zscore 长期不回归的时段，思考那段时间两家公司发生了什么。

量化数据工程：Point-in-Time、数据管线与质量监控

Sun, 19 Jul 2026 00:00:00 GMT

本课目标：理解 Point-in-Time 原则为什么是数据工程的第一条军规，并学会用轻量工具搭一条"拉取、校验、入库"的可持续数据管线。

PIT 原则：回测只能用"当时知道的"

Point-in-Time（PIT）原则一句话就能说完：回测中任意时刻 T 能用的数据，必须是 T 时刻实际已经可以获得的版本。违反它就是前视偏差，而前视偏差是回测结果虚高最常见的来源。它的阴险之处在于不报错、不留痕：代码跑得通，曲线很漂亮，直到实盘表现与回测天差地别，你才被迫回头翻找数据里混进了哪些"当时不可能知道"的信息。

财务数据是重灾区。一份年报的"报告期"可能是去年 12 月 31 日，但"公告日"可能在今年 4 月。如果你的因子在 1 月就用上了这份年报的净利润，回测就用了未来数据。更隐蔽的是数据修正：公司可能对已披露财务数据进行更正，多数数据源只保留最新版本，你在回测里用的"干净数据"，在当时根本不存在。

行情数据同样有 PIT 问题：后复权价格用未来的分红送转信息调整了历史价格，直接拿后复权价算"历史上某日的涨跌停价"就会出错；指数成分股名单如果只用当前版本，会引入幸存者偏差。

落地原则很简单：所有随时间演化的数据，入库时都带两个时间戳——数据所属的时间（报告期/交易日）和数据可获得的时间（公告日/入库日）。回测查询永远按"可获得时间 ≤ T"过滤。

证券主数据：代码、退市与更名

A 股的证券标识远比想象中麻烦：

退市：股票退市后从多数行情接口里消失。如果数据库只有存续股票，任何横截面回测都自带幸存者偏差——你等于提前知道了谁能活下来。
更名与 ST：股票名称、ST 标记随经营状况变化。"剔除 ST"这类规则必须用当时的 ST 状态判断，而不是现在的。
代码复用与格式：不同数据源的代码格式各异（600000.SH、SH600000、600000），跨源合并前必须统一。

工程上的解法是维护一张证券主表（security master）：每只证券一个内部不变 ID，代码、名称、上市状态、ST 标记等属性全部带生效区间存储：

# 属性表结构示意：同一证券的属性变化各占一行
# sec_id | attr    | value  | start_date | end_date
# 000001 | name    | XX银行 | 2018-01-01 | 2021-06-30
# 000001 | name    | YY银行 | 2021-07-01 | 9999-12-31
def attr_asof(df, sec_id, attr, date):
    m = (df.sec_id == sec_id) & (df.attr == attr) & \
        (df.start_date <= date) & (df.end_date >= date)
    return df.loc[m, 'value'].iloc[0]

增量管线：拉取、校验、入库

个人量化数据库不需要复杂调度系统，但需要一条纪律严明的管线。所谓纪律，是指流程固定、可重复、出错时行为可预期——每天按同样的顺序跑三步：

拉取（Extract）：从数据源增量拉取新数据。记录每次拉取的时间、参数和行数，失败要能安全重试——这意味着写入必须幂等（重复运行不会产生重复数据，常用"先删后插"或按主键覆盖实现）。
校验（Validate）：新数据先进临时区，通过质量检查后才允许进正式库。检查不通过就告警并停止，绝不让脏数据污染正式表。
入库（Load）：按主键写入正式库，同时更新元数据表（各数据集的最后更新日期、行数）。

关键设计取舍是"原始层与加工层分离"：原始层只存数据源的原样数据，永不修改；加工层（复权价、因子值）全部可以从原始层重算。这样任何加工逻辑的 bug 都可以通过重跑修复，而不会丢失事实。

除日常增量外，管线还要预留两种运行模式：补数（backfill，指定日期区间重新拉取，用于修复历史缺口）和全量重建（从原始层重算全部加工层）。这两种模式在设计初期就要支持——等发现数据有问题再临时改代码，很容易在慌乱中引入新错误。调度方面，个人项目用系统自带的定时任务触发一个入口脚本即可，重点不是调度工具多先进，而是每次运行留下结构化日志：跑了哪一步、处理了多少行、耗时多久、是否告警。

def run_pipeline(trade_date):
    raw = fetch_daily_bars(trade_date)        # 拉取
    report = validate(raw)                    # 校验
    if not report.passed:
        alert(report); return                 # 拦截脏数据
    upsert(raw, table='daily_bars_raw')       # 幂等入库
    rebuild_derived(trade_date)               # 重算加工层
    log_meta(trade_date, rows=len(raw))

数据质量检查清单

校验环节值得一张明确的清单，逐条写成断言：

检查项	示例规则
完整性	交易日历上的每个交易日都有数据；股票数量与预期偏差在阈值内
唯一性	(证券, 日期) 主键无重复
值域	价格 > 0；最高价 ≥ 最低价；成交量 ≥ 0
逻辑一致	非停牌日涨跌幅在涨跌停限制内；开高低收关系成立
跨源对账	抽样若干股票与第二数据源比对收盘价，容忍度内一致
连续性	相邻交易日价格跳变超阈值时，检查是否有除权除息记录对应

其中"跨源对账"最容易被省略，但它是唯一能发现数据源本身系统性错误的手段。检查结果应该落库留痕，形成质量监控的时间序列——某个检查项的失败率突然上升，往往意味着数据源改了口径。

告警要分级：主键重复、价格为负这类硬错误直接阻断入库；股票数量偏离预期百分之几这类软异常只记录并提示人工复核。全部告警一视同仁的结果是"狼来了"——告警多到没人看，等于没有告警。每条检查规则最好附上一句"失败意味着什么"的注释，半年后的你会感谢现在的自己。

轻量存储：SQLite 与 Parquet 就够了

个人和小团队完全不需要一上来就上分布式数据库。一个务实的组合：

SQLite 存证券主表、交易日历、元数据和质量检查结果——这些是小而关系复杂的数据，需要事务和灵活查询。
Parquet 存日线行情、因子值这类大而规整的数据，按年或按月分区。列式存储配合 pandas 的谓词下推，读取速度远超逐行数据库。

import pandas as pd

df = pd.read_parquet(
    'data/daily_bars/',
    filters=[('trade_date', '>=', '2024-01-01')],
    columns=['sec_id', 'trade_date', 'close', 'volume'],
)

这套组合的上限比想象中高：全 A 股十几年日线加常用因子，单机毫无压力。等真的碰到瓶颈，再考虑更重的方案也不迟。本文讨论数据工程方法，不构成投资建议。

本课小结

PIT 是第一军规：所有随时间演化的数据都要带"所属时间"和"可获得时间"双时间戳。
证券主表用不变的内部 ID 加带生效区间的属性表，处理退市、更名与 ST 状态。
管线三段式：增量拉取（幂等）、临时区校验、正式入库；原始层永不修改，加工层随时可重算。
质量检查写成断言清单并落库留痕，跨源对账是发现数据源系统性错误的唯一手段。
SQLite 管关系与元数据，Parquet 管大表，个人量化足够用很久。

动手练习：为日线行情数据写一个校验模块：实现完整性、唯一性、值域、开高低收逻辑四类检查，各返回通过/失败与问题明细。故意在测试数据里埋三个错误（重复行、负成交量、最高价低于最低价），验证你的模块能全部抓出来。

风险模型与业绩归因：Barra 思想入门

Sat, 18 Jul 2026 00:00:00 GMT

本课目标：理解 Barra 式风险模型的基本思想，学会把组合收益分解为市场、行业、风格与特质四层，并用归因回答"我赚的是不是自己以为的钱"。

为什么需要风险模型

假设你的选股策略今年表现不错。一个必须回答的问题是：这份收益来自你的选股能力，还是来自你不知不觉持有了一堆小市值高波动股票，而这类股票恰好今年整体走强？如果是后者，你赚的其实是某种风格的贝塔，而风格会轮动——当小市值风格逆转时，"选股能力"会同步消失。

风险模型就是回答这类问题的工具。它的核心思想很朴素：个股收益的大部分共同波动，可以被少数几个系统性因子解释；剩下无法解释的部分才是真正属于个股的特质收益。有了这个分解，你才能看清组合到底押注了什么。本文只讨论分析方法，不构成投资建议。

风格因子暴露：给组合画像

Barra 式模型把系统性因子分为三类：市场（所有股票共同的涨跌）、行业（股票所属行业的整体表现）、风格（跨行业的共同特征）。常见的风格因子包括：

风格因子	度量的特征
市值（Size）	大盘股 vs 小盘股
价值（Value）	估值高低（如市净率的倒数）
动量（Momentum）	过去一段时间的相对强弱
波动（Volatility）	历史波动率高低
盈利（Profitability）	盈利能力（如 ROE）
流动性（Liquidity）	换手率高低

每只股票在每个因子上有一个暴露（exposure），通常做法是把原始指标在横截面上去极值、标准化为均值 0、标准差 1 的 z 分数。组合的因子暴露就是成分股暴露的持仓加权平均：

# exposures: DataFrame(index=股票, columns=因子), weights: Series(index=股票)
portfolio_exposure = exposures.mul(weights, axis=0).sum()

组合在市值因子上的暴露是 -0.8，意思就是它显著偏向小盘——不管你的策略文档里写没写这一条，市场都会按这个暴露给你结账。

收益分解：市场、行业、风格、特质

有了暴露，第二步是估计每个因子在每期"值多少钱"，即因子收益。标准做法是横截面回归：在每个交易日，用全市场股票当日收益对它们的因子暴露做一次回归，回归系数就是各因子当日的收益，残差就是各股票当日的特质收益。

于是组合任意一天的收益可以写成：

组合收益 = Σ（组合因子暴露 × 因子收益）+ 特质收益贡献

把每一项沿时间累计，就得到一张收益来源表。例如某策略年度收益的分解可能长这样（示意结构，非真实数据）：

来源	贡献	解读
市场	正	满仓带来的贝塔
行业	小幅正	略微超配了某几个行业
风格	显著正	主要来自小市值与高动量暴露
特质	接近零	真正的"选股 alpha"很薄

赚的是不是自己以为的钱

上面这张表正是归因的价值所在。一个自称"基本面选股"的策略，如果归因显示收益绝大部分来自市值和动量暴露、特质贡献接近零甚至为负，那么它实际上是一个披着基本面外衣的风格贝塔组合。这不一定是坏事——但你必须知道，并回答三个问题：

这些风格暴露是有意的还是无意的？无意的暴露是失控的风险。
如果剥离风格贡献，剩下的特质收益还够覆盖交易成本吗？
当主导风格逆转时，组合会承受多大回撤？可以用历史上风格因子的极端回撤期做情景测试。

反过来，如果你想做"纯选股"策略，归因给出了改进方向：在组合构建时约束各风格暴露接近零（风格中性化），把仓位集中在特质收益上。当然，中性化有代价——它会砍掉恰好来自风格的那部分收益，值不值得取决于你对自己特质 alpha 的信心。

从归因到风险预测

风险模型的另一半用途是向前看：预测组合的波动，而不只是解释过去。思路是把组合方差拆成两块——因子暴露乘以因子收益协方差矩阵，加上特质方差的加权和：

# B: 组合因子暴露向量, F: 因子协方差矩阵, spec_var: 个股特质方差
port_var = B @ F @ B + (weights ** 2 * spec_var).sum()

这个分解的工程价值在于降维：直接估几千只股票的协方差矩阵，样本远远不够、估计极不稳定；而因子只有几十个，因子协方差矩阵可以估得相对可靠。有了它，你可以在调仓前回答"这次调整会让组合预期波动上升多少""跟踪误差主要花在了哪个因子上"，把风险预算从事后复盘前移到事前决策。对进阶学习者来说，先会用这个公式做组合层面的"沙盘推演"，比钻研估计细节更有性价比。

简化实现：不买商业模型也能起步

商业风险模型贵，但思想可以低成本复现。一个够用的简化流程：

选因子：市值（流通市值取对数）、价值（账面市值比）、动量（过去若干月收益，常剔除最近一个月）、波动（历史波动率），行业用申万一级或中信一级分类的哑变量。
处理暴露：横截面去极值（如中位数绝对偏差法）、标准化；行业哑变量不标准化。
逐日回归：加权最小二乘（常用流通市值平方根加权），得到因子收益序列与残差。
归因：用你的组合权重乘以暴露，再乘以因子收益，累加成贡献表。

import numpy as np

# X: 当日暴露矩阵(股票 × 因子), r: 当日个股收益, w_reg: 回归权重
W = np.diag(w_reg)
factor_ret = np.linalg.solve(X.T @ W @ X, X.T @ W @ r)
resid = r - X @ factor_ret

简化模型的估计肯定粗糙，但对"看清组合押注了什么"这个目的而言，方向的正确远比小数点后的精度重要。

几个实现细节提醒：横截面回归的样本要用当日全部可交易股票，而不是只用你的持仓——因子收益衡量的是市场对某种特征的定价，样本必须覆盖整个市场；停牌股票当日应剔除；行业哑变量与市场因子共线，工程上常见做法是去掉市场截距项、或对行业收益施加加权和为零的约束，初学阶段选一种并保持一致即可。归因结果最好做成每周自动生成的报表，让"看暴露"变成和"看净值"同样频繁的习惯。

本课小结

风险模型把个股收益分解为市场、行业、风格与特质四层，让组合的真实押注显形。
因子暴露是横截面标准化后的 z 分数，组合暴露是持仓加权平均。
因子收益靠逐日横截面回归估计，残差即特质收益。
归因的核心问题是"赚的是不是自己以为的钱"：无意的风格暴露是失控的风险。
用公开数据就能搭一个简化 Barra 式流程，精度粗糙但足以指导组合诊断。

动手练习：取你此前做过的任一选股或轮动组合，构建市值、动量两个风格因子加行业哑变量的简化模型，做三个月的逐日横截面回归，输出组合收益的四层分解表。回答：特质贡献占比多少？哪个暴露是你此前没有意识到的？

交易成本建模：佣金、滑点与冲击成本

Fri, 17 Jul 2026 00:00:00 GMT

本课目标：把 A 股交易成本拆成显性与隐性两层，学会在回测中合理建模，并用敏感性测试判断策略对成本的耐受度。

为什么成本建模值得单独一课

很多在回测里光鲜的策略，实盘后表现平平，问题往往不在信号，而在成本。回测里一行 ret - 0.001 的粗糙假设，掩盖了真实交易中一整套摩擦：佣金、税费、买卖价差、排队等待、以及你的订单本身对价格的推动。策略换手越高，这层摩擦越致命——信号带来的毛收益是不确定的，成本却是确定要付的。成本建模的目标不是精确到分毫，而是保证回测的乐观偏差可控：宁可把成本估得略重，让活下来的策略在实盘里有惊喜，也不要估得太轻，让每个上线的策略都在还回测欠下的债。本文为研究方法讨论，不构成投资建议。

显性成本：看得见的账单

A 股股票交易的显性成本主要有三块：

项目	方向	说明
佣金	双向	券商收取，费率与最低收费以券商实际为准，通常有单笔最低门槛
过户费	双向	按成交金额的固定比例收取，以实际执行标准为准
印花税	仅卖出	按卖出金额的比例征收，具体税率以现行规定为准

两点容易被忽略：一是佣金的单笔最低收费，对小资金、拆单频繁的策略影响不小；二是印花税只在卖出端征收，意味着买卖两边的成本不对称，回测里应分开建模而不是简单取平均。ETF 交易通常不涉及印花税，这也是高换手策略偏好 ETF 的原因之一——具体品种的费用仍以交易所和券商公示为准。

def explicit_cost(amount, side, commission=2.5e-4, min_fee=5.0,
                  transfer=1e-5, stamp=5e-4):
    fee = max(amount * commission, min_fee) + amount * transfer
    if side == 'sell':
        fee += amount * stamp
    return fee

以上费率仅为示意参数，实际数值请以券商与交易所公布为准。

滑点：成交价与决策价的差距

滑点是你决策时看到的价格与最终成交价之间的差。来源至少有四类：

延迟：信号在 T 日收盘后生成，实际 T+1 才能成交，隔夜价格已经变了。
价差：市价单要跨过买卖价差才能立即成交，流动性差的品种价差更宽。
排队：限价单可能排不到，被迫追价或放弃。
同向拥挤：你的信号如果和大量资金同源（比如都用公开的动量信号），大家会在同一时点挤同一个门。

建模上，入门做法是固定比例滑点（如单边万分之几）；进一步可以让滑点与波动率挂钩——高波动日的滑点显著更大，用当日振幅或 ATR 的一个比例来近似，比固定值更贴近现实。

# 波动率挂钩滑点：以当日振幅的一个比例作为单边滑点
day_range = (high - low) / close          # 当日振幅
slippage = np.clip(0.1 * day_range, 1e-4, 5e-3)
buy_price = ref_price * (1 + slippage)
sell_price = ref_price * (1 - slippage)

订单类型也影响滑点的形态：市价单的滑点是"确定成交、价格不确定"，限价单则是"价格确定、成交不确定"。回测里如果假设限价单总能成交，等于免费拿走了价差收益；诚实的做法是要求价格穿过限价（例如买单要求当日最低价低于限价）才判定成交，否则视为未成交并按策略逻辑处理落单。

如果有分钟级数据，还可以事后度量真实滑点：把决策时刻的参考价与模拟成交价之差逐笔记录下来，形成滑点分布，再回头校准回测参数——让成本假设从"拍脑袋"进化为"有数据支撑"。

冲击成本与参与率约束

当你的订单相对市场成交量不再是"沧海一粟"，订单本身就会推动价格，这就是冲击成本。经验上冲击成本随参与率非线性上升：买得越急、占当日成交量比例越高，付出的价格让步越大。

对个人研究者而言，精确估计冲击成本既无必要也无数据条件，回测中更实用的做法是直接施加参与率约束，把"买不进那么多"变成硬规则：

max_participation = 0.05   # 单日成交不超过该股当日成交量的 5%
tradable = volume * max_participation * price
fill = np.minimum(target_amount, tradable)   # 超出部分顺延到次日

这条约束还能顺带回答一个关键问题：策略的容量有多大。把资金规模逐步放大重跑回测，当参与率约束开始频繁触发、收益明显衰减时，就摸到了策略容量的边界。

不可成交状态：涨跌停与停牌

A 股回测必须处理两类"想交易但交易不了"的状态：

涨跌停：一字涨停时买单大概率排不到，一字跌停时卖单同理。保守处理是：涨停禁止买入、跌停禁止卖出；更细一点可以用"当日是否打开涨跌停"来判断部分成交。
停牌：停牌期间既不能买也不能卖，持仓只能挂着。回测数据里停牌日往往没有行情记录，如果简单地把持仓按最后价格估值并允许交易，会高估策略的灵活性。

这两条规则对小市值、高波动股票上的策略影响尤其大——很多"涨停板买入"类信号在加入可成交性约束后收益大幅缩水，这正是约束在起作用。

工程实现上，建议在数据层预先算好每日的"可买""可卖"两个布尔标记（综合涨跌停、停牌、上市状态），执行模块只需查表。这样规则集中在一处维护，将来交易规则理解加深时（例如不同板块的涨跌幅限制不同），只改标记生成逻辑即可，所有策略自动受益。

成本敏感性测试：策略的压力测验

最后一步是把成本当成一个可调参数做压力测试：

以基准成本假设跑出净值。
将单边总成本按梯度放大（例如 0.5 倍、1 倍、2 倍、4 倍），逐档重跑。
画出年化收益随成本倍数变化的曲线，找到收益归零的"盈亏平衡成本"。

盈亏平衡成本与真实成本之间的距离，就是策略的安全边际。如果基准成本稍微上浮策略就不赚钱，说明策略本质上在"刀口上舔血"，对执行质量的要求高得不现实。同时算一下策略的年换手率——年化收益除以年换手率得到的"单位换手收益"，是衡量信号强度能否覆盖摩擦的直观指标。

本课小结

显性成本要分买卖两端建模：印花税只在卖出端，佣金有单笔最低收费，费率以券商实际为准。
滑点来自延迟、价差、排队和拥挤，可从固定比例起步，进阶为与波动率挂钩。
用参与率约束近似冲击成本，同时顺带估计策略容量。
涨停不能买、跌停不能卖、停牌不能动，这三条规则必须写进撮合逻辑。
用成本梯度压力测试找到盈亏平衡成本，评估策略的安全边际。

动手练习：给你上一课实现的最小回测器加上完整成本模块：分端佣金与印花税、固定比例滑点、5% 参与率约束、涨跌停禁止成交。然后对任一策略做成本敏感性测试，画出年化收益随成本倍数（0.5/1/2/4 倍）变化的曲线，并计算它的盈亏平衡成本。

回测框架进阶：向量化与事件驱动

Thu, 16 Jul 2026 00:00:00 GMT

本课目标：理解向量化与事件驱动两种回测范式的取舍，能画出一个最小事件驱动回测器的模块图，并知道如何验证回测器本身没写错。

两种范式：一次算完 vs 逐日推演

向量化回测把整段历史当作矩阵运算一次算完：信号矩阵乘以收益矩阵，几行 pandas 就能得到净值曲线。它快、代码短、适合大规模参数扫描和因子研究。

事件驱动回测则模拟真实交易过程：时间一天一天（或一笔一笔）往前推，每个时点上策略只能看到当时已有的信息，产生订单，订单经过撮合规则变成成交，成交更新持仓和现金。它慢、代码多，但更接近实盘。

维度	向量化	事件驱动
速度	极快	慢一到两个数量级
前视偏差风险	高（一不小心就用了未来数据）	低（结构上隔离了未来信息）
路径依赖逻辑	难表达（止损、资金约束）	自然表达
适用阶段	因子筛选、参数扫描	策略验证、接近实盘的模拟

实际工作流通常是两段式：先用向量化快速筛掉明显不行的想法，再把幸存者放进事件驱动框架做精细验证。两边结果的差异本身就是重要信息——差异大往往说明策略依赖了向量化框架无法表达的交易细节，比如止损触发的先后顺序、资金不足时的舍弃逻辑，这些恰恰是实盘中真实存在的约束。

最小事件驱动回测器的五个模块

不必一上来就写通用框架，通用是重构出来的，不是设计出来的。一个能用的最小实现只需要五个模块，各司其职、只通过事件通信：

数据模块（DataHandler）：按时间顺序吐出行情事件，保证任意时刻只暴露该时刻之前的数据。
信号模块（Strategy）：消费行情事件，产出信号事件（想买什么、想卖什么）。
组合模块（Portfolio)：把信号翻译成目标仓位，结合当前持仓与现金约束生成订单事件。
执行模块（ExecutionHandler）：模拟撮合，考虑成交价、滑点、涨跌停与停牌，产出成交事件。
记账模块（Ledger）：消费成交事件，更新持仓、现金和每日净值。

模块之间通过一个事件队列串联，主循环大致是这样：

from collections import deque

events = deque()

for bar in data_handler.stream_bars():      # 逐日推进
    events.append(bar)
    while events:
        event = events.popleft()
        if event.type == 'BAR':
            strategy.on_bar(event, events)      # 可能追加 SIGNAL
            portfolio.on_bar(event)             # 更新市值
        elif event.type == 'SIGNAL':
            portfolio.on_signal(event, events)  # 可能追加 ORDER
        elif event.type == 'ORDER':
            broker.on_order(event, events)      # 可能追加 FILL
        elif event.type == 'FILL':
            portfolio.on_fill(event)
            ledger.record(event)

这个结构的价值在于隔离：策略只看得到行情和自己的信号，成交细节全部封装在执行模块里。想换一种滑点假设，只改执行模块，策略代码一行不动。

撮合假设：魔鬼在执行模块里

事件驱动框架"贴近实盘"的程度，完全取决于执行模块里的假设。至少要明确回答这几个问题：

用什么价格成交：次日开盘价、次日均价还是次日收盘价？用当日收盘价成交当日信号是最常见的前视错误。对 A 股日线回测，"T 日收盘出信号、T+1 以开盘价或 VWAP 近似成交"是比较诚实的假设。
T+1 规则：A 股股票当日买入不能当日卖出。执行模块要区分"可卖持仓"和"总持仓"，否则日内往返的策略会在回测里合法、在实盘里违规。
部分成交：目标金额超出流动性约束时是顺延、缩量还是放弃？三种选择对高换手策略的结果差异不小。
资金检查顺序：同一天既有买单又有卖单时，是先卖后买（腾出资金）还是并行处理？处理顺序不同，可用资金就不同。

这些假设没有唯一正确答案，但必须显式写下来，而且宁可保守。回测的职责不是把策略算得好看，而是给实盘表现一个不至于失望的下界。

开源框架：泛泛的选型建议

社区里有不少现成框架，风格各异：有的是老牌事件驱动框架，功能全但代码风格偏老；有的主打向量化，扫参数极快，适合研究阶段；有的国内框架对 A 股的交易规则（涨跌停、T+1、股票代码规范）支持更好；还有的框架同时提供回测和实盘接口，方便平滑过渡。

选型建议只有三条：一是研究阶段优先选快的，验证阶段优先选贴近实盘的；二是看它对 A 股规则的支持程度，缺什么自己是否补得动；三是无论用什么框架，你都应该亲手写过一遍最小事件驱动回测器——不是为了用它，而是为了看懂框架在替你做什么假设。

如何验证回测器本身的正确性

策略可以错，回测器不能错。验证回测器有几个实用手段：

恒等检验：构造一个"永远满仓持有单一资产"的策略，回测净值应当严格等于该资产的复权净值曲线（扣除设定成本后）。对不上就是记账有 bug。
零成本对照：把佣金、滑点全部设为零，事件驱动结果应当收敛到同一策略的向量化结果。两边差异应该能被逐笔解释。
守恒检查：任意时刻，现金 + 持仓市值 = 总资产；每笔成交前后资产变化应恰好等于交易成本。把这写成断言，跑回测时全程开启。
极端用例：只有一个交易日的数据、全程停牌的股票、开盘即涨停的委托——这些边界用例最容易暴露撮合逻辑的漏洞。

把这些检验写成单元测试，回测器每次改动都自动跑一遍。另外强烈建议给回测器加上逐笔成交日志：每笔成交记录时间、方向、数量、价格、成本和成交后的现金与持仓快照。当回测结果可疑时，抽几笔手工核对，是定位问题最快的路径——比盯着最终净值曲线猜测有效得多。回测器是你所有研究结论的地基，在它上面花的每一分验证功夫，都会在后续省下十倍的排查时间。本文讨论的是工程方法，不构成投资建议。

本课小结

向量化适合大规模筛选，事件驱动适合精细验证，两者是流水线上的先后两站，不是二选一。
最小事件驱动回测器 = 数据、信号、组合、执行、记账五个模块 + 一个事件队列。
模块化的核心收益是隔离假设：改滑点模型不碰策略代码。
框架选型看研究/验证阶段的需求和对 A 股规则的支持，但最好亲手写过一个最小实现。
用恒等检验、零成本对照、守恒断言和极端用例来验证回测器本身，并固化为单元测试。

动手练习：亲手实现上面的五模块最小回测器（不超过 300 行），跑一个"月初买入、月末卖出某 ETF"的玩具策略。然后做恒等检验：写一个永远满仓的策略，验证净值与标的复权曲线一致；再把同一策略用向量化方式实现一遍，对账两者的每日净值差异。

择时与轮动：动量轮动策略的设计与陷阱

Wed, 15 Jul 2026 00:00:00 GMT

本课目标：搭建一个结构完整的动量轮动框架，并学会识别轮动策略里最常见的几个坑。

先给择时一个清醒的定位

在量化研究的难度谱系里，择时大概是最难的一档。选股是横截面问题，同一时刻你有几千个样本可以比较；择时是时间序列问题，一年只有大约两百多个交易日，真正的大级别拐点一年可能只有几次。样本少、噪声大，意味着任何择时信号都很容易是运气。

轮动策略可以看作择时的一个"折中版"：它不直接判断市场涨跌，而是在一组资产里持续比较相对强弱，把仓位从弱的资产挪到强的资产上。你不需要预测绝对方向，只需要排序——这在统计上比预测点位要求低得多，也更容易验证。

在 A 股语境下，最常见的轮动标的是行业指数和宽基/行业 ETF。ETF 交易门槛低、没有个股停牌和退市的麻烦，很适合作为轮动研究的起点。候选池不宜太大也不宜太小：太小则轮动等于在两三个资产间反复横跳，分散意义有限；太大则排名噪声上升、研究焦点涣散，一般十个以内、彼此逻辑上有差异的资产就够起步了。本文只讨论研究方法，不构成投资建议。

通用框架：排序、持有、再平衡

几乎所有动量轮动策略都可以压缩成三步：

排序：在再平衡日，计算候选池内每个资产过去 N 个交易日的动量得分（最朴素的就是区间涨幅），从高到低排序。
持有：买入排名前 K 的资产，通常等权持有。
再平衡：每隔 H 个交易日重复上述过程，卖出跌出前 K 的资产，买入新进入的资产。

用 pandas 表达核心逻辑大致是这样：

import pandas as pd

# prices: DataFrame, index 为交易日, columns 为各 ETF 代码
lookback, hold_n = 60, 2

momentum = prices.pct_change(lookback)          # 回看 60 日涨幅
rank = momentum.rank(axis=1, ascending=False)   # 横截面排名
signal = (rank <= hold_n).astype(float)         # 前 2 名等权持有
weights = signal.div(signal.sum(axis=1), axis=0)
# 实际持仓要向后错一天，避免用当日收盘信号成交当日收盘价
weights = weights.shift(1)

注意最后那行 shift(1)：信号在 T 日收盘后才能算出来，最早 T+1 才能执行。漏掉这一步，回测结果会好得离谱。

回看窗口与持有期：两个最敏感的参数

回看窗口 N 决定你捕捉的是哪种级别的趋势。窗口太短，信号被日常噪声主导，换手极高；窗口太长，信号钝化，等你确认趋势时行情往往已走完大半。持有期 H 则决定反应速度和交易成本之间的平衡。

一个实用的检查方法是画参数平原：把 N 和 H 各取一组值，跑出全部组合的回测指标，看结果是否在参数邻域内平滑变化。

特征	健康的参数平原	危险信号
形状	大片区域表现相近	只有孤立的尖峰
邻域	相邻参数结果接近	N 从 55 改到 60 结果剧变
逻辑	参数有经济含义	纯粹是搜出来的数字

如果只有某一组"神奇参数"表现突出，而它旁边的参数全都平庸，那大概率是过拟合，而不是发现了规律。

除了参数平原，还有两个低成本的稳健性检查值得养成习惯：一是把再平衡日整体平移几天（月初改月中），看结果是否大变——对再平衡日期敏感的策略，本质上是在拟合日历噪声；二是把回测期切成前后两半分别评估，两段表现差异悬殊时，要怀疑策略只是抓住了某一段特定行情。这些检查不能证明策略有效，但能廉价地否掉一批伪装成规律的运气。

换手成本：轮动策略的隐形税

轮动天然高换手。假设每次再平衡平均换掉一半持仓，双边成本合计千分之二，每月轮动一次，一年仅摩擦成本就会吃掉相当可观的一块收益。回测时务必把成本显式建进去，并做一个简单的敏感性测试：把单边成本从万五逐步提高到千二，看策略净值何时被"磨平"。如果策略只有在零成本假设下才成立,它在实盘中几乎必然失效。

降低换手的常用手法包括：拉长持有期、引入排名缓冲区（例如跌出前 5 名才卖出，而不是跌出前 2 名就卖）、限制单次调仓的最大权重变化。

空仓与防守资产：轮动的"刹车"

纯相对动量有一个致命弱点：市场普跌时，它仍会持有"跌得最少"的资产。解决办法是叠加绝对动量过滤——当排名靠前的资产自身动量也为负时，转入防守资产（货币 ETF、短债 ETF）或直接空仓。

设计防守腿时要想清楚三件事：触发条件（绝对收益为负，还是低于某个阈值）、防守资产本身的流动性、以及重新入场的条件是否与出场条件对称。很多回测里"防守腿"贡献了大部分回撤控制，这本身值得警惕：它可能只是恰好躲过了样本内的几次大跌，换一段历史未必重现。

另一个容易忽略的细节是频繁进出的"鞭打"损耗：市场在阈值附近来回震荡时，绝对动量过滤会导致反复的"清仓、再买回"，每一个来回都白付两次成本。缓解手段是给出入场设置不同阈值（例如动量跌破 -2% 才离场、回升到 +2% 才进场），用滞回区间换取更少的无效切换。

轮动策略的其他陷阱清单

除了参数过拟合，做轮动研究前还应过一遍这份清单：

候选池的幸存者偏差：用今天还存续、规模够大的 ETF 列表去回测十年前，等于提前知道了哪些产品能活下来、能长大。候选池应按 PIT 原则用当时可交易的名单。
上市初期数据：ETF 上市初期规模小、折溢价大，回测里的价格未必成交得了，建议剔除上市不满一定时长的品种。
拥挤度：动量轮动的逻辑广为人知，信号同质化意味着再平衡日大家挤同一扇门。回测无法完全刻画这一点，但可以通过检查标的成交额与自身资金规模的比例保持清醒。
风格归因缺失：行业轮动的超额收益，有时只是变相押注了某种市值或波动风格。跑一次简单归因，确认收益来源与你的设计意图一致。

本课小结

轮动是"比较相对强弱"而非"预测绝对方向"，统计上比择时更可行，但仍是时间序列问题，样本天然稀少。
通用框架就三步：排序、持有、再平衡；信号必须 shift(1) 之后才能用于成交。
回看窗口与持有期用参数平原检验，追求平滑的高原而不是孤立的尖峰。
换手成本是轮动的隐形税，必须显式建模并做成本敏感性测试。
防守腿能控制回撤，但要警惕它只是"记住了"样本内的几次暴跌。

动手练习：选 5 只互相相关性较低的行业 ETF，用上面的框架实现一个"回看 60 日、持有前 2 名、每 20 日再平衡"的轮动回测。然后做两件事：一是画出 N∈{20,40,60,90,120}、H∈{5,10,20,40} 的参数平原热力图；二是加入单边千一的交易成本，对比净值曲线差异，写下你的结论。

组合优化入门：均值方差与风险平价

Tue, 14 Jul 2026 00:00:00 GMT

本课目标：理解均值方差框架的直觉与它在实践中的脆弱性，认识风险平价的思想，并学会给优化问题加上实盘必需的约束。

上一课我们用分位数等权把因子分变成了持仓。等权简单可靠，但它对风险不闻不问：两只总分一样的股票，一只波动 15%、一只波动 60%，等权买入意味着组合风险被高波动的那只主导。组合优化要解决的就是"在预期收益和风险之间做系统性权衡"。本文不构成投资建议。

均值方差：优雅的框架

均值方差框架的直觉一句话就能说完：在给定风险水平下最大化预期收益，或在给定预期收益下最小化风险。它需要两个输入——每只股票的预期收益向量 μ，和股票间的协方差矩阵 Σ；输出是一组最优权重 w。目标函数常写成：

最大化 wᵀμ − (λ/2)·wᵀΣw，其中 λ 是风险厌恶系数。

这个框架的漂亮之处在于它把"分散化"数学化了：只要资产不完全相关，组合波动就小于成分波动的加权平均——这是组合管理里少有的近似免费的午餐。它还给出了一个重要视角：一只股票值不值得加仓，不取决于它自身的风险收益，而取决于它对组合整体的边际贡献。在多因子语境下，μ 通常直接用上一课合成的因子分（经过缩放）充当。

输入敏感：优雅框架的阿喀琉斯之踵

均值方差在教科书里完美，在实践中却出名地难用，核心原因是对输入误差极度敏感：

预期收益 μ 的微小扰动，会导致最优权重的剧烈翻转。优化器像一台"误差放大器"——它会最大化地押注那些被你高估了预期收益的资产；
输出的组合经常极端：满仓押少数几只股票、大量权重贴在约束边界上；
每期输入更新后权重大幅跳动，带来不可接受的换手。

而 μ 恰恰是我们估得最不准的东西——因子对收益的预测本来就只有微弱的相关性。所以实务共识是：对 μ 的精度保持悲观，用约束和正则化驯服优化器，而不是指望喂给它精确的预期收益。常见的驯服手段包括：只用 μ 的排序信息而弱化数值大小、把权重向基准或等权收缩、给目标函数加上惩罚换手的项。这些手段的共同精神是一句话——当输入不可靠时，宁可要一个"大致正确"的钝解，也不要一个"精确错误"的锐解。

协方差估计同样困难

Σ 看起来比 μ 好估，其实也有自己的麻烦：

维度灾难：N 只股票的协方差矩阵有 N(N+1)/2 个参数。500 只股票就有超过 12 万个参数，而一年只有约 240 个交易日的数据，样本协方差矩阵噪声极大甚至不可逆；
时变性：相关性结构在危机中会集体抬升，"平时分散、跌时抱团"；
常见对策：压缩估计（把样本协方差向结构化目标收缩）、因子风险模型（假设股票收益由少数风格/行业因子驱动，把估计对象从 12 万个参数降到几十个因子的协方差）、以及拉长半衰期的指数加权估计。

进阶阶段不必自己实现因子风险模型，但要理解一点：直接把样本协方差矩阵塞进优化器，是新手最常见的翻车方式之一。

风险平价：不猜收益，只配风险

既然 μ 最不可靠，一个激进的思路是干脆不用它。风险平价（risk parity）的思想是：让每个资产（或每类资产）对组合总风险的贡献相等。

对比三种配置逻辑：

方案	均衡的对象	需要的输入
等权	资金	无
风险平价	风险贡献	协方差（主要是波动率）
均值方差	边际收益/边际风险	预期收益 + 协方差

最简化的版本是波动率倒数加权（忽略相关性）：

vol = ret.rolling(60).std() * np.sqrt(250)   # 年化波动
raw_w = 1.0 / vol.iloc[-1]
weights = raw_w / raw_w.sum()                # 归一化

完整的风险平价需要数值求解，使每只资产的风险贡献 wᵢ·(Σw)ᵢ 相等。风险平价常用于大类资产配置（股、债、商品），在股票组合内部则常以"波动率倒数"或"风险预算"的简化形态出现。它的代价也很直白：完全放弃了收益观点，低波动资产会拿到很高的权重。

在多因子选股的语境下，一个折中方案很自然：用因子分决定"选哪些股票"，用风险平价或波动率倒数决定"每只买多少"。选股环节保留收益观点，配权环节只做风险均衡——这比把因子分直接塞进均值方差优化器要稳健得多，实现成本也低，很适合作为进阶阶段的默认方案。

实盘必需的约束

无论用哪个框架，裸的优化解都不能直接交易。常见约束及其动机：

个股上限（如单票不超过 5%）：防止优化器把误差押成重仓，控制个股黑天鹅暴露；
行业上限/行业偏离约束（如相对基准行业偏离不超过 ±3%）：把收益来源约束在选股而非行业押注上；
换手约束（如单次调仓换手不超过 20%）：直接控制交易成本，也间接抑制了权重对输入噪声的敏感；
禁买/剔除清单：停牌、ST、流动性不足的股票直接排除，避免优化解落在无法执行的标的上。

带约束的优化本质是一个二次规划问题，Python 生态里可用 scipy.optimize.minimize 或凸优化库求解。示意（最小化跟踪风险的骨架）：

from scipy.optimize import minimize

def objective(w, mu, cov, lam=10.0):
    return -(w @ mu) + 0.5 * lam * w @ cov @ w

cons = [{"type": "eq", "fun": lambda w: w.sum() - 1.0}]
bounds = [(0.0, 0.05)] * n_assets  # 不做空，单票上限 5%
res = minimize(objective, x0, args=(mu, cov), bounds=bounds, constraints=cons)

