导读与认知框架 on 云栖

量化投资全景图

Mon, 01 Jan 0001 00:00:00 +0000

如果你问一位量化老兵「量化投资最难的是哪一步」，你很少会得到「想出策略」这个答案。真正难的是把一个想法完整地走完五段流水线：研究 → 回测 → 风控 → 执行 → 运维——并在任何一段出问题时，有能力把系统拉回来。个人量化者与顶级私募的差距，九成不在因子灵感，而在流水线的完整度。

五段流水线各自在回答什么问题

环节	核心问题	关键产出	跳过它会怎样
研究	市场里存在可捕获的规律吗？它为什么存在？	因子假设、统计检验报告	无根之木：不知道赚的谁的钱，失效时无法归因
回测	规律在过去能否兑现？对成本与偏差多敏感？	绩效指标、敏感性分析	前视偏差与幸存者偏差把废纸包装成圣杯
风控	最坏情况亏多少？