一个务实的经验：约束收紧到一定程度后，不同优化方法的结果会趋同——约束本身就是最强的正则化。先把约束设计好，再谈优化器的高级技巧。

最后别忘了评价基准：任何优化组合都应与等权组合放在同一回测框架下对比，看年化波动、最大回撤、换手率和成本后收益。如果精心调校的优化器在成本后跑不过等权，说明当前输入质量还撑不起这套复杂度，退回简单方案不丢人。

本课小结

均值方差框架直觉优雅，但对预期收益输入极度敏感，优化器天然是"误差放大器"；
协方差矩阵参数量巨大，直接用样本协方差是常见翻车点，压缩估计与因子风险模型是主流对策；
风险平价放弃收益预测、只均衡风险贡献，是对输入不确定性的一种务实回应；
个股、行业、换手三类约束是实盘组合的标配，约束本身就是最有效的正则化；
复杂优化应先与等权、波动率倒数加权这类朴素基准对比，胜出了才有存在的理由。

动手练习：取上一课多因子组合的前 50 只股票，分别用等权和 60 日波动率倒数加权构建两个组合，按月调仓回测，对比两者的年化波动、最大回撤与换手率，体会"只动风险、不动收益观点"能带来多大差异。

多因子组合：打分、中性化与权重分配

Mon, 13 Jul 2026 00:00:00 GMT

本课目标：学会把多个单因子加工成一个组合信号——包括去极值与标准化、行业/市值中性化、因子合成方法的选择，以及从因子分走到组合权重。

前几课我们逐个检验了单因子。实盘中几乎没有人只用一个因子——单因子波动大、有明显的失效期，多因子组合的意义在于让互相不太相关的信号互补：估值因子失灵的年份，动量或质量可能正好接力，组合层面的体验远好于任何单因子。把散装因子组装成组合，有一条标准流水线：预处理、中性化、合成、落地成权重。本课按顺序过一遍，每一步都说明"为什么要做"和"怎么做"。本文不构成投资建议。

第一步：去极值与标准化

不同因子量纲完全不同（EP 在 0.05 上下，动量可能是 ±80%），直接相加没有意义，必须先统一到可比的尺度。

去极值（winsorize）：截面上少数极端值会主导后续的 z-score，比如一只股票的市盈率因为利润接近零而飙到几千倍，标准化后它一家就能扭曲整个截面的分布。常用中位数绝对偏差法（MAD）设定上下边界并截断，它比"均值 ± 3 倍标准差"更稳健，因为均值和标准差本身就会被极端值污染：

import numpy as np

def winsorize_mad(s: pd.Series, k: float = 5.0) -> pd.Series:
    med = s.median()
    mad = (s - med).abs().median()
    upper, lower = med + k * 1.4826 * mad, med - k * 1.4826 * mad
    return s.clip(lower, upper)

标准化（z-score）：去极值后，截面上减均值、除标准差，让每个因子都变成均值 0、方差 1 的分布：

def zscore(s: pd.Series) -> pd.Series:
    return (s - s.mean()) / s.std()

顺序不能反：先去极值再标准化。缺失值的处理也要定规则——常见做法是行业内中位数填充，或直接不给该股票此因子的打分。两种做法各有代价：中位数填充相当于假设"缺数据的股票是行业平均水平"，会稀释因子区分度；直接不打分则会让不同因子的覆盖股票池不一致，合成时需要额外对齐。无论选哪种，规则要全程统一并写进文档。

对分布严重偏斜的因子（如市值、成交额），还有一个常用变体是排名标准化：先转成截面排名百分位，再映射到正态分布分位数。它完全抹掉了原始分布形态，只保留排序信息，稳健性最好，代价是丢失了"因子值差多少"的强度信息。

第二步：行业中性与市值中性

动机：很多因子的原始得分里混着行业和市值的"顺风车"。比如低波动因子天然偏好银行、公用事业；很多因子在小盘股上得分极端。如果不处理，你的"多因子组合"实际上是一个行业和市值的押注组合——风险集中，而且你并不知道自己在押。

做法：把因子值对行业哑变量和对数市值做截面回归，取残差作为中性化后的因子：

import statsmodels.api as sm

def neutralize(factor, industry_dummies, log_mktcap):
    X = pd.concat([industry_dummies, log_mktcap], axis=1)
    X = sm.add_constant(X)
    model = sm.OLS(factor, X, missing="drop").fit()
    return model.resid  # 残差 = 剔除行业与市值后的纯因子

残差的含义是：同行业、同市值水平下，这只股票的因子得分还有多少超额信息。中性化后记得再做一次标准化，让残差回到均值 0、方差 1 的尺度，才能与其他因子合成。

中性化不是免费午餐——它会剔除因子里真实存在的行业选择能力，是否中性化取决于你想不想承担对应的风险敞口。一个实用的判断方法：分别检验中性化前后的因子。如果中性化后 RankIC 大幅下降，说明这个因子的预测力主要来自行业或市值押注，"选股能力"其实很薄；如果基本不变，说明它有独立于风格的增量信息，是更值得保留的因子。

第三步：因子合成——打分法 vs 回归法

多个标准化后的因子怎么合成一个总分？两条主流路线：

维度	打分法（加权求和）	回归法（截面回归）
做法	总分 = Σ 权重 × 因子 z-score	每期用因子暴露回归收益，估出因子收益率，再用其预测
权重来源	等权、ICIR 加权、人工设定	由回归系数内生决定
优点	简单透明、稳健、好调试	理论完整，自动处理因子间相关性
缺点	忽略因子相关性，权重带主观性	对共线性和异常值敏感，估计噪声大

对进阶阶段的建议是从打分法起步：等权合成是极难被打败的基准。ICIR 加权（用各因子历史 ICIR 作为权重）是常见的第一个改进，但要警惕用了太短的窗口去追逐因子的近期表现——因子权重本身也会过拟合，窗口越短、调整越频繁，样本外掉链子的概率越大。

因子相关性与冗余

合成前必须检查因子间的截面相关性。两个相关系数很高的因子（比如低波动与低换手）同时等权放入，等于给同一个信号加了双倍权重，组合的分散化是虚假的。

实用检查清单：

计算因子两两的截面 RankIC 式相关（每期截面相关取时序均值）；
相关系数明显偏高的因子对，考虑只保留检验表现更好的一个，或先合并成一个"家族因子"再参与总合成；
新因子入库前，对存量因子做正交化检验：把新因子对老因子回归，看残差是否还有 IC。残差没有预测力，说明新因子只是老因子的换皮。

从因子分到组合权重

总分只是排序，还要落地成"每只股票买多少"。由简到繁的三种方案：

分位数等权：取总分最高的前 10% 或前 N 只，等权持有，定期调仓。最简单，也是检验因子分质量的基准做法；
打分加权：权重正比于总分（或总分的秩），分数越高买越多，注意设置单票权重上限；
优化器方案：把因子分作为预期收益输入组合优化器，同时施加风险和交易约束——这是下一课的主题。

无论哪种方案，都要在回测里叠加换手率统计和交易成本假设。多因子组合的换手率由变化最快的那个因子主导，合成时给高换手因子降权是控制成本的常用手段。另一个降换手的技巧是设置缓冲区：股票掉出前 10% 但仍在前 15% 时暂不卖出，只有跌出缓冲带才调仓。排序边缘的小幅抖动是换手的主要来源，缓冲区能以很小的信号损失换来可观的成本节约。

本课小结

流水线顺序：去极值 → 标准化 → 中性化 → 合成 → 落地权重，每一步都有明确动机；
行业与市值中性化的本质是剥离你不想押注的风险敞口，剥不剥取决于你想承担什么；
等权打分是极强的合成基准，任何花哨的加权方法都应先证明能稳定胜过它；
高相关因子共同入选会造成虚假分散，新因子必须通过对老因子的正交化检验；
从因子分到权重，从分位数等权起步，成本与换手要纳入评价。

动手练习：选两个前几课检验过的因子（如 20 日反转 + EP），完成整条流水线：MAD 去极值、z-score、行业市值中性化、等权合成，然后做 5 组分层回测，对比合成因子与两个单因子的 RankIC 与单调性，观察合成是否带来了改进。

基本面因子：估值、质量与成长

Sun, 12 Jul 2026 00:00:00 GMT

本课目标：掌握估值、质量、成长三大类基本面因子的构造思路，并理解财报数据特有的 Point-in-Time 陷阱与行业差异处理。

价量因子只需要行情数据，基本面因子则要引入财务报表。数据变"重"之后，因子构造的坑也随之增多——最大的坑不在公式，而在"你以为你当时知道，其实你当时不知道"的数据对齐问题。本文仅为研究方法讨论，不构成投资建议。

估值因子：为便宜付钱

估值因子衡量"每一块钱的基本面，市场标价多少"，代表性指标：

因子	常见构造	备注
EP（市盈率倒数）	净利润 / 总市值	用倒数避免 PE 在利润趋近零时爆炸；亏损股 EP 为负仍可排序
BP（市净率倒数）	净资产 / 总市值	对金融、周期行业相对更适用
SP（市销率倒数）	营业收入 / 总市值	适合利润波动大或暂时亏损的公司
股息率	近 12 个月分红 / 总市值	隐含分红意愿与现金流质量信息

背后的直觉是价值溢价：一种解释是市场对短期坏消息反应过度，把平庸但便宜的公司打得过低，长期存在均值回归；另一种解释是便宜本身就是风险补偿——低估值公司往往经营困境更多，你赚的是承担这种风险的报酬。经验上，A 股的估值因子在不同时期表现分化明显，常出现连续数年跑输成长风格再回归的情况，单独使用体验较差，更多作为多因子组合中的一个维度。

实务上普遍用"倒数形式"（EP 而非 PE），原因有二：一是分母为市值，恒为正，不会出现除零；二是负值有明确含义（亏损），排序上可以自然处理。

质量因子：为好生意付钱

质量因子回答"这家公司赚钱的能力和账面的干净程度"：

盈利能力：ROE（净利润/净资产）、毛利率（毛利/营收）。高且稳定的 ROE 是质量因子的核心；
盈利质量：应计项（accruals）。利润由现金流和应计项两部分构成，应计项占比高说明利润更多来自会计估计而非真金白银，经验上高应计公司后续业绩兑现往往较差：

# 简化示意：应计项 = 净利润 - 经营性现金流，再除以总资产
accruals = (net_profit - operating_cashflow) / total_assets
quality_score = -accruals  # 应计越低，质量越高

财务稳健：资产负债率、利息保障倍数等，衡量下行风险。

构造质量因子时要注意分母的选择和口径统一：ROE 用期初净资产还是期末净资产、净利润是否扣非，不同选择会给出不同的排序。没有唯一正确答案，但同一研究里必须从一而终，并把口径写进因子文档。

质量因子的直觉是：市场对"平稳的好"定价不足——高 ROE 的持续性经常被低估，投资者更愿意为激动人心的故事付钱。质量因子通常换手率低、容量大，与估值因子搭配（"以合理价格买好公司"）是常见做法。

成长因子：为变化率付钱

成长因子看的是基本面的变化速度：营收同比增速、净利润同比增速、ROE 的环比改善等。构造时的注意点：

优先用同比（对比去年同期），规避财报数据天然的季节性；
低基数会制造夸张的增速（去年利润 100 万、今年 1000 万，增速 900%），需要去极值或结合利润绝对规模过滤；
单季度增速比累计增速更敏感，但也更噪声，常见做法是两者都测。

成长因子的直觉与动量类似：业绩加速改善的信息被市场逐步消化，存在"业绩惯性"。经验上，A 股市场对高增速的偏好较强，成长因子与分析师预期修正类因子往往有较高相关性。

成长与估值天然存在张力：高增速的公司通常已经不便宜，纯成长选股容易在景气反转时遭遇"戴维斯双杀"——增速下修与估值收缩同时发生。因此实务上成长因子很少单独使用，更多与估值、质量搭配，或者在构造时直接用"增速相对估值"的复合形式。

Point-in-Time：财报数据最大的坑

财报数据有两个时间：报告期（数据描述哪个季度）和公告日（市场哪天才看到它）。年报报告期是 12 月 31 日，但公告可能拖到次年 4 月底。如果回测时在 1 月 2 日就用上了年报数据，就引入了未来函数，回测结果会系统性虚高。

正确姿势是 Point-in-Time（PIT）对齐：任一交易日只能使用"公告日不晚于当天"的最新一期财报。

# announcements: 每行 = (股票, 报告期, 公告日, 指标值)
ann = announcements.sort_values("公告日")
# 对每个交易日 t，取公告日 <= t 的最近一条记录
pit = pd.merge_asof(
    trade_days.sort_values("date"), ann,
    left_on="date", right_on="公告日", by="股票代码"
)

另外两个相关的坑：一是财报重述——公司事后修正历史财报，数据库若只保留修正后的值，回测就用上了当年不存在的数字，尽量使用保留原始披露版本的数据源；二是报告期错配——同一天里，有的公司已披露一季报、有的还停留在年报，截面比较时天然存在新旧掺杂，这是无法完全消除的现实，只能保持全市场统一的 PIT 规则。

行业差异：不要拿银行的 PB 和软件公司比

基本面指标的"正常水平"因行业而异：银行天然高杠杆、低 PB；软件公司轻资产、高毛利；周期行业的 PE 在景气顶点反而最低（利润被打满）。直接在全市场比较原始估值指标，本质上是在做行业押注而非选股。

常见处理是行业内标准化：在每个行业内部把因子转成 z-score 或排名百分位，再合并到全市场截面。这样比较的就是"这只股票在自己行业里贵不贵"，而非行业间的天然差异。是否要做行业中性取决于研究目标——如果你就是想赚行业轮动的钱，那另当别论。这部分会在多因子课里系统展开。

另一个层面的行业差异是指标适用性：EP 对亏损面大的行业区分度差，SP 对金融行业意义不大，应计项因子对银行保险的报表结构基本失效。严谨的做法是在检验阶段就分行业看因子的 RankIC，对明显不适用的行业，要么剔除该行业，要么换用行业专属指标，而不是指望一个公式打遍全市场。

本课小结

估值因子用倒数形式（EP/BP/SP）构造，避免除零并自然处理亏损股；
质量因子看盈利能力与盈利质量，应计项是识别"纸面利润"的经典视角；
成长因子用同比增速规避季节性，警惕低基数制造的伪高增长；
财报数据必须按公告日做 Point-in-Time 对齐，否则回测系统性虚高；
基本面因子多数需要行业内标准化，否则你测的是行业配置而非选股能力。

动手练习：取 EP 因子，分别用"报告期对齐"（错误做法）和"公告日 PIT 对齐"（正确做法）各跑一遍 RankIC 与分层回测，对比两者差异的大小，直观感受未来函数对财报类因子的影响程度。

经典价量因子巡礼：动量、反转、低波动与换手率

Sat, 11 Jul 2026 00:00:00 GMT

本课目标：掌握动量、反转、低波动、换手率四类经典价量因子的构造方法和行为金融直觉，并了解它们在 A 股的经验特点。

价量因子只用行情数据（价格、成交量）就能计算，数据门槛低、更新频率高，是因子研究最好的练手对象。本课逐个拆解四类经典价量因子：每个因子讲三件事——怎么算、为什么可能有效（行为金融直觉）、在 A 股的经验特点。需要强调的是，"为什么有效"的解释都是事后归因，不是物理定律；理解直觉的价值在于帮你判断因子在什么环境下可能失效。照例提醒：本文只讨论研究方法，不构成任何投资建议。

动量：强者恒强的赌注

构造方式：最经典的动量因子是"过去 N 个月的累计收益率"，常见参数是回看 12 个月并跳过最近 1 个月（跳过是为了避开短期反转的干扰）：

# close: index=日期, columns=股票, 月末收盘价
momentum = close.shift(1) / close.shift(12) - 1  # 12-1 月动量

行为金融直觉：投资者对新信息反应不足——好消息公布后，价格不会一步到位，而是缓慢消化，形成趋势延续。另一种解释是处置效应：投资者急于卖出浮盈股票、死扛浮亏股票，减缓了价格向新信息的调整速度。

A 股经验特点：经验上，教科书式的中长期动量在 A 股个股层面表现平平，甚至常常失效；相对而言，动量效应在行业和风格层面通常更容易观察到。因此 A 股研究者更常测试行业动量、板块动量，而非个股动量。

常见参数：回看 3、6、12 个月；是否跳过最近 1 个月；用累计收益还是风险调整后收益。

反转：涨多了会跌回来

构造方式：短期反转通常用"过去 N 日（如 20 日或 1 个月）的收益率"，然后反向使用——过去跌得多的打高分：

reversal = -(close / close.shift(20) - 1)  # 值越大代表近期跌得越多

行为金融直觉：与动量相反，短期反转对应"反应过度"——情绪驱动的追涨杀跌把价格推离基本面，随后均值回归。流动性冲击也是来源之一：大单砸出的超跌需要时间修复。

A 股经验特点：经验上，A 股的短期反转效应通常比动量显著得多，这也是"A 股反转强于动量"这句行话的来源。常见的解释包括散户占比高、换手率高、追涨杀跌行为普遍。但要注意两点：一是反转因子换手率极高，交易成本会吃掉相当一部分纸面收益；二是极端反转股常伴随基本面恶化，选股时容易接飞刀。

常见参数：回看 5、10、20、60 日；是否剔除涨跌停无法成交的样本。

涨跌停这一点在 A 股尤其要注意：跌停的股票你在调仓日可能根本买不进，回测里却"顺利成交"了。反转因子的高分组恰好聚集了大量刚经历暴跌、可能仍在跌停的股票，不处理这个细节，回测收益里会掺进无法实现的部分。稳妥做法是在调仓日剔除一字板股票，或把成交价设为次日均价。

低波动：无聊股票的溢价

构造方式：常用"过去 N 日收益率的标准差"（总波动）或回归市场后的残差波动，因子值越低打分越高：

ret = close.pct_change()
low_vol = -ret.rolling(60).std()  # 负号：波动越低分越高

行为金融直觉：传统理论认为高风险应有高回报，但经验上低波动股票的风险调整后收益往往不差。行为解释是"彩票偏好"——投资者愿意为高波动、可能暴涨的股票支付溢价，导致这类股票被系统性高估；此外基金经理有博取排名的激励，也偏好高弹性股票。

A 股经验特点：经验上低波动、低换手的组合在 A 股长期风险调整后表现通常不错，但在快速上涨的行情里会明显跑输，持有体验是"熊市抗跌、牛市踏空"，对使用者的耐心要求很高。

常见参数：回看 20、60、120 日；总波动还是特质波动。

换手率：拥挤度的温度计

构造方式：常用"过去 N 日日均换手率"，或当前换手率相对自身历史均值的比值（异常换手）。通常低换手打高分：

turnover_factor = -turnover.rolling(20).mean()

行为金融直觉：换手率是关注度和分歧度的代理。高换手往往意味着股票处于情绪风口、被过度交易，价格里挤满了乐观者出价；热度退潮后收益平庸。低换手股票缺乏关注，容易被系统性低估。

A 股经验特点：经验上换手率类因子在 A 股长期表现较为突出，与低波动因子相关性较高，两者常被归为同一"低风险/低关注"家族。使用时要注意它与小市值、流动性的纠缠——低换手股票往往也是流动性差的股票，实盘容量有限。

常见参数：回看 5、20、60 日；是否用对数换手；是否做市值中性化。

四个因子讲完，可以看出一条共同的脉络：价量因子赚的多是"交易对手行为偏差"的钱——追涨杀跌、彩票偏好、过度关注。这也决定了它们的性格：信号来得快、去得也快，参数敏感，需要比基本面因子更频繁的体检。

因子衰减：好因子也有保质期

因子衰减（decay）有两层含义：

层面	含义	观察方法
信号衰减	同一期因子值对越远期收益的预测力越弱	计算因子对未来 1、5、10、20 日收益的 RankIC，画衰减曲线
历史衰减	因子公开、被大量资金使用后，长期有效性下降	分年度统计 IC 与分层收益，观察趋势

信号衰减决定了合理的调仓频率：衰减快的因子（如短期反转）需要高频调仓，交易成本敏感；衰减慢的因子（如低波动）适合低频持有。历史衰减则提醒我们：任何"经典因子"的历史表现都不能线性外推，检验时务必分段看逐年表现。

历史衰减的机制值得多想一层。因子有效性的来源大致两类：一类是行为偏差——只要参与者结构不变，偏差会持续存在，但套利资金增多会压缩其空间；另一类是风险补偿——你赚的是承担某种风险的报酬，这类收益理论上更持久，但也意味着一定会有难熬的回撤期。判断手里的因子偏向哪一类，能帮你在它连续跑输时决定"再等等"还是"该放弃"。

本课小结

动量赌反应不足，反转赌反应过度，两者是同一价格序列在不同期限上的两面；
经验上 A 股个股层面反转通常强于动量，动量更多体现在行业与风格层面；
低波动与换手率同属"低风险/低关注"家族，长期稳健但牛市难熬，且与小市值纠缠较深；
高换手因子的纸面收益必须扣减交易成本后再评价；
用 IC 衰减曲线确定调仓频率，用分年度表现警惕因子的历史衰减。

动手练习：用上一课的检验框架，分别测试 20 日反转和 12-1 月动量在同一股票池、按月调仓下的 RankIC 与 5 组分层表现，对比两者方向与强度，验证"反转强于动量"在你的样本区间里是否成立。

因子研究框架：IC、RankIC 与分层回测

Fri, 10 Jul 2026 00:00:00 GMT

本课目标：建立一套可复用的因子检验框架，学会用 IC、RankIC 和分层回测判断一个因子"是否值得继续研究"。

入门阶段我们跑的是策略回测：一套买卖规则，输出一条资金曲线。进入因子研究后，视角要换一下——我们不再直接问"这个策略赚不赚钱"，而是问"这个变量对未来收益有没有预测力"。本文不构成投资建议，所有示例仅用于说明研究方法。

什么是截面因子

截面因子（cross-sectional factor）是在同一个时点上，给股票池里每只股票打一个分数的变量。比如"过去 20 日换手率"，在 2026 年 6 月 30 日这一天，全市场每只股票都有一个值，这一列数据就是当天的因子截面。

关键在"截面"两个字：我们比较的是同一时点上股票之间的相对高低，而不是一只股票自己的时间序列变化。因子研究的核心假设是：

在时点 T，因子值的高低排序，与
从 T 到 T+N（比如未来 20 个交易日）的收益率排序

之间存在稳定的关系。这个关系可以是正向的（因子值越高、未来收益越高），也可以是负向的，方向不重要，稳定才重要。

还要区分因子和信号：因子是原始变量（换手率、市盈率倒数、过去收益），信号是加工后的交易指令。因子研究停留在"变量有没有预测力"这一层，离实盘还隔着组合构建、成本、风控好几步。先把这一层做扎实，后面的每一步才有可靠的地基。

检验思路：从因子值到未来收益

把上面的假设翻译成可计算的流程：

在每个调仓时点 T，取出全部股票的因子值向量 f_T；
计算每只股票从 T 到 T+N 的收益率向量 r_{T→T+N}（注意是未来收益，避免用到 T 之后才知道的信息）;
度量 f_T 和 r 之间的相关性；
在很多个时点上重复，观察这个相关性的均值、波动和稳定性。

第 3 步的度量方式，就是 IC。

两个容易踩的细节值得单独强调。第一，未来收益的区间要和调仓频率匹配：月度调仓就看未来一个月收益，不要用月度因子去对齐未来一年的收益，否则相邻期的收益区间大量重叠，统计上会高估稳定性。第二，收益率的起点应设在"你实际能交易的时刻"——比如用 T+1 开盘价而不是 T 日收盘价计算，因为你在 T 日收盘后才算得出因子值，按当日收盘成交是做不到的。这类细节单看都不起眼，叠加起来足以让一个平庸因子在回测里显得出色。

IC 与 RankIC 的含义与计算

IC（Information Coefficient，信息系数）是某一期因子值与下一期收益的截面相关系数：

IC：用 Pearson 相关系数，衡量线性关系，对极端值敏感；
RankIC：用 Spearman 秩相关，先把因子值和收益都换成排名再算相关，只关心排序关系，对离群值稳健。

A 股个股收益分布长尾明显，涨跌停也会截断收益，所以实务中通常更看 RankIC。

import pandas as pd

def calc_rank_ic(factor: pd.DataFrame, fwd_ret: pd.DataFrame) -> pd.Series:
    """factor/fwd_ret: index=日期, columns=股票代码, 已对齐"""
    ics = {}
    for dt in factor.index:
        f = factor.loc[dt].dropna()
        r = fwd_ret.loc[dt].reindex(f.index).dropna()
        f = f.reindex(r.index)
        ics[dt] = f.corr(r, method="spearman")
    return pd.Series(ics)

ic_series = calc_rank_ic(factor_df, fwd_ret_df)
print(ic_series.mean(), ic_series.std())
print(ic_series.mean() / ic_series.std())  # ICIR

读数时关注三个量：

指标	含义	经验参考
IC 均值	预测力的平均强度和方向	绝对值持续在 0.02~0.05 以上通常值得关注
ICIR（IC 均值/IC 标准差）	预测力的稳定性	越高越稳定
IC 胜率	IC 与均值同号的期数占比	明显高于 50% 更好

上表的"经验参考"只是常见的口头约定，不同股票池、不同频率下标准差异很大，不要当成硬性门槛。

分层回测：怎么做、怎么读

IC 只给出一个相关系数，分层回测（分组回测）能让你看到因子在整个截面上的形态。做法：

每个调仓日，按因子值把股票池等分成 K 组（常用 5 组或 10 组），第 1 组因子值最低，第 K 组最高；
每组内等权持有到下一个调仓日，滚动下去，得到 K 条净值曲线；
同时构造"多空组合"：做多第 K 组、做空第 1 组（A 股做空受限，这条曲线主要用于研究而非实盘）。

def layer_test(factor, fwd_ret, n_groups=5):
    labels = factor.rank(axis=1, pct=True).apply(
        lambda row: pd.cut(row, n_groups, labels=False), axis=1
    )
    group_ret = {
        g: fwd_ret[labels == g].mean(axis=1) for g in range(n_groups)
    }
    return pd.DataFrame(group_ret)

读图要点：

单调性：从第 1 组到第 K 组，平均收益是否单调递增（或递减）。单调说明因子在全截面都有区分度；如果只有最高组异常突出、中间乱序，因子可能只是捕捉了少数极端股票；
多空曲线的平稳性：是长期缓慢爬升，还是靠一两段行情堆出来的；
两端组的构成：极端组里如果长期挤满微盘股、ST 股，因子可能只是市值或流动性的代理；
分年度表现：把分层收益按年份切开看，如果多空收益集中在某一两年、其余年份平平，说明因子对特定市场环境依赖很重。

IC 和分层回测是互补而非替代的关系：IC 概括了整个截面的平均相关性，但会被中间段的噪声稀释；分层回测能暴露"只在两端有效""只有一端有效"这类形态。一个只在最低分组有区分度的因子，做纯多头组合时几乎帮不上忙——A 股缺乏便利的做空工具，"负端有效"的价值会大打折扣。这也是为什么两套工具都要跑、对照着读。

因子检验的标准流程清单

把上面内容整理成每次拿到新因子都要过一遍的清单：

[ ] 明确因子定义、计算所需数据和可得时间（防止未来函数）；
[ ] 确定股票池（如剔除上市不满一年、ST、停牌股）与调仓频率；
[ ] 因子预处理：去极值、缺失值处理（标准化留到多因子课详谈）；
[ ] 计算 RankIC 序列：看均值、ICIR、胜率、逐年分段表现；
[ ] 做 5 组或 10 组分层回测：看单调性、多空曲线、各组换手率；
[ ] 检查因子与市值、行业的相关性，判断是否只是老因子换皮；
[ ] 记录全部参数与结论，无论结果好坏都归档。

最后一条尤其重要：被否掉的因子记录下来，能避免几个月后换个马甲重测一遍。归档还有一个更深层的作用——控制多重检验偏差。当你测过一百个因子后，即使全是噪声，也大概率能挑出几个历史表现"显著"的。只有完整记录测试过多少个候选，你才能对幸存者的成色保持清醒：测得越多，对单个好结果就应该越怀疑。

本课小结

因子研究检验的是"截面排序对未来收益排序的预测力"，不是单只股票的走势；
RankIC 比 IC 更稳健，读数时要同时看均值、ICIR 和胜率，别只看均值；
分层回测是 IC 的放大镜，重点看单调性和多空曲线的平稳性；
极端组的成分检查能识别"伪因子"——很多因子只是市值或流动性的代理；
建立固定的检验清单并归档每次结果，是因子研究工程化的第一步。

动手练习：选一个最简单的因子——过去 20 日收益率（动量/反转的原材料），在你熟悉的股票池上按月调仓，计算 RankIC 序列和 5 组分层净值，判断它在你的样本里是单调的吗？方向是动量还是反转？把结论和图存进你的研究档案。

复盘与研究日志：让每次实验可追溯

Thu, 09 Jul 2026 00:00:00 GMT

本课目标：建立"每次实验都留痕"的研究日志习惯，让三个月后的你能复现今天的每一个结论。

量化研究是一种实验科学：提出假设、设计实验、观察结果、修正认知。但很多人做了几十次回测之后，既说不清哪些想法试过、也复现不了当时的结果——研究变成了在原地画圈。前几课我们反复强调过拟合、参数敏感性这些方法论问题，而所有方法论最终都要落到一个朴素的载体上：把做过的事情如实记录下来。研究日志就是这个载体，成本极低，收益随时间复利。本文不构成投资建议。

为什么要写研究日志

三个直接的理由：

防止重复劳动：没有记录，你会在半年后满怀兴奋地"重新发现"一个自己早已否定过的想法；
让结论可审计：当策略实盘表现和回测不符时，你需要回溯当初的每个假设和参数，找出分歧点；
对抗记忆的美化：人会不自觉地记住成功、淡忘失败。白纸黑字的记录是对抗这种偏差的唯一手段。

更深一层：被否定的实验和成功的实验同样有价值。"动量在这个品种、这个周期上没用"本身就是一条值得付费的知识——前提是你记下来了。

日志还有一个隐性收益：它会改变你做实验的方式。当你知道每个实验都要写下假设和结论时，你会自然地放慢速度、想清楚再动手，而不是漫无目的地调参数"看看会怎样"。研究质量的提升，往往就是从这个小小的摩擦力开始的。

一条合格的实验记录长什么样

日志不需要华丽，但需要结构。流水账式的"今天跑了个回测，效果不错"几乎没有信息量，三个月后你既不知道跑的是什么，也不知道"不错"是相对什么而言。一条记录至少要包含五个要素，缺一个，实验的价值就打折扣：

要素	回答的问题	示例
假设	我在检验什么	60 日动量在宽基 ETF 间轮动有效
数据	用了什么数据、什么区间	某数据源日线，2018 年至 2024 年
参数	关键参数与尝试过的组合数	回看期 60 日，月度调仓；共试 3 组
结果	客观数字，不带情绪	年化收益、最大回撤、换手率
结论	假设是被支持还是否定，下一步	样本外衰减明显，暂不推进

注意"参数"一栏要求写下尝试过的组合数。这直接对应过拟合课里的原则：试了 100 组挑出来的最优结果，和只试了 3 组的结果，可信度完全不同。

"结论"一栏则要求你明确表态：假设是被支持、被否定，还是存疑。存疑不是和稀泥，而是一个正当的状态——比如样本太短、结果对某个参数过于敏感，此时诚实地写"证据不足"比勉强下结论更专业。同时把"下一步"写清楚：是设计新实验继续验证，还是归档放弃。没有下一步的实验记录，很容易变成无人认领的烂尾楼。

版本管理与随机种子

日志解决"想法可追溯"，工程手段解决"结果可复现"：

代码进 Git：每次实验对应一次提交，日志里记下 commit 哈希。三个月后按哈希检出代码，就能原样重跑。不要用"策略_final_v3_真最终版.py"这种文件名管理版本，那是混乱的开始；
数据快照：数据源会修订历史数据（复权因子更新、错误修正），今天下载的"2020 年的价格"可能和一年前下载的不完全一样。重要实验最好保存当时用的数据文件或记录其版本；
固定随机种子：凡是涉及随机性的环节（抽样、机器学习模型初始化），显式设定种子并写进日志，否则同一份代码每次跑出的数字都不一样，你将无法区分"改进"和"随机波动"。

import numpy as np
import random

SEED = 42
np.random.seed(SEED)
random.seed(SEED)
# 日志中记录：seed=42, commit=a1b2c3d, data=etf_daily_20240630.parquet

警惕"抽屉效应"：只记成功的实验

抽屉效应指失败的实验被塞进抽屉、只有成功的被展示。在个人研究里它同样致命：如果你试了 50 个想法、只记住表现最好的那个，这个"最好"很大概率只是运气——50 次抽签总有一次抽到好签。

对策是把纪律前置：

先登记、后实验：动手写代码之前，先在日志里写下假设和预期，防止事后"改口"；
失败也要写结论：每条记录必须有明确的收尾，哪怕只有一句"否定，原因是样本外衰减"；
定期复盘统计：每月数一数，本月做了多少实验、否定了多少。如果"成功率"高得离谱，多半是筛选出了问题。

顺便说，市面上你看到的策略分享也普遍带有抽屉效应——没人展示自己失败的一百次尝试。理解了这一点，你对"网上看到的神奇策略"就会多一层天然的免疫力。

一个可以直接用的 Markdown 模板

# 实验编号：EXP-2026-07-20-01
- 日期：2026-07-20
- 假设：（一句话，可被证伪）
- 数据：来源 / 品种 / 区间 / 快照文件名
- 方法与参数：规则简述；关键参数；共尝试参数组合数
- 环境：commit 哈希；随机种子
- 结果：年化收益 / 最大回撤 / 换手率 / 样本内外对比
- 结论：支持 / 否定 / 存疑（说明理由）
- 下一步：（或"归档，不再推进"）

把模板存成文件，每次实验复制一份填写，五分钟就能完成。编号建议用"日期加当日序号"的格式，方便排序和引用；所有日志放进仓库的一个固定目录，和代码一起提交。坚持三个月，你会拥有一份别人拿不走的研究资产：一张记录着你验证过什么、否定过什么、还欠什么的认知地图。

本课小结

研究日志防重复劳动、让结论可审计、对抗记忆的美化。
一条合格记录包含假设、数据、参数、结果、结论五要素。
commit 哈希、数据快照、随机种子三件套保证实验可复现。
先登记后实验、失败也写结论，是对抗抽屉效应的核心纪律。
被否定的实验是资产，不是垃圾。

动手练习：用上面的模板，把前几课做过的双均线回测补写成一条正式的实验记录，包括你试过的所有参数组合和最终结论，并提交到 Git 仓库。

仓位管理入门：从等权到凯利公式

Wed, 08 Jul 2026 00:00:00 GMT

本课目标：理解"买多少"为什么和"买什么"同样重要，掌握等权、波动率倒数加权和凯利公式这几种入门仓位方法的直觉。

新手研究策略时，注意力几乎全在信号上：什么时候买、买哪个。但同样的信号，配上不同的仓位方案，结果可能天差地别——同一个策略，半仓运行可能安然穿越熊市，满仓加杠杆则可能在中途被迫离场，根本等不到策略"长期有效"的那一天。仓位管理回答的是另一个问题：每次该下多大注。本文不构成投资建议。

为什么仓位比选股更重要

两个原因。第一，亏损是不对称的：亏 50% 需要赚 100% 才能回本。重仓一次深度亏损，对净值的破坏远大于错过一次同等幅度的上涨。第二，再好的信号也有错的时候：胜率六成的策略意味着十次里有四次是错的，如果每次都满仓，连续几次失误就足以把账户打入需要多年才能恢复的深坑。

仓位管理的本质，是承认自己会看错，并提前决定"看错时最多付出多少代价"。

可以做一个简单的算术感受不对称性：从 100 跌到 50 是亏 50%，从 50 涨回 100 却需要涨 100%；跌 80% 之后需要涨 400% 才能回本。回撤越深，翻身所需的收益越是不成比例地增长。这就是为什么成熟的研究者把"控制深度亏损"放在"追求高收益"前面——不是保守，是算术。

三种入门方法：等权、固定比例、波动率倒数

方法	规则	优点	局限
等权	N 个标的各占 1/N	简单、无需估计任何参数	高波动标的实际主导组合风险
固定比例	风险资产恒占组合的固定比例（如六成），定期再平衡	天然"跌了补、涨了减"	比例本身如何定缺乏依据
波动率倒数	权重与标的波动率成反比	让每个标的贡献的风险大致相当	波动率是估计值，会变

等权虽然朴素，却是一个出人意料难以击败的基准：它不依赖任何估计，自动实现了分散，而且再平衡时天然卖高买低。任何更复杂的加权方案，都应该先回答"我比等权好在哪里"。固定比例法的代表是"股债搭配加定期再平衡"，它的价值不在比例的精确，而在纪律：涨多了强制减一点、跌多了强制补一点，避免情绪化的追涨杀跌。

波动率倒数加权（风险平价思想的简化版）值得展开：如果 A 的波动率是 B 的两倍，就给 A 一半于 B 的权重，这样两者对组合的风险贡献接近。用 pandas 写出来很短：

import pandas as pd

# rets: DataFrame，每列是一个标的的日收益
vol = rets.rolling(60).std() * (252 ** 0.5)   # 滚动年化波动率
inv_vol = 1 / vol
weights = inv_vol.div(inv_vol.sum(axis=1), axis=0)  # 归一化成权重
weights = weights.shift(1)                    # 用昨天的估计定今天的仓位

最后一行 shift(1) 依然不能省——波动率也是信息，同样不能用"今天才算得出的值"决定今天的仓位。实际使用时还要控制调仓频率：波动率天天在变，如果权重跟着天天微调，换手成本会白白吃掉收益，常见做法是每月或权重偏离超过阈值时才再平衡。

凯利公式：直觉与半凯利

凯利公式来自赌博与信息论：在一个可以重复下注的游戏里，存在一个使长期资金增长率最大的下注比例——注太小浪费优势，注太大则会被偶发的连败拖垮。以最简单的输赢各按比例赔付的情形为例，直觉是：

优势越大（胜率越高、赔率越好），应下注越多；
没有优势时，最优下注是零；
超过凯利比例的下注，长期增长率反而下降，注太大甚至必然破产。

实践中几乎没有人用完整凯利，原因是公式的输入（胜率、赔率）都是估计值，而凯利对高估优势极其敏感：优势被高估一倍，建议仓位就大约翻倍。所以常见做法是半凯利甚至四分之一凯利——牺牲一点理论增长率，换取对估计误差的容忍度和平滑得多的净值曲线。

对新手，凯利的价值主要是三条直觉：仓位应随优势缩放；没把握就少下或不下；宁可下小了也不要下大了。下小了只是赚得慢，下大了可能直接出局——这两种错误的代价完全不对等。

还要注意，凯利的推导假设了可以无限次重复、每次下注独立的场景。真实市场里，策略的优势会漂移甚至消失，多个持仓之间高度相关，这些都进一步压低了合理的下注比例。把凯利当方向盘，不要当油门。

用最大回撤倒推仓位

另一个务实的思路是从承受能力出发倒推仓位：先诚实回答"净值从高点回撤多少我会睡不着、会想砍掉策略"，再看策略历史上满仓运行的最大回撤，用两者的比值给仓位定上限。

equity = (1 + strategy_ret).cumprod()
drawdown = equity / equity.cummax() - 1
max_dd = drawdown.min()                 # 历史最大回撤（负数）

tolerable = -0.15                       # 自己能忍受的回撤
cap = min(1.0, tolerable / max_dd)      # 仓位上限（示意）

举个例子：如果策略满仓的历史最大回撤是三成，而你只能忍受一成五，那仓位上限大约就是一半，剩下的部分放在低风险资产里。要记住两点：历史最大回撤只是下限的参考，未来的回撤可以更深，实际执行时应再留余量；这个方法的价值不在数字精确，而在逼你在开仓之前想清楚退出的边界——回撤发生时才来想"要不要砍"，动作一定会变形。

本课小结

亏损不对称加上信号必然出错，决定了仓位比选股更值得优先设计。
等权是最稳健的起点；波动率倒数加权让各标的风险贡献大致均衡。
凯利公式给出"按优势缩放仓位"的方向，实践中用半凯利容忍估计误差。
用自己能承受的最大回撤倒推仓位上限，是简单可执行的风控起点。
仓位计算和信号一样要避免未来函数，估计值一律用前一日的。

动手练习：取两只波动率明显不同的宽基 ETF，分别用等权和波动率倒数加权构建组合（月度再平衡），对比两个组合的年化波动率和最大回撤，验证"风险均衡"是否成立，并观察再平衡频率从每月改成每周后，结论有没有变化。

指数与 ETF：新手为什么先做宽基

Tue, 07 Jul 2026 00:00:00 GMT

本课目标：搞清楚指数和 ETF 是什么、交易机制和费用长什么样，并理解为什么新手做量化实验应该从宽基 ETF 开始。

前两课的例子都建议用"宽基 ETF"做实验标的，这一课解释为什么。选对研究标的，能帮你屏蔽掉大量与策略无关的噪声，把注意力留给方法本身；选错标的，则可能让你把标的自身的怪脾气误认成策略的功过。本文不构成投资建议。

指数是什么：一篮子股票的记分牌

指数是按照事先公开的规则，从市场中选出一篮子股票并加权计算出的一个数字。它本身不能买卖，只是一个"记分牌"，用来回答"这一篮子股票整体涨了还是跌了"。对量化研究来说，指数的意义在于提供了一个客观、规则化的观察对象和业绩基准。按覆盖范围可以粗分为两类：

类型	特点	例子（示意）
宽基指数	跨行业、成分多、代表整体市场	沪深 300、中证 500、中证 1000
行业/主题指数	聚焦某个行业或概念	白酒、半导体、新能源等

指数的编制规则决定了它的性格。以规模宽基为例，沪深 300 偏大盘蓝筹，中证 500、中证 1000 依次下沉到中盘和小盘，三者在同一段行情里的表现可能差别很大，甚至方向相反。加权方式也有讲究：多数指数按自由流通市值加权，市值越大的公司权重越高；也有等权等其他方案。读一遍目标指数的编制方案（选样空间、选样规则、调整频率），是研究任何指数类策略前值得花的十分钟。

宽基的波动主要来自整个市场的贝塔；行业指数则叠加了行业景气的剧烈起伏，涨起来凶、跌起来也凶。对新手来说，宽基的行为更"温和"、更接近教科书假设，是更好的实验对象。

ETF：可以在场内买卖的指数

ETF（交易型开放式指数基金）把"跟踪某个指数"做成了一只可以像股票一样在交易所买卖的基金。它的机制有两层：

二级市场：你在券商账户里像买股票一样按市价买卖 ETF 份额，A 股 ETF 通常 100 份起买；
一级市场：大资金可以用一篮子股票向基金公司申购或赎回份额。正是这层申赎机制的套利，把 ETF 的市价"钉"在其净值附近。

费用方面，ETF 通常有几项：管理费和托管费（内含在净值中，逐日计提，你不会看到单独扣款）、交易佣金（与股票类似，向券商支付），且买卖 ETF 不收印花税，这一点比直接交易股票更友好。此外还有一项隐性成本：买卖价差，流动性越差的 ETF 价差越宽。费率数值各产品不同，下单前应查阅该基金的公开资料，不要凭印象。

跟踪误差：ETF 不等于指数本身

ETF 的目标是复制指数，但净值走势和指数之间总有微小偏离，称为跟踪误差。来源包括管理费的持续计提、成分股调整时的交易成本、分红处理方式、少量现金仓位等。对策略研究的含义是：

回测时若用指数数据、实盘却交易 ETF，两者会有系统性差异，严谨的做法是直接用 ETF 自己的历史数据回测；
同一个指数往往有多家基金公司发行的多只 ETF，它们跟踪同一目标但规模、费率、误差各不相同；
挑选 ETF 时，规模、日均成交额和历史跟踪误差是比"名字好听"重要得多的指标。规模太小的 ETF 还有清盘风险，同样需要留意。

为什么新手先做宽基 ETF

把宽基 ETF 作为第一批策略标的，有几个实际的好处：

没有个股黑天鹅：单个公司暴雷、财务造假、长期停牌，这些对一篮子几百只股票的宽基影响被稀释到很小；
容量大、流动性好：主流宽基 ETF 日成交额大，小资金的买卖几乎不影响价格，回测中"按收盘价成交"的假设相对接近现实；
数据干净：不用处理个股的复权、退市、股本变动等麻烦，数据管道简单，出错面小；
品种规则要分清：场内 ETF 是 T+1 交易（当天买入的份额当天不能卖出），而场外指数基金按未知净值申赎、到账更慢。另有少数跨境等品种规则不同，务必以交易所和基金公告为准，不要凭印象假设自己能 T+0。

一句话：宽基 ETF 让你的回测误差主要来自"策略本身"，而不是来自标的的奇怪细节。等你在宽基上把整套研究流程跑顺了，再逐步扩展到行业 ETF 或个股，那时你也更有能力分辨：新增的收益（或亏损）究竟来自策略，还是来自标的特性。

引子：ETF 轮动的朴素想法

有了多只宽基 ETF，一个自然的策略想法是轮动：定期比较几只 ETF 最近一段时间的涨幅（动量），持有表现最强的那只，其余空仓或持有货币类资产。

import pandas as pd

# prices: DataFrame，每列是一只 ETF 的收盘价
momentum = prices.pct_change(60)          # 近 60 日涨幅
best = momentum.idxmax(axis=1)            # 每天动量最强的 ETF
position = pd.get_dummies(best).shift(1)  # 次日按此持仓（示意，未做月度调仓）

在动手检验之前，可以先想清楚几个问题：调仓频率定多高？每天换会带来巨大的换手和成本，每月换则可能反应迟钝。要不要设一个"避险条件"，在所有候选都下跌时干脆空仓？动量的回看期选 20 日、60 日还是 120 日，结论会不会完全不同？这些问题没有标准答案，但每一个都可以用前两课的回测方法和自查清单去检验——它正好是一个把信号、持仓、成本、参数敏感性全部串起来的综合练习。

本课小结

指数是按公开规则计算的记分牌，宽基覆盖全市场，行业指数波动更极端。
ETF 通过一二级市场的套利机制贴近净值，交易像股票且无印花税。
跟踪误差意味着 ETF 不完全等于指数，选品时看规模、成交额和误差。
宽基 ETF 无个股黑天鹅、容量大、数据干净，是量化练手的首选。
场内 ETF 是 T+1，交易规则以官方公告为准，不要想当然。

动手练习：挑三只不同指数的宽基 ETF，取近几年日线数据，计算各自的年化波动率和相互之间的相关系数，观察宽基之间的差异有多大，为后面的轮动实验做准备。

回测的正确姿势：未来函数、幸存者偏差与过拟合

Mon, 06 Jul 2026 00:00:00 GMT

本课目标：认识回测中最常见的几类系统性错误，学会用一份自查清单在提交结论之前给自己"挑刺"。

上一课我们走通了双均线策略的回测流程。这一课要泼一盆冷水：大多数惊艳的回测结果，是错误造成的，不是策略造成的。回测出错的方式有很多，但绝大多数可以归入几个经典类别。提前认识它们，比事后懊悔便宜得多。本文不构成投资建议。

未来函数：用了"当时不可能知道"的信息

未来函数（look-ahead bias）指回测在某个时点的决策中，使用了那个时点还不存在的信息。它是新手回测虚高的头号原因。典型形态包括：

用当日收盘价做当日决策：收盘价要到收盘才知道，但回测里却按"当天以收盘价买入"计算。正确做法是信号 shift(1)，次日成交；
用复权价直接当交易价：前复权价格会随最新分红除权整体平移，早期的"价格"其实包含了未来的分红信息，做信号可以，当成交价要小心；
用整段数据算指标再回看：比如用全样本的均值和标准差做标准化，等于让 2020 年的你知道 2025 年的分布；
财报数据按报告期而非公告日对齐：年报反映的是 12 月 31 日的数据，但你实际要到次年三四月才能看到。

判断标准只有一条：站在那个交易日的收盘前，这条信息我真的拿得到吗？

未来函数的可怕之处在于，它制造的往往不是小误差，而是方向性的错觉：一个本来亏损的策略可以被它"修正"成年年赚钱。而且它很隐蔽——代码能正常运行、曲线很漂亮、逻辑看起来自洽，只有逐行追问每个变量的信息时点才能发现。所以有经验的研究者看到异常漂亮的回测，第一反应不是兴奋，而是找哪里泄漏了未来信息。

幸存者偏差：你只看到了活下来的

如果你今天取"当前全部 A 股"的名单，回测过去十年，那么已退市、已被 ST 淘汰的公司天然不在样本里。你的股票池等于提前剔除了失败者，回测收益自然被高估。基金研究同理：清盘的基金消失了，剩下的平均业绩看起来更好。

一个思想实验能说明它的威力：假设你研究"长期持有低价股"，用今天还存活的股票列表回测，那些跌到低价后一路退市归零的公司全都不在你的样本里——你看到的低价股个个都"熬过来了"，结论自然严重失真。

对策：

使用包含退市股票的全历史股票池，或至少明确声明样本的局限；
股票池的成分要按当时的成分取，比如回测沪深 300 策略，要用每个时点的历史成分股名单，而不是今天的名单；
入门阶段用宽基 ETF 做实验可以绕开大部分幸存者偏差问题，这也是我们反复推荐它的原因之一。

忽略成本与流动性：纸面收益的漏损

回测里一行 position * ret 背后，真实世界要付出佣金、印花税（卖出时）、买卖价差和冲击成本。换手越高的策略，被成本侵蚀得越狠——一个每天换仓的策略，年化换手可能高达几十倍，成本足以吃掉全部纸面利润。

流动性问题则更隐蔽：涨停板买不进、跌停板卖不出、小盘股挂单量不足，这些回测默认"都能成交"的假设在实盘会失效。入门阶段的务实做法：

每次换仓按一个偏保守的固定费率（含冲击成本的估计）扣减；
优先在宽基 ETF 等高流动性品种上做实验；
对涨跌停日的成交做保守处理，例如禁止在涨停日买入。

过拟合：把噪声当规律

过拟合是指策略"记住"了历史数据中的偶然模式。参数试得越多、规则加得越细，样本内表现越好、样本外越糟。基本防线是样本内外划分：

train = data.loc[:'2022-12-31']   # 样本内：允许调参
test = data.loc['2023-01-01':]    # 样本外：只允许最终验证一次

# 在 train 上选定参数后，用同一套参数在 test 上跑
# 如果对着 test 的结果反复改参数，test 就失效了

关键纪律是：样本外数据只能"揭榜"一次。如果你看了样本外结果不满意、回头改参数再看一次，样本外实际上已经变成了样本内。

除了划分样本，还有几个判断过拟合的经验信号：规则条数越多越可疑（"均线金叉且成交量放大且周三除外"这类叠床架屋的条件，每加一条都是在缩小样本、放大巧合）；策略逻辑讲不出经济直觉、只能用"数据显示如此"来辩护的，也要打问号。一个粗糙但有用的标准：如果你不能用两三句话向别人解释这个策略为什么应该赚钱，它大概率是拟合出来的。

回测自查清单

在把任何回测结论讲给别人（或自己）之前，过一遍这张表：

检查项	通过标准
信息时点	所有信号只用决策时点前可得的数据，信号已 shift
股票池	包含退市/ST，成分按历史时点取
成交假设	涨跌停、停牌日不假设可成交
成本	已扣佣金、印花税及冲击成本估计
参数	尝试过的参数组合数有记录，结果对参数平滑
样本外	留了未参与调参的时间段，且只验证了一次
可复现	换台机器重跑，结果一致
逻辑	能用两三句话说清策略为什么应该有效

这份清单的正确用法不是"想起来就看一眼"，而是把它变成流程：每次准备下结论前逐项打钩，任何一项不过关，结论就降级为"待验证"。回测的意义从来不是预测未来，而是淘汰坏想法——一个诚实的、结果平庸的回测，比一个漂亮但漏洞百出的回测有价值得多。

本课小结

未来函数的判断标准：那个时点这条信息是否真的可得。
幸存者偏差来自"用今天的名单回测昨天"，股票池要按历史时点构建。
成本与流动性会系统性侵蚀高换手策略，回测必须扣减。
样本外数据只能用一次，反复回看等于没有样本外。
好习惯是把自查清单变成每次回测的固定流程。

动手练习：把上一课的双均线回测改出一个"错误版本"——去掉 shift(1)，让信号当日生效——对比两版净值曲线的差异，感受未来函数能把结果美化到什么程度。

第一个策略：双均线趋势跟踪

Sun, 05 Jul 2026 00:00:00 GMT

本课目标：亲手实现一个最简单的双均线策略，走通"信号→持仓→收益"的完整回测流程，并理解它的局限。

很多人学量化的第一步是找"厉害的策略"，但更有价值的第一步，是把一个朴素到近乎简陋的策略完整做一遍。双均线趋势跟踪就是这样一个教学策略：规则简单、逻辑透明，几十行代码就能实现，却足以暴露回测流程里的所有关键环节——信息时点、交易成本、参数选择，一个都躲不掉。本文不构成投资建议，只用于演示研究方法。

策略假设：趋势会延续

任何策略背后都应该有一个可以被检验的假设。双均线策略的假设是：价格趋势一旦形成，会在一段时间内延续。如果最近的价格系统性地高于更早的价格，说明可能处于上升趋势中，顺着趋势持有比逆着趋势操作更有利。

注意，这只是一个假设，不是真理。趋势在某些市场、某些阶段明显，在另一些阶段则完全失效（比如长期横盘震荡时）。写下假设的好处是：回测结果不好时，你知道自己在检验什么、否定的是什么，而不是笼统地感叹"策略不行"。

为什么趋势可能延续？常见的解释有两类：一是信息扩散需要时间，重大变化不会在一天内被所有人消化，价格会分几步走到位；二是投资者的追涨行为会自我强化。反过来，趋势策略的天敌也很明确——横盘震荡时价格反复穿越均线，策略会不断地"高买低卖"，这种来回挨打俗称被震荡"磨损"。理解了这一点，你对后面的回测结果就不会感到意外。

交易规则：金叉买入，死叉卖出

我们用两条简单移动平均线（MA）来刻画"最近"和"更早"的价格水平：

名称	常见参数	含义
短均线	20 日	最近约一个月的平均价格
长均线	60 日	最近约一个季度的平均价格

规则只有两条：

短均线上穿长均线（俗称金叉）：次日开盘买入并持有；
短均线下穿长均线（俗称死叉）：次日开盘卖出，空仓等待。

标的建议先用一只宽基 ETF 来做实验，避免个股停牌、退市等复杂情况干扰你对流程本身的理解。也不建议一开始就加入止损、加仓等花样——先把最朴素的版本跑通，每一次改动才有清晰的对照基准。

回测流程：信号 → 持仓 → 收益

这是本课最重要的部分。回测的骨架永远是三步：

信号（signal）：根据规则，在每一天算出"想要的状态"（持有=1，空仓=0）；
持仓（position）：信号要延迟生效。今天收盘才能算出的信号，最快明天才能变成持仓，所以要把信号整体后移一天；
收益（returns）：策略每日收益 = 当日持仓 × 标的当日涨跌幅，再累乘得到净值曲线。

用 pandas 表达大致如下（示意代码，省略了数据读取和成本处理）：

import pandas as pd

# close 是一个以日期为索引的收盘价 Series
ma_short = close.rolling(20).mean()
ma_long = close.rolling(60).mean()

signal = (ma_short > ma_long).astype(int)   # 1=想持有, 0=想空仓
position = signal.shift(1).fillna(0)        # 信号次日才生效，避免用到当日信息

daily_ret = close.pct_change().fillna(0)
strategy_ret = position * daily_ret
equity = (1 + strategy_ret).cumprod()       # 策略净值曲线

其中 shift(1) 是新手最容易漏掉的一行。漏掉它，等于让你"今天收盘时穿越回今天开盘"下单，回测结果会漂亮得毫无意义。这类错误我们下一课会专门讲。

拿到净值曲线后，至少看三个指标：年化收益衡量赚钱速度，最大回撤衡量最惨时刻从高点跌下来多少，交易次数帮你估算成本的影响。别忘了同时画一条"买入并一直持有"的基准曲线——如果策略费了半天劲还不如躺着不动，那它就没有存在价值。另外要在收益里扣掉交易成本：每次买卖按一个固定费率从当日收益中减去，双均线策略交易不频繁，但成本处理的习惯要从第一个策略就养成。

参数敏感性：20/60 是不是"最优"

把参数从 (20, 60) 换成 (10, 50)、(30, 90)，结果往往差别很大。这时新手容易走向两个极端：要么随手选一组，要么写循环把几百组参数全跑一遍、挑最好的那组。后者尤其危险——你挑出的很可能只是"最适合这段历史"的参数，换一段时间就失效。

务实的做法是：

只测少数几组有先验含义的参数（周/月/季度级别）；
观察结果对参数是否平滑：好的策略在相邻参数下表现相近，而不是只有某一组特别好；
把"最优参数"看作警报而不是奖品——如果 (20, 60) 很好而 (19, 58) 很差，大概率你找到的是这段历史的巧合，而不是规律。

一个直观的检查方法是画"参数热力图"：横轴短均线周期、纵轴长均线周期、颜色代表回测收益。如果高收益区域连成一片平缓的高原，说明策略对参数不敏感，可信度更高；如果只有零星几个孤立的亮点，基本可以断定是运气。

这个策略教会我们什么

双均线策略在 A 股宽基指数上的历史表现，通常是"牛市能跟上、熊市能躲开一部分、震荡市反复挨打"。它未必能让你赚钱，但它教会你的东西是通用的：

策略 = 假设 + 规则 + 执行细节，三者缺一不可；
回测的本质是模拟"当时的你"只用"当时可得的信息"做决策；
参数不是越优越好，稳健比极致重要；
任何策略都有失效场景，知道它什么时候会难受，和知道它什么时候赚钱同样重要。

后面课程里的更复杂策略，骨架都和这三行 pandas 一样。把这个最小闭环做扎实，比囤十个看不懂的"高级策略"更有用。

本课小结

双均线策略的假设是趋势延续，规则是金叉持有、死叉空仓。
回测三步：信号、持仓（记得 shift）、收益，缺一不可。
shift(1) 保证信号次日生效，是避免未来函数的第一道防线。
参数扫描挑出的"最优参数"往往是过拟合，关注参数的平滑性更有意义。
教学策略的价值在于走通流程，而不是直接拿去实盘。

动手练习：选一只宽基 ETF 的日线数据，实现上面的双均线回测，分别跑 (10, 50)、(20, 60)、(30, 90) 三组参数，画出三条净值曲线，并回答：三组结果差异大吗？这说明了什么？

边际交付时间

Sat, 04 Jul 2026 00:00:00 GMT

每多服务一个客户，你需要额外付出的时间。 这是刘润《底层逻辑》中判断一门生意能否规模化的核心变量。

两种命运

边际交付时间	例子	市场形态
不为零	画画（每卖一幅要多画 3 小时）、理发、咨询	收入呈正态分布，市场分散，头部有限
为零	唱片（录一次卖无限份）、软件、课程	收入呈幂律分布，赢家通吃

怎么用

想指数级增长：把业务中边际交付时间为零的部分剥离出来做大（麦当劳抽离流程配方品牌做加盟，讲书人把线下会交给合作商、自己只录课）
想稳定谋生：边际交付时间不为零的服务业反而是"就业池"和"避风港"——巨头吃不掉

不对称业绩

Fri, 03 Jul 2026 00:00:00 GMT

跑赢时赢得多、跑输时输得少。 霍华德·马克斯在《周期》第 14 章称这是卓越资产选择的唯一标志。

为什么是"唯一标志"

只看收益率会被 [[Beta]] 骗：一个满仓高波动股票的组合，在牛市里当然跑赢——但那不是技能，是杠杆。真正的技能表现为上涨捕获率高于下跌捕获率：

组合	牛市	熊市	有没有技能
A	+120% 大盘	-120% 大盘	没有，只是加了杠杆
B	+110% 大盘	-70% 大盘	有
C	+80% 大盘	-50% 大盘	有（防守型）

B 和 C 风格相反，但都具备不对称性。

要点

判断一个管理人，先分开看他的上涨捕获和下跌捕获，别看总收益
不对称性来自[[Alpha]]，对称的放大只来自 Beta
与[[市场温度]]配合：周期定位决定你该要 B 型还是 C 型的不对称

成长上限

Thu, 02 Jul 2026 00:00:00 GMT

任何增长引擎都必然被某条调节回路制动——这是最常见的系统基模。 丹尼斯·舍伍德《系统思考》第 8 章。

结构

一条[[增强回路]]（增长引擎）+ 一条或多条[[调节回路]]（约束）。约束通常来自：

外部：市场饱和、法规、竞争对手
内部：低效率、管理复杂度、人才瓶颈

增长早期约束还没咬合，看起来势不可挡；等约束咬死，再怎么加投入都没用。

最重要的推论：松刹车 > 踩油门

刺激增长有两种政策：

猛踩油门：往增强回路里加投入（加广告、加预算）
松开刹车：缓和那条最紧的约束

睿智的做法几乎总是后者——因为约束一旦缓和，增强回路会自动转起来。舍伍德用"茶引发工业革命"的故事说明这一点；《系统思考》第 13 章的汽车经销商建模案例给出了反面证据：当市场份额约束已经咬死时，追加营销投资只是打水漂。

要点

想推动增长时，先列出所有刹车，再考虑油门
找到最紧的那条约束，比优化增长引擎本身划算得多
管理的本质就是持续为增长引擎添柴、为层出不穷的约束灭火

存量与流量

Wed, 01 Jul 2026 00:00:00 GMT

把静态的系统循环图翻译成可仿真模型的第一步：所有变量非存量即流量。 丹尼斯·舍伍德《系统思考》第 12 章。

区别

	存量	流量
比喻	浴缸里的水	水龙头的开度
怎么测	定点测量（此刻有多少）	只能在时段内测量（每分钟多少）
例子	现金、库存、客户数、员工数	收入、支出、招聘速度、流失率

为什么要分清

经营目标是优化存量（现金、客户数、市场份额）
管理措施是调节流量（招聘速度、投放节奏、生产率）

你想要的是存量，你能碰的是流量——这和[[控制杆]]与成果的区分是同一件事的两种说法。

陷阱：「率」字最会骗人

带"率"的变量几乎都是流量，但它常被误当成存量来管理。比如"客户流失率降了 2%"是流量的改善，它对客户总数（存量）的影响要经过时间累积才看得见。

要点

存量是水位，流量是水龙头；仿真模型（如 ithink）就是让你在决策落地前先跑一遍水位变化
建模是为了学习而不是求精确答案——电子数据表向下向内看，系统动力学向上向外看
先画[[系统循环图]]，再建模，顺序不能反

调节回路

Tue, 30 Jun 2026 00:00:00 GMT

朝着某个目标收敛的反馈回路——差距驱动行动，行动缩小差距。 丹尼斯·舍伍德《系统思考》第 6 章；它是[[增强回路]]的另一半，也是给增长踩刹车的唯一装置。

判别方法

数[[系统循环图]]里 O 型连接的个数：奇数 = 调节回路，偶数（含零）= 增强回路。

所有调节回路都在找目标

目标与实际的差距 → 驱动行动 → 改变实际 → 差距归零。空调、库存管理、预算、招聘人数，全是这个结构。

时滞是它的克星

系统响应快 → 平滑收敛到目标
存在时滞 → 振荡，甚至越调越乱（洗澡时水温调过头就是这个）

因此舍伍德的建议反直觉：面对有时滞的系统，克制的、小幅的、间隔较长的干预往往比果断出手更睿智。

要点

给[[增强回路]]踩刹车的唯一办法就是接上一条调节回路
商业管理的本质就是同时操纵多条互相关联的调节回路
想加速增长时，优先"松开刹车"（缓和调节回路）而不是"猛踩油门"

飞轮

Mon, 29 Jun 2026 00:00:00 GMT

一个自我强化的增长循环：每转一圈，下一圈就更容易转。 概念出自吉姆·柯林斯《从优秀到卓越》，最著名的实例是布拉德·斯通《一网打尽》第 4 章记录的那张餐巾纸草图。

亚马逊飞轮的完整形态

更低价 → 需求暴增 → 规模换进价（对供应商的议价权）→ 更多第三方卖家进场（顾客都在这儿）→ 卖家帮你选品、承担库存、还付佣金 → 摊薄物流中心与服务器的固定成本 → 单位成本下降 → 价格更低……

关键细节：2001 年柯林斯到亚马逊讲课后，团队把它画了出来。CFO 简森问要不要写进分析师材料，贝佐斯说不必——他还不想把秘密说出去。

三个加速器

负营运资本：顾客即时刷卡，供应商几个月才结账
Prime：会员消费额平均翻一番，把"更多顾客"从获客变成锁定
AWS：把自己的固定成本（服务器）变成别人的可变成本

要点

飞轮的本质就是一条[[增强回路]]，只是给了它一个商业名字
它起步极慢：亚马逊从 1997 年画到 2007 年才在财报上兑现（当年股价 +240%）
别只学飞轮，也要看[[成长上限]]——任何飞轮都被某条调节回路制动

风险态度周期

Sun, 28 Jun 2026 00:00:00 GMT

投资人对风险的感受在"过度警惕"和"过度容忍"之间来回摆动的周期。 霍华德·马克斯在《周期》第 8 章称它是全书最重要的一章。

核心机制

市场涨得久了，风险在人们眼里就慢慢消失了：赚钱的经历让人相信风险是可控的，于是他们愿意接受越来越薄的[[风险溢价]]去买同样的东西——而这恰恰是风险最大的时刻。反过来，暴跌之后人人惊弓之鸟，要求极高的补偿才肯出手，此时风险其实最小。

马克斯的那句话值得抄下来：风险来自你以为没有风险。

怎么观察

不用等数据，看行为就行：

信号	说明风险态度在哪一端
劣质资产也能轻松融到钱	过度容忍（危险）
大家争论的是"能赚多少"而不是"会不会亏"	过度容忍
好公司也借不到钱	过度警惕（机会）
没人愿意谈这个资产类别	过度警惕

要点

它是[[信贷周期]]的上游：风险态度一放松，信贷窗口就打开
它由[[情绪钟摆]]驱动，因此永远不会稳定停在"合理"的中点
判断它的位置不需要预测未来，只需要观察周围人现在的行为

服从性测试

Sat, 27 Jun 2026 00:00:00 GMT

通过让你做无意义（甚至有损）的事，来检验你是否无条件服从。 刘润在《底层逻辑》第 5 章用它解剖职场劝酒文化：领导劝酒、让下属拎包打伞，考察的不是酒量，而是"你愿不愿意为我做不想做的事"。

要点

识别特征：要求本身没有正当业务价值，价值全在"服从"这个动作上
作者的立场：真正的领导力来自内心的追随，而不是行为的服从；靠服从性测试维系的权威，团队里留不住有自驱力的人才
反向自查：你对下属提的要求里，有多少是在测试服从？

负营运资本

Fri, 26 Jun 2026 00:00:00 GMT

先收客户的钱、后付供应商的钱，于是生意本身在给你提供免费资金。 亚马逊从第一天起的现金引擎，见布拉德·斯通《一网打尽》第 2、4 章。

机制

顾客下单即刻刷卡付款，而亚马逊和图书批发商每几个月才结一次账。中间这段时间的钱躺在亚马逊账上——规模越大、增长越快，这笔免费资金越多。

这也是为什么亚马逊能长期"亏损"却不缺钱：利润表和现金流量表说的是两回事。

它的软肋

2000 年雷曼分析师苏里亚发报告断言亚马逊现金流将枯竭。狭义上他错了（欧洲那笔 6.72 亿美元可转债让亚马逊手握近 10 亿现金）。但真正的危险是预言自我实现——只要供货商恐慌、要求缩短账期，负营运资本立刻反转成致命的资金缺口。

亚马逊的对策有两条，都值得学：先囤够现金让预测在数学上失效，再派 CFO 挨家路演切断恐慌传导。

要点

判断这类公司的脆弱性，不要只问"报告说的数字对不对"，要问"如果所有人都信了，成本结构会不会真的变差"
负营运资本是[[飞轮]]的隐形加速器
同样结构的公司：好事多、拼多多、任何预付费模式

后悔最小化模型

Thu, 25 Jun 2026 00:00:00 GMT

做重大决策时，不问"哪个期望收益高"，而问"80 岁的我回头看，哪个选择会让我后悔"。 贝佐斯 1994 年辞职创办亚马逊时用的框架，见布拉德·斯通《一网打尽》第 1 章。

它怎么用

当时贝佐斯是华尔街量化对冲基金萧氏公司的明星副总裁，辞职意味着放弃一笔已经到手的巨额年终奖。用常规的收益比较，答案是留下。

换成后悔最小化：

「我 80 岁时会后悔错过了 1994 年的年终奖吗？」→ 不会
「我 80 岁时会后悔没参与互联网这件事吗？」→ 会，而且会一直后悔

答案立刻就清楚了。

为什么它有效

它做了两件事：把时间尺度拉长（消灭了短期损失的心理权重），把评价标准从收益换成遗憾（遗憾对"没做"的事更敏感，而常规决策对"做错"的事更敏感）。

边界

它只适合低频、不可逆、高影响的决策（换工作、创业、搬城市）。用它决定今天买不买股票是灾难——因为在高频决策里，遗憾是噪声。

要点

适用条件：这个决定 80 岁的你还会记得吗？记不得就别用这个框架
它是筛选器不是计算器：它不告诉你怎么做，只告诉你哪个选项不能放弃
同一章里贝佐斯选图书作为切入品类，用的却是纯分析（标准品、分销集中、品类海量）——大方向用遗憾，具体路径用数据

看懂收益与风险：年化收益、最大回撤与夏普比率

Wed, 24 Jun 2026 00:00:00 GMT

本课目标：掌握评价一条净值曲线的三把尺子——年化收益、最大回撤、夏普比率，理解它们各自度量什么，并能用 pandas 亲手算出来。

累计收益与年化收益

累计收益率回答"这段时间总共赚了多少"：期末净值除以期初净值减一。但"三年赚 40%"和"一年赚 40%"显然不是一回事，所以需要年化——把不同时长的收益折算到统一的"每年"口径上，才能互相比较。

年化的正确方式是几何年化（复利口径），而不是简单地除以年数：

total_return = nav.iloc[-1] / nav.iloc[0] - 1        # 累计收益
n_years = len(nav) / 252                             # 约 252 个交易日/年
ann_return = (1 + total_return) ** (1 / n_years) - 1 # 几何年化

为什么必须用复利口径？因为收益是叠乘关系：先亏 50% 再赚 50%，结果不是回到原点，而是净亏 25%。简单平均会掩盖这种不对称，几何年化才如实反映资金的真实增长速度。

两个注意点：一是时间太短不要年化。把一个月的收益年化成"年化百分之几十"，是数字游戏，没有统计意义。二是年化收益抹平了过程——它不告诉你中途经历了什么，这正是接下来两个指标要补的课。

波动率：过程有多颠簸

波动率是日收益率的标准差，通常乘以 √252 折算成年化口径：

daily_ret = nav.pct_change().dropna()
ann_vol = daily_ret.std() * (252 ** 0.5)

直觉上，波动率高意味着净值曲线上蹿下跳，持有体验差，也意味着你在任意一天被迫卖出时，价格可能很不利。两条年化收益相同的曲线，波动率低的那条几乎在所有意义上更好。

要注意波动率不是一成不变的：市场平静期和剧烈波动期的数值可能差好几倍。所以除了看整段样本的波动率，也可以用 rolling 算滚动波动率，观察策略在不同市场环境下的风险水平是否稳定。

最大回撤：最痛的一段经历

最大回撤（Max Drawdown）回答一个非常具体的问题：如果我不幸买在历史最高点，之后最惨的时候亏了多少？ 它是净值从任意历史高点回落的最大幅度。

计算思路分三步：对净值序列求"截至每一天的历史最高值"；用当天净值除以历史最高值减一，得到当天的回撤；取整个序列中最深的那个值。

peak = nav.cummax()              # 截至当天的历史最高净值
drawdown = nav / peak - 1        # 每天的回撤（负数或零）
max_dd = drawdown.min()          # 最大回撤

最大回撤的价值在于它贴近真实痛感：它直接对应"账户从最高点缩水多少"，是普通人最容易感知、也最容易导致中途放弃的数字。评估策略时问自己一句：回测里的最大回撤如果真实发生在我的账户上，我拿得住吗？拿不住，再高的年化收益也和你无关。

除了深度，还要看回撤持续时间：从净值创下高点到重新收复这个高点，中间隔了多久。有些策略回撤不算深，但一套就是一两年，对持有人的心理消耗同样巨大。用上面算出的 drawdown 序列找出连续为负的最长区间，就能得到这个数字。

夏普比率：每承担一份风险换来多少收益

夏普比率把收益和风险放进同一个数字：超额收益（相对无风险利率）除以波动率。

rf_daily = 0.02 / 252                        # 假设年化无风险利率示意值
excess = daily_ret - rf_daily
sharpe = excess.mean() / excess.std() * (252 ** 0.5)

直觉理解：夏普比率衡量的是"性价比"——每承担一个单位的波动，换来多少超额收益。同样赚到 10%，一条曲线平稳爬升、另一条大起大落，前者夏普更高，说明它的收益更"便宜"。

夏普比率也有局限：它把向上和向下的波动同等对待，而投资者真正讨厌的只是向下的波动；对收益分布极端不对称的策略，它可能给出误导性的高分。所以夏普适合当第一道筛子，而不是唯一标准。

使用夏普时还要注意可比性：比较两个夏普比率，前提是它们用同样的时间区间、同样的数据频率、同样的无风险利率假设算出来。拿别人报告里的夏普和自己算的直接比大小，经常是在比较两个口径不同的数字。

只看收益不看风险的坑

把上面的指标合起来看一个对比：

指标	策略 A	策略 B
年化收益	较高	中等
年化波动率	很高	较低
最大回撤	很深	较浅
夏普比率	较低	较高

只看第一行，策略 A 完胜；四行一起看，策略 B 很可能才是多数人真正能坚持持有的那个。收益率排行榜只展示第一行，这就是"冠军基金第二年常令人失望"的一个结构性原因：高收益样本里混着大量高风险策略，运气成分被当成了实力。

另一个常见坑是用短期收益外推长期：某策略最近三个月表现出色，不代表它的长期年化就是那个水平。看指标时永远配上时间长度和期间的市场环境——一个只覆盖单边上涨行情的回测，无论指标多漂亮，都没有经历过真正的考验。

最后提醒一句：所有指标都应该在扣除交易成本之后计算。佣金、印花税和滑点会同时拉低收益、加深回撤，一个换手频繁的策略在扣费前后可能是两个完全不同的结论。本文不构成投资建议。

本课小结

年化收益用几何（复利）口径计算，时间太短的收益不要年化。
波动率度量过程的颠簸程度，同等收益下越低越好。
最大回撤是"买在最高点后最惨亏多少"，直接对应持有人的真实痛感。
夏普比率衡量单位风险换来的超额收益，适合做第一道筛子但不是唯一标准。
评价任何策略或基金，收益、波动、回撤、夏普四个数字要一起看。

动手练习：用前几课下载的股票（或一只宽基 ETF）近三年的后复权数据，构造"买入并持有"的净值曲线，计算年化收益、年化波动率、最大回撤和夏普比率四个指标，并找出最大回撤对应的起止日期，回想那段时间市场发生了什么。

课题分离

Tue, 23 Jun 2026 00:00:00 GMT

把"谁的事"分清楚：每个人只为自己的课题负责。 心理学家阿德勒提出的概念，刘润在《底层逻辑》第 1 章用它解释"首富绑架案"：绑匪犯罪是绑匪的课题（他会受法律制裁），防范损失是首富自己的课题（安保不足是自己的责任）。

要点

判断标准：这件事的后果最终由谁承担，就是谁的课题
别人的评价、别人的选择是别人的课题——你无法控制，也无须背负
与"谁的损失大，就是谁的错"配合使用：与其纠缠追责，不如先处理好自己能改变的部分

控制杆

Mon, 22 Jun 2026 00:00:00 GMT

经理真正能直接调节的政策变量——区别于"成果"。 丹尼斯·舍伍德《系统思考》第 10 章，本书对"管理为什么难"给出的最好解释。

控制杆 vs 成果

控制杆（能直接调）	成果（调不了）
员工人数	销售额
销售渠道	利润
IT 投资	市场份额
定价政策	股价

没有任何一个成果能被直接控制。 控制杆与成果之间的联系在逻辑上和时间上都是间接的——这正是管理之难的根源，也是为什么对着 KPI 焦虑本身没有杠杆。

战略的实证定义

舍伍德给了一个很硬的定义：战略就是重设控制杆的目标状态。它的根本驱动力是领导团队的"雄心、远见和想象力"，而激发想象力的工具是情景规划——描述当前世界、改变其特征以生成多个未来世界，再检验各世界中控制杆应处的状态。

要点

把 KPI 分成两列：能直接调的、只能间接影响的
每个控制杆是一条[[调节回路]]，业务增长是一条[[增强回路]]，两者由成本（刹车）和"××对吸引和保留客户的作用"（油门）连接
焦虑成果没有用，找到通往它的那条回路，去调控制杆

两个比萨团队

Sun, 21 Jun 2026 00:00:00 GMT

团队规模要小到两个比萨就能喂饱（约 6~10 人）。 贝佐斯的组织设计原则，见布拉德·斯通《一网打尽》第 6 章。

它要解决的问题

亚马逊 2002 年前后规模膨胀，沟通成本吞掉了执行力。反直觉的地方在于：贝佐斯的结论是要减少沟通，而不是增加沟通。大多数管理者遇到协作问题会加会议、加对齐；他认为沟通本身就是问题的症状——需要大量沟通，说明边界划错了。

配套的两件事

六页文件：会议开始前全体静读，禁用 PPT。因为 PPT 允许你用要点掩盖没想清楚的逻辑，而完整句子不允许。
每个团队自己拥有接口：团队之间通过明确定义的接口协作，而不是靠开会同步——这个思路后来直接长成了 AWS。

要点

小团队 + 清晰接口 > 大团队 + 大量沟通
六页文件的重点不是"六页"，是"完整句子"和"当场读完"
组织结构会渗进产品：亚马逊的服务化架构和它的团队结构是同构的

情绪钟摆

Sat, 20 Jun 2026 00:00:00 GMT

投资人心理在两个极端之间来回摆动、极少停在中点的现象。 霍华德·马克斯在《周期》第 7 章用它解释所有市场周期的动力来源。

三对摆动

一端	另一端
贪婪	恐惧
乐观	悲观
轻信	怀疑

最关键的一点

钟摆的平均位置在中点，但它待在中点的时间极短——它几乎总是在从一个极端奔向另一个极端的路上。所以"市场大部分时候是合理的"这个印象是错的：市场大部分时候都在犯错，只是方向在变。

这也解释了为什么周期不像正弦波那样规律：驱动它的是人，而人的情绪没有固定频率。

要点

钟摆是[[风险态度周期]]和[[信贷周期]]的共同上游
摆到极端时最容易识别，也最有利可图——这是[[市场温度]]测量法的基础
不要指望钟摆停在中间，要利用它必然会摆回来这件事

时间颗粒度

Fri, 19 Jun 2026 00:00:00 GMT

一个人安排时间的基本单位。 出自刘润《底层逻辑》：王健林的颗粒度是 15 分钟（央视主持人迟到 3 分钟即被扔下），比尔·盖茨是 5 分钟（访华行程按秒安排），多数人是半天。

要点

颗粒度越细，通常越职业化；恪守时间的本质是理解并尊重别人的时间颗粒度
职业人士的参考标准：以 30 分钟为单位安排日程，以 1 分钟为单位信守承诺
它不是自律的痛苦，练成习惯后像骑车一样自动运行

市场温度

Thu, 18 Jun 2026 00:00:00 GMT

用"我们现在在周期的什么位置"替代"接下来会发生什么"的一套判断方法。 出自霍华德·马克斯《周期》第 13 章，是全书从理论落到操作的那一步。

两个温度计

定量：当前估值是否偏离历史正常区间？（市盈率、信用利差、房价收入比等处在历史什么分位）
定性：周围的投资人在狂热还是恐慌？（看行为，不看他们说什么）

两个都指向极端时，信号才可靠。

它能给你什么、不能给你什么

能	不能
告诉你各种走向的概率倾向	告诉你哪天转向
决定你该进攻还是防守	给你一个精确的目标价
在极端时刻给出强信号	在中间地带提供有用信息

马克斯的态度很清楚：这已经足够做投资决策了。

要点

测温不是预测——它改变的是你对概率分布的估计，不是对未来的断言
只在极端时刻可靠：马克斯 50 多年只做过四五次重大周期判断
配套的是[[双重风险]]框架：高位防亏钱，低位防踏空

双重风险

Wed, 17 Jun 2026 00:00:00 GMT

投资中永远存在两种相反的风险，它们不会同时为零。 霍华德·马克斯在《周期》第 13 章提出。

两种风险

亏钱风险：买了会跌的东西，本金受损。
踏空风险：没买会涨的东西，眼看别人赚钱（也叫"错失风险"）。

关键洞察

大多数人只把第一种当风险，于是在市场底部"因为安全"而空仓——这恰恰是在承担最大的踏空风险。而在市场顶部，人们因为受不了踏空风险而追高，于是承担了最大的亏钱风险。

两种风险的权重应该随[[市场温度]]反向调整：

周期位置	该防哪个
高位（估值高 + 情绪狂热）	防亏钱风险 → 转守
低位（估值低 + 情绪恐慌）	防踏空风险 → 转攻

要点

想同时消灭两种风险的人，最终两种都会承担
完全空仓不是"没有风险"，是把全部仓位押在踏空这一侧
这是[[市场温度]]判断落地成具体动作的接口

系统循环图

Tue, 16 Jun 2026 00:00:00 GMT

用箭头把变量之间的因果关系连成闭环、从而看清系统结构的一张图。 丹尼斯·舍伍德《系统思考》的核心工具，一支笔就能画。

记法只有四样

记法	含义
S 连接	同向：因增则果增、因减则果减
O 连接	反向：因增则果减
时滞	因与果之间隔着时间
悬摆	挂在回路外的目标或结果，用来界定问题边界

连起来只有两种回路：[[增强回路]]（O 型连接为偶数，含零）和[[调节回路]]（O 型连接为奇数）。数一数 O 的奇偶就能判断，不需要直觉。

它真正的价值

不是画出一张"正确"的图——而是让一屋子人第一次看见彼此脑子里的因果假设。舍伍德的咨询案例里，争论往往在某条被所有人忽略的箭头被画出来的那一刻就消失了（投资银行内勤部门案例里，那根箭头是"错误也是成本"）。

要点

用名词不用动词；先定边界，从有趣处下笔
没有一张图是"画完了"的——这是作者亲口说的绘图法则之一
图是假设不是真理：S/O 的位置取决于你对语言和定义的选择

信贷周期

Mon, 15 Jun 2026 00:00:00 GMT

资金的可得性在"敞开供应"和"完全关闭"之间剧烈开合的周期。 霍华德·马克斯在《周期》第 9 章认为它是所有周期中影响最深远的一个。

为什么它最要命

信贷窗口的开合幅度远大于经济本身的波动。经济好一点，放贷意愿可能好很多；经济差一点，放贷可能直接归零。这个放大效应决定了资产价格的极端值——历史上几乎所有的大泡沫和大崩盘，追到底都是信贷极端的产物。

窗口大开时：劣质交易也能融到资，杠杆便宜，于是资产被推到不可持续的高度。
窗口关闭时：好公司也会因为借不到钱而死——不是因为经营不善，而是因为再融资那天恰好赶上了坏天气。

一句话记忆

繁荣不是被乐观情绪杀死的，是被便宜的钱杀死的。

要点

上游是[[风险态度周期]]：人们不怕风险了，钱才会变便宜
它是资产价格极端值的直接制造者，比经济周期更值得盯
观察指标：信用利差、发行门槛、条款松紧（covenant-lite 的流行程度）

增强回路

Sun, 14 Jun 2026 00:00:00 GMT

因增强果、果又反过来增强因的循环。 系统思维五块积木之一（另有变量、因果链、调节回路、滞后效应），刘润在《底层逻辑》第 2 章用它解释马太效应、赢家通吃与复利。

经典例子

亚马逊[[飞轮]]：低价 → 更多顾客 → 吸引更多卖家 → 规模更大、供应链更优 → 成本更低 → 价格更低……一圈圈加速转动，贝佐斯推了二十多年。

怎么判别

在[[系统循环图]]里数 O 型连接的个数：偶数（含零）= 增强回路，奇数 = [[调节回路]]。不需要靠直觉。

丹尼斯·舍伍德在《系统思考》第 5 章给了两个更狠的结论：

增强回路的行为只有两种：指数增长或指数衰退。恶性循环和良性循环在结构上完全相同——同一张图往哪个方向转，只取决于触发方式。商业中的"繁荣—衰退"周期就是一次外部冲击把增长引擎推成了衰退引擎，而系统结构丝毫未变。
指数增长起步极慢、爆发极快：睡莲在第 40 天只盖了不到千分之一的池塘。等你肉眼看见问题时，往往已无力回天。

要点

找到自己的增强回路 = 找到增长引擎；识别对手的增强回路 = 看懂他为何越来越强
增强回路的反面是[[调节回路]]（增长的刹车，如管理复杂度）——有时提升增长不是踩油门，而是松开刹车（见[[成长上限]]）
给增强回路踩刹车的唯一办法就是接上一条调节回路

自我蚕食

Sat, 13 Jun 2026 00:00:00 GMT

主动让新业务去抢自己老业务的饭碗，而不是等着别人来抢。 布拉德·斯通《一网打尽》里重复次数最多的一条判断，理论来源是克里斯坦森《创新者的窘境》。

贝佐斯的那句话

皮亚琴蒂尼在斯坦福把它概括成一句："吃掉自己远比被别人吃掉好得多"——我们不想成为柯达。

三个正例

业务	蚕食了谁
Marketplace	让第三方在自家商品页上抢自营的订单
Kindle	凯塞尔被明令"让所有卖纸质书的人失业"
AWS	把内部基建卖给所有人（包括对手）

一个反例

易趣：它本是第三方平台，却花两年另建"易趣快购"固定价平台来保护老业务，2006 年上线后因没流量迅速关停。斯通的判词很锋利——亚马逊与混乱状态战斗并征服了它，易趣则被它吞噬。

组织手术先于产品

《创新者的窘境》的药方不是"要创新"，是围绕破坏性技术设立独立部门。贝佐斯照单执行：把最信任的凯塞尔从他自称"世界上最好的一份工作"上摘下来，剥干净全部实体媒体职责。理由是——两种业务都管，就永远抓不住数字机遇。

要点

开会时别问"新业务会不会打击主业"，问"如果不是我们来蚕食，谁会"
光有决心不够：不做组织隔离，新业务会被老业务的短期增长需求饿死
相关：[[飞轮]]、[[两个比萨团队]]

量化人的 pandas 最小技能包

Fri, 12 Jun 2026 00:00:00 GMT

本课目标：掌握量化研究中出现频率最高的一小撮 pandas 操作——读数据、对齐、算收益率、滚动统计、分组统计，以及贯穿始终的矢量化思维。

pandas 功能极多，但量化入门真正高频使用的只有一小部分。这一课不求全面，只求把这个"最小技能包"练到不假思索。

把行情读进 DataFrame

第一步永远是把上一课存好的数据读进来，并把日期设为索引：

import pandas as pd

df = pd.read_parquet("data/600519_hfq.parquet")
df["date"] = pd.to_datetime(df["date"])
df = df.set_index("date").sort_index()

三个动作缺一不可：日期转成 datetime 类型、设为索引、按时间排序。后面所有基于时间的操作（切片、滚动、对齐）都依赖这个前提。设好索引后，df.loc["2024"] 就能直接取出 2024 年的所有数据，df.loc["2024-01":"2024-06"] 取出上半年，这种按时间切片的能力会反复用到。

读入之后养成"先看一眼再动手"的习惯：df.head() 看前几行、df.dtypes 确认每列类型、df.index.is_monotonic_increasing 确认时间已排好序。三行代码十秒钟，能避免后面莫名其妙的错误结果。

多标的对齐：索引是灵魂

研究多只股票时，最容易出错的环节是对齐。正确的姿势是把数据整理成"日期 × 标的"的宽表，例如收盘价表：

# prices: 行是交易日，列是股票代码，值是后复权收盘价
prices = pd.concat(
    {code: read_close(code) for code in codes}, axis=1
)

concat 按索引自动对齐：某只股票停牌的日期，对应位置自动变成 NaN，而不是把不同日期的数据错位拼在一起。让 pandas 用索引对齐，永远优于自己按行号硬拼——按行号拼接多只股票的数据，只要有一只停过牌，后面的数据就全部错位，而且不会报错。

顺便认识两种数据形态：上面这种"日期 × 标的"的宽表适合做时间序列计算；另一种长表是每行一条记录（日期、代码、字段值），适合做分组统计。两者用 stack / unstack 或 pivot / melt 互相转换，量化研究里两种形态都会频繁用到，遇到别扭的计算时先想想是不是数据形态不对。

pct_change：一行算出收益率

日收益率 = 今天收盘价 / 昨天收盘价 - 1。pandas 一行搞定：

returns = prices.pct_change()          # 每列独立计算日收益率
cum = (1 + returns).cumprod() - 1      # 累计收益率

第二行值得多看一眼：累计收益不能把日收益率直接相加，因为收益是复利叠乘的关系——每天的收益作用在前一天的净值之上。(1 + returns).cumprod() 表达的正是"净值逐日连乘"，这个模式在计算净值曲线时会一遍遍出现。

pct_change 对宽表的每一列独立计算，天然支持多标的。注意第一行必然是 NaN（没有前一天），后续计算要么 dropna，要么确认所用函数能忽略 NaN。

和它配套的另一个高频函数是 shift。prices.shift(1) 把整列数据往后挪一天，于是 prices / prices.shift(1) - 1 与 pct_change() 等价。更重要的用途是错开信号与执行：signal.shift(1) 表示"用昨天的信号决定今天的动作"，这是回测中防止用到未来数据的关键一招，先把这个函数记住。

rolling：均线与滚动波动率

技术指标和风险指标大量依赖滚动窗口：

ma20 = prices.rolling(20).mean()            # 20 日均线
vol20 = returns.rolling(20).std()           # 20 日收益波动率
ann_vol = vol20 * (252 ** 0.5)              # 粗略年化（约 252 个交易日）

rolling(20) 的含义是"过去 20 个交易日（含当天）"。窗口不满 20 天的开头部分结果是 NaN，这是正常的，不要强行填充。除了 mean 和 std，滚动对象上还能接 max、min、sum 等方法——比如 prices.rolling(60).max() 就是"过去 60 日最高价"，突破类策略的核心组件一行就写完了。

这里埋一个伏笔：用当天收盘价算出的均线，只能用于指导明天的交易——信号和执行之间必须隔一天，否则就用了未来数据。这是回测课的重点。

groupby：分组统计

横截面研究离不开分组。比如把长表格式的数据按股票分组、按月份分组：

# long: 长表，列包含 code / date / ret
by_code = long.groupby("code")["ret"].agg(["mean", "std", "count"])

# 按月统计每个月的平均日收益
by_month = long.groupby(long["date"].dt.to_period("M"))["ret"].mean()

groupby 的思考模板是三步：按什么分组（split）、对每组做什么计算（apply）、结果如何合并（combine）。以后做因子分层回测——按因子值把股票分成五组、比较各组收益——本质就是一次 groupby。

一个实用细节：agg 里可以同时给出多个统计量，一次算完；如果要对分组结果做"组内排名"或"组内标准化"这类保持原有行数的计算，用 transform 而不是 agg。这两个方法的区别（聚合成一行 vs 逐行返回）值得花十分钟亲手试一遍。

矢量化思维：告别 for 循环

从普通 Python 转向量化研究，最大的思维转变是矢量化。同样是算 20 日均线，两种写法：

# 慢：逐行 for 循环
ma = []
for i in range(len(close)):
    ma.append(close[max(0, i - 19): i + 1].mean())

# 快：一次性对整列操作
ma = close.rolling(20).mean()

矢量化写法不只是快几十倍，更重要的是表达意图清晰、不容易写错边界条件。上面的循环版本就藏着一个容易忽略的问题：开头不足 20 天时它算的是"有多少算多少"的均值，而 rolling 版本诚实地返回 NaN——后者才是研究中想要的行为。

看到 for 循环逐行处理 DataFrame 时，先停下来问自己：这件事能不能用 rolling、shift、pct_change、groupby 的组合表达？入门阶段绝大多数场景答案是能。真正需要逐行状态依赖的逻辑（比如复杂的持仓状态机）再用循环不迟。

最后给一条学习建议：不要试图背 API。把本课的五类操作亲手敲三遍，遇到不会的再查文档，两周后这些函数就会变成肌肉记忆。工具的目标是"够用且熟练"，花哨的技巧留给以后按需补充。

顺带一句，本系列只讲研究方法，不构成投资建议。

本课小结

读入数据后先做三件事：日期转类型、设索引、排序。
多标的数据靠索引自动对齐，不要按行号硬拼。
pct_change 算收益率、rolling 做滚动统计、groupby 做分组统计，覆盖入门期大部分需求。
滚动窗口开头的 NaN 是正常现象；信号与执行之间要隔一天，防止使用未来数据。
优先矢量化，for 循环留给真正有状态依赖的逻辑。

动手练习：用上一课下载的股票数据，计算日收益率、20 日均线和 20 日年化波动率，然后用 groupby 按年份统计每年的平均日收益率和波动率，输出成一张小表。全程不使用 for 循环。

拿到第一份行情数据：数据源、复权与交易日历

Thu, 11 Jun 2026 00:00:00 GMT

本课目标：从免费数据源拿到第一份 A 股日线数据，理解每个字段的含义、选对复权口径，并把数据规整地存到本地。

常见的免费数据源

入门阶段不需要花钱买数据，几个常见的 Python 免费数据源足够练手：

数据源	特点	使用门槛
akshare	接口多，覆盖股票、基金、宏观等	免费，无需注册
tushare	接口规范，文档完整	需注册获取 token，部分接口有积分要求
baostock	专注股票历史数据，稳定	免费，需登录会话

三者的接口风格不同，但返回的核心内容大同小异：一只股票、一段日期、每天一行的开高低收和成交量。建议先选一个用熟，不要来回切换。免费数据源的共同短板是接口偶有变动、数据偶有缺漏，所以拿到数据先检查、再使用，是必须养成的习惯。

还有一个隐蔽问题值得知道：幸存者偏差。有些接口按"当前上市的股票列表"取历史数据，已退市的股票不在其中——用这样的股票池做长期回测，等于事先剔除了所有失败者，结果会系统性偏乐观。入门阶段先在少数标的上练手感受流程，做全市场研究时再认真处理这个问题。

日线数据的字段含义

一份典型的日线数据长这样：

字段	含义	备注
date	交易日	只包含交易日，不含周末节假日
open / high / low / close	开、高、低、收	注意是什么复权口径
volume	成交量	单位可能是股或手，务必确认
amount	成交额	单位可能是元、千元或万元

两个新手常踩的坑：一是单位，不同数据源的成交量单位不统一，"手"（100 股）和"股"差 100 倍；二是复权口径，很多接口默认返回不复权价格，直接拿去算收益率会在除权日出错。

有些接口还会附带涨跌幅、换手率等衍生字段。建议入门阶段只依赖开高低收、成交量这些原始字段，衍生指标自己用代码算——一方面锻炼基本功，另一方面不同数据源的衍生字段口径经常不一致，自己算的才知道口径是什么。

复权口径怎么选

上一课讲过除权除息，这里给出操作建议：

算收益率、做回测：用后复权。后复权价格从上市第一天起保持可比，跨越任意分红送股都不会出现虚假跳变。前复权有一个隐蔽的问题——每次新的分红发生后，全部历史价格都会被重新调整，导致你上个月存的数据和这个月下载的对不上，回测结果无法复现。
看图、和行情软件对照：用前复权，因为最新价格和实盘一致，看起来直观。
判断涨跌停、估算真实成交价：用不复权。

一个稳妥的做法是同时保存不复权价格和复权因子（或直接保存两套价格），需要哪个口径就用哪个，不要事后互相换算时手忙脚乱。

交易日历与缺失值

A 股每年大约有 240 多个交易日。周末、法定节假日不交易，个股还可能停牌。这带来两类问题：

不要用自然日推算。"过去 20 天"在量化语境里几乎总是指 20 个交易日。用 pandas 的日期偏移按自然日取数据，遇到长假会取错。
区分"市场休市"和"个股停牌"。前者所有股票都没数据，后者只有这只股票没数据。把多只股票对齐到同一个日期索引时，停牌造成的空值需要明确的处理规则——通常价格不前向填充就不要乱填，收益率处理成 0 或空值要想清楚含义。

交易日历本身也可以从数据源获取，拿指数（比如上证指数）的日线日期序列当日历，是一个简单可靠的土办法：

import pandas as pd

# 用指数日线的日期序列充当交易日历
index_df = pd.read_parquet("data/sh000001.parquet")
calendar = pd.DatetimeIndex(index_df["date"]).sort_values()

# 把个股数据对齐到交易日历上，停牌日会显示为 NaN
stock = stock.set_index("date").reindex(calendar)

对齐之后，哪些天停牌一目了然，后续处理停牌的规则也就有了落点。

把数据存下来

不要每次研究都现场调接口：慢、不稳定、且数据可能悄悄变化导致结果不可复现。建议的流程是"下载一次，本地读取"：

import akshare as ak

# 获取某只股票的后复权日线（示意，接口参数以文档为准）
df = ak.stock_zh_a_hist(
    symbol="600519", period="daily",
    start_date="20200101", end_date="20251231",
    adjust="hfq",
)
df.to_parquet("data/600519_hfq.parquet")

CSV 和 Parquet 的取舍：

CSV：肉眼可读，方便用 Excel 检查，但文件大、读取慢、不保存数据类型（日期读回来常变成字符串）。
Parquet：列式存储，文件小、读写快、保留类型，适合当作主力格式。

推荐 Parquet 为主、少量 CSV 用于人工抽查。目录按"一个标的一个文件"或"一个市场一张大表"组织都可以，关键是命名里带上复权口径，例如 600519_hfq.parquet，避免几个月后自己都分不清这份数据是什么口径。

另外两条工程习惯值得从第一天就养成。一是增量更新：每天只补最近缺的部分，而不是每次全量重下，既快又减少对免费接口的压力。二是保留下载日期的记录：在文件名或单独的日志里记下这份数据是什么时候下载的，将来发现数据异常时才能回溯。

拿到数据后至少做三项检查：日期是否有重复、价格是否出现零或负值、成交量单位是否与你的预期一致。用 df.describe() 扫一眼各列的最大最小值，用 df.isna().sum() 看看缺失分布，两行代码就能拦下大部分脏数据。数据阶段多花的每一分钟，都会在后面回测排错时成倍地省回来。本文不构成投资建议，数据接口的具体用法以各数据源官方文档为准。

本课小结

akshare、tushare、baostock 都能免费拿到 A 股日线，选一个用熟即可。
拿到数据先确认两件事：成交量单位、复权口径。
回测用后复权，看图用前复权，判断涨跌停用不复权。
时间计算永远以交易日历为准，个股停牌与市场休市要区分对待。
数据下载一次、存成 Parquet 本地复用，文件名里写清复权口径。

动手练习：任选一个数据源，下载一只股票近三年的日线数据，分别以不复权和后复权两种口径各存一份 Parquet。找出两份数据价格差异最大的日期，验证它是否对应一次分红或送股。

A股交易制度必修课：T+1、涨跌停与除权除息

Wed, 10 Jun 2026 00:00:00 GMT

本课目标：把 A 股的关键交易制度过一遍，并且理解每条制度对应回测里的哪条假设——制度没写进回测，结果就是自欺。

交易时段与竞价

A 股的一个交易日大致分成几段：早上的开盘集合竞价、上午和下午的连续竞价、收盘阶段的集合竞价。集合竞价阶段所有委托集中撮合出一个价格，连续竞价阶段则是逐笔撮合。

对做日线级别研究的初学者，重点记住两件事：

开盘价和收盘价是竞价撮合出来的，不是随便某一笔成交。回测里常用"次日开盘价买入"或"当日收盘价卖出"作为成交假设，这两个价格相对真实可得。
你在回测里假设的成交价，实盘中未必拿得到。流动性差的股票，你的单子本身就会推动价格。入门阶段先在流动性好的标的上做研究，可以少踩这个坑。

另外要知道尾盘集合竞价的存在：收盘前几分钟不再连续撮合，收盘价由这一段集中竞价决定。如果你的策略假设"在收盘前一刻按盘中价格成交"，实际执行时会发现这段时间根本没有连续成交，这类细节都应该在设计成交假设时想清楚。

T+1：今天买的，明天才能卖

A 股股票实行 T+1 交易：今天买入的股票，最快下一个交易日才能卖出。这条规则直接限制了策略形态——纯日内"买入后当天止损"的想法在 A 股股票上不成立。

对回测的影响：

信号在 T 日收盘后产生，最合理的假设是 T+1 日开盘或收盘成交，卖出最早发生在买入的下一个交易日。
如果你的回测框架允许"当天买当天卖"，跑出来的股票策略结果直接作废。
T+1 还意味着持仓天然带隔夜风险：当天买入后，无论晚间出什么消息，你都只能等到第二天才有机会离场。设计策略时要接受这一点，而不是幻想能随时退出。

涨跌停与停牌：想交易时不一定能交易

A 股主板股票通常有每日涨跌幅限制，不同板块的限制幅度不同（创业板、科创板与主板不同，具体以交易所现行规则为准）。关键影响是：

涨停时买盘排队，你大概率买不进；跌停时卖盘排队，你大概率卖不出。
很多"追涨"类策略的回测收益，来自那些一字涨停、实际根本买不进的样本。把这些样本按成交价买入计算，收益会被系统性高估。

写进回测的对策，常见做法是：信号触发但当日涨停的股票，跳过不买；持仓股跌停时，假设当天卖不出去，顺延到下一个能成交的交易日。判断是否涨跌停时要用不复权价格——复权价格经过调整，直接比较会判断错。宁可假设保守一点，也不要让回测替你"完成"现实中不可能的成交。

停牌是另一种"想交易而不能交易"的情形。股票会因为重大事项等原因停牌，停牌期间没有成交、没有价格。对研究的影响：

停牌期间持仓无法卖出，组合的实际流动性比净值曲线显示的差。
数据层面表现为某些日期没有记录，或价格长期不变，处理不当会污染收益率计算。

回测时至少要做到：停牌股票不产生新的买入信号；恢复交易前的持仓按"卖不掉"处理。

除权除息与复权

上市公司分红、送股、转增后，股价会在除权除息日跳低。这不是下跌，是股本或现金结构变了。如果直接用未处理的原始价格算收益率，会在除权日算出一个虚假的大幅亏损。

解决办法是使用复权价格：

口径	做法	适合场景
不复权	用原始价格	核对真实成交价、涨跌停判断
前复权	以最新价为基准往前调	看图、短期研究
后复权	以最早价为基准往后调	长周期回测收益计算

入门阶段记住一条原则：算收益率用复权价，判断涨跌停等真实交易约束用不复权价。下一课讲数据时会展开。

另外，分红本身也是收益的一部分。长期回测如果忽略分红（只用不复权价格算收益），会系统性低估高分红股票和红利类指数的真实回报，这也是必须用复权数据的另一个理由。

ETF 和股票不完全一样

场内 ETF 与股票的规则有差异，做基金研究时要单独确认：部分 ETF（比如跨境、债券类）实行 T+0 交易；ETF 交易不收印花税；涨跌幅限制也可能与股票不同。不要把股票的回测假设原样套到 ETF 上，反之亦然。

对初学者来说，宽基 ETF 其实是很好的第一批研究对象：流动性好、不会个股踩雷、几乎不停牌，制度上的坑比个股少得多。用 ETF 把回测流程跑通，再把方法迁移到个股上，是一条平滑的学习路径。

把制度翻译成回测假设

汇总一下，一份合格的 A 股日线回测，其假设清单至少包括：

成交时点：T 日信号，T+1 日成交；股票卖出不早于买入次日。
涨跌停处理：涨停不买、跌停不卖。
停牌处理：停牌不交易，持仓顺延。
价格口径：收益用复权价，交易约束判断用不复权价。
成本：计入佣金、印花税（卖出时）和一个保守的滑点估计。

本文只讨论研究方法，不构成投资建议，具体交易规则请以交易所最新公布为准。

本课小结

T+1 决定了 A 股股票策略最快的进出节奏，回测必须遵守。
涨停买不进、跌停卖不出，不处理这一点的回测收益系统性偏高。
除权除息导致价格跳变，算收益率必须用复权价。
停牌意味着持仓卖不掉，数据里也会留下空洞。
ETF 的交易规则与股票有差异，回测假设要分开写。

动手练习：用中文写出你自己的"回测假设清单"，逐条对应本课讲的制度：成交时点、涨跌停、停牌、复权、交易成本。然后挑一只你熟悉的股票，去行情软件里找到它最近一次除权除息日，观察当天不复权价格的跳变幅度，想一想如果不复权直接算收益率会得出什么错误结论。

量化投资是什么：能做什么，不能做什么

Tue, 09 Jun 2026 00:00:00 GMT

本课目标：搞清楚量化投资到底在做什么，它擅长什么、不擅长什么，并拿到这门课的整体学习地图。

量化和主观投资差在哪

主观投资的典型流程是：研究一家公司或一个行业，形成判断，然后下单。判断的依据可能是财报、调研、行业经验，也可能是盘感。这条路完全可行，很多优秀的投资者都是这么做的。

量化投资换了一个问法：与其问"这只股票会不会涨"，不如问"什么样的规则，在历史上、在一批股票上，平均而言是有效的"。它把注意力从单次判断转移到规则本身。

两者的核心区别可以列成一张表：

维度	主观投资	量化投资
决策依据	个人判断、经验	事先写好的规则
研究对象	少数个股，研究得深	一批股票，研究得宽
可复现性	难以复现	同样数据必然得到同样结论
情绪影响	大	规则执行阶段较小

注意，量化不等于"更高级"。它只是把决策过程显式化了——写成代码之后，对就是对，错就是错，赖不掉。

两者也并非水火不容。很多机构的做法是"主观提出假设、量化负责验证"：基金经理凭经验觉得某类股票有机会，研究员把这个直觉翻译成规则，用历史数据检验它是否站得住。对个人学习者来说，这个顺序同样适用——你过去积累的市场经验不会浪费，它们是最好的假设来源，量化只是给了你一套检验这些经验的工具。

核心动作：把想法变成可验证的规则

量化研究的基本功，是把一句模糊的话翻译成可以用数据检验的规则。比如：

模糊说法："跌多了会反弹。"
可验证规则："某股票过去 20 个交易日跌幅超过某个阈值时买入，持有 10 个交易日后卖出，统计这个规则在过去若干年全市场样本上的平均表现。"

翻译之后你会发现，原来一句话里藏着一堆需要明确的细节：跌多少算"跌多了"？持有多久？手续费怎么算？涨停买不进怎么办？把这些细节一个个钉死，就是量化研究的日常。规则被钉死之后，才谈得上"检验"——检验结果可能支持你的想法，也可能推翻它，两种结果都有价值。

完整的研究循环是：提出假设 → 写成规则 → 用历史数据回测 → 分析结果 → 修正假设或放弃。大部分想法会死在第三、四步，这很正常。量化研究者的产出不只是"找到了几个能用的策略"，同样包括"排除了多少个看似有效实则无效的想法"。能坦然接受想法被数据否定，是这一行最重要的心理素质。

量化的四个真实优势

纪律性。 规则写进代码后，执行不受当天心情影响。人在亏损时容易做出变形动作，程序不会。
系统性。 一个人一天研究不了几只股票，程序可以把同一套逻辑跑遍全市场，避免"只看到自己关注的那几只"带来的偏差。
可验证。 每一个结论都能追溯到数据和代码，别人可以复现你的结果，你也可以复查自己半年前的结论。
分散化。 量化天然倾向于持有一篮子标的。单只股票踩雷对组合的伤害，被摊薄到可承受的范围。

常见误解：量化不是什么

误解一：量化稳赚。 不存在。规则在历史上有效，不保证未来有效；市场结构变化、参与者变多，都会让老规则失效。量化能做的是让"亏在哪、为什么亏"变得可分析，而不是消灭亏损。

误解二：量化是全自动印钞机。 真实的量化工作绝大部分时间花在清洗数据、修回测代码、排查"为什么这个结果好得不正常"上。好得不正常的结果，几乎总是因为代码写错了或者用了未来数据。

误解三：数学不好做不了量化。 入门阶段用到的数学不超过高中水平：算收益率、算均值方差、理解复利。真正的门槛是耐心和诚实——愿意花时间核对数据，愿意承认自己的想法被数据否定。

误解四：量化就是高频交易。 高频只是量化的一个细分方向，且对个人几乎不可行——它拼的是速度、设备和交易通道。个人量化更现实的战场是日线级别的中低频策略：持有几天到几个月，比拼的是研究质量而不是毫秒。本课程讨论的全部内容都在这个范围内。

顺带一提：本文以及本系列课程只做方法讲解，不构成任何投资建议。

这门课的整体地图

入门阶段我们按这条路线走：

市场规则：T+1、涨跌停、除权除息，这些制度决定了回测假设怎么写。
数据：从免费数据源拿到日线行情，理解复权和交易日历。
工具：pandas 最小技能包，够用就行。
评价体系：年化收益、最大回撤、夏普比率，学会同时看收益和风险。
之后进阶到简单策略的回测与复盘，完成第一个研究闭环。

每一课都配一个动手练习。量化是手艺活，看十遍不如亲手跑一遍。

学习装备方面，一台普通电脑加上 Python（配好 pandas、numpy）就够了，不需要付费数据、不需要服务器。建议现在就建一个专门的项目目录，后面每课的练习代码和数据都放在里面——几个月后回头看自己的研究记录，你会感谢这个习惯。

本课小结

量化投资的核心动作是把模糊的想法翻译成可用数据检验的明确规则。
它的真实优势是纪律性、系统性、可验证、分散化，而不是"更容易赚钱"。
规则在历史上有效不代表未来有效，量化不能消灭亏损，只能让亏损可分析。
入门阶段的数学门槛不高，真正的门槛是耐心和对数据的诚实。
学习路线：市场规则 → 数据 → pandas 工具 → 收益风险指标 → 简单策略回测。

动手练习：拿一句你听过的投资"经验"（比如"放量突破可以追"），试着把它翻译成一条完全明确的规则——写清楚触发条件的具体数值、买入时点、持有期限和退出条件。不用写代码，用中文写在笔记里即可。写完后数一数，你一共钉死了多少个原来模糊的细节。

超额收益

Mon, 08 Jun 2026 00:00:00 GMT

策略收益减去基准收益的部分。长期跑不赢指数基金的策略，做得再复杂也没有意义。

超额最大回撤

Sun, 07 Jun 2026 00:00:00 GMT

相对基准"跑输最惨的一段"有多深。好策略追求超额稳、超额回撤小，而不是某一年超额爆表。

单调性

Sat, 06 Jun 2026 00:00:00 GMT

分层回测的理想图形：G1 > G2 > G3 > G4 > G5 层层递进。报告中的单调性指标是各组收益排名与组序的秩相关，越接近 ±1 越好（0.8 以上相当理想）。只有 G1 强、中间乱序，说明因子只在极端值有效。

等权

Fri, 05 Jun 2026 00:00:00 GMT

入选的 N 只股票平均分配资金。不做复杂权重优化，结果更容易归因到因子本身。

低波动异象

Thu, 04 Jun 2026 00:00:00 GMT

波动小的"无聊股票"长期收益反而更高、回撤更小，全球市场普遍存在，A 股 2011 年后尤其明显。对应内置因子 volatility_20、volatility_60（已取负，符合方向约定）。

调仓

Wed, 03 Jun 2026 00:00:00 GMT

定期重新打分、卖出落榜股票、买入新上榜股票的动作。调仓周期越短，反应越快但交易成本越高。

动量

Tue, 02 Jun 2026 00:00:00 GMT

"过去涨得好的未来继续涨"。美股一年期动量是经典结论，但A 股月频动量基本不显著。

多空组合

Mon, 01 Jun 2026 00:00:00 GMT

做多最高分组、做空最低分组的模拟组合，近似"纯因子收益"，剔除了大盘涨跌的影响。注意：A 股难以做空个股，多空收益用于评价因子本身，不代表实盘能执行。

多重检验问题

Sun, 31 May 2026 00:00:00 GMT

试了 100 个随机因子，纯靠运气平均也有约 5 个"统计显著"。一口气筛过很多因子后，对单个因子的 t>2 要打折扣看待。

反转

Sat, 30 May 2026 00:00:00 GMT

"最近跌得多的未来短期反而涨"。A 股最强的价量效应之一，本平台内置 reversal_5、reversal_20。其逻辑：散户追涨杀跌导致短期超调，随后修复。

分层回测

Fri, 29 May 2026 00:00:00 GMT

把股票按因子得分从高到低分成若干组（如 5 组，G1 最高分），各组等权持有、定期换仓，画出多条净值曲线对比。IC 是"平均相关性"，分层是"路测"。

复权

Thu, 28 May 2026 00:00:00 GMT

股票分红、送股、配股后，交易所会对股价做"除权除息"，K 线上会出现一个向下的跳空缺口——但这不是真的下跌。复权就是把这些人为缺口修补掉，让价格序列反映真实收益。

三种口径

口径	做法	适用场景
不复权	交易所原始价格	看当时真实成交价位
前复权	以当前价为基准调整历史价格	日常看盘直观，但历史价会随每次分红变化
后复权	以上市首日为基准调整之后价格	回测必须用它（或直接用复权收益率），序列稳定不变

为什么回测必须复权

假设某股 10 送 10，股价从 20 元变成 10 元。不复权的回测会认为你亏了 50%——实际上你的持仓市值没有任何变化。长期回测里不复权会系统性低估收益。

实务提醒

用 akshare / tushare 取数时注意 adjust 参数：qfq 前复权、hfq 后复权
分红再投资的处理方式各数据源有差异，长周期回测前先抽查几只分红大户核对数据

复权因子

Wed, 27 May 2026 00:00:00 GMT

本平台的口径：数据库存不复权原始价，hfq_factor = 后复权价 ÷ 原始价，研究时"原始价 × 因子"即得后复权价。「因子分析」「策略回测」页的收益已是复权后口径，无需自己处理。

股票池

Tue, 26 May 2026 00:00:00 GMT

参与打分和选股的候选股票范围。本平台各页面的 limit 参数就是限制股票池大小：小样本跑得快适合练习，正式结论要用全市场。

过拟合

Mon, 25 May 2026 00:00:00 GMT

在同一段历史上反复调参，总能调出好看的曲线，但那是"记住了历史噪声"而不是规律。防御手段：因子先有经济逻辑、参数微调后结论不应剧变（好参数是"平缓的高原"而非"孤立的尖峰"）、留一段样本外数据做最终检验。

换手率

Sun, 24 May 2026 00:00:00 GMT

换手率 = 某段时间的成交量 ÷ 流通股本 × 100%，衡量一只股票在这段时间内"易手"的活跃程度。

举例：某股流通股本 1 亿股，今天成交 500 万股，当日换手率就是 5%。

怎么读这个数

A 股日换手率的经验区间：

区间	含义
< 1%	交投清淡，多为大盘蓝筹或无人关注的票
1% ~ 5%	正常活跃区间
5% ~ 10%	明显活跃，可能有资金进出或消息刺激
> 10%	极度活跃，常见于热点题材、次新股，追高风险大

量化研究中的常见用法

流动性过滤：剔除换手率过低的股票，避免回测里"买不进、卖不出"
情绪与拥挤度指标：全市场或板块换手率骤升，往往对应短期过热
因子构造：低换手（冷门）组合的长期收益常好于高换手组合，"换手率因子"是 A 股经典有效因子之一

注意口径

不同软件与数据源的口径可能不同：用流通股本还是总股本、区间加总还是取均值。跨数据源对比前先核对口径。

基准

Sat, 23 May 2026 00:00:00 GMT

用来对比的参照物，本平台默认沪深300 指数。策略的意义不在于"赚了没有"，而在于"比基准多赚了没有"——牛市里随便买都赚钱。

交易成本 / 滑点

Fri, 22 May 2026 00:00:00 GMT

印花税（卖出 0.05%）+ 佣金（约万 1~3）+ 滑点（实际成交价比预期差的部分）。回测常简化为单边 0.1%~0.15% 打包估算；双边千二（0.2%）是常用的保守基准。

交易日历

Thu, 21 May 2026 00:00:00 GMT

区分交易日与非交易日的日历表。回测和定时任务都依赖它（周末、节假日没有行情）。

截面

Wed, 20 May 2026 00:00:00 GMT

"横着比"的视角：同一天给全市场股票打分排序，比较股票之间的相对强弱。与之相对的是"时间序列"视角（一只股票自己和自己的历史比）。因子研究是截面研究。

净值曲线

Tue, 19 May 2026 00:00:00 GMT

把初始资金记为 1，随时间画出的资产变化曲线。回测报告的主图。

卡玛比率

Mon, 18 May 2026 00:00:00 GMT

年化收益 ÷ 最大回撤。>1 算不错，只宜在同类策略间比较。

量化投资

Sun, 17 May 2026 00:00:00 GMT

把投资想法写成明确、可计算的规则，交给计算机去检验和执行。核心不是"预测更准"，而是纪律性、系统性、可验证。

年化波动

Sat, 16 May 2026 00:00:00 GMT

净值日收益的标准差年化后的结果，衡量"净值抖得多厉害"。A 股股票组合 20%~30% 常见。

前向周期

Fri, 15 May 2026 00:00:00 GMT

用未来多少个交易日的收益来验证因子，相当于假设持有这么多天。短周期因子配短周期检验：reversal_5 配 period=5 比较匹配。

日胜率

Thu, 14 May 2026 00:00:00 GMT

回测期内上涨天数的占比。反转/均值回归类策略通常需要 55%+。

未来函数

Wed, 13 May 2026 00:00:00 GMT

决策用了"当时还拿不到"的信息。例：用当天收盘价决定当天开盘买入；代码里出现 shift(-n)。后果是回测好得离谱、实盘立刻翻车。|IC| > 0.1 或 IR 轻松破 1 时，先查未来函数。

夏普比率

Tue, 12 May 2026 00:00:00 GMT

（年化收益 − 无风险利率）÷ 年化波动：每承担一份波动换来多少收益。<1 一般，1~2 好，>2 很好（约定俗成的粗分档，别当铁律）。

小市值效应

Mon, 11 May 2026 00:00:00 GMT

小市值股票长期跑赢的现象。A 股历史上曾非常强，但 2017 年剧烈反转（最小市值板块跌约 45%、上证50 涨 25%）——历史有效 ≠ 未来有效的经典案例。

信息比率

Sun, 10 May 2026 00:00:00 GMT

超额收益 ÷ 超额收益的波动，即"超额收益的性价比"。0.5 好、0.75 很好、1.0 顶尖（Grinold & Kahn 经典分档）。现实校准：真实世界主动管理人的 IR 中位数接近 0——回测轻松跑出 IR > 1，第一反应应该是找问题而不是庆祝。

幸存者偏差

Sat, 09 May 2026 00:00:00 GMT

股票池只包含"活到今天"的股票，退市的都不见了，回测收益自然虚高。

样本外检验

Fri, 08 May 2026 00:00:00 GMT

把数据分成两段：一段用来研究调参（样本内），另一段藏起来做最终检验（样本外）。样本内表现好、样本外翻车，就是过拟合的直接证据。

查完记得回到原来那一课继续读。如果某个词条看完还是不明白，去对应课程看完整例子：IC 系指标看第四课，绩效指标看第五课，交易规则和复权看第一课。

因子

Thu, 07 May 2026 00:00:00 GMT

一个可计算的股票特征，用来给全市场股票统一打分。例如"近 20 日涨跌幅"（动量因子）。有了打分表，就可以"买得分最高的 N 只"来构建组合。

因子方向约定

Wed, 06 May 2026 00:00:00 GMT

本平台所有因子统一"得分越高越看多"。所以"越低越好"的特征（如波动率）在代码里取负。IC 为负的因子不等于没用——乘 −1 就是正向因子，评价强弱看绝对值。

涨跌停

Tue, 05 May 2026 00:00:00 GMT

主板 ±10%，创业板/科创板 ±20%，北交所 ±30%。涨停买不进、跌停卖不出——回测里"成交"了的一字板，实盘根本买不到，这是回测偏乐观的固有原因之一。

总收益 / 年化收益

Mon, 04 May 2026 00:00:00 GMT

总收益是整个回测期赚的百分比；年化收益是折算成"每年赚多少"。短区间的年化会严重失真（三个月翻倍年化出来是天文数字），必须结合区间长短看。

最大回撤

Sun, 03 May 2026 00:00:00 GMT

最大回撤 = 一段时间内，净值从最高点跌到随后最低点的最大跌幅。它回答的问题是："如果我买在最糟糕的时点，最多会亏多少？"

一个例子

账户净值：10 万 → 涨到 15 万 → 跌到 9 万 → 涨回 16 万。

这段时间的最大回撤 = (15 − 9) ÷ 15 = 40%。注意：即使期末是赚钱的，途中的 40% 回撤是你真实经历过的。

怎么计算

对每个时点，先算"到目前为止的历史最高净值"，再算当前净值相对它跌了多少，全程取最深的一次：

import pandas as pd

# nav 是净值序列（pd.Series，索引为日期）
running_max = nav.cummax()
drawdown = nav / running_max - 1
max_drawdown = drawdown.min()  # 负数，如 -0.40 表示最大回撤 40%

为什么它重要

视角	说明
心理承受	波动率是平均抖动，最大回撤是最痛的一段；深回撤会让人割在底部
仓位决策	能接受的最大亏损 ÷ 策略最大回撤 ≈ 仓位上限的一个粗略参考
策略评价	年化收益 ÷ 最大回撤（卡玛比率）是常用的收益风险比指标
资金曲线	回撤修复需要更大涨幅：亏 40% 要涨 67% 才回本

实务提醒

回测里的最大回撤依赖样本区间——没经历过熊市的回测，回撤天然偏浅
经验上实盘回撤常深于回测，看到回测回撤 20%，心理预算按更深准备
除了深度，也要看回撤持续时间（从高点跌落到重新创新高用了多久），长时间不创新高同样煎熬

Alpha

Sat, 02 May 2026 00:00:00 GMT

超出市场之外多赚的钱。大盘涨 10%、你的组合涨 15%，多出的 5% 才是"本事"。量化选股研究的目标就是寻找能稳定产生 Alpha 的规则。

Beta

Fri, 01 May 2026 00:00:00 GMT

跟着市场大盘赚的钱。买指数基金、大盘涨 10% 你赚约 10%，这部分收益不需要选股能力，只需要承担市场波动。

IC

Thu, 30 Apr 2026 00:00:00 GMT

每一期"因子得分"与"下期实际收益"的截面相关系数，衡量因子的预测力。|IC| ≥ 0.02 起步、0.03~0.05 有效、≥ 0.05 优秀（5 日～月频口径的经验参考）。

IC>0 占比

Wed, 29 Apr 2026 00:00:00 GMT

所有期数中 IC 为正的比例，衡量因子方向是否始终如一。≥ 55%~60% 说明方向稳定。

ICIR

Tue, 28 Apr 2026 00:00:00 GMT

IC 均值 ÷ IC 标准差，衡量预测力稳不稳定。IC 均值高但忽正忽负的因子不好用。经验参考：≥ 0.3 及格，≥ 0.5 良好。

RankIC

Mon, 27 Apr 2026 00:00:00 GMT

用"排名"而不是原始数值算的 IC（即 Spearman 秩相关）。对极端值更稳健，A 股实务以 RankIC 为主要评价口径。

t 统计量

Sun, 26 Apr 2026 00:00:00 GMT

回答"这个 IC 均值是真本事还是运气"。|t| > 2 即统计显著（95% 置信）。注意：如果你试了几十个因子挑出最好的，单个 t>2 也可能是运气，学界因此主张把门槛提高到 t>3（见"多重检验"）。

T+1

Sat, 25 Apr 2026 00:00:00 GMT

A 股规则：当天买入的股票，下一个交易日才能卖出。日内策略在 A 股股票上不成立，调仓最快也是隔日生效。

缠中说禅：民间技术分析的宗师传说

Fri, 24 Apr 2026 00:00:00 GMT

"缠中说禅"（李彪，1969?–2008），中国互联网时代最具影响力的民间市场理论作者。2006~2008 年在博客连载《教你炒股票》108 课，创立"缠论"——至今仍是中文世界传播最广的民间技术分析体系，信众百万计。

说明：其人生平众说纷纭（含身份、经历的多个版本），本页只取公开可查的最大公约数，重点放在"缠论现象"的理性审视上。

一句话定位

中文世界影响力最大的民间交易理论缔造者——也是检验你"科学素养"的一块试金石。

生平速览（据公开资料，多有争议）

真名一般认为是李彪，1990 年代起活跃于股市，坊间传说其参与过多只股票的坐庄操盘（无法证实，姑妄听之）；
2006 年起以"缠中说禅"为名开博客，内容横跨股票、诗词、围棋、佛学、数学——文风狂傲，自称"这里的文字，将是人类历史上第一次把炒股票变成一门科学"；
《教你炒股票》系列连载 108 课，未完成体系即于 2008 年因病（一般报道为癌症）去世，年仅约 39 岁；
身后"缠论"经信众整理传播，形成庞大的学习社群、培训产业和无数流派分支——一个未完成的博客理论，运行成了持续近二十年的江湖门派。

缠论是什么（三分钟版）

用最简中性的语言概括其核心构件：

分型/笔/线段：对 K 线走势做递归的结构化分解——把连续价格离散成标准化的"走势单元"；
中枢：某级别内价格反复重叠的区间——理论的核心概念，用来定义盘整与趋势；
背驰：趋势延续但动能衰减（常用 MACD 辅助度量）——主要的转折信号；
级别递归：小级别结构嵌套成大级别结构，多级别联立决策。

平心而论，其中有真实的洞察：走势的多尺度结构、盘整与趋势的区分、动能衰减先于价格转折——这些直觉与学术界的市场微观结构、多尺度分析、动量衰减研究有模糊的对应。

理性审视：缠论的可检验性问题

作为量化学习者，缠论是绝佳的"科学方法论练习题"。用第四课的标准审视它：

定义的模糊性：笔、线段、中枢在边界情形下的划分存在多义性——同一张图，十个缠论者画出十种结构。不可唯一编码的规则，无法回测，也就无法证伪；
事后拟合的温床：级别可选、结构可重划，任何走势事后都能被"完美解释"——解释力 100% 的理论，预测力往往接近 0（还记得《漫步华尔街》抛硬币画 K 线的实验吗）；
幸存者放大：百万学习者中必然产生一批"用缠论赚钱"的幸存者现身说法——分母沉默（《随机漫步的傻瓜》第 2 页的机制原样上演）；
公平地说：确有研究者尝试把缠论的部分构件（分型、中枢突破）严格量化后检验，结论不一——能被编码的部分就值得检验，检验后留下的部分就是真知识。这才是对待任何民间理论的正确姿势：既不跪拜，也不嘲讽，编码、回测、下结论。

对你的启示

缠论现象的最大教训与理论本身无关：中文投资世界对"体系感"的渴求极其巨大，而供给大多不可证伪——你的科学素养就是稀缺品；
遇到任何自成体系的交易理论，标准动作三步：能否无歧义地写成代码？→ 写出来回测 → 按多重检验标准打折——本平台就是做这件事的工具；
未完成的 108 课提醒所有人：大师的离场不影响江湖的自我繁殖——叙事的生命力和方法的有效性是两回事。

葛卫东：期货江湖的"葛老大"

Thu, 23 Apr 2026 00:00:00 GMT

葛卫东（1967–），混沌投资创始人，期货界人称"葛老大"。从两次爆仓的散户到身家数百亿的私募掌门，主观交易路线在中国能走多远，他大概就是答案的上限之一。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

中国主观宏观/商品交易的巅峰样本——和量化路线互为镜像的另一条登山路。

生平速览（据公开报道）

1967 年生于四川，毕业后进入粮食系统工作，接触期货；
1990 年代做期货两次爆仓，一度濒临破产——他后来多次公开谈及这段经历对其风控观的塑造；
2000 年前后重返市场，在大豆等农产品上完成资本积累，2004 年前后身家已过亿；
2005 年创立上海混沌投资（名字取自混沌理论——他对"市场不可精确预测"的公开信仰）；
之后二十年横跨商品、股票、全球市场：铜、原油等大宗商品的经典战役为其赢得"葛老大"名号；A 股重仓科大讯飞、用友网络等科技股长期持有；也公开承认过海外交易的重大亏损（如 2020 年前后的美股期权损失，据其本人微博）；
以微博大 V 身份活跃，言论直率，屡屡引发争议。

江湖绝学（公开访谈中的自述与外界复盘）

"混沌"世界观：市场不可精确预测，只能识别大的供需格局和极端定价——在胜率不可知的世界里，赔率和仓位是唯一能控制的东西；
大周期 + 重仓 + 死扛的组合拳：在深度研究形成的强信念上下重注、扛住波动拿足全程——和量化的"高胜率小注多次"哲学完全相反，是"低频次大赔率"的极限打法；
爆仓换来的风控：他自述两次爆仓后立的规矩——单品种仓位上限、绝不满仓、留足保证金冗余（具体数字各访谈说法不一，精神一致：先保证任何单一判断错误不致命）；
反身性直觉：多次在市场极端一致时反向操作——"人多的地方不去"的仓位化表达。

主观巅峰与量化的对照

把葛卫东和西蒙斯并排看非常有教学价值：

维度	葛卫东（主观极限）	西蒙斯（量化极限）
下注次数	每年少数几次大判断	每天成千上万次微判断
单次胜率要求	必须很高（错不起）	略高于 50% 即可
收益来源	深度认知差 + 赔率 + 忍耐	微弱优势 × 广度 × 纪律
可复制性	几乎不可复制（依赖天赋与心性）	组织可传承
天敌	认知过时、信念变执念	拥挤、容量、机制突变

基本定律（IR = IC × √BR）说：广度小的路线必须 IC 极高——葛卫东就是"IC 极高"活体样本，而这恰恰是它无法被普通人模仿的原因。

对你的启示

主观巅峰的存在不否定量化，反而印证了基本定律：你没有他的 IC，就老老实实走广度路线；
他真正可迁移的部分不是判断力，是爆仓换来的仓位纪律——这部分和索普、和风险模型完全同构；
"混沌"世界观值得借鉴：承认不可预测，把功夫下在可控变量（仓位、成本、退出）上——这其实是非常"量化"的世界观。

徐翔：泽熙神话与陨落

Wed, 22 Apr 2026 00:00:00 GMT

徐翔（1978–），宁波人，"涨停板敢死队"总舵主、泽熙投资创始人。A 股历史上最具传奇色彩也最具争议的私募经理——连续多年碾压全市场的业绩，和 2015 年戛然而止的结局。

说明：本页基于公开报道与法院公开判决整理。写他不是为了效仿，而是因为他的故事浓缩了 A 股博弈生态的一整个时代，且教训极其昂贵。

一句话定位

把短线博弈做到人类极限的人——也是"能力越强，越要敬畏合规红线"的终极案例。

生平速览（据公开报道与判决）

1990 年代中学时代即入市，成为宁波解放南路营业部"涨停板敢死队"的核心人物——该团伙以集中资金快速打板、次日兑现的凶悍风格闻名全国龙虎榜；
2009 年北上创立泽熙投资；2010~2015 年旗下产品业绩连年位居全国前列，多只产品年化收益远超同行，规模一度数百亿，江湖人称"私募一哥"；
以极端自律闻名：据多方报道，他几乎没有任何业余生活，每天研究市场十几个小时，二十余年如一日；
2015 年 11 月在杭州湾跨海大桥被捕；2017 年青岛中院判决：操纵证券市场罪，有期徒刑五年六个月，罚金 110 亿元——判决认定其与多家上市公司实控人合谋，控制信息发布节奏配合交易牟利。

江湖绝学（公开复盘中的共识）

抛开违法部分，市场对泽熙合法层面打法的复盘大致指向：

情绪与资金流的极致阅读：对涨停板、龙虎榜、题材轮动的微观结构理解深入骨髓——本质是对"短期供需失衡"的手动建模（量化语言：他在人肉执行一个高频情绪因子）；
重势不重质：标的的基本面服从于博弈格局——"股票只是筹码"，与利弗莫尔"股票没有好坏只有方向"一脉相承；
极致的信息处理量：每天复盘全市场，把盘感建立在海量样本上——这份勤奋本身无可指摘。

陨落的机制

判决书揭示的另一面：后期泽熙的"神话业绩"中，相当部分来自与上市公司合谋的信息操纵——约定高送转、释放利好配合出货。这里有一个值得深思的滑坡：

当合法优势（盘感、勤奋）随着规模增长而稀释时，维持神话的压力会把人推向非法优势。几百亿的规模做不了打板（容量约束），于是"制造"确定性取代了"发现"确定性——这条滑坡在任何市场、任何时代都在重复。

对你的启示

容量是一切短线策略的天花板：徐翔的困境和大奖章锁定规模是同一个问题的两种答案——一个滑向深渊，一个守住边界（对照名人堂"西蒙斯"篇）；
他赖以成名的短线情绪规律（涨停板效应、题材动量）部分可以被合法地量化检验——A 股学术研究里确实存在涨停板后的可预测模式，但扣除 T+1 和流动性约束后普通人基本无法兑现；
最重要的一条：任何策略研究都以合规为硬边界。本平台是研究工具、虚拟盘，但你终将带着方法论走向真金白银——徐翔用 110 亿罚金标出了那条线的价格。

杨百万：中国第一代股民传奇

Tue, 21 Apr 2026 00:00:00 GMT

杨怀定（1950–2021），人称"杨百万"。上海工人出身，靠国库券异地套利赚到第一个一百万，成为中国证券市场最早的个人传奇。他的故事是一部浓缩的"中国市场无效性简史"。

一句话定位

中国市场第一个被广泛报道的"套利者"——用最朴素的方式演示了什么叫"发现定价错误并执行"。

生平速览（据公开报道）

1950 年生，上海铁合金厂仓库保管员；
1988 年辞职，注意到国库券在不同城市价格不同——合肥等地的国库券比上海便宜好几元；
背着现金坐火车往返于上海与外地，低买高卖国库券，一年多赚到人生第一个一百万（1980 年代末的一百万），"杨百万"名号由此而来；
1990 年代初转战刚开市的上海股市，成为第一批大户室常客，以"逢低吸纳、落袋为安"的朴素风格和高调的媒体形象闻名；
晚年开设股民培训、出书立说，2021 年病逝。媒体讣告的共识：一个时代的符号。

江湖绝学：无风险套利的民间版

杨百万的第一桶金在教科书意义上无可挑剔，值得逐条拆解：

发现定价错误：同一张国库券，两地差价远超交通成本——这是教科书级的套利机会（一价定律被违反）；
验证合法性：他行动前专门确认了国库券异地买卖不违法（据其自述还咨询过律师和银行）——先确认规则边界再下注，这条比赚钱本身更专业；
执行到极致：别人也知道有差价，但只有他辞了铁饭碗、扛着风险背着现金坐绿皮车——套利的利润属于执行者，不属于知道的人；
及时退出：随着信息流通和参与者增多，价差消失，他转身离场去了下一个战场——对"优势会衰减"有天然的直觉。

为什么他的神话没有第二季

转战股市后的杨百万，业绩再无第一桶金那样的确定性。原因也很教科书：

国库券套利是无风险定价错误，股票投机是有风险的方向判断——两种完全不同的游戏，前者的成功方法论无法迁移到后者；
他后来的"绝学"（盘口感觉、政策解读）属于不可检验、不可复制的经验叙事——和利弗莫尔一样，规律或许存在，但没有系统化；
市场本身在进化：他赖以成名的"信息差"（跑遍全国看价格、比别人早知道政策）随着市场成熟被迅速抹平。

对你的启示

最好的机会往往是"结构性错误定价"而不是"预测"——国库券套利、早年 ETF 套利、期现基差，这条脉络贯穿 A 股三十年（对照名人堂"申毅"篇）；
优势的三要素他全占过：发现（信息差）、执行（别人不肯吃的苦）、退出（衰减前离场）——你的每个因子也该按这三条自查；
他后半程的平淡提醒我们：一次成功的方法论未必可迁移，把"运气好的一次"和"可重复的系统"分开（《随机漫步的傻瓜》的主题在他身上是正反两面都有）。

梅里韦瑟与 LTCM：诺奖天团的陨落

Mon, 20 Apr 2026 00:00:00 GMT

John Meriwether（1947–）与长期资本管理公司（LTCM，1994–1998）。两位诺贝尔奖得主坐镇、平均智商可能是金融史之最的梦之队，四年时间从行业之巅走到几乎拖垮全球金融体系——量化史上最重要的一堂反面课。

一句话定位

"模型正确 + 杠杆过度 = 毁灭"的标准演示——每一代量化人都该把 LTCM 的故事当疫苗打一遍。

阵容与崛起

掌门梅里韦瑟：所罗门兄弟传奇债券套利部门的创建者（《说谎者的扑克牌》里的主角之一）；
合伙人包括 Robert Merton 和 Myron Scholes——1997 年因期权定价理论获诺贝尔经济学奖（就在 LTCM 崩盘前一年，讽刺拉满）；
策略主线：固定收益相对价值套利——寻找"几乎相同"的两种债券之间不合理的价差（如新券与老券、不同市场的利差），做多便宜的、做空贵的，赚价差收敛；
1994~1997 年：年化约 40%（费后），波动极低，华尔街人人求着送钱进来。

死亡机制（慢镜头）

第一步：优势真实但微薄

单笔价差套利的利润极薄（几个基点），这没问题——问题是为了把薄利做成 40% 的年化，杠杆常年 25 倍以上，危机前夕资产负债表杠杆更高，衍生品名义敞口超万亿美元。

第二步：模型假设了"历史的相关性"

风险模型基于历史数据：这些价差从未同时大幅走阔，组合"高度分散"。但所有仓位其实押的是同一件事——"市场会回归平静"（做空波动率、做多流动性）。分散是表面的，风险因子只有一个。

第三步：黑天鹅按门铃

1998 年 8 月俄罗斯国债违约。全球资金恐慌性涌向最安全资产，所有"应该收敛的价差"同时暴力走阔——历史相关性矩阵一夜作废（危机中相关性趋近 1，《宽客》精读里的定律在这里首演）。

第四步：杠杆不给你等待的权利

按模型，价差走阔意味着机会更好了——理论上该加仓，但 margin call 要求减仓。LTCM 被迫在最差的价格平仓，而全街都知道它的仓位，对手盘提前砸盘等它割肉。四个月亏掉 46 亿美元（本金约 90%）。

结局

美联储召集 14 家投行注资 36 亿美元接管清算——不是为了救它，是怕它的万亿敞口无序爆仓拖垮整个体系。梅里韦瑟后来再创基金，2008 年再次折戟。

三句刻在石头上的教训

"永不可能发生"的意思是"模型的样本里没发生过"——俄罗斯违约不在数据里，但在现实里；
杠杆决定你能不能活到"模型证明正确"的那天——LTCM 的许多价差后来真的收敛了，钱被别人（包括接盘的投行）赚走了。正确但破产，等于错误；
你的仓位被市场知道，本身就是风险——容量、拥挤、对手盘博弈，全在模型之外。

对你的启示

回测里加一问：这个策略隐含做空了什么？（LTCM 隐含做空波动率和流动性——平时收租，极端日赔命）；
凯利公式的镜像教训：超过安全杠杆的收益全是借来的，利息是破产概率；
诺奖 + 40% 年化 + 低波动的组合都能死——对任何"稳定高收益"保持索普式怀疑（麦道夫三问，见《战胜一切市场的人》精读）。

杰西·利弗莫尔：投机之王

Sun, 19 Apr 2026 00:00:00 GMT

Jesse Livermore（1877–1940），人类历史上最著名的投机客。四次大起大落，1929 年大崩盘中做空赚到约 1 亿美元（相当于今天数十亿），最终破产并自杀离世。《股票作手回忆录》的主角原型——这本书至今是交易员的圣经，也是一份写了四十年的风险警示书。

一句话定位

趋势交易和仓位管理的民间祖师爷——他总结的规律后来大多被量化验证为真，而他的结局证明了"知道"和"做到"之间隔着深渊。

生平速览

14 岁在波士顿对赌行做报价小弟，靠心算价格规律赚到第一桶金，被全城对赌行拉黑；
1907 年做空美股大赚，摩根本人托人请他停止做空；
1929 年 10 月大崩盘中持有史上最大空头仓位之一，获利约 1 亿美元，登上人生顶点；
一生破产四次，东山再起三次；1934 年第四次破产后再未翻身，1940 年在纽约一家酒店自尽；
遗产：《股票作手回忆录》（Edwin Lefèvre 执笔，1923）和《股票大作手操盘术》（1940，本人所著）。

江湖绝学（用今天的语言翻译）

利弗莫尔凭直觉总结的规律，几乎每条都能对上现代量化的术语表：

利弗莫尔的话（大意）	现代对应
"赚大钱靠的不是想，是坐"（坐等趋势走完）	趋势跟随/动量策略：让利润奔跑
"只在关键点入场"	突破信号、价格确认——不预测，等验证
"亏损的仓位绝不加码"	止损纪律；反马丁格尔
"试探性建仓，走对了再加"	金字塔加仓：仓位是"被证明正确程度"的函数
"股票没有好坏，只有方向"	价格序列研究：不带基本面偏见
"华尔街没有新鲜事，人性永不变"	行为金融：因子溢价来自不变的行为偏差

平心而论：一个没有计算机、没有统计学工具的人，靠盘感和复盘把这些规律提炼出来——他是在用血肉之躯手动执行一个趋势跟随系统。

致命的另一面

那他为什么四次破产？复盘下来全是同一类死因：

违背自己的规则：他破产的每一次，都是在明知规则的情况下重仓逆势、听了"内幕消息"、或者在棉花交易里死扛亏损（著名的"听了专家的话"事件）；
杠杆无上限：赢的时候杠杆放大荣耀，输的时候杠杆放大坟墓——他从来没有"仓位上限"这个概念，凯利公式要到 1956 年才出现；
没有系统兜底：规则全靠自律执行，而人的自律在连胜后的膨胀和连败后的绝望里必然失效。

利弗莫尔的一生就是"为什么需要量化"的完整论证：他证明了规律存在（正面），也证明了靠意志力执行规律必然失败（反面）。

对你的启示

他的每条交易规则都值得写成代码回测——事实上动量、突破、止损的现代研究都验证了其中的统计价值；
但比规则更重要的教训是：执行必须交给系统，不能交给状态好坏不定的自己——这正是本平台"规则写死、机器执行"哲学的源头故事；
记住他的结局再看你的回测：一个没有仓位上限和强制止损的策略，赢一百次也只是在为最后一次输积累筹码。

群像·新生代与破圈者：AI 原生的一代

Sat, 18 Apr 2026 00:00:00 GMT

一页看完 2015 年之后登场的新面孔：高频双子星、竞赛金牌军团、以及两条非典型路径（做平台的和做算法服务的）。姓名与背景均经双源核实；基于公开报道。

陈家馨 & 吴敌（世纪前沿资产）：港中文实验室走出的"馨敌组合"

两人 2010 年相识于香港中文大学实验室：吴敌（中科大计算机学士、港中文博士，现任 CEO）+ 陈家馨（港中文量化金融学士，曾在海外机构任董事总经理管自营组合）。2015 年回深圳创业，从港股量化和商品跨境套利做起，高频起家、现全频段多策略，百亿档。陈家馨多次公开撰文纠正市场对高频交易的误解——新生代里少见的"愿意出来讲话"的人。

张卓（卓识基金）：清华特奖第一名的速度游戏

清华电子工程学士——清华本科生最高荣誉特等奖学金第一名——普林斯顿电子工程博士（AI 方向），2014~2016 年任美国骑士资本（KCG）量化策略师：据报道曾独立开发年化超 200%、夏普大于 10 的策略，交易量一度占同期美国标普股指期货的 3%。2016 年回北京创立卓识，高频见长、逐步向中低频延伸，2022 年破百亿。

章寅（白鹭资管）：AI 驱动与"百亿滑落"样本

厦门大学数学+经济学双学士、新南威尔士大学商学硕士，1986 年生，2015 年底在杭州创立白鹭。AI/机器学习驱动的中高频量价策略，较早公开喊出国内量化"黄金十年"。2021 年曾破百亿，2023 年后跌出百亿梯队，还曝出欠税风波——群像里保留这个案例，是因为**"从百亿滑落"和"冲上百亿"一样，都是这个行业的常态剧本**。

孙林（量派投资）：Two Sigma 系的中频路线

复旦数学学士、帝国理工数学与金融硕士，巴克莱资本最年轻 AVP 之一，后在 Two Sigma 任短周期交易自营部门联席主管、美股做市团队主管。2019 年底创立量派，主打中频指增+中性+CTA、标榜高夏普低回撤，2024 年 10 月破百亿。花絮：2025 年底遭遇"李鬼"冒名招摇撞骗，公司报警辟谣——头部量化创始人的姓名本身已经值得冒充了。

高鹏飞（乾象投资 Metabit）：AI 原生的一代

清华数理基科班、斯坦福 ICME 博士（师从统计学家黎子良）。2018 年创立乾象，从第一天起就是 AI/ML 原生：强化学习驱动的中高频 CTA 与股票日内策略，团队超过四分之一是信息学/数理竞赛金牌得主，2023 年破百亿。如果说上一代的关键词是"海归华尔街方法论"，这一代的关键词就是"竞赛金牌 + 深度学习"。

高斯蒙（聚宽 JoinQuant）：给散户造工具的人

百度前高级工程师，1986 年生——父亲是西工大数学教授，名字取自"高斯"。2015 年创立聚宽：国内最大的量化社区与回测平台之一（用户 40 万+），无数个人量化研究者的第一行回测代码写在聚宽上。2017 年拿私募牌照转型资管，2025 年重回百亿。他代表一条非典型路径：先做"交易平权"的平台，再做资管——本平台（AlphaForge）做的事，某种意义上就是这条路径的极简本地版。

王浚澎（非凸科技）：卖水人（单源，谨慎收录）

大连理工毕业、前新加坡高频基金联合创始人，2018 年创立非凸科技——不做资管，做算法交易服务：拆单/执行算法输出给券商与机构，据称日均成交百亿级。收录理由：量化生态里"卖水人"是容易被忽略的一环。注：此条主要来自公司自述，独立媒体交叉源较弱，请当背景知识而非确证事实。

这一页带走的三句话

新生代的人才画像高度收敛：顶尖工科院校 + 竞赛金牌 + （可选）海外顶级机构短暂镀金——行业门槛在肉眼可见地抬高；
AI 原生机构与上一代的区别不是"用不用机器学习"，而是组织从第一天就围绕算力和数据管线搭建；
生态位不止资管一种：做平台（聚宽）、做算法服务（非凸）同样能在这个行业立足——个人研究者的职业选项比想象中多。

群像·初代与百亿列传：从"四大天王"说起

Fri, 17 Apr 2026 00:00:00 GMT

一页看完中国量化的"老钱"们：初代四大天王的沿革，和几家风格迥异的百亿机构。每人篇幅不长，但姓名、背景均经双源核实。基于公开报道，规模为媒体口径、随时间变化。

先说清楚"四大天王"是哪四大

这个江湖称号换过好几茬，别拿旧地图找新大陆：

版本	时期	成员
初代四大天王	2018 前后	幻方（南·杭州）、九坤（北·北京）、锐天（东·上海）、致诚卓远（西·昆明）
量化六巨头	2021 前后	明汯、幻方、九坤、灵均、诚奇、衍复（规模均超 500 亿）
新四大（2023）	2023.9	幻方、九坤、明汯、灵均
新四大（2025）	2025.7	衍复、明汯、九坤、幻方——灵均掉队至第二梯队

规律：明汯、九坤、幻方是常驻，第四席由灵均（2023）→ 衍复（2025）轮替。榜单本身就是行业兴衰的年轮。

史帆（致诚卓远）：从银行信贷员到"西天王"

北大物理系毕业，却先去建设银行做了六年金融大数据分析、当到支行副行长——从预测企业违约概率悟出预测股价的思路，2013 年开始自己做股票高频，2014 年创立致诚卓远（注册珠海、办公昆明）。高换手交易型 Alpha、追求高夏普,2022 年破百亿。初代"四大天王"里最非典型的出身：不是海归，不是奥赛金牌，是银行柜台后面走出来的。

朱晓康（龙旗科技）：2011 年就入场的老前辈

武汉大学世界经济学士、波士顿大学经济学博士，2007 年起在 BGI（巴克莱国际投资，后并入贝莱德）管理多只美国对冲基金。2011 年 10 月就回杭州创立龙旗——比绝大多数同行早了三四年，是国内量化私募真正的"老前辈"。中高频起家的全系列指增（300/500/1000/2000），2025 年上半年一度在百亿量化十强榜夺冠。注：媒体常误写"朱笑康"，主流财经媒体口径为朱晓康。

马科超 & 陈斌（千象资产）：CTA 的代表队

马科超（华盛顿大学圣路易斯分校金融硕士，曾任职 UBS）+ 陈斌（上海交大信息安全学士、通信硕士，国内最早一批 CTA 研究者），2014 年创立千象。国内量化 CTA 的代表机构，百亿档；近年努力撕掉"纯 CTA"标签扩展指增与多策略。一个罕见的组织细节：CTA 核心投资经理团队自成立以来零流失，三位核心均任职六年以上升合伙人——在挖角成风的行业里是个异类。

殷陶 & 郑耀（稳博投资）：T0 起家的交大双子星

两位创始人均出自上海交大：殷陶（计算机本硕博，管股票 Alpha）+ 郑耀（85 后管理合伙人，十年软件开发经验）。2014 年创立，期货高频/T0 起家，2020 年转型资管后主打股票量化，T0 增强业绩行业前列，规模 200 亿+（2024 年初口径），连续三年私募金牛奖。郑耀的自我调侃值得一记："量化界的西西弗斯"——超额永远在衰减，石头永远要重推。

王鸿勇（启林投资）：等离子体物理学家转行

中科大物理学士、北大物理博士（3 篇 PRL 的优秀博士论文）、德国亥姆霍兹研究所博士后、上海大学物理系副教授——2015 年与中科大校友董成、沈显兵共同创立启林。全频段多因子指增（自称因子库上万），2021 年初成为"开年首家新晋百亿量化"，现约 150~200 亿档。

纪念：联合创始人沈显兵（中科大物理出身，曾任职科大讯飞，在启林管运营）于 2026 年 2 月去世，年仅 40 岁。行业狂奔的这十年，是一批具体的人用健康换出来的——在名人堂里记下这个名字。

季强（佳期投资）：最神秘的百亿

行业里出身最特殊的创始人：没有任何量化背景——曾任珠海建科贸易业务经理、珠海特区报发行经理。2014 年创立佳期，投研由海外背景的高频团队主导，自研亚微秒级超低延迟交易系统，2021 年破百亿、巅峰近 200 亿。2025 年 6 月实控人变更、季强交棒——从发行站长到超高频百亿再到隐退，全程几乎没接受过采访。

这一页带走的三句话

"四大天王"名单五年换了三茬——头部的位置是租的，不是买断的；
出身多样性远超想象：银行信贷、报社发行、等离子体物理都能通向百亿——共同点只有一个：极强的建模与工程能力（或找到有这种能力的人）；
CTA、T0、高频、指增是不同的生态位——比较机构时先看策略赛道，再看规模排名。

任思泓、徐晓波、谢晓阳：先驱与拓荒者

Thu, 16 Apr 2026 00:00:00 GMT

三个把不同源头的海外方法论最早带回 A 股的人：PDT 系的统计套利（任思泓）、Citadel 系的高频（徐晓波）、伦敦做市系的期权与中性（谢晓阳）。附一位工具布道者。

说明：本页基于公开报道整理，细节以官方披露为准。

任思泓（金锝资产）：PDT 归来的隐士

北京大学本科 → 滑铁卢大学系统设计工程硕士 → 纽约大学金融硕士；
1996 年进入华尔街，历经汇丰、美银、摩根士丹利；2002 年起任大摩 PDT 量化基金经理，管理数亿美元组合——PDT 正是彼得·穆勒创立的传奇部门（《宽客》主角之一，见量化秘史八卦篇的"地铁卖唱者"）；
2011 年 11 月创立金锝资产——国内最早一批量化私募、首批百亿之一，把统计套利/高频价量方法最早带回 A 股的华尔街华人之一；
极度低调：官网极简、公开露面罕见（2019 年新浪金麒麟论坛演讲是少见样本）；投研约 40 人、博士占四成。2021 年 2 月抱团股回调期间，旗下一只增强产品 7 个交易日回撤 24%，是其罕见的负面新闻——先驱也逃不过拥挤度的铁律。

徐晓波（锐天投资）：四大天王里的"东邪"

北京大学物理系本科（2005~2009），后赴美，2012~2013 年在 Citadel 做美股高频交易；
2013 年 11 月回国创立锐天，先做股指期货日内高频自营；2016 年发首只产品（8000 万），2017 年破 30 亿、2018 年 50 亿——与九坤、幻方、致诚卓远并称初代**"四大天王"**（东·锐天）；
命运的两次人才分岔：2019 年高亢携 Alpha 团队"和平分家"（代码知识产权划归高亢，锐天不保留），锐天规模一度跌破 50 亿；2023 年又因前高频负责人跳槽幻方系提起技术秘密诉讼（详见量化秘史中国篇）——同一家公司、两种分手方式、两种结局；
近年转向"AI+量化"与中低频扩容，重回百亿梯队。语录："今年量化热、主观冷只是个周期性现象。"（2022）

谢晓阳（天演资本）：业绩最好时拒收资金的人

剑桥大学工程学学士、LSE 金融学硕士；曾任伦敦 Tibra Capital 投资经理，负责欧洲股指期权做市；
2014 年发起设立天演资本（联合创始人张森），纯定量路线：多因子选股、中性、指增、统计套利，2021 年规模约 300 亿；
载入行业史的一幕：2021 年 9 月，年内收益 37.88%、百亿量化排名第二之时，主动宣布暂停全部产品募集——"保障存续投资者的长期利益"。这是当年量化"规模拐点"的标志性事件（详见量化秘史封盘潮一节）；
注：2023 年公司曝出股东纠纷与公章诉讼——先驱们的公司治理课，一家都没躲过。

附：郑志勇（"望京博格"）：工具布道者

北理工运筹学硕士，银河证券、银华基金、方正富邦十余年产品设计出身；以网名"望京博格"活跃于雪球/微博，与李洋合著《量化投资：以 MATLAB 为工具》（2015）——国内 MATLAB 金融计算的早期布道者之一。收录理由与聚宽高斯蒙相同：教会一代散户"回测"这个词的人，对行业的贡献不小于一家百亿私募。

这一页带走的三句话

中国量化的三大海外源头在此集齐：PDT/大摩系、Citadel 系、伦敦做市系——加上 BGI 系（三剑客）和世坤/千禧系（马志宇、何文奇），家谱就完整了；
先驱的共同宿命：方法论红利吃最早的一波，公司治理的学费也交最早的一批；
在业绩最好的时候封盘，是这个行业里最贵的一句"言行一致"。

田汉卿、李笑薇、黎海威：公募量化三剑客——BGI 归来

Wed, 15 Apr 2026 00:00:00 GMT

三人均出自巴克莱全球投资者（BGI）——全球量化投资的发源地之一，2009~2012 年间先后回国，分别在华泰柏瑞、富国、景顺长城把"公募量化"从零做成一个品类。媒体称之为"BGI 三剑客"。

说明：本页基于公开报道整理，细节以官方披露为准。

为什么公募量化值得单独一页

私募赚的是绝对收益的 20% 提成，公募指增收的是不到 1% 的管理费——同样的因子模型，商业模式完全不同：公募量化必须在低费率、高透明、严格跟踪误差约束下生产超额，这更接近 Grinold & Kahn《主动投资组合管理》的原教旨玩法。三剑客就是这套玩法在中国的拓荒者。

李笑薇（富国基金）：第一个回来的

北京大学经济学学士 → 普林斯顿公共管理硕士 → 斯坦福经济学博士；
MSCI Barra 股票风险模型研究员 → BGI 大中华主动股票投资总监；
2009 年 6 月回国加入富国，组建了中国公募行业第一个量化投资部；当年底成立的富国沪深300指数增强，是国内主动增强指数基金的开山产品之一；
现任富国基金副总经理兼量化与海外投资部总经理，个人在管超百亿。她 2009 年布道量化的比喻沿用至今——"搭建量化投资的黑匣子"。

田汉卿（华泰柏瑞）：量化常青树，2025 谢幕

清华经济系本硕 → 加州大学伯克利分校 MBA，CFA；
2004 年入 BGI，任亚洲（除日本）主动股票量化团队主要负责人之一——BGI 少数华人基金经理；
2012 年 8 月加盟华泰柏瑞，从零搭建量化投研体系；个人在管巅峰 185 亿，代表作华泰柏瑞量化增强任职回报超 200%、早期七年年化超额约 18%；
2025 年 4 月退休、一次性卸任 10 只基金——媒体称"国内公募量化拓荒时代画上句点"。
她的方法论表述教科书级：用 7 组因子、80 多个子因子捆绑保证模型韧性，并监控因子拥挤度；名言两句——"没有永远有效的因子"、量化模型"更适合有效性比较弱的市场，比如 A 股"。

黎海威（景顺长城）：AI 时代的转身

武汉大学经济学本科（媒体另载金融工程硕士，口径不一），CFA；
穆迪 KMV → 2004 年入 BGI 主动量化，负责 A 股+H 股模型全流程 → 贝莱德基金经理 → 海通国际量化总监；
2012 年 8 月加盟景顺长城，现任副总经理兼量化及指数投资部总经理，团队规模超百亿；
立场概括为一句话："用量化模型表达逻辑，用投资宽度提升胜率"——2024 年他判断"量化投资已进入 AI 时代"，是公募量化中较早把 AI 用于数据清洗与舆情监控的团队。

三剑客对照表

	李笑薇	田汉卿	黎海威
回国	2009（最早）	2012	2012
平台	富国	华泰柏瑞	景顺长城
标志	首个公募量化部	量化常青树，2025 退休	AI 赋能转型
一句话	"搭建黑匣子"	"没有永远有效的因子"	"宽度提升胜率"

对你的启示

公募指增是普通人买得到的量化产品（百元起投、费率透明）——研究因子之余，三剑客的产品是观察"机构如何工业化生产超额"的免费样本；
田汉卿"80 个子因子捆绑 + 监控拥挤度"就是量化学堂讲的多因子分散与拥挤度管理的实盘版；
BGI 谱系图值得记住：三剑客 + 黑翼邹倚天 + 龙旗朱晓康都出自同一家机构——中国量化的半张家谱写着 BGI，另外半张写着世坤/千禧。

陈泽浩与邹倚天：CTA+股票双子星——黑翼资产

Tue, 14 Apr 2026 00:00:00 GMT

黑翼资产联合创始人、联席投资总监。两位斯坦福校友的分工延续了十年：陈泽浩管 CTA，邹倚天管股票量化——国内"CTA+股票"双线均衡配置的代表机构。

说明：本页基于公开报道整理；部分规模数据来自渠道资料，以官方披露为准。

一句话定位

用资产类别分散代替单一策略豪赌的机构样本："市场趋势不可能永无尽头，市场也不会永远没有趋势。"

生平速览（据公开报道）

陈泽浩：北京大学数学学士、斯坦福统计学博士；早年在雷曼兄弟任利率衍生品高级经理；
邹倚天：斯坦福电子工程硕士；早年在巴克莱全球投资（BGI）任投资分析师——与公募三剑客同门；
两人共同经历：PCA Investments 量化投资团队联席主管、博时基金投资经理；
2014 年 5 月共同创立黑翼资产；2021 年晋升百亿；两人共同斩获两座金牛奖；2025 年年中总规模约 260 亿（渠道口径），其中股票约 200 亿、其余为 CTA。

主要事迹

1. 双线并行的组织形态

CTA（商品趋势/多周期）与股票量化（指增/中性）由两位创始人分头执掌、共用基础设施——比单一创始人机构多一层制衡，比松散多 PM 制多一层协同。十年未变的分工本身就是治理稳定性的证明（对照鸣石、Two Sigma 的双头故事，"分工清楚"是双核结构活下来的前提）。

2. CTA 的方法论输出

陈泽浩是国内少数系统输出 CTA 方法论的管理人："用多元化 CTA 策略组合提高投资确定性"——多品种、多周期、趋势与反转并用，本质是把"不知道趋势何时来"承认到底，用组合宽度换确定性。那句题眼级的话值得完整记住："市场趋势不可能永无尽头，市场也不会永远没有趋势。"

3. "主张不完美"

公司对外的自我定位是"主张不完美"：不宣称找到了圣杯，强调策略容错与持续迭代。2024 年"9·24"行情以来贡献较大的是中短周期机器学习类因子（渠道口径）——迭代确实在发生。

值得记住的观点

CTA 与股票 Alpha 的相关性长期偏低，资产类别层面的分散比因子层面的分散更硬——股票量化集体回撤的 2024 年 2 月，CTA 线是不少双线机构的缓冲垫；
"主张不完美"是一种可执行的研究文化：预设所有策略会阶段性失效，把资源投给监控与迭代，而不是投给对单一策略的信仰。

对你的启示

本平台目前只覆盖股票——理解 CTA 的存在，是理解"为什么机构要多资产"的第一步；
双核创业的生存条件：分工边界清楚 + 共享基础设施 + 不留模糊地带（黑翼十年 vs 鸣石一周，差的就是这三条）；
"趋势不会永无尽头，也不会永远缺席"同样适用于因子：动量与反转的轮动，就是这句话的截面版。

何文奇：低调的500亿——诚奇资产

Mon, 13 Apr 2026 00:00:00 GMT

诚奇资产创始人、董事长兼总经理。清华+东京工业大学+千禧年（Millennium）路径，2013 年创业，把诚奇做到 500 亿档的头部量化——却是头部创始人里公开露面最少的之一。

说明：本页基于公开报道整理；部分规模与封盘细节来自渠道尽调资料，以官方披露为准。

一句话定位

"量化六巨头"里最安静的一家：不抢头条、不打嘴仗，用中性策略的长期封盘替自己说话。

生平速览（据公开报道）

清华大学学士、东京工业大学硕士；
2008 年起任千禧基金（Millennium）高级研究员，后任北京尊嘉资产投资经理、深圳雨润国鼎基金经理；
2013 年 9 月创立诚奇资产（深圳起家，后迁上海），持股约 50.5%；
2020 年 11 月与衍复同批晋升百亿；2022 年底达约 500 亿高点，跻身"量化六巨头"（明汯、幻方、九坤、灵均、诚奇、衍复）；近年维持数百亿档（渠道口径 300~470 亿区间）。

主要事迹

1. 高频/中高频价量起家，中性策略立身

诚奇以高频价量和市场中性产品著称，对外的自我描述是"收益风险平衡、不追求技术的极致使用"——翻译过来：不做军备竞赛的最前排，做性价比。2023 年后逐步转向机器学习为主的非线性建模框架（据渠道资料）。

2. 用封盘管理容量

中性策略长期处于封盘状态（据渠道资料，2024 年年中约 200 亿中性规模封盘中），内部设有规模逼近阈值即启动封盘/参数调整的机制。对照 2021 年行业封盘潮（见量化秘史中国篇）：把容量管理写进制度而不是等舆论逼着封，是头部与跟风者的分野。

3. 世坤系的第二引擎

2020 年，前世坤（WorldQuant）全球研究总监/首席研究官张万成（北大物理学士、中科院微电子博士）加入诚奇任投资总监——与灵均马志宇同源的世坤谱系。中国头部量化的投研中枢里，世坤/千禧系的密度高得惊人。

4. 罕见的公开发声

2024 年 7 月，市场盛传量化"程序化打板""做空市场"，诚奇与衍复、幻方一同公开辟谣——低调机构开口，通常意味着谣言已经影响到渠道端。

值得记住的观点

"不追求技术的极致使用"是一种被低估的立场：在成本和稳健性约束下，次优技术 + 严格容量管理，长期可能跑赢激进技术 + 规模冲动；
封盘即定价：愿意拒绝管理费收入来保护存量客户超额的机构，激励与客户是对齐的——尽调时这个信号比路演 PPT 有用。

对你的启示

容量意识对个人同样存在：你的策略在多大资金量下失效？回测时用成交额约束估一次；
头部机构的技术栈趋同（ML 非线性建模），差异在容量纪律和成本控制——工程与克制，而非玄学因子；
信息密度最高的机构往往声量最低——研究行业时，少看谁在说话，多看谁在封盘。

吴家麒：功成身退的样本——思勰投资

Sun, 12 Apr 2026 00:00:00 GMT

思勰投资联合创始人、原总经理。复旦数学系本硕、16 年量化从业，把思勰从中高频 CTA 做到全频段百亿——然后在 2024 年做了一件行业里几乎没人做过的事：退场。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

中国百亿量化创始人中第一个清晰的"功成身退"样本——上半场讲护城河，下半场讲人生的仓位管理。

生平速览（据公开报道）

复旦大学数学学士、硕士；
川财证券研究所（金融工程）→ 东方证券自营，约 16 年量化从业经验；
2016 年与陈磐颖（前 D.E. Shaw 量化策略开发）、李苏苏三人共同创立思勰投资；
以中高频 CTA 起家，扩展至股票量化、全频段多资产；2021 年底破百亿，2023 年团队超百人；
2024 年 7 月宣布离任总经理；2025 年报道其出售思勰股权，收购一所美国私立高中，转型教育行业。

主要事迹

1. 三人组的互补设计

数学系出身管公司与市场叙事（吴家麒）+ D.E. Shaw 系管策略（陈磐颖）+ 第三合伙人补位——思勰从第一天起就是合伙人结构而非单核，这也是后来创始人退出而公司平稳运营的伏笔。对照鸣石的单核+代持结构，组织设计的差异在危机/变动时刻显形。

2. "归纳与演绎"之辩

思勰对外最有传播力的表述出自其访谈："传统交易是在做演绎，量化是在做归纳，不存在谁取代谁。"——把"量化会不会消灭主观"的口水战，一句话升维成方法论互补问题。

3. 退场这件事本身

2024 年离任、2025 年卖出股权去办教育——在一个人人谈"长期主义"却几乎没人真正退出的行业里，他给"赢了游戏然后离桌"提供了国内首个百亿级案例（索普的中国版结局）。新浪财经的专访标题很准确：《一位百亿量化创始人的转身》。

值得记住的观点

护城河三要素（其访谈反复强调）：算力、人才、迭代速度——注意没有"独门因子"：他认为单个信号的优势活不长，组织的迭代能力才是资产；
归纳/演绎框架的推论：量化的边界就是历史数据的边界——政体转换、无先例事件面前，归纳法失灵（对照《随机漫步的傻瓜》黑天鹅篇）。

对你的启示

组织比个人稳健：三合伙人结构让"创始人离开"从灭顶之灾变成一条公告；
索普的问题同样值得问自己：这个游戏你打算玩到什么时候？赢到多少算赢？
"迭代速度是护城河"对个人同样成立——研究流程的自动化程度（本平台做的事）决定你每周能验证几个想法。

徐书楠：行业的"讲道理先生"——因诺资产

Sat, 11 Apr 2026 00:00:00 GMT

因诺资产创始人、总裁兼投资总监。清华土木状元转行 MIT，再从国际对冲基金一路做回国内百亿私募——行业里少数愿意把"超额为什么会衰减"掰开揉碎讲给公众听的创始人。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

中国量化行业周期最清醒的公开解说员：一边做超额，一边告诉你超额必然衰减。

生平速览（据公开报道）

2002~2006 清华大学土木工程系本科，学分绩年级第一、优秀毕业生；2006~2008 MIT 硕士（全额奖学金）；
2008~2010 国际对冲基金 IMC，负责香港、新加坡、韩国、台湾市场套利交易；2010~2012 中信建投自营投资经理；2012~2014 博普科技合伙人、首席投资总监；
2014 年 9 月创立因诺资产；2021 年前后晋升百亿；2024 年十周年时规模超 150 亿；
策略覆盖指增、中性、CTA 多线，内部推行"多 PM 制"——他自比"内部做 MOM"。

主要事迹

1. 把"超额衰减"讲成公开课

他对行业周期的系统论述被媒体反复引用，逻辑链完整：量化靠捕捉市场的无效波动盈利 → 量化规模变大，市场变得更有效 → 超额必然衰减。2021 年后全行业超额下台阶，他直言这正是规模扩张的结果，而非某家机构失手——在人人讳言"变难了"的行业里，这种坦率罕见。

2. 同时给出下半句

衰减论的另一半同样重要：中国量化占市场总资金比重不足 10%，对比美国仍有巨大空间——卷是真的，空间也是真的。"越来越卷是任何行业的正常演化"这句大实话，适合贴在每个从业者桌上。

3. 多 PM 制的组织实验

不押注单一策略团队，内部像 MOM 一样配置多个 PM、多条策略线——本质是把"因子分散"的思想抬高一层到"团队分散"。

值得记住的观点

超额收益的宏观公式：行业超额 ≈ 市场无效性 ÷ 量化资金规模——分母在涨，分子在缩，这是任何个体努力改变不了的背景板；
对个人研究者的推论（他本人访谈中的口径）：不要拿 2018 年的行业超额水平锚定今天的预期。

对你的启示

用他的公式校准你的回测预期：早年数据里的超额，有一部分是"当年人少"的租金（量化学堂案例一讲的同一件事）；
土木状元 → MIT → 套利交易员的路径又一次证明：量化要的是建模能力这个"通用件"，专业出身只是入场券的不同图案；
"多 PM/多策略分散"对个人的等价物：多因子、多周期、多市场——别把身家押给单一信号。

王一平：草根双修——进化论资产

Fri, 10 Apr 2026 00:00:00 GMT

进化论资产创始人、投资总监。85 后、非海归、非名校光环，从 10 万元个人账户起家做到百亿私募——"主观+量化双轮驱动"这条少有人走的路的代表。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

行业里最像"散户逆袭剧本"的百亿创始人——但他的真实武器是把主观判断纪律化、把量化工具人格化。

生平速览（据公开报道）

85 后，江西财经大学国际金融本科、金融学硕士（保送）；2007 年获全国大学生金融投资模拟交易大赛冠军；
毕业后以个人交易起家——据报道把父母给的 10 万元本金数年翻了约 50 倍；
2014 年年中在深圳创立进化论资产，2015 年发行首只产品；
2017 年内测量化策略、推出"达尔文"系列，形成主观+量化双轮驱动；2018 年获金牛奖双项；2020 年前后破百亿，稳居百亿梯队至今。

主要事迹

1. 双轮驱动：行业里的稀缺物种

绝大多数机构要么纯主观、要么纯量化，进化论把两者做成了互相校验的系统：主观提供逻辑先验，量化负责验证与执行。他反复强调"手写因子、做有逻辑的量化"，公开反对纯黑箱挖掘——在深度学习大行其道的行业里是个显眼的反方立场。

2. 业绩说话

2024 年 1~7 月中证500指增业绩居量化私募十强之首；2025 年上半年百亿量化超额榜第一梯队——双轮驱动不只是差异化话术，成绩单撑得住。

3. 与但斌的隔空交锋

2025 年 4 月美股暴跌、但斌公开表示遗憾未能规避系统性风险后，王一平隔空放话：将加仓 5 亿元以上中国相关资产，"美国资产一毛钱不买"。此前在"量化 vs 主观"的多轮论战中，他也多次公开回击对量化的污名化——草根出身反而让他在舆论场上没有偶像包袱。

值得记住的观点

"手写因子"立场的实质：每个因子要能讲出经济逻辑，讲不出逻辑的相关性不上实盘——与量化学堂案例一"有说得通的经济逻辑才算体检合格"完全一致；
模拟盘冠军 → 实盘 50 倍 → 百亿机构的路径说明：交易能力可以自学，但从个人盈利到机构化的惊险一跃，靠的是把自己的直觉写成别人能执行的规则。

对你的启示

主观和量化不是宗教战争：主观出逻辑、量化做验证，正是本平台"因子要先有逻辑，再跑 IC 检验"的工作流；
没有海归履历也能进牌桌，但注意幸存者偏差——你看到的是活下来的那一个；
公开论战是双刃剑（对照灵均页），王一平的打法是用净值背书言论，顺序不能反。

袁宇：学院派掌门——鸣石投资

Thu, 09 Apr 2026 00:00:00 GMT

鸣石投资创始人、实际控制人、首席策略负责人。沃顿金融学博士、前金融学教授，中国版三因子研究（CH-3）的参与者——学术血统最纯正的量化私募创始人，也是行业最著名股权内斗的当事人。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

把顶刊论文和 A 股实盘连在同一个人身上的样本：学院派方法论的代表，也是公司治理反面教材的主角。

生平速览（据公开报道）

上海交通大学金融学学士（2001）→ 威斯康星麦迪逊经济学、统计学双硕士 → 宾夕法尼亚大学沃顿商学院金融学博士（2008）；
美国爱荷华大学金融学助理教授（2008~2011）、沃顿访问助理教授；后任上海交大高级金融学院（SAIF）金融学副教授；
与沃顿教授 Robert Stambaugh 等合作研究中国股票市场因子，成果发表于 Journal of Financial Economics 等顶刊——即著名的中国版三因子 CH-3 研究；Stambaugh 亦是鸣石的核心学术顾问；
2010 年 12 月创立鸣石投资，是行业"老兵"；2021 年跻身百亿，员工超百人、研发近 90 人，高频价量 Alpha 与指增为主。

主要事迹

1. 学术与实盘的双向奔赴

多数量化私募的"学术顾问"是营销道具，鸣石是少数把顶刊研究真正做成组织能力的：对外宣传的"五环"流水线式投研分工（数据、因子、组合、交易、风控各环节标准化），就是把论文工厂的分工方式移植到策略生产上。

2. 2021 股权内斗：代持的代价

2021 年 10 月，总经理李硕以公司名义宣布暂停袁宇职务；袁宇当晚公开 2017 年的股权代持协议，自曝通过松盟投资实际持有 85% 股权，并称遭人身威胁——"量化宫斗剧"连续反转刷屏一周，产品一度暂停申购。结局：和解，袁宇"显名"完成实控人变更备案，李硕出局。此案直接推动中基协收紧私募股权代持审核（完整复盘见量化秘史中国篇）。

3. 内斗之后

公司活了下来并回到正轨：2023 年境内规模超百亿，另经香港子公司管理数亿美元境外资金。2023 年仍有出走合伙人诉讼的余波——治理的伤疤好得比净值慢。

值得记住的观点

CH-3 研究的核心结论值得每个 A 股研究者知道：照搬 Fama-French 三因子在 A 股表现不佳，剔除壳价值污染（最小 30% 市值股票）、用 EP 替代 BM 构建的中国版因子解释力显著更强——学术上验证了"A 股要用 A 股的因子"；
投研流水线化的立场：超额来自组织化的研究生产，不来自天才的灵感。

对你的启示

学术因子到实盘之间隔着工程化——但反过来，不读论文的实盘研究是在黑暗中摸索；
股权代持是定时炸弹：书面协议既救了袁宇（证明实控），也差点毁了公司（代持本身违规）；
你研究 A 股因子时，CH-3 论文（Liu-Stambaugh-Yuan 2019）应该在必读清单里。

高亢：最快百亿纪录保持者——衍复投资

Wed, 08 Apr 2026 00:00:00 GMT

衍复投资创始人、首席投资官。物理奥赛金牌 → 北大 → MIT → Two Sigma → 锐天合伙人 → 自立门户，用一年半从零冲到百亿，2025 年跻身新"四大天王"。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

新生代纯 Alpha 路线的标杆：行业史上最快的百亿速度，和最体面的一次"分家"。

生平速览（据公开报道）

高中获国际物理奥林匹克竞赛金牌，保送北京大学物理系，后转学 MIT，获物理学与 EECS（电气工程与计算机）双学位；
2009~2010 年 DRW Trading；2010~2014 年 Two Sigma 量化研究员，主攻剥离 Beta 的股票多空 Alpha——媒体称之为"29 岁年薪 54 万美元的华尔街神童"；
2015 年回国加入锐天投资，任合伙人兼投资总监，执掌 Alpha 策略线；
2019 年 7 月自立门户创立衍复；2020 年 3 月起募资、当年 10 月底破 130 亿——当时最快的百亿纪录；2024 年破 500 亿，2025 年与幻方、九坤、明汯同处 600~700 亿第一梯队。

主要事迹

1. 行业史上最体面的分家（2019）

与锐天创始人徐晓波"对发展愿景各有坚持"，携整个 Alpha 团队离开。罕见之处在于处理方式：锐天公告将 Alpha 策略代码的知识产权划归高亢团队，自己不保留原代码——对照锐天四年后与另一位前员工的技术秘密诉讼（见量化秘史），同一家公司经历的两次人才离开、两种结局，把"分家条款谈得清楚"的价值展示得淋漓尽致。

2. 一年半从零到百亿

分家后锐天规模一度跌破 50 亿，衍复却在 2020 年用七个月冲上 130 亿——资金投票的对象是团队和代码，不是牌照和品牌。这个案例从此成为渠道尽调"人才依赖度"一栏的标准反例。

3. 极致低调

几乎不接受媒体采访，公开发言罕见——在一个创始人纷纷下场论战的行业里，衍复的对外形象基本只有净值曲线。治理层面也有过讨论：2021 年有媒体报道其股权结构与投研骨干无股权的争议。

值得记住的观点

公开语录极少，但衍复的产品路线本身就是观点：只做纯 Alpha/指增、不做择时、不碰主观——把"可持续的超额"作为唯一卖点，其余一概不承诺。

对你的启示

Alpha 长在团队脑子里：机构的护城河深浅，看核心团队离开后还剩什么；
"少说话、多复利"是一种可行的生存策略——公开表态是负债（对照灵均页）；
转学、跳槽、分家，每一步都放弃了沉没成本——路径最优先于路径连续。

蔡枚杰与马志宇：双引擎模式——灵均投资

Tue, 07 Apr 2026 00:00:00 GMT

灵均投资创始人（蔡枚杰，董事长）与联合创始人（马志宇，首席投资官）。"市场+投研"双引擎分工的教科书样本，也是行业两次载入史册时刻（新四大天王、首例限制交易）的当事人。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

中国量化"渠道力量 × 世坤方法论"组合的代表：一个把产品卖到 600 亿，一个用 WorldQuant 式流水线生产超额。

生平速览（据公开报道）

蔡枚杰：浙江大学经管硕士；浙商基金、鹏华基金 → 中金公司财富管理与销售交易部门副总裁（私募产品设计、代销、资金引入）——渠道出身的创始人在量化行业极其罕见；
马志宇：北京大学电子学系本科，斯坦福电子工程+金融数学双硕士；曾任世坤投资（WorldQuant，千禧年旗下）全球研究副总裁、中国区研究总监；
2014 年两人共同创立灵均：蔡管公司与市场，马管全部投研；
2018 年破百亿 → 2021 年 10 月对中证500指增封盘时约 650 亿 → 与幻方、九坤、明汯并称"新四大天王"（2023 版）→ 2025 年退居第二梯队。

主要事迹

1. 把 WorldQuant 流水线搬回 A 股

马志宇带回的世坤式打法——因子批量生产、研究员分工像工厂工序、信号统一组合——是灵均超额的发动机。世坤/千禧系是中国量化最重要的人才谱系之一（诚奇的投资总监张万成同样出自世坤）。

2. 2024.2.20：首例"卖出过快"处分

2024 年 2 月 19 日开盘 1 分钟内，灵均账户经程序化指令合计卖出沪深股票 25.67 亿元，次日沪深交易所同步限制交易三天并启动公开谴责——量化私募史上第一次（详见量化秘史《A 股事故志·2024 微盘股踩踏》）。凌晨的致歉公告与"改进交易模型、严控卖出进度"的承诺，成了全行业执行合规的转折点。

3. 一句话引发的舆论海啸

处分事件前不久，蔡枚杰转发为量化辩护的文章并配文："说量化砸盘纯属无知，不是傻就是坏。永远满仓的中国量化基金，才是大 A 的脊梁。"——数日后自家账户被认定 1 分钟卖出 25.67 亿。这条时间线被媒体反复回放，是"公开表态与风控实况必须一致"的残酷教材。2025 年两人罕见联合受访，蔡的总结是八个字："居安思危、常怀敬畏。"

值得记住的细节

双引擎分工是灵均崛起的真正秘密：多数量化创始人是投研出身、渠道薄弱，灵均反过来——募资能力本身就是竞争壁垒（当然，2024 年也证明了它不能替代交易风控）；
工商层面的实际控制人为蔡建良而非蔡枚杰（媒体报道，两人关系未见权威披露）——尽调时"台前人物 ≠ 工商实控人"并不罕见。

对你的启示

超额生产（投研）与资产聚集（渠道）是两种独立能力，机构的兴衰取决于短板而非长板；
执行层面的"怎么卖"和策略层面的"卖什么"同等重要——个人程序化交易同样要给报单速率设限；
立 flag 有风险：公开表态会在最坏的时刻被人翻出来。

石川：中文因子投资的布道者

Mon, 06 Apr 2026 00:00:00 GMT

《因子投资：方法与实践》第一作者、公众号"川总写量化"作者、量化私募合伙人。国内把学术因子研究严谨地翻译成中文实务语言的第一人。

说明：本页基于公开资料整理，细节以本人披露为准。

一句话定位

给中文世界的量化研究补上"学术严谨性"这块短板的人——普通研究者受他影响可能比受任何百亿私募影响都大。

生平速览（据公开资料）

清华大学本科、硕士，美国名校运筹学方向博士（工程与管理科学背景，而非金融科班）；
归国后与合伙人共同创立量化私募（量信投资），从事系统化策略管理；
2016 年前后开设公众号**"川总写量化"**，持续输出因子投资、实证资产定价的深度长文，累计数百篇，在国内量化圈拥有罕见的口碑一致性；
2020 年与刘洋溢、连祥斌合著**《因子投资：方法与实践》**——出版即成为中文因子投资的标准教材（本平台量化书屋有逐章精读）；
后续合著/翻译多部作品（如《机器学习与资产定价》译作、《因子投资》再版扩充等），持续把前沿学术文献引入中文语境。

主要事迹与贡献

1. 一本书定义了中文教材的标准

《因子投资：方法与实践》之前，中文量化书籍大多是"策略代码集"或"概念科普"；这本书第一次系统引入了学术界的完整方法论——排序法、Fama-MacBeth、多重检验校正、A 股实证——并且诚实地讨论方法的局限。它把中文读者的讨论水位整体抬高了一个量级。

2. "出色不如走运"系列与多重检验科普

他影响最深远的工作之一，是把 Harvey、Campbell 等人的多重检验批判（"发表的因子大半是假的"）系统性地介绍给中文读者——"你回测里的显著性，可能只是运气"这个观念能进入国内从业者常识，这个系列功不可没。

3. 学术与实务的双向翻译

公众号的独特定位：左手读顶刊论文（JF/JFE/RFS），右手做 A 股实盘，输出的内容既有学术出处又有实务判断。对没有能力直接啃英文文献的从业者，这是最重要的信息通道之一。

值得记住的观点（其文章中反复出现的主题）

先问经济逻辑，再看统计显著：没有逻辑支撑的显著性，默认是数据挖掘的产物；
样本外是唯一的裁判：样本内的一切美好都要打折；
A 股不是美股：每个海外结论都值得在 A 股重新检验一遍——照搬和全盘否定都是懒惰；
研究要可复现：数据、口径、代码透明，结论才有讨论价值。

对你的启示

本平台量化学堂的方法论骨架（IC/分层/多重检验警惕/诚实记录），与其倡导的研究规范一脉相承；
对个人研究者，他示范了一条可行的成长路径：不靠内幕、不靠算力，靠严谨的方法论和持续的阅读积累建立优势；
中文资料里遇到互相矛盾的说法时，"有没有给出检验方法和数据口径"是最好的可信度过滤器——这个标准本身就是他布道的成果。

梁文锋：从幻方量化到 DeepSeek

Sun, 05 Apr 2026 00:00:00 GMT

幻方量化（High-Flyer）创始人，后创立 DeepSeek 震动全球 AI 界。A 股量化史上最富传奇色彩的人物——量化赚的钱，最终变成了通用人工智能的算力。

一句话定位

把"AI 原生量化"路线走到极致、又把量化利润转化为 AGI 探索的人——中国版"西蒙斯 + 一点马斯克"。

生平速览（据公开报道）

1985 年生于广东湛江，浙江大学信息与电子工程本科、硕士，读书期间就开始用机器学习研究市场；
2008 年金融危机期间与同学组队试水程序化交易；2013 年起先后创立杭州雅克比投资、幻方系资管公司；
2015~2016 年，幻方量化成型，从第一天起就把深度学习作为核心方法论，而非传统线性因子的补充；
2019 年起自建 AI 训练平台"萤火"系列超算：萤火一号（约 1100 块 GPU）、萤火二号（约 1 万块 A100，投入超 10 亿元）——一家私募基金拥有了当时国内屈指可数的算力集群；
2021 年前后，幻方管理规模突破千亿元，跻身国内量化私募最头部；同年底因超额回撤公开致歉，随后主动控制规模；
2023 年 4 月官宣进军通用人工智能，成立 DeepSeek（深度求索），由幻方提供算力与资金支持；
2024~2025 年，DeepSeek-V2/V3/R1 相继发布，以极低的训练成本比肩全球顶级模型，2025 年初 R1 引发全球科技股震动——一家量化私募的"副产品"改写了 AI 产业叙事。

主要事迹与方法论

1. AI 原生的量化路线

幻方的差异化从起点就定下：不做"线性因子 + 机器学习点缀"，而是端到端地用深度学习处理原始数据。这条路线的配套投入决定成败——数据管线、算力集群、训练框架全部自研，幻方更像一家 AI 公司而非资管公司。后来 DeepSeek 的工程能力（极致的训练效率优化），正是量化时代练出来的。

2. "算力先行"的战略眼光

2019~2021 年，在大模型浪潮到来之前重金囤积 GPU，当时被同行看作烧钱炫技；2023 年后证明是十年级别的战略预判。这件事的启示超越量化：基础设施投资的回报常常出现在你当初没有预期的方向上。

3. 规模的自我克制

2021 年底幻方因超额大幅回撤罕见地公开致歉，随后主动退还部分资金、控制规模——头部私募中少见的"反商业直觉"操作，背后是对策略容量的清醒认知（规模是收益的敌人）。

4. 从量化到 AGI

梁文锋在访谈中的自述大意：量化只是起点，真正的目标是用赚到的钱做"最重要的事"。DeepSeek 坚持开源、低价，与幻方时代"闷声发财"的量化传统形成有趣反差。

值得记住的观点（公开访谈）

"我们做大模型，和量化是一脉相承的：都是相信智能可以从数据中涌现"（大意）；
招人标准与文艺复兴异曲同工：不看金融背景，看基础能力和好奇心——"经验会形成框架，也会形成牢笼"（大意）。

对你的启示

幻方证明了深度学习在 A 股可以规模化赚钱，但它的前提是数据、算力、工程的全栈投入——个人研究者先把线性方法做扎实（《因子投资》精读第 8 页的忠告依然成立）；
2021 年的公开致歉是绝佳教材：再强的团队也躲不过策略拥挤与容量约束，诚实面对回撤比掩饰更能赢得长期信任；
量化训练出的能力（数据、工程、概率思维）是通用资产——它的出口不一定是下一个策略。

王琛与姚齐聪：WorldQuant 系的九坤投资

Sat, 04 Apr 2026 00:00:00 GMT

九坤投资（Ubiquant）两位联合创始人，均出身全球最大的因子挖掘工厂 WorldQuant。九坤是"本土培养 + 工程化因子生产"路线的代表，也是国内最早系统性拥抱 AI 的量化私募之一。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

把"因子流水线"工业化模式引入 A 股的先行者——量化研究从手艺变成流水线的中国样本。

生平速览（据公开报道）

王琛：清华大学计算机专业博士；姚齐聪：北京大学数学/金融方向出身——典型的"理工科顶配"组合；
两人早年均任职于 WorldQuant（世坤投资，Millennium 旗下的因子研究工厂），亲历了"海量研究员 + 标准化因子检验 + 信号组合"的工业化生产模式；
2012 年创立九坤投资——国内成立最早的量化私募之一，比行业爆发期早了整整一轮牛熊；
2018 年后随 A 股量化整体崛起进入头部行列，长期位居"百亿/千亿俱乐部"，与幻方、明汯、灵均并称头部梯队。

主要事迹

1. WorldQuant 模式的本土化

WorldQuant 的核心方法论——把因子研究拆解成标准化流水线（想法 → 表达式 → 统一回测框架 → 相关性去重 → 入库组合），研究员像流水线工人一样批量生产 Alpha——被九坤较早、较彻底地在 A 股复制。这个模式的启示与风险都很典型：

启示：统一的检验标准和基础设施，能把个人天赋的波动变成组织能力；
风险：批量挖因子 = 大规模多重检验（《因子投资》精读第 5 页的核心警告），去伪存真的纪律必须同样工业化。

2. 较早的 AI 化转型

九坤是国内最早公开投入深度学习做信号挖掘和组合优化的私募之一，自建 GPU 算力集群、以"AI Lab"名义大规模招聘机器学习人才，并与高校开展联合研究。国内量化从"线性因子"转向"机器学习"的行业转折，九坤是标志性推手之一。

3. 人才军备竞赛的发动机

九坤以校招薪酬的"军备竞赛"闻名（顶级应届生百万级 offer 屡上热搜），客观上拉动了整个行业把人才争夺从金融圈转向计算机/数学竞赛圈——今天 A 股量化研究员的典型画像（信息学竞赛 + 顶会论文），很大程度是这轮竞赛塑造的。

值得记住的模式思考

九坤代表的工业化路线和幻方代表的 AI 原生路线、明汯代表的多策略平台路线，构成了理解国内头部量化的三个坐标。工业化路线的本质信条：

Alpha 是易耗品，生产 Alpha 的流水线才是资产。单个因子会衰减、会拥挤，但"持续产出新因子的组织能力"可以长存——这也是为什么头部机构越来越像科技公司而不是投资公司。

对你的启示

你在本平台的研究流程（想法 → 注册因子 → 统一检验 → 对比入库）就是一条微缩版 WorldQuant 流水线——个人研究者同样受益于流程标准化；
批量挖因子时刻记住多重检验税：九坤们有专门团队做去伪，你至少要做到诚实记账（第六课军规）；
因子会死，方法论不死——把精力投资在"怎么找因子"而不是"某个因子"上。

裘慧明：海归派的代表——明汯投资

Fri, 03 Apr 2026 00:00:00 GMT

明汯投资创始人，物理学博士出身、华尔街多年历练后回国创业，把国内量化私募第一次带到千亿规模量级的人物之一。

说明：本页基于公开报道整理，细节以官方披露为准。

一句话定位

"海归华尔街方法论 + 中国市场红利"这条路线最成功的代表之一。

生平速览（据公开报道）

复旦大学物理学本科，宾夕法尼亚大学物理学博士；
毕业后在华尔街从业十余年，先后任职于德意志银行自营交易部门、千禧年（Millennium）、HAP Capital 等知名机构，覆盖股票量化多策略；
2014 年回国创立明汯投资——正赶上 A 股量化私募的起飞前夜；
2020~2021 年前后，明汯成为国内最早跨过千亿元管理规模门槛的量化私募之一，与幻方、九坤、灵均并称头部"量化四大"（媒体口径不一，但明汯始终在列）。

主要事迹

1. 把"多策略平台"模式带回国

千禧年式的打法——统一的风控和基础设施之上跑多个策略团队/多种周期的信号——被他系统性地在国内落地：高频、中低频、基本面量化多线并行。国内同行此前多是"一个团队一套信号"的作坊模式。

2. 规模与收益的公开辩论者

裘慧明是国内少见的、愿意公开谈"规模-收益悖论"的管理人：规模是收益的敌人（冲击成本、策略容量），但规模又是商业的目标。明汯在规模快速扩张期（2021 年前后）经历过超额回撤和舆论压力，他对客户的公开信和访谈成了行业讨论"量化容量"问题的标本材料。

3. 行业"发言人"角色

在量化被舆论质疑的节点（2021 年"量化助涨助跌"大讨论、2024 年初微盘股踩踏），他多次公开撰文或受访解释量化策略的运作原理——不管你是否同意其观点，这些材料是了解国内量化行业自我认知的一手文本。

值得记住的观点（公开访谈中反复出现的）

超额收益会持续衰减：A 股量化超额从早年的年化 30%+ 一路下行，向成熟市场（个位数）收敛是必然——赚钱难度和市场机构化程度同步上升；
量化的本质是概率优势 × 大数定律：单笔交易胜率仅略高于 50%，靠海量交易次数变成稳定收益（正是 Grinold & Kahn 基本定律的通俗版）；
投资人教育重于产品营销：客户在超额低谷赎回、高峰申购，是伤害长期收益的最大来源——和阿斯内斯在美国说的是同一件事。

对你的启示

头部机构的年化超额也在个位数到十几个点之间波动——给你的回测结果一个现实的锚；
"规模是收益的敌人"对个人是好消息：小资金可以做机构做不了的小容量策略；
多策略、多周期分散是行业共同的进化方向——单因子单策略的脆弱性，机构和个人同样躲不开。

申毅：A 股量化的拓荒者

Thu, 02 Apr 2026 00:00:00 GMT

华尔街做市与套利交易出身，最早一批把成熟量化方法带回 A 股的人。谈"中国量化第一代"，绕不开这个名字。

说明：国内私募人物的公开资料远少于国际大师，本页基于公开报道整理，细节以官方披露为准。

一句话定位

在 A 股还没有"量化"这个行业的时候，先把工具箱搬回来的人。

生平速览（据公开报道）

上海交通大学少年班出身，后赴美深造；
曾在高盛等华尔街机构从事 ETF 做市与套利交易多年，经历过美股电子化交易的完整演进；
2000 年代中期回国，是最早把 ETF 套利策略引入 A 股市场的交易者之一；
2010 年前后创立申毅投资——国内第一批阳光化的量化私募之一，恰逢沪深300 股指期货上市（2010 年 4 月），A 股第一次有了像样的对冲工具。

主要事迹：吃到了"制度红利"的三班车

第一代 A 股量化人的机会窗口，申毅几乎每一班都赶上了：

ETF 套利时代（2005~2010）：ETF 申赎机制与二级市场价格之间的偏差，用篮子股票和 ETF 互换套利。技术门槛高（需要处理一篮子股票的实时定价）、竞争者少，是那个年代最确定的钱；
股指期货时代（2010~2015）：IF 上市初期期现基差巨大且波动剧烈，期现套利、Alpha 对冲策略第一次可行——中国量化对冲基金行业的真正起点；
期权时代（2015~）：上证50ETF 期权上市，做市与波动率交易的老手艺再次派上用场。

值得记住的经验

第一代拓荒者的共同智慧，在他身上很典型：

策略是船，制度是河道：A 股量化的每一轮机会都由工具解禁（ETF、股指期货、期权、融券）驱动，每一轮收缩也由监管收紧驱动（2015 年股灾后股指期货受限，对冲策略集体休克）。在 A 股做量化，读懂监管和读懂数据同样重要；
套利优先于预测：第一代人的主力策略几乎都是套利（赚确定性的定价偏差），而不是预测涨跌——先赚"数学上必然"的钱，再赚"统计上大概率"的钱；
华尔街经验要打折使用：他这代人反复验证了一个事实——美股策略直接搬到 A 股大多水土不服，T+1、涨跌停、散户结构都要求本土化改造（呼应量化学堂第一课）。

对你的启示

你在本平台看到的"基准对冲后的超额"，在 2010 年之前的 A 股根本无法变现——理解工具和制度约束，是 A 股量化的第一课；
新工具、新制度出现的头几年是策略的黄金期（参与者少、定价粗糙），这个规律至今有效。

A 股事故志·2024 微盘股踩踏：量化的至暗一周

Wed, 01 Apr 2026 00:00:00 GMT

中国量化迄今最惨烈的一次集体事故：雪球敲入点火，DMA 杠杆浇油，微盘股踩踏，国家队救市反而引爆风格切换——2007 年"量化地震"的剧本，在 A 股逐帧复刻并加上了本土特色。

多米诺时间线

2024 年 1 月中旬：中证 500/1000 挂钩的雪球产品集中敲入，券商对冲盘抛压使股指期货深度贴水、基差急速走阔；
2 月初：贴水恶化 → 中性/DMA 策略对冲成本飙升 → 典型 4 倍杠杆的 DMA 产品触及平仓线被迫卖股 → 微盘股流动性螺旋。2 月 5 日中证 2000 较年初累计跌 32.8%，创该指数最大区间跌幅；
2 月 6 日：中央汇金公告扩大 ETF 增持范围——但国家队先买大盘蓝筹，大小盘风格剧烈切换，量化重仓的小微盘继续被砸；
2 月 7 日：万得微盘股指数单日再跌 9.24%，年内 27 个交易日累计跌 45.8%；同日证监会换帅；
2 月 8 日：据媒体复盘，国家队净申购约 70 亿元中证 2000ETF，微盘股指数单日暴拉 10.56%——但很多量化产品在前三天已被动降杠杆、换仓，跌时满仓、涨时踏空，超额回撤在反弹日反而扩大。

伤亡与数字

头部量化指增产品年内回撤 20%~30%（媒体披露：幻方 1000 指增 -23.3%、明汯股票精选 -29.7% 等，多家百亿量化产品亏超 20%）；
500 指增单周 -14% 上下、超额单周 -6%~-8% 比比皆是——超额回撤的速度史无前例；
DMA：4 倍杠杆的"收益放大器"反向运转（据媒体报道，高峰约 2500 亿元规模在风波后腰斩）。幻方公开检讨："面对短期极端市场，未表现出较好的适应性。"

插曲：灵均的 42 秒（2024.2.19~2.20）

龙年首个交易日开盘，交易所认定灵均投资名下账户通过程序化指令在开盘 1 分钟内集中卖出沪深两市股票合计约 25.67 亿元（深市 42 秒卖出 13.72 亿），导致指数快速下挫。次日沪深交易所同步公告：限制交易 3 天 + 启动公开谴责——A 股首例因"卖出过快"被处分的案例。

灵均凌晨致歉，强调当日全天净买入 1.87 亿元（其单方声明口径）、"坚定看多"，并承诺"控制交易进度、确保平滑均衡"。监管的信号非常清晰：问题不在买卖方向，而在报单速率与瞬时冲击——同样的交易意图，"一分钟打完"和"全天平滑执行"在监管眼中是两种性质。

事后：监管的连锁落子

危机直接催化程序化交易监管加码：DMA 规模冻结并平稳压降（2024.2 起不得新增额度）→《程序化交易管理规定（试行）》（2024.5 发布、10 月施行）→ 交易所实施细则（2025.7 施行，高频认定：单账户每秒申报撤单合计 300 笔以上或单日 2 万笔以上；重点监控瞬时申报速率异常、频繁瞬时撤单、频繁拉抬打压、短时大额成交四类行为）。

给个人研究者的教训

"市值下沉的超额"本质是流动性风险溢价 + 拥挤度，尾部会以踩踏形式一次性收回——回测里那条漂亮的小市值超额曲线，请叠加 2024 年 2 月再看一遍；
任何形式的隐性杠杆（DMA、收益互换、雪球）都会把"回撤"变成"清盘"——杠杆决定你能不能等到反弹；
对照2007 量化地震：拥挤 + 杠杆 + 被迫平仓的三件套是跨市场通用的死亡配方，A 股只是多了一个变量——救市资金的风格选择也会成为冲击源；
执行合规是新的必修课：报单速率、单笔占比这类"工程参数"，现在同时也是监管参数。

本平台的回测不含杠杆、按日频调仓，天然远离本页的死亡配方——但如果你研究小市值类因子（如各因子在「因子对比」页的表现），请记住它们的超额里埋着这一页。

格里诺德与卡恩：主动管理的立法者

Tue, 31 Mar 2026 00:00:00 GMT

Richard Grinold 与 Ronald Kahn，先后执掌 BARRA 研究部门和 BGI（巴克莱全球投资者，iShares 的前身东家）的量化研究。合著的《Active Portfolio Management（主动投资组合管理）》被称为"量化组合管理的圣经"。

一句话定位

给"主动管理凭什么收费"写出数学答案的人——一条公式讲清楚超额收益从哪来。

生平速览

两人均为学者出身（Grinold 曾任伯克利教授），先后在 BARRA 主持研究——BARRA 正是把多因子风险模型商业化、卖给全世界机构的那家公司；
后执掌 BGI 的主动量化业务，BGI 是 2000 年代全球最大的量化机构投资者之一；
1994 年出版《Active Portfolio Management》，1999 年再版——三十年来仍是买方量化研究员的入职必读书。

核心理论：主动管理基本定律

一条改变行业的公式：

IR ≈ IC × √BR

IR（信息比率）：超额收益 ÷ 超额波动——策略"性价比"的最终成绩单；
IC（信息系数）：每次预测与实际结果的相关性——你的水平；
BR（广度）：每年独立下注的次数——你的机会数量。

三个直白而深刻的推论：

赚钱 = 水平 × √机会数。IC 只有 0.02 的微弱优势，配上每年几千次独立下注，一样能做出顶尖 IR——这就是西蒙斯路线的数学原理；
广度必须"独立"才算数：对 100 只高度同涨同跌的股票下注 ≈ 只下了一注。分散的价值取决于相关性（马科维茨的回声）；
提升 IC 极难，提升广度相对容易——覆盖更多股票、更多独立信号、更多低相关策略，是普通研究者更现实的进步路径。

另外两件行业级贡献

多因子风险模型的普及：BARRA 模型把"组合风险分解到因子暴露"变成全行业基础设施——今天所有机构的风控报表都是它的后代；
主动管理的完整框架：他们把"研究 → 预测 → 组合构建 → 交易 → 绩效归因"整条流水线数学化，《黑箱》那张结构图的机构版蓝本就在这本书里。

一个你已经在用的细节

本平台第五课引用的"IR 0.5 好、0.75 很好、1.0 顶尖"分档，正是出自 Grinold & Kahn 对真实基金经理的统计——顶尖职业选手的 IR 也就 1.0 左右。这是你审视自己回测结果时最好的"现实锚"：轻松跑出 IR 2.0 的回测，几乎必然有错。

对你的启示

本平台的 IC/ICIR 指标体系直接来自这套框架——「因子分析」页就是一台"基本定律测量仪"；
想提高策略：要么提高 IC（更好的因子），要么提高有效广度（更多低相关因子、更大股票池）——两条路清清楚楚；
对"预测大盘涨跌"类策略保持警惕：一年只有十几次独立下注，广度太小，再高的 IC 也撑不起稳定的 IR。

A 股事故志·乌龙指与幌骗案：光大 2013 与伊世顿 2015

Mon, 30 Mar 2026 00:00:00 GMT

中国市场自己的"机器出事"简史，从两个标志性案件讲起：一个是系统 bug 引发的全民记忆，一个是国内首例高频操纵刑案。均以监管与法院的官方口径为准。

一、光大证券"8·16"乌龙指（2013）

11:05 的两秒钟：光大证券策略投资部的套利系统存在缺陷——订单重下功能误生成巨量买单，2 秒内生成 2 万余笔委托、无任何异常拦截，瞬间申报买单约 234 亿元、实际成交约 72.7 亿元。上证指数瞬间拉升逾 5%，中石油、工商银行等权重股秒级涨停。全市场懵了 20 分钟。

真正要命的是下午：在公告披露真相之前，光大证券把所持股票转换为 ETF 卖出、并卖出股指期货空单对冲。证监会事后定性：此时只有光大知道暴涨源于错单、不可持续——信息优势下的"自救"构成内幕交易。

处罚（2013.8.30）：没收内幕交易违法所得并处 5 倍罚款，合计罚没约 5.23 亿元（当时证券市场史上最大罚单）；四名高管警告、各罚 60 万元、终身市场禁入；策略交易业务叫停。时任策略投资部负责人杨剑波后来起诉证监会，主张"错单后对冲是国际惯例"，2015 年败诉——"惯例 vs 内幕"之争至今是金融法课堂的经典案例。

遗产：券商程序化/自营系统的资金前端检查、阈值校验从此成为硬性要求。这也是"程序化交易出事"在中国的第一个全民记忆。

营养注脚：这个案子有两层教训，第二层常被忽略——系统性 bug 比策略错误可怕（下单链路任何一处没有金额/数量/频率硬限制都是灾难敞口）；而出错之后怎么处理，本身有合规边界：拿着别人不知道的信息自救，性质就变了。

二、伊世顿案（2015）：国内首例高频操纵刑案

案情：2015 年股灾期间（6 月~7 月），外资背景的伊世顿公司以贸易公司名义实际控制大量期货账户，与期货公司技术总监合谋，绕开验证系统直连交易所的高频程序化软件，在股指期货主力合约上累计成交 377 万余手。

两个必须分开的数字：

公安部 2015 年 11 月侦查通报口径：以约 700 万元本金获利高达 20 多亿元（这是媒体标题里的数字）；
法院 2017 年一审认定口径：指控期间操纵行为的违法所得为 3.893 亿元——罚金 3 亿元 + 没收违法所得，合计罚没近 6.9 亿元；主犯获刑（缓刑）、合谋的技术总监获刑 5 年。

此案被最高法列为惩处证券期货犯罪典型案例，也是国内首例被认定滥用高频程序化交易操纵期货市场的刑事案件。为其提供通道便利的期货公司，2020 年被暂停受理交易编码业务 6 个月。

营养注脚：注意法院划的线——速度优势本身不违法，违法的是"以不正当手段获取速度优势"（绕过验证、直连、借用账户）。对个人做日内/自动化交易的启示很直白：接入方式与账户合规是不可逾越的红线，API 下单请走券商的合规通道。

这一页带走的三句话

中国市场对"机器出事"的记忆，从一开始就与"处罚"绑定——工程事故与合规事故在 A 股往往是同一件事；
信息优势下的自救可能构成内幕交易，事故预案里要有合规这一环；
速度可以卷，通道不能绕。

2018 波动率末日与 2021 游戏驿站：卖保险与轧空双联

Sun, 29 Mar 2026 00:00:00 GMT

两场相隔三年的事故，分别演示了"拥挤多头"之外的另两种死法：卖尾部风险（收益曲线好看到出事前一天），和拥挤空头（你的痛点坐标是公开的）。

一、2018.2.5 波动率末日（Volmageddon）

背景：2016~2017 是史上最平静的市场，VIX 长期低于 12，"做空波动率"成了网红交易——反向 VIX ETN 产品 XIV 五年涨约 6 倍，规模膨胀到约 19 亿美元。

那一晚：2 月 5 日标普 -4.1%，VIX 单日 +115.6%（史上最大单日涨幅）。致命一击在收盘后：XIV 这类反向产品按规则必须在尾盘按当日涨幅比例回补 VIX 期货空头——两只产品合计要买回约 28 万手，这个"必须买"的需求把 VIX 期货进一步推高，再平衡需求反噬自己。XIV 盘后指示值从 108 美元跌到约 4.22 美元，单日约 -96%，触发招募书里的加速终止条款，清盘。

连带伤亡：ProShares SVXY 当日约 -91%（幸存，事后把杠杆从 -1x 降到 -0.5x）；卖裸期权的"共同基金"LJM 两天 -80%+ 后清盘。受害者大量是散户——XIV 在零佣金平台上是网红产品。

结构性教训：产品规模大到足以操纵自己的清算价格；而且市场事先完全知道这些产品尾盘必须买多少——等于把止损单公开挂在墙上。发行方 Credit Suisse 未因发行本身受罚（招募书写明了"长期预期价值为零"），投资者集体诉讼打了七年多，2025 年才签署和解条款书。

营养注脚：做空波动率 = 卖保险 = 在压路机前捡硬币。看策略先看收益分布形态：夏普 2.0、胜率 90% 的曲线如果来自卖尾部风险（卖期权、做空波动率、网格扛单），真实风险藏在还没发生的那一天。A 股对应物：雪球结构、"低波动稳健套利"产品。永远问一句：这个策略单日最差是 -5% 还是 -100%？

二、2021.1 游戏驿站：拥挤空头的下场

背景：GameStop 的空头利益率一度超过流通盘的 100%（同一批股票被反复借出做空）——而空头持仓通过公开数据近乎透明，等于把自己的痛点坐标发给了全世界。Reddit 散户社区盯上了它。

过程：三周约 28 倍，1 月 28 日盘中最高 483 美元。做空主力 Melvin Capital 单月 -53%、亏约 68 亿美元，靠 Citadel 与 Point72 注资 27.5 亿美元续命；同日 Robinhood 突然限制买入，散户怒火引爆全网（真实原因：清算所凌晨追缴约 30 亿美元保证金，Robinhood 数日内紧急融资 34 亿美元续命）。

SEC 报告对流行叙事的修正（2021.10）：上涨主体是实打实的散户买盘；gamma squeeze（期权做市商对冲买入）作用有限；空头回补只解释了初期一小段；未发现大规模裸卖空；限购是保证金问题而非"帮空头砸盘"的阴谋。

结局：Melvin 虽然活过了 1 月，但"巨亏 → 赎回 → 被迫保守 → 跑输 → 再赎回"的死亡螺旋无法逆转，2022 年 5 月清盘。监管余波：美股 T+1 结算（2024 年落地）正是对保证金机制的直接回应。

营养注脚：Melvin 的死法比它的亏法更有教育意义——一次 -53% 之后即使回血，资金信任的流失也不可逆。回撤管理的意义不在数学上的回本难度，而在信任的不可逆。

这一页带走的三句话

收益曲线越平滑，越要追问它卖掉了什么尾部；
风险模型里要有一个维度："谁知道我的仓位、谁有动机打爆我"；
拥挤度数据（融券余额、同类产品规模）应该和因子值一样进入你的信号体系。

克里夫·阿斯内斯：把因子投资卖给全世界的人

Sat, 28 Mar 2026 00:00:00 GMT

Cliff Asness（1966–），AQR 资本创始人，法马的博士生。学术因子研究和万亿资管产业之间的那座桥，很大程度是他修的。

一句话定位

证明了学术论文里的因子可以规模化变成产品的人——也是量化界最敢说真话的"嘴炮王"。

生平速览

1966 年生，宾大本科（双学位），芝加哥大学金融学博士——导师正是尤金·法马；
博士论文研究动量效应：在"有效市场教皇"门下证明动量赚钱，堪称学术界的"弑师"名场面（法马大度地放行了）；
1990 年代初加入高盛，创建全球 Alpha 基金（高盛量化部门的前身之一）；
1998 年创立 AQR Capital（Applied Quantitative Research），把价值、动量、质量、防御等因子做成系统化产品，高峰期管理规模超 2000 亿美元；
以在论文、推特上火力全开著称：怼过高频批评者、怼过"风险平价妖魔化"、也常年自嘲价值因子的漫长寒冬。

核心贡献一：价值与动量的"天作之合"

阿斯内斯最重要的学术与实务成果（与 Moskowitz、Pedersen 合著《Value and Momentum Everywhere》, 2013）：

价值和动量在几乎所有资产类别、所有国家都存在——股票、债券、商品、外汇概莫能外；
更关键的发现：两者长期负相关——价值亏钱的年份动量往往赚钱，反之亦然。组合起来，夏普比率大幅提升；
这给了因子投资一个工程学结论：单因子都有漫长的寒冬，因子分散是比因子择时靠谱得多的过冬方式。

核心贡献二：把对冲基金"祛魅"

AQR 的一系列研究证明：很多明星对冲基金的"神秘 Alpha"，用几个因子暴露就能解释大半（价值 + 动量 + 低波动 + 质量……）。推论振聋发聩：这些收益不值 2/20 的费率——用低成本的系统化产品就能复制。这直接推动了 Smart Beta / 因子 ETF 产业的爆发，也让"你以为的 Alpha 只是打包的 Beta"成为行业常识。

核心贡献三：因子寒冬的第一见证人

2018–2020 年价值因子经历史上最深回撤，AQR 规模腰斩，阿斯内斯成了活的案例教材：

他顶着赎回压力写了一系列著名文章（如 Ice Ages 等）论证价值因子没死，只是估值差被拉到了历史极端；
2021 年起价值因子强劲回归，AQR 创出业绩新高——坚持一个有逻辑的因子熬过寒冬，成了因子投资史上最好的教学案例；
他也留下了那句大实话："量化投资最难的不是数学，是在策略亏损时继续相信它。"（大意）

对你的启示

单因子必有寒冬：回测时看到某因子连亏两年，先别急着删——去看它的逻辑还在不在（对照《因子投资》精读第 8 页的"因子择时很难"）；
多因子低相关组合 > 押注单一最强因子——「因子对比」页选出的第一名，不该是你的全部；
纪律的真正考场不在回测里，在回撤里。

中国篇：八卦与黑历史

Fri, 27 Mar 2026 00:00:00 GMT

国产量化圈的瓜，密度不输海外。同样声明：全部来自公开报道，其中传闻类均已标注——当轶事听，别当史实引用；涉及处罚的部分以监管公告为准。

薪酬军备竞赛的名场面

应届生百万年薪上热搜。2021 年前后，头部量化私募的校招 offer 屡屡刷屏：九坤、幻方等给顶尖应届生（信息学竞赛金牌、顶会论文选手）开出百万级年薪，"量化实习生日薪数千元"成为社交媒体名梗，直接改写了清北计算机毕业生的择业鄙视链。 营养注脚：人才价格是行业超额收益最诚实的泄密者——当超额收缩（2024 后），薪酬神话也随之降温。

"年终奖 5000 万"传说。多个年份都有"某量化私募核心研究员年终奖数千万"的传闻流出（真伪难考，各家一律否认或不回应）。 营养注脚：传闻的真假不重要，重要的是它持续存在——说明行业利润和单点人才的杠杆确实惊人。

内斗与宫斗

鸣石投资抢公章。2021 年 10 月，百亿量化私募鸣石投资上演全武行：创始人袁宇与总裁李硕公开决裂，双方各发公告宣布罢免对方，上演"谁才是实控人"的罗生门，牵出代持股权的历史问题，产品遭遇大额赎回。数周后以袁宇确认控制权、双方和解收场。 营养注脚：量化的策略可以系统化，公司治理不能——代持、口头约定这些江湖习气，牛市里是佳话，分钱时是炸药。

幻方员工出走与"量化黄埔军校"。头部机构互挖墙脚是常态：幻方、九坤、明汯的核心研究员流动伴随着竞业诉讼传闻；更有多位从头部私募出走创业的"二代"量化机构。 营养注脚：和文艺复兆的终身竞业一样——Alpha 不能申请专利，人走了信号就走了。

舆论战与背锅史

2021 年 9 月：万亿成交，量化背锅。A 股连续多日成交破 1.5 万亿，"量化贡献一半成交"的说法疯传（业内测算实际约 20% 上下）。主观派大佬下场开炮——葛卫东公开炮轰量化交易"收割散户"应被限制（他本人的混沌投资是主观派旗手，见名人堂"葛卫东"篇），量化大佬们则纷纷撰文自辩，裘慧明的公开回应文成为行业标准话术模板。 营养注脚：主观 vs 量化的骂战本质是存量博弈下的地盘声明——学术上"量化是否加剧波动"至今没有定论。

幻方致歉信。2021 年底，幻方就超额回撤罕见地公开道歉（"深感愧疚"），并开放赎回、主动控规模。彼时舆论惊讶于头部机构的姿态；三年后回看，这封信成了"规模是收益的敌人"的官方注脚。 营养注脚：敢公开认错的管理人反而更值得长期信任——对照麦道夫的"从不亏损"。

梁文锋囤卡被当疯子。2019~2021 年幻方豪掷十亿建"萤火"超算、囤积上万张 A100 时，同行的主流评价是"烧钱炫技""不务正业"。2023 年 DeepSeek 成立、2025 年 R1 震动全球后，当年的嘲讽帖被网友考古成大型真香现场。 营养注脚：基础设施投资的回报出现在没人预期的方向——这条在西蒙斯买数据、幻方买卡上重复了两次。

事故与处罚现场

2024 年 2 月：DMA 雪崩与灵均被罚。微盘股流动性危机中，带杠杆的 DMA 量化产品净值单周腰斩者有之；2 月 19 日开盘一分钟内，灵均投资集中卖出约 26 亿元股票，沪深交易所罕见地对头部量化私募暂停交易三天 + 公开谴责。多家头部随后发出致歉信/解释信——这批信件被业内称为"量化的集体检讨书"。 营养注脚：详细机制见名人堂《A 股量化大事记》2024 部分——《宽客》里 2007 年的剧本，汉化版。

九坤海外基金的杠杆课。2022 年初，九坤海外美元基金单月巨亏（媒体报道叠加杠杆后净值回撤约四成），公司回应称杠杆放大了策略回撤。头部机构用真金白银示范了"策略回撤 × 杠杆 = 产品回撤"这道乘法题。 营养注脚：LTCM 的教训不分国界——杠杆不改变期望，只改变你能不能活到期望兑现。

雪球敲入连环劫。2024 年初中证 500/1000 雪球产品集中敲入，衍生品对冲盘的机械交易被指放大了小盘股踩踏，与 DMA 事件互为绞索。 营养注脚：又一次"上一代的解药引爆这一代的危机"——结构化产品的对冲需求本身成了系统性风险源。

一条最提气的瓜收尾

量化利润的最意外去向。幻方历年将可观利润投入公益捐赠（累计数亿元级，多有公开记录），而它最大的一笔"另类投资"——把量化赚的钱投给 AGI 研究——最终变成了开源的 DeepSeek。国产量化二十年最大的一个瓜，居然是正面的。营养注脚：行业的社会价值叙事长期是"提供流动性、平抑定价误差"，略显苍白；幻方提供了一个新答案——量化是把市场无效性转化为科研经费的机器。

2010 闪崩与 2012 骑士资本：机器事故双联

Thu, 26 Mar 2026 00:00:00 GMT

两场事故把同一个真相拍在行业脸上：量化机构的生死线，往往不在策略部，在工程部。

一、2010.5.6 闪电崩盘：36 分钟蒸发一万亿

过程：希腊债务危机当天，堪萨斯的共同基金 Waddell & Reed 启动一个对冲卖出程序：卖出 75,000 手 E-mini 标普期货（约 41 亿美元），算法只盯着"成交量的 9%"执行，不看价格、不设时间。流动性枯竭后，高频做市商互相"击鼓传花"再集体撤出，期货暴跌传导至现货——道指最深下跌 998.5 点（约 9%），市值一度蒸发约 1 万亿美元。埃森哲等 8 只成分股成交在 1 美分，苹果瞬间成交在 10 万美元。CME 一个 5 秒钟的自动暂停给了市场喘息，价格 V 型收复。全程约 36 分钟。

定性争议（并列三说，权重至今无共识）：

官方（SEC/CFTC 报告）：大单在脆弱市场触发连锁 + 高频做市商流动性抽逃；
CME 反驳：该大单符合正常对冲惯例，单独不足以引发崩盘；
Sarao 案补充：2015 年被捕的伦敦散户 Sarao 长年在 E-mini 幌骗（挂撤巨量假卖单），当天贡献了压力——但他的算法在崩盘前已关闭，学界普遍认为他更像事后找到的"人形替罪羊"（2020 年判决：免于监禁）。

公允的记法：结构性脆弱是主因，大单是导火索，幌骗与 HFT 撤退是放大器。

遗产：个股熔断（2010）→ Limit Up-Limit Down（2012）→ 整合审计跟踪系统。

二、2012.8.1 骑士资本：45 分钟亏掉 17 年

美股最大做市商之一，因一次部署事故 45 分钟亏 4.4 亿美元（约为其 2011 年全年净利润的 4 倍）。事故链条值得每个写代码的人背下来：

新功能复用了一个旧标志位——该标志位原本用于激活 2003 年就停用的测试代码 "Power Peg"（功能：不计成本地买高卖低，专为测试环境造成交），死代码九年没删；
部署靠人工把代码复制到 8 台服务器——漏了第 8 台；
开盘后，带新标志位的订单流入：7 台正常，第 8 台把标志位理解为"激活 Power Peg"，在 154 只股票上疯狂成交约 4 亿股；
无预设的一键停机开关（kill switch），无人敢拉总闸；工程师慌乱中回滚了 7 台"好"服务器——把灾难扩大到 8 台；
盘前系统已发出 97 封相关告警邮件，没人当回事。

结局：两日股价暴跌约 70%，靠 4 亿美元紧急注资续命，四个月后被高频做市商 GETCO 以约 14 亿美元合并（2017 年再被 Virtu 收购）。SEC 罚 1200 万美元——首次动用"市场准入规则"（要求券商在接口层设置资本与错单风控阈值）执法。

骑士检查表（个人版）

这两场事故对个人程序化交易者是同一门课：

[ ] 死代码删除，不是注释掉；实盘/回测/测试代码物理隔离；
[ ] 执行算法必须有价格带、时间带、总量硬顶——"按成交量的 X% 卖"在流动性虚假繁荣时等于"越崩越卖"；
[ ] 单日最大亏损、最大报单量硬编码在券商接口层，不是策略层；
[ ] 必须有 3 秒内停掉所有报单的 kill switch；
[ ] 告警要么处理、要么删掉——97 封没人看的邮件等于零封。

本平台虽小，同一课已经内建：数据管线的幂等写入与断点续采（ingest/base.py）就是"部署事故不毁数据"的工程纪律——系统性 bug 比策略错误可怕得多。

国际篇：八卦与黑历史

Wed, 25 Mar 2026 00:00:00 GMT

严肃的方法论学完了，来点下饭的。以下故事全部来自公开报道和出版物（传记、判决、监管文件），但八卦的本性是添油加醋——当轶事听，别当史实引用。每条后面附一个"其实很有营养"的注脚。

天才的怪癖

西蒙斯不穿袜子。无数场合被拍到光脚穿乐福鞋，包括领奖和国会听证。他还是著名的老烟枪——文艺复兴办公室为他单独装了排风系统，开会时烟不离手。 营养注脚：文艺复兴的文化是"只看你贡献的信号质量"——着装、资历、领域出身统统不重要。怪癖被容忍的地方，异见也被容忍。

PDT 掌门穆勒在地铁卖唱。摩根士丹利统计套利部门 PDT 常年为公司赚十亿美元级利润，其负责人 Peter Muller 的业余爱好是在纽约地铁通道弹键盘卖唱，路人不知道眼前的流浪歌手管理着华尔街最神秘的印钞机之一。 营养注脚：《宽客》作者用他说明一件事——顶级宽客普遍需要一个"非市场"的精神出口，因为盯着噪声看会吞噬人。

阿斯内斯砸屏幕。多家媒体报道，AQR 创始人 Asness 在亏损日有砸显示器的历史，办公室工位据说备有富余屏幕。他本人在推特上大方承认过脾气问题，然后继续和批评者对喷。 营养注脚：连写出"纪律是量化的全部"的人也控制不住杏仁核——这就是为什么执行必须交给机器。

温斯坦被赌场拉黑。德银信用交易明星、Saba 创始人 Boaz Weinstein 是国际象棋大师级棋手 + 21 点算牌高手，因算牌被拉斯维加斯赌场列入黑名单——索普的精神传人实锤。 营养注脚：顶级交易员和职业赌徒的技能树高度重合：概率、赔率、仓位、纪律。

黑历史与事故现场

Princeton/Newport 之死：检察官叫朱利安尼。索普的基金 20 年不亏，最终死于非市场因素——1988 年时任联邦检察官朱利安尼（后来的纽约市长）以 RICO（反黑帮法案！）起诉基金多名合伙人涉嫌配合客户避税。索普本人从未被起诉，但基金声誉尽毁清盘。多项指控后来被撤销或推翻。 营养注脚：合规与政治风险是模型外变量的极端形态——对冲基金对冲不了检察官。

麦道夫：数学揭发的骗局，没人听。1991 年索普受托尽调即断定庞氏骗局；2000 年起分析师 Harry Markopolos 向 SEC 实名举报五次，附详细数学证明，SEC 五次不了了之。2008 年案发，650 亿美元灰飞烟灭。 营养注脚：市场里最贵的四个字是"来不及了"，第二贵的是"权威没问题"。

骑士资本：一台服务器忘了更新。2012 年那次 45 分钟亏 4.6 亿美元的事故，根因是部署新交易系统时，8 台服务器有 1 台没更新成功，旧代码里废弃的测试逻辑被新指令唤醒，疯狂以买高卖低的方式"测试"真实市场。 营养注脚：量化机构的生死线不在策略部在运维部——本平台再小，数据管线的幂等和可重跑设计（ingest/base.py）也是同一课。

闪电崩盘的"卧室交易员"。2010 年闪崩的调查最终指向多重因素，但最戏剧性的被告是伦敦豪恩斯洛区一间父母房子卧室里的散户 Navinder Sarao——他用改装软件对标普期货大规模幌骗（spoofing）下单，2015 年被捕时账户里躺着数千万美元。 营养注脚：市场微观结构的脆弱性远超想象；也提醒你：幌骗在各国都是重罪。

文艺复兴的叛徒条款。两名研究员 2003 年跳槽 Millennium，文艺复兴立刻起诉两人及新东家（最终和解，两人后来又被 Millennium 送上法庭）。此后 RenTech 的竞业协议严苛到业内闻名——据称员工入职即默认"终身不得从事竞争业务"级别的约束。 营养注脚：当 Alpha 无法申请专利，保密协议就是护城河本身。

Two Sigma：模型师私改参数。2023 年披露的内部事故：一名研究员未经授权调整了实盘模型参数，造成部分基金多赚、部分基金少赚共计约数亿美元的错配，公司最终向监管和解赔付。同期两位创始人（Overdeck 与 Siegel）不和到公司把"创始人治理僵局"写进给投资人的风险披露。 营养注脚：系统化基金的最大剩余风险还是人——权限管理和公司治理是策略之外的第二战场。

默瑟：量化钱与政治的碰撞。文艺复兴联席 CEO Robert Mercer 巨额资助剑桥分析与 2016 年美国大选相关活动，引爆舆论后于 2017 年辞任。西蒙斯本人则是民主党最大金主之一——同一家公司的两位掌门，用同一个模型赚的钱资助针锋相对的政治阵营。 营养注脚：模型不问立场，钱有去向——量化的社会争议从来不在算法层。

一条八卦体质的费率

大奖章的管理费是 5% 固定 + 44% 业绩提成（行业标准是 2/20），而且只收自己人的钱——史上最贵的费率，收的是自己的钱，挣的还是最多的钱。 营养注脚：当你的策略真的有稀缺容量时，最优商业决策是把外部资本请出去——反过来，到处募资的"稳定高收益"，先想想为什么轮得到你。

吉姆·西蒙斯：量化之王

Tue, 24 Mar 2026 00:00:00 GMT

Jim Simons（1938–2024），世界级几何学家转行创立文艺复兴科技（Renaissance Technologies），旗下大奖章基金（Medallion）是人类历史上收益最好的投资工具——没有之一。

一句话定位

证明了"纯数据驱动 + 顶级人才 + 极致保密"可以持续碾压市场的人——量化投资的珠穆朗玛峰。

生平速览

1938 年生于波士顿，MIT 本科、伯克利博士，23 岁拿到数学博士学位；
数学家生涯的巅峰：与陈省身合作提出 Chern-Simons 理论（后成为理论物理的重要工具），获美国数学会维布伦奖；曾在美国国防分析研究院破译密码，因反对越战被开除；
1978 年（40 岁）离开学术界创业做交易，早期靠直觉做趋势，业绩起伏很大；
1988 年与 James Ax 推出大奖章基金，逐步转向纯系统化交易；
1988–2018 年费前年化约 66%、费后约 39%（Zuckerman 书中数据），且在 2000、2008 等崩盘年份大赚；
基金 1993 年起对外封闭，只留内部员工资金，规模常年控制在百亿美元级；
晚年捐数十亿美元资助数学和自闭症研究；2024 年 5 月去世。

他做对了什么（能考证的部分）

大奖章的具体策略是金融界守得最严的秘密，但方法论层面有共识：

1. 只招不懂金融的人

文艺复兴几乎不招华尔街出身的人，招的是数学家、物理学家、天文学家、语音识别专家（著名的彼得·布朗和罗伯特·默瑟来自 IBM 语音识别组）。西蒙斯的逻辑：金融直觉会带来先入之见，而模式识别能力是通用的。

2. 信号弱不要紧，多和快来凑

大奖章做的是海量短周期统计信号的组合：单个信号胜率可能只比 50% 高一点点，但几千个弱信号 × 高换手 × 严格执行，靠大数定律把微弱优势碾成惊人收益——主动管理基本定律（IR = 技能 × √广度）的极限演绎。

3. 数据狂热 + 单一模型

比所有人更早、更疯狂地收集和清洗数据（据称连 18 世纪的棉花价格都收）；全公司只维护一个统一模型，所有人往同一个系统里贡献信号——避免了多团队各自为战的内耗。

4. 尊重模型胜过尊重直觉

内部铁律：模型给出的交易，人不得随意否决。西蒙斯本人说过大意如此的话："我们唯一的规则是从不推翻计算机。"

冷静的另一面

大奖章容量极小（策略衰减快、冲击成本限制规模），文艺复兴对外部投资者开放的基金（RIEF 等）业绩平平——神话有严格的边界条件；
极高换手依赖极低成本的执行基础设施，个人投资者模仿"高频统计套利"只会把利润全交给券商；
就连西蒙斯自己，创业前十年也在亏损和自我怀疑中反复挣扎——神话的开头也是普通人的挣扎。

对你的启示

微弱但真实的优势 + 足够的广度 + 纪律执行 = 惊人复利——方向正确，量级要按自己的成本结构折算；
数据质量是护城河的地基（本平台数据模块的设计哲学同源）；
"从不推翻计算机"的前提是模型经过了严酷检验——先做到严酷检验，再谈纪律。

2007 量化地震：看不见的踩踏

Mon, 23 Mar 2026 00:00:00 GMT

2007 年 8 月的第二周，全球多因子基金同步巨亏——而大盘几乎没跌，外面的人完全看不见这场地震。它是量化史上最重要的一课：拥挤本身是一个风险因子。

四天时间线

8 月 6~9 日：大批市场中性/统计套利/多因子基金同步巨亏。诡异之处：指数风平浪静，亏损只发生在因子空间里；
8 月 10 日（周五）：因子策略大幅 V 型反弹——谁在周四斩仓，谁就把浮亏锁成了实亏；
8 月 13 日：高盛联合外部投资者向旗下 GEO 基金紧急注资 30 亿美元。

伤亡名单（公开披露口径）

机构/基金	损失
高盛 GEO	一周约 -30%（亏约 15 亿美元），获 30 亿美元注资续命
高盛 Global Alpha	8 月单月 -22.5%，2011 年清盘
文艺复兴 RIEF	8 月上旬 -8.7%（西蒙斯罕见致信投资人）
AQR 旗舰	峰谷回撤约 -13%（Asness 承认砸了自己的显示器）
Highbridge 统计套利	至 8 月 8 日 -18%

最讽刺的对照：大奖章坚持不干预模型，当年反而 +85.9%。

根因：去杠杆螺旋（Khandani & Lo 推断）

MIT 的 Khandani 与 Lo 复盘出被广泛接受的剧本：某家大型多策略机构因次贷头寸被追保证金，被迫紧急去杠杆——先砍流动性最好的股票量化仓位。问题在于全行业的多因子组合高度雷同（价值、动量、反转的持仓大量重叠）：

一家的强平砸的正是所有人的持仓 → 触发别家的止损与降杠杆 → 连环强平。因为都是多空组合，多头被砸、空头被轧，两头一起亏。等强平资金出清（8 月 10 日），价格瞬间弹回——证明亏损根本不是因子失效，而是拥挤度 + 杠杆的流动性事故。

他们模拟的经典反转策略：8 月 7 日 -7%、8 日 -11%、9 日 -4%，10 日单日 +24%。始作俑者是谁，至今没有确认。

后果与遗产

无任何处罚——所有交易都合法；
"拥挤交易""去杠杆螺旋"从此进入风险模型词汇表，大机构开始监测因子拥挤度；
高盛量化资管一蹶不振：GEO 2010 年关闭，Global Alpha 2011 年关闭；
一个必须讲清的辨析：坚持不动的（文艺复兴、AQR）活了下来，但这不等于"扛住总是对的"——LTCM 扛住的结果是死亡。区别在杠杆水平和资金久期：扛得住的前提是没人能逼你平仓。

给个人研究者的教训

你在 A 股挖到的反转因子、小市值因子，和几百家私募挖到的是同一个。因子失效最惨烈的形式不是慢慢钝化，而是所有人同时被迫退出时的踩踏——2024 年 2 月的 A 股微盘股危机（见本组A 股事故志）几乎逐帧复刻了 2007 的剧本。回测里永远要问一句：这个因子的收益里，有多少是"别人还没来"的租金？

爱德华·索普：量化投资第一人

Sun, 22 Mar 2026 00:00:00 GMT

Edward Thorp（1932–），数学教授、21 点算牌发明人、第一支量化对冲基金的创始人。在"量化"这个词存在之前，他已经用数学在赌场和华尔街两个地方赢了钱。

一句话定位

用数学优势 + 仓位管理持续赚钱的开山鼻祖——西蒙斯之前的西蒙斯。

生平速览

1932 年生于芝加哥，UCLA 物理学博士，曾与信息论之父香农合作；
1962 年出版《Beat the Dealer（击败庄家）》：用概率证明 21 点可以通过算牌获得正期望，直接迫使全球赌场修改规则；
1967 年出版《Beat the Market》，提出可转债套利的量化方法；
1969 年创立 Princeton/Newport Partners——公认的第一支量化对冲基金，连续约 20 年年化近 20%，没有一年亏损；
期权定价公式的"民间先驱"：在 Black-Scholes 发表前就推导出等价公式并用于实盘赚钱——他选择闷声发财而不是发论文；
1991 年仅凭公开材料分析就断定麦道夫是庞氏骗局——比东窗事发早了 17 年。

核心贡献一：把"赌博"变成数学问题

索普的世界观在赌场就成型了，后来原封不动搬进市场：

只玩有正期望的游戏：先用数学确认优势存在，再下注——对应量化研究里"先检验因子有效性，再上策略"；
优势 ≠ 每把都赢：正期望游戏也会连输，靠大数定律吃饭的人必须活到"长期"来临——所以仓位管理和优势本身同样重要。

核心贡献二：凯利公式的实战化

凯利公式回答"有优势时该下注多少"：下注比例 = 优势 ÷ 赔率（直觉版）。索普把它从信息论（凯利是香农的同事）带进了赌场和华尔街：

下注太少浪费优势，下注太多必然破产——哪怕期望为正，过度杠杆下连续亏损就能把你清零；
实务中职业玩家普遍用"半凯利"：牺牲一点理论增长率，换大幅下降的破产概率。

这是风险管理史上最重要的思想之一：长期复利的敌人不是收益不够高，是某一次亏得太深爬不起来。（还记得第五课"亏 50% 要涨 100% 才回本"吗？同一个数学。）

核心贡献三：市场中性的先驱

Princeton/Newport 的主力策略是可转债套利：买入定价错误的可转债、做空对应股票对冲——赚定价错误的钱，不赌市场方向。这是后来所有市场中性策略的原型。

对你的启示

先验证优势存在，再谈下注——回测就是你的"算牌表"；
仓位管理不是收益的附属品，是生存的前提；
索普 20 年不亏的秘诀不是预测准，是从不让单次错误致命——和《黑箱》第 4 章风险模型的思想完全一致。

中国篇：内斗、代码战争与封盘潮

Sat, 21 Mar 2026 00:00:00 GMT

中国量化二十年，热闹程度不输华尔街：股权代持翻车、核心代码对簿公堂、行业集体"拒收资金"、以及一家量化私募把利润烧成了大模型。均基于公开报道与监管公告；传闻处已标注。

一、鸣石内斗（2021）：一纸代持掀翻百亿私募

2021 年 10 月 13 日上午，头部量化鸣石投资公告：持股超 50% 的大股东李硕暂停创始人袁宇的策略技术部职务。当晚袁宇反击：发《告全体员工书》称李硕名下 50% 股权系代持，自己通过松盟投资持有鸣石 85%，并指公章被"恶意侵占"——代持协议随即被媒体曝光。

五天里：产品暂停申购、渠道端赎回恐慌、百亿规模面临冲击。10 月 18 日深夜 8 人联合声明宣布和解：袁宇复职并确认实控（经松盟持股 85%），李硕留任总裁——两个月后仍辞任离场。公司拿出约 1 亿元专项津贴稳住核心团队。

要害：股权代持直接触碰私募登记备案"股权真实、清晰"的红线。风波之后，代销渠道白名单普遍新增一项要求——出具"无股权代持"承诺函。

营养注脚：策略再强，股权代持加口头默契就是产品级风险。尽调一家私募，股权穿透的优先级不低于业绩曲线。

二、锐天 vs 幻方系（2023）：一组代码引发的战争

老牌量化锐天投资以"侵害技术秘密纠纷"起诉幻方量化及关联方、外加三名自然人——被告之一是锐天前高频策略研发负责人，掌握核心策略代码。案件曝出的细节勾勒出行业暗面：千万级年终奖、数百万竞业补偿（关联劳动争议中法院判锐天支付该员工竞业补偿与经济补偿合计 345 万元）、甚至"偷拍视频"的罗生门。幻方晒出转账截图否认"不当招揽"。

营养注脚：量化行业"人即策略、代码即命门"的具象化。对从业者的两条实务提醒：签竞业协议前算清对价；"在职成果"与"个人积累"的代码权属边界，是跳槽最大的法律雷区。

三、封盘潮（2021）：主动拒钱的行业顶部

2021 年 9 月 7 日，规模逾 300 亿、当年收益 37.88% 的天演资本公告暂停全部产品申购——理由是"规模增长过快，为保障存续投资者利益"。随后启林、进化论跟进；11 月，规模近千亿的幻方全线暂停申购。

量化史上罕见的"拒收资金"，与两年后的规模收缩形成完美闭环：超额收益容量有限，规模是收益的敌人。2021 年底幻方发出那封著名的致歉信（"回撤达到历史最大值，深感愧疚"）；2023 年起主动缩减规模、退还资金；2023 年 7 月成立深度求索（DeepSeek），首期研发投入 30 亿元自有资金——2025 年初 R1 出圈那天，全球才看懂这家量化私募这些年在囤什么。梁文锋的原话："中国 AI 不可能永远跟随，必然有人站到技术的前沿。"

营养注脚：当一个行业开始拒绝资金，往往就是该策略拥挤度的顶部信号。幻方的另一课：超额收益的尽头是算力与研究基础设施——利润再投入研究，是量化机构少数可持续的护城河。

四、舆论战两回合：占比论战与融券风波

2021 年 9 月"量化占比 50%"：A 股连续万亿成交，"量化贡献一半成交量"的匿名说法刷屏（无具名出处的传闻；业内实测口径约 10~25%）。9 月 6 日，证监会主席易会满在世界交易所联合会年会上点名量化交易："在增强流动性、提升定价效率的同时，也容易引发交易趋同、波动加剧、有违市场公平等问题。"这是中国量化第一次被最高监管者公开点名。随后"头部量化被约谈"传闻四起——各家均否认收到具体要求。

2023~2024 融券舆论战："量化借融券变相 T+0/做空"争议发酵，监管步步收紧：2023 年 10 月上调融券保证金；2024 年 1 月全面暂停限售股出借；7 月转融券业务整体暂停。主观派视为胜利，量化派强调融券占成交比例极小——各执一词，但结果是：依赖融券对冲的多空策略，工具直接消失。

监管落地线（从点名到规章）：2021 点名 → 2023.10 程序化交易报告制度 → 2024.5《程序化交易管理规定（试行）》→ 2025.7 交易所实施细则（高频认定标准：单账户每秒申报撤单合计 300 笔以上或单日 2 万笔以上）。中国量化从"野蛮生长"到"先报告、后交易"，用了四年。

营养注脚：在 A 股，政策变量是策略的一等公民。依赖特定工具（融券、DMA、雪球）的策略，必须给"工具本身消失"留预案——舆论压力可以在几个月内改变市场微观结构。

这一页带走的三句话

中国量化的独特风险排序：政策 > 拥挤 > 模型；
股权与代码，是比超额更早决定生死的两样东西；
行业"拒钱"的时刻，请自动脑补两年后的样子。

1987 黑色星期一：第一次机器踩踏

Fri, 20 Mar 2026 00:00:00 GMT

崩盘事故志从这里开始：1987 年 10 月 19 日，量化策略第一次当上全球背锅侠——而且这次真有它一份。附 1998 年 LTCM 速览。

那一天

背景：美股前 8 个月大涨超 40%，10 月中旬连跌三天，卖压积压了一个周末；
1987.10.19（周一）：开盘即巨量卖单堵塞。道指全天下跌 508 点，单日 -22.6%——至今仍是美股史上最大单日百分比跌幅，一天蒸发市值约 5000 亿美元；
全球连锁：香港恒指当月跌约 46%，澳洲跌约 42%；
次日早晨，美联储主席格林斯潘用一句话声明承诺提供流动性，市场逐步企稳。

凶手：投资组合保险

"组合保险"由伯克利教授 Leland 与 Rubinstein 发明并商业化（LOR 公司）：用动态卖出股指期货复制一张看跌期权——跌得越多、卖得越多，涨回来再买回。单个机构用没问题；但当时全市场约 600~900 亿美元资产在跑同一套"跌了就机械卖"的算法。

死亡螺旋：卖出砸出更大跌幅 → 触发更多程序化卖出 → 期货深度贴水 → 指数套利者在现货市场抛股票 → 踩踏传导回股市。事后布雷迪报告认定：当天仅 3 家组合保险机构就卖出近 20 亿美元期货，期货市场非做市商卖单约 40% 来自组合保险。

理论假设"市场永远有对手盘、可以连续交易"，在极端日彻底失效。

后果与遗产

无人被起诉——这不是舞弊，是机制性事故；
LOR 业务迅速萎缩，"组合保险"作为产品名词消亡（但动态对冲思想以 CPPI、目标波动率策略的形式活到今天）；
熔断机制由此诞生（1988 年落地）；
期权市场从此出现持久的"波动率偏斜"——左尾期权更贵。市场用价格永久记住了这一天。

附：LTCM 速览（1998）

详细故事见量化名人堂的 LTCM 专页，这里只留最硬的数字：

项目	数字
阵容	两位诺奖得主（Merton、Scholes）+ 债王 Meriwether
杠杆	权益约 47 亿美元，总资产超 1250 亿（25~30 倍）；衍生品名义本金超 1 万亿
崩塌	1998.8 俄罗斯违约后不到 4 个月亏约 46 亿美元；危机深处瞬时杠杆 250 倍
结局	纽约联储召集 14 家银行注资 36.5 亿美元接管 90% 股权

一句话教训：天才 + 高杠杆 + "历史相关性永远成立"的信仰 = 时间问题。危机中所有"分散的"收敛交易变成了同一笔交易。

给个人研究者的教训

你的策略回测再漂亮，如果核心假设是"我要卖的时候总有人接"，它没算上"所有人和我用同一个信号"的那一天——同信号资金规模本身就是风险因子；
凯利公式算出来的仓位先除以二：你的协方差矩阵是用没出事的日子估出来的；
每次崩盘都留下一个制度补丁（1987→熔断），市场是靠尸检进化的——读事故志的意义就在这里。

挖角战争篇：当 Alpha 长在人脑子里

Thu, 19 Mar 2026 00:00:00 GMT

策略不能申请专利，公开即失效——所以量化行业的"知识产权制度"就是竞业协议、保密协议和一场接一场的诉讼。四个故事，外加一个"打官司打到泄密"的终极讽刺。均基于公开报道与法院文件；进行中的案件以"指控"表述。

一、Citadel：最舍得为竞业花钱的机构

Malyshev/Teza 案（2009）：Citadel 高频交易掌门 Malyshev 携同事离职创办 Teza，Citadel 以违反 9 个月竞业起诉。法院认定违约，罚 110 万美元。戏剧性交叉：同年高盛程序员 Aleynikov 因带走代码被捕——他要去的正是 Teza。那一年是高频代码战争的元年。

Portofino 案（2022）：参与开发加密做市系统的工程师 Prieur 跳槽前 Citadel 高管创办的 Portofino，被诉违反 15 个月竞业。值得注意的细节：竞业期内 Citadel 每月支付 1.5~1.8 万美元"竞业补偿"——付钱让你坐板凳，让竞业条款在法庭上更站得住脚。

营养注脚：诉讼本身就是对在职员工的威慑广告。Citadel 的算盘很清楚：单案花几百万律师费，换全公司几千人不敢轻举妄动。

二、Jane Street v. Millennium：打官司打到泄密

2024 年初，两名交易员从 Jane Street 跳槽 Millennium；4 月 Jane Street 起诉，称二人带走"极具价值"的秘密策略。庭审出现了行业史上最尴尬的一幕：为了论证损害有多大，双方律师在公开法庭上逐步说漏了这个秘密——那是一个印度期权策略，2023 年为 Jane Street 赚了约 10 亿美元。

2024 年 12 月双方和解、条款保密，两名交易员留在 Millennium。但故事没完——

续集（进行中）：全球目光被庭审引向印度期权市场的暴利。2025 年 7 月，印度证监会 SEBI 发布临时命令，指控 Jane Street 操纵 Bank Nifty 指数（到期日上午拉抬、下午反手砸盘、配合期权空头获利），没收约 5.7 亿美元级"非法所得"并禁入市场；Jane Street 强烈否认，称之为"基础的指数套利"，存入保证金后有条件恢复交易，案件仍在印度证券上诉法庭审理中——指控，未终局认定。

营养注脚：商业秘密官司的第一课——想清楚"胜诉的代价是当庭泄密"。第二课更狠：新兴市场暴利策略的最大尾部风险不是对手方，是当地监管的追溯性执法。而这一切的起点，是自家发起的一场诉讼。

三、Schonfeld 与 Millennium：联姻告吹 48 小时

2023 年下半年，Millennium 与 Schonfeld 谈一项巨额战略合作——市场解读为多策略平台军备竞赛的第一次大并购。谈判后期 Schonfeld 方面认为条款"越来越像收购"（有报道称对方要求清退其原有客户），11 月创始人亲自致电 Englander 终止谈判——挂电话前 48 小时，Schonfeld 刚锁定新老投资者约 30 亿美元的口头承诺。

代价立现：谈崩两天后，Schonfeld 裁员 15%（约 150 人）自救。

营养注脚：多策略平台时代，二线机构的生存选择题是"被收编还是独立烧钱"。谈判破裂的消息本身就能引发赎回挤兑——所以先锁资金、再摊牌，顺序不能反。

四、GameStop 听证"点名门"：民意法庭上的败诉

2021 年 1 月游戏驿站逼空，散户的阴谋论链条指向 Citadel：它注资爆仓的做空方 Melvin（20 亿美元），又是 Robinhood 订单流的最大买家——于是"Citadel 施压 Robinhood 限购"的指控刷屏。2 月国会听证会上，Griffin 宣誓作证："我们在 Robinhood 限制交易的决定中没有任何角色。"

法律结局：佛罗里达联邦法院 2021 年驳回了合谋集体诉讼，原告未能证明任何合谋。但舆论结局完全相反——"Ken Griffin lied" 一度刷屏，Griffin 至今是散户文化里的头号反派符号。

营养注脚：做市商与零佣金券商的订单流共生结构，让散户第一次看清"免费交易"里自己是产品。法律上全身而退，不妨碍在民意法庭上败诉——此案直接催生了 SEC 对订单流付费的多年检讨与 T+1 结算改革。

这一页带走的三句话

Alpha 长在人脑子里，所以人才流动战争没有终局，只有军备竞赛；
竞业条款要花钱养（garden leave），白嫖的竞业在法庭上不堪一击；
诉讼是双刃剑：能吓住叛逃者，也能把最赚钱的策略写进公开案卷。

尤金·法马：有效市场与因子投资的双料奠基人

Wed, 18 Mar 2026 00:00:00 GMT

Eugene Fama（1939–），2013 年诺贝尔经济学奖得主，芝加哥大学教授。一生干成了两件看似矛盾的大事：证明"市场很难战胜"，又给出了战胜市场研究的标准工具箱。

一句话定位

因子投资这门学科的总设计师——你在本平台跑的每一次因子检验，方法论血统都能追溯到他。

生平速览

1939 年生于波士顿，芝加哥大学博士，此后终身任教于此；
1970 年系统提出有效市场假说（EMH），定义了弱式/半强式/强式三层有效性；
1973 年与 MacBeth 提出 Fama-MacBeth 回归——至今仍是检验因子溢价的标准方法；
1992/1993 年与 Kenneth French 提出三因子模型，2015 年扩展为五因子模型；
2013 年与席勒（行为派）、汉森同获诺奖——委员会同时奖励了"市场有效"和"市场不有效"两派，成为经典段子。

核心理论一：有效市场假说

价格已经反映了所有可得信息，所以持续战胜市场极其困难。三层版本：

层级	价格反映了什么	推论
弱式有效	全部历史价量信息	技术分析无效
半强式有效	全部公开信息	基本面分析也难有超额
强式有效	包括内幕信息	谁都别想赢（现实中不成立）

对量化研究者的正确解读不是"躺平"，而是一个默认立场：任何"我发现了赚钱规律"的主张，举证责任在你——市场大概率是对的，你的回测大概率有错。这个心态能帮你避开 90% 的过拟合陷阱。

核心理论二：三因子模型（1993）

面对 CAPM 解释不了的异象，法马和 French 的天才处理：把异象升格为因子。

股票收益 = 市场因子 + 规模因子（SMB）+ 价值因子（HML）+ α

这个框架定义了"因子"的标准语言（暴露、溢价、多空组合收益），也定义了 Alpha 的严格含义：控制所有已知因子后剩下的才叫本事。有趣的悖论：法马坚持从"风险补偿"角度解释因子溢价（市场仍然有效），行为金融派解释为"定价错误"——同一组数据，两种世界观，官司至今没完。

核心工具：Fama-MacBeth 回归（1973）

检验"某个特征是否被市场支付溢价"的两步法：每期做截面回归得到因子收益，再对因子收益序列做时间平均和 t 检验。本平台 IC 分析的结构（逐期截面统计 + 时间平均检验）就是它的简化版——你早就在用法马的方法了。

对你的启示

有效市场是最好的防过拟合疫苗：回测很好时，先假设自己错了；
"你以为的 Alpha 可能只是没识别的 Beta"——评价策略先控制已知因子；
学术因子研究的一切规范（多空组合、双重排序、t 检验）都值得业余研究者遵守——不是繁文缛节，是防自欺的工程规范。

内斗与作弊篇：记分牌上的战争

Tue, 17 Mar 2026 00:00:00 GMT

量化基金对外的敌人是市场，对内的敌人是记分牌——分钱的规则决定作弊的方向，治理的漏洞决定内斗的烈度。四个案例均基于公开报道、监管文件与仲裁裁决；指控不等于定罪。

一、Two Sigma：写进监管文件的"离婚"

联合创始人 Overdeck（数学奥赛银牌）与 Siegel（MIT 计算机博士）共事二十多年后彻底闹掰，在公司方向、组织与继任问题上互不相让。2023 年，这家管理数百亿美元的巨头做了一件行业首见的事：把"两位创始人存在重大分歧、可能影响公司运营"写进提交 SEC 的风险披露——管理人自曝治理风险。

随后 Overdeck 就薪酬问题对 Siegel 发起仲裁、Siegel 反诉（内容保密）；2024 年 8 月两人双双卸任联席 CEO，各自指派一名代理人出任新联席 CEO——本质是"各派一个人"的停火协议。2025 年 Overdeck 宣布重返管理委员会，称现行治理"正在使公司陷入慢性瘫痪"，一位联席 CEO 随即辞任。僵局至今未解。

病根：50/50 的双创始人结构，没有任何打破僵局的机制（no tie-breaker）。

二、Two Sigma：篡改记分牌的研究员

内斗之外，同一家公司还贡献了内控事故的教科书案例。SEC 文件显示：2021 年 11 月至 2023 年 8 月，研究员 Jian Wu 篡改了自己参与开发的至少 14 个模型的参数——手法核心是这些参数存放在公司安全代码库之外：他把模型间的"去相关性"参数调到接近零，让自己的模型实质上抄袭已上线模型的预测，在内部归因里显得贡献巨大。

结果：2022 年他的个人薪酬被抬到约 2300 万美元；SEC 认定被操纵的模型造成客户损失约 1.7 亿美元。2025 年 1 月 Two Sigma 与 SEC 和解——9000 万美元罚款，并自愿向受影响账户返还 1.65 亿美元；SEC 同时认定公司多年明知参数管控漏洞而未修复。Wu 本人被民事与刑事起诉，未到案（对其个人的指控未经审判认定）。

营养注脚：多策略平台"按个人 P&L 分成"的赛马制，激励研究员操纵的往往不是市场，而是内部记分牌。模型治理（版本控制、参数审计、变更审批）和风控同级——参数游离在代码库之外，就是给作弊留门。

三、SAC：公司认罪，老板无恙

2013 年 11 月，SAC Capital 就内幕交易相关的证券欺诈刑事认罪——检方称其内幕交易文化"规模空前"，至少 8 名基金经理/分析师涉案。代价：创纪录的 18 亿美元罚没 + 被迫停止对外资管、转为家族办公室。明星基金经理 Martoma（单案避损获利 2.76 亿美元）判 9 年。

而创始人 Cohen 本人始终未被刑事指控，只在 2016 年就"疏于监督"与 SEC 和解、被禁管外部资金到 2018 年——然后以 Point72 之名满血复活，后来还买下了纽约大都会队。

营养注脚：实体责任与个人责任的隔离，是华尔街法律工程的极致展示。SAC 案的另一份遗产：此后多策略平台的合规监控（通信监听、专家网络管控）军备竞赛，都是它逼出来的。

四、D.E. Shaw：5200 万美元的名誉翻案

Michalow 21 岁哈佛毕业加入 D.E. Shaw，31 岁成为最年轻 MD。2018 年 #MeToo 高峰期，他因言论风波离职，媒体报道把离职与"性相关不当行为"挂钩。他坚称遭诬陷，公开致信创始人要求澄清，随后在 FINRA 发起诽谤仲裁。

2022 年裁决：D.E. Shaw 及涉事高管赔偿 5200 万美元（行业纪录级），仲裁庭明确认定其未实施性不当行为。衍生战果：2023 年 D.E. Shaw 又因员工协议里的"限制向 SEC 举报"条款被罚 1000 万美元——源头正是这场纠纷暴露的合同问题。

营养注脚：对冲基金习惯用"保密+封口协议"处理一切离职纠纷，但这个案子证明：给前员工泼脏水的成本可以高达九位数。声誉战是双刃剑。

这一页带走的三句话

治理僵局比模型失效更能杀死一家量化基金——尤其是 50/50 且无仲裁机制的结构；
激励结构决定作弊方向：对外是 SAC 式内幕交易，对内是改参数刷归因；
内控三件套（版本控制、参数审计、变更审批）不是工程洁癖，是 9000 万美元的教训。

威廉·夏普：给风险定价的人

Mon, 16 Mar 2026 00:00:00 GMT

William Sharpe（1934–），1990 年诺贝尔经济学奖得主（与马科维茨同届）。CAPM 的主要提出者，你每天都在用的"夏普比率"就是以他命名的。

一句话定位

回答了"承担风险到底该得到多少回报"的人——并顺手发明了全世界使用最广的策略评价指标。

生平速览

1934 年生于波士顿，UCLA 经济学博士，师承马科维茨的思想脉络；
1964 年发表 CAPM 论文（Treynor、Lintner、Mossin 各自独立提出了类似模型，但夏普的版本影响最大）；
1966 年提出"收益与波动之比"的评价指标，后被业界称为夏普比率（Sharpe Ratio）；
长期任教斯坦福，晚年致力于普通人的退休投资规划——学术大师里少见的"接地气"路线。

核心理论一：CAPM（资本资产定价模型）

在马科维茨"人人都该持有有效前沿组合"的基础上，夏普往前推了一步：如果所有人都这么做，市场会达到什么均衡？答案就是那条著名公式：

预期收益 = 无风险利率 + Beta × 市场风险溢价

三个革命性推论：

只有系统性风险值钱：个股特有的风险可以靠分散消掉，市场不为"你的懒惰"付钱；
Beta 是唯一的定价变量：股票的预期收益只取决于它对市场的敏感度；
Alpha 有了严格定义：超出 Beta 应得部分的收益——现代量化"寻找 Alpha"的话语体系由此而来。

CAPM 后来被实证打脸（规模、价值等异象它解释不了，这正是因子投资的起点），但它贡献的概念框架——Alpha、Beta、基准、超额——成了全行业的通用语言。作为模型已死，作为语言永生。

核心理论二：夏普比率

（收益 − 无风险利率）÷ 波动：每承担一份波动，换来多少超额回报。

它的伟大在于把两个维度压缩成一个可比的数字：8% 收益 / 10% 波动的策略，优于 12% 收益 / 25% 波动的策略——没有夏普比率之前，这种比较靠吵架解决。

使用注意（夏普本人也反复提醒）：它假设波动对称地度量风险，对偏度大的策略（如卖期权：常年小赚、偶尔巨亏）会给出误导性的高分——所以要配合最大回撤一起看。

对你的启示

本平台回测报告的夏普比率、以及"永远和沪深300 比超额"的设计，全部是夏普思想的直接落地；
看到任何策略宣传"年化 30%"，条件反射地问：波动多大？——这就是夏普留给你的思维疫苗；
CAPM 教的第一课：先确认你赚的不是 Beta 的钱，再谈自己牛不牛。

A 股量化大事记（2005~2025）

Sun, 15 Mar 2026 00:00:00 GMT

人物的故事发生在时代的河道里。这一页把 A 股量化二十年的关键节点串成一条时间线——读懂它，量化名人堂里每位人物的决策都会更立体。

时间线

2005：起点

上证50ETF 上市（2004 年底）后，ETF 套利成为 A 股第一代量化策略；同年股权分置改革启动，市场基础制度成型。第一代海归（申毅等）陆续回国。

2010：对冲元年

沪深300 股指期货（IF）上市——A 股第一次可以做空大盘。期现套利、市场中性策略（做多一篮子股票 + 做空股指期货）第一次可行，量化对冲私募批量诞生。九坤（2012）、明汯（2014）等日后的头部均在这个窗口前后成立。

2013：第一次舆论危机

光大证券"乌龙指"事件：套利系统故障导致 70 亿元错误买单瞬间打高大盘。程序化交易第一次进入公众视野，形象是负面的——"机器失控"叙事从此伴随行业。

2015：股灾与急冻

杠杆牛市崩盘。监管认定部分程序化交易加剧波动，股指期货被极限收紧（保证金提至 40%、日内开仓限手、平今手续费暴涨百倍）——市场中性策略的对冲腿瞬间瘫痪，大批量化对冲基金休克。教训刻骨：在 A 股，政策风险是所有策略的第一风险。

2017：风格地震

蓝筹白马结构性牛市，小市值因子历史性崩塌（此前十余年 A 股最赚钱的因子）。依赖小盘暴露的策略集体巨亏——"历史有效 ≠ 未来有效"的最佳本土教材（量化学堂第一课引用的正是这一年）。

2018~2019：量化崛起

股指期货逐步松绑；机器学习方法成熟；人才供给（竞赛生、海归）到位。量化私募规模从数百亿迈向数千亿，头部格局形成：幻方、九坤、明汯、灵均等相继破百亿、奔千亿。

2021：万亿成交与首次登顶

9 月 A 股连续多日成交破 1.5 万亿，市场传言"一半是量化"（实际估算约 20% 上下，但叙事已经飞起）——"量化助涨助跌"大讨论爆发。同年多家头部规模破千亿；年底超额集体回撤，幻方罕见公开致歉。行业第一次尝到"规模的诅咒"。

2024 年 2 月：微盘股踩踏——A 股版"量化地震"

流动性危机中小微盘股连续崩跌，重仓小微盘的量化产品（尤其带杠杆的 DMA 产品）净值雪崩，部分头部私募超额单月回撤 10%+。灵均投资因开盘 1 分钟内集中卖出约 26 亿元股票，被沪深交易所限制交易 + 公开谴责——头部量化私募首次被点名处罚。这是《黑箱》第 10 章"拥挤风险"的完美 A 股复刻：持仓相似 + 杠杆 + 流动性枯竭 = 踩踏。

2024~2025：强监管时代

程序化交易管理规定落地：报告制度、高频交易差异化收费、异常交易行为界定……量化行业进入"持牌经营"式的强监管常态。行业共识：粗放增长结束，超额向个位数收敛，比拼转向精细化和合规能力。

这条时间线教你的三件事

制度是最大的因子：A 股量化每一轮繁荣由工具解禁开启（ETF、股指期货、期权），每一轮寒冬由监管收紧触发（2015、2024）。回测任何跨越这些节点的策略，都要问一句"当时的规则允许吗"；
拥挤是头部的宿命：2007 年美国量化地震和 2024 年 A 股微盘股踩踏，剧本几乎一样——策略趋同 + 杠杆 + 流动性枯竭。你的策略越"大众"，越要给拥挤风险留余量；
超额衰减是单行道：从早年动辄 30%+ 的超额到如今的个位数，A 股正在重走美股的成熟化之路。对个人研究者反而是定心丸：头部机构的超额也没那么神，方法论扎实的小资金依然有生态位（小容量策略机构看不上）。

哈里·马科维茨：现代组合理论之父

Sat, 14 Mar 2026 00:00:00 GMT

Harry Markowitz（1927–2023），1990 年诺贝尔经济学奖得主。一篇 1952 年的博士论文《Portfolio Selection》，把"投资"从手艺变成了科学——今天所有量化组合管理的数学地基都是他打的。

一句话定位

第一个用数学证明"不要把鸡蛋放在一个篮子里"的人——并且精确回答了"该放几个篮子、每个篮子放几个"。

生平速览

1927 年生于芝加哥，芝加哥大学经济学博士；
1952 年，25 岁时发表《Portfolio Selection》，提出均值-方差组合理论；
论文答辩时弗里德曼调侃"这不是经济学"——后来这篇"不是经济学"的论文拿了诺奖（1990，与夏普、米勒同获）；
此后在兰德公司参与开发 SIMSCRIPT 仿真语言——他同时也是一位被低估的计算机科学先驱。

核心理论：均值-方差组合理论

在马科维茨之前，投资界评价一只股票只问"收益高不高"；他加上了第二个维度和第三个洞察：

风险要量化：用收益的方差（波动）度量风险——第一次让"风险"可以被计算和比较；
组合看整体：投资者该关心的不是单只股票的风险，而是整个组合的风险；
相关性是魔法：组合收益是成分收益的加权平均，但组合风险小于成分风险的加权平均——只要成分之间不完全同涨同跌。这中间的差额就是"分散化免费午餐"。

由此推出有效前沿：给定风险水平下收益最高的组合集合。理性投资者只应持有前沿上的组合。

理论的命运：优美与尴尬并存

有效前沿理论优美，实操有个著名尴尬：它需要输入所有资产的预期收益和协方差矩阵，而预期收益恰恰是金融学里最估不准的东西——垃圾输入喂给优化器，会被放大成极端仓位（"误差最大化器"）。

这个尴尬本身也成了遗产：后来的 Black-Litterman 模型、收缩估计、风险平价，全是在修补这个问题。一个理论能让后人修补七十年，就是它伟大的证明。

对你的启示

分散化是市场上唯一确定的免费午餐——本平台回测引擎的 top-N 等权持仓就是最朴素的实践；
评价任何策略永远看两个维度：收益和风险——夏普比率、最大回撤这些指标的世界观源头就在这里；
复杂优化不一定赢：马科维茨本人被问及自己怎么配置退休金时，回答是"一半股票一半债券"——理论之父也用简单规则。

全球量化大事记（1900~2025）

Fri, 13 Mar 2026 00:00:00 GMT

一条时间线看完量化投资 125 年：从一篇被埋没的博士论文，到管理数万亿美元、反哺出通用人工智能的产业。A 股部分另见本模块《A 股量化大事记》。

史前时代：思想的地基

1900：法国数学家巴舍利耶（Bachelier）的博士论文《投机理论》首次用随机过程描述股价——比爱因斯坦研究布朗运动还早五年。论文被冷落半个世纪，作者郁郁而终，直到 1950 年代被萨缪尔森"考古"出土；
1952：马科维茨 25 岁的论文《Portfolio Selection》创立组合理论——答辩时被弗里德曼调侃"这不是经济学"；
1956：贝尔实验室的凯利发表凯利公式——赌注管理从此有了数学；
1962：索普《Beat the Dealer》出版，数学首次公开击败赌场；
1964~1966：夏普提出 CAPM；法马提出有效市场思想的雏形。

拓荒时代（1969~1987）

1969：索普创立 Princeton/Newport Partners——第一支量化对冲基金；
1973：Black-Scholes 期权定价公式发表，同年芝加哥期权交易所（CBOE）开张——理论和市场同一年就位，衍生品时代开启；同年 Fama-MacBeth 回归发表；
1976：博格创立第一支指数基金，被华尔街讥为"平庸的保证"；
1982：西蒙斯的文艺复兴科技成立（前身 Monemetrics 1978 年）；
1983 前后：摩根士丹利的 Bamberger 与 Tartaglia 团队开创配对交易——统计套利诞生；
1987 年 10 月 19 日：黑色星期一，道指单日 -22.6%。事后追责的头号嫌犯是"投资组合保险"——程序化对冲策略的机械卖出被指放大踩踏。量化第一次当上全球背锅侠。

黄金时代（1988~2006）

1988：大奖章基金启动；D.E. Shaw 成立（八年后一个叫贝索斯的员工离职去卖书了）；同年 Princeton/Newport 因合伙人卷入检方调查而走向清盘（详见八卦篇）；
1990：马科维茨、夏普、米勒获诺贝尔奖——量化的理论地基获得最高认证；
1992~1993：Fama-French 三因子模型发表，因子投资时代开启；
1994：LTCM 成立，四年后（1998）崩盘，美联储组织 14 家投行接管——"诺奖 + 杠杆 = 系统性风险"写入教科书；
1998：AQR 成立，学术因子开始产品化；
2000：互联网泡沫破裂，大奖章逆势 +98.5%——"危机中赚钱"的神话定型。

动荡与洗牌（2007~2015）

2007 年 8 月：量化地震（Quant Quake）——全球量化股票基金一周内集体崩盘而大盘几乎没跌，"拥挤风险"首次显形；
2008：全球金融危机。高斯 Copula 定价的 CDO 体系崩塌；麦道夫 650 亿美元庞氏骗局败露（索普 17 年前就识破了）；大奖章 +82%；
2010 年 5 月 6 日：闪电崩盘（Flash Crash），道指分钟级暴跌千点后 V 型收复——高频交易时代的标志性事故（案犯之一竟是伦敦郊区一间卧室里的散户，见八卦篇）；
2012 年 8 月 1 日：骑士资本（Knight Capital）部署事故，程序失控 45 分钟亏损 4.6 亿美元，公司次日濒临破产——史上最贵的上线事故，运维工程师的永恒警钟；
2013：法马与席勒（观点针锋相对的两人）同获诺贝尔奖——委员会同时奖励"市场有效"和"市场会疯"。

机器学习时代（2016~2025）

2016 前后：深度学习浪潮涌入量化，Two Sigma、RenTech、WorldQuant 掀起数据科学家军备竞赛；另类数据（卫星图像、信用卡流水）成为新战场；
2019：Zuckerman《The Man Who Solved the Market》出版，大奖章神话首次被系统性披露；
2020：疫情崩盘。量化分化惨烈——文艺复兴对外基金巨亏遭赎回，大奖章照常丰收，"神话有边界"实锤；
2021：散户逼空大战（GameStop）——社交媒体情绪成为新的风险因子；
2024 年 5 月：西蒙斯去世，享年 86 岁——量化黄金一代谢幕；
2025：幻方量化孵化的 DeepSeek 以极低成本比肩全球顶级 AI 模型，震动科技界——量化赚的钱，第一次以 AGI 的形式反哺人类（详见名人堂"梁文锋"篇）。

这条时间线的三个规律

理论到产业的时滞约 20 年：巴舍利耶等了 50 年，马科维茨等了 20 年，凯利公式等了索普——好思想跑得比市场快很多；
每次危机都由"上一代的解药"引爆：组合保险（1987）、诺奖模型（1998）、风控止损线（2007）、CDO 定价（2008）——工具普及之日就是风险积累之时；
量化每十年背一次锅，然后规模翻几倍：1987、2007、2010、2021（A 股）——舆论危机从未逆转行业渗透率，但每次都换来更严的监管。

文艺复兴篇：叛徒、税单与政治

Thu, 12 Mar 2026 00:00:00 GMT

全世界最赚钱的量化机构，官司和风波也是顶配。三个故事按时间排开，正好是量化行业三种典型风险：人才流失、税务灰色地带、掌门人的场外活动。以下均基于公开报道、判决与监管文件；和解不等于司法认定。

一、2003 叛徒案：量化商业秘密战的开山之作

案情：两位 MIT 物理学博士研究员 Belopolsky 与 Volfbeyn，2001 年加入文艺复兴参与大奖章研究，签了保密协议但拒签竞业；2003 年双双跳槽 Millennium。文艺复兴当年 12 月把两人连同新东家一起告上法庭，指控窃取商业秘密。

结局：打了四年。2007 年 Millennium 和解——媒体报道支付约 2000 万美元、并把两人解雇；2008 年与个人的和解条款保密。最讽刺的是，诉讼文件本身成了外界窥探大奖章打法的罕见窗口。

行业遗产：此案之后，文艺复兴把"不签竞业不录用"变成铁律，全行业跟进超长竞业期；并确立一条行规——追责不只追人，更追接盘的新东家，让挖角者付出真金白银。

营养注脚：Alpha 无法申请专利，公开即失效。所以保密协议、竞业条款和诉讼本身，就是量化行业唯一的"知识产权制度"。

二、篮子期权税案：美国史上最大个人税务和解

玩法：2005~2015 年，大奖章通过德意志银行、巴克莱定制的"篮子期权"持仓——基金不直接持有几千只股票，而是买入挂钩这篮子收益的期权，把高频短线利润"包装"成持有超一年的长期资本利得（税率约 20% vs 短期的 39%+），顺带放大杠杆。交易指令实际全由文艺复兴的算法下达——IRS 认为这是"换了马甲的自营账户"。

过程：2014 年 7 月，美国参议院常设调查小组听证点名，估算避税约 68 亿美元；随后与 IRS 拉锯七年。

结局：2021 年 9 月和解——注意口径：付款方是董事会成员个人及关联账户，不是基金实体，合计补税加罚息约 70 亿美元，西蒙斯个人另付 6.7 亿美元。被广泛称为美国历史上最大规模税务和解；争议交易本身从未被法院认定违法——是当事方选择花钱买确定性。

营养注脚：量化收益太高频、太短线，天然承受最高税率，于是金融工程被用到了税务上。但监管迟到不等于不到——十年旧账照样翻。

三、Mercer 风波：政治豪赌反噬量化帝国

背景：联席 CEO Robert Mercer 家族是剑桥分析的主要金主，深度资助 2016 年特朗普竞选与 Breitbart News。而另一位掌门西蒙斯是民主党最大金主之一——同一个模型赚的钱，资助着针锋相对的两个阵营。

冲突公开化：2017 年初，老员工 David Magerman 公开撰文批评 Mercer 的政治活动，先停职后被解雇，随后起诉公司（后和解离场）。部分养老金客户开始把"Mercer 风险"写进尽调问题清单。

结局：2017 年 11 月 Mercer 辞去联席 CEO、卖掉 Breitbart 股份退居研究岗。2018 年剑桥分析数据丑闻全面爆发并破产——事后看，切割得正是时候。

营养注脚：量化基金卖的是"中性、理性、机器"的人设。掌门人的政治立场会直接变成 LP 的赎回理由——声誉风险是模型管不了的风险。

这一页带走的三句话

量化的护城河一半在模型里，一半在法务部；
灰色创新的温床是基金与投行的衍生品定制关系——以及"没人管"的时间差；
人的场外活动，杀伤力不亚于策略失效。

一手笔记

长尾需求

典型例子

为什么重要

怎么判断

边界

策略生命周期：衰减监测、下线决策与迭代方法论

策略为什么会衰减

偏离监测：实盘 vs 回测预期

降仓与下线的决策框架

策略迭代与版本管理

收官：构建属于你自己的研究体系

本课小结

实盘工程：执行、监控与故障处理

回测与实盘的差距清单

国内实盘通道概览

下单执行：拆单与限价保护

监控告警：四条防线

故障演练与手动接管

本课小结

策略容量与多策略配置：规模是收益的敌人

容量从哪里被吃掉：三个约束来源

容量估算：不求精确，只求量级

策略拥挤度：别人和你做一样的事

多策略配置：相关性管理与资金分配

策略池的进出机制

本课小结

组合风控体系：风险预算、压力测试与回撤控制

风控的三层结构：事前、事中、事后

风险预算：先分配"亏损额度"再分配资金

压力测试与情景分析：问"如果……会怎样"

回撤控制机制：规则、熔断与它们的代价

风控规则也要回测

本课小结

期权与波动率策略：从希腊字母到备兑开仓

期权的基本要素与国内品种

隐含波动率与历史波动率

希腊字母：一张直觉表

三个保守策略：备兑、保护性认沽、领口

卖方风险：必须先说清楚的警示

本课小结

期货与 CTA 策略：趋势、期限结构与组合价值

期货：一个对量化更友好的交易场

CTA 趋势跟踪：一套朴素但完整的框架

期限结构与展期收益：另一个收益维度

CTA 对股票投资者的组合价值

风险点：趋势策略最怕的市场

本课小结

市场微观结构：订单簿、价差与高频视角

限价单簿：价格是怎么形成的

价差与深度：流动性的两个维度

tick 与快照数据：先掂量一下工程量

订单不平衡与短周期预测

A 股高频的现实约束

高频视角对低频策略的启发

本课小结

文本与另类数据：情绪因子的构建思路

另类数据版图：量价财报之外还有什么

从文本到因子：一条完整的流水线

情绪因子的检验：老规矩，但有新问题

另类数据的坑：数据本身比模型更容易骗你

本课小结

机器学习选股：特征工程、滚动验证与过拟合控制

ML 在选股中的定位：排序问题，不是预测涨跌

特征工程：模型的上限在这里决定

标签设计：你让模型学什么，它就学什么

滚动验证：时间序列上不能随机切分

树模型 vs 线性模型：不是越复杂越好

过拟合的系统性防线

本课小结

统计套利与配对交易：协整、价差与均值回归

配对交易的直觉：赚"关系"的钱，不赚"方向"的钱

相关不等于协整：这是本课最重要的区分

价差构建与 zscore 交易规则

最大的风险：协整关系破裂

A 股做空约束下的变通

本课小结

量化数据工程：Point-in-Time、数据管线与质量监控

PIT 原则：回测只能用"当时知道的"

证券主数据：代码、退市与更名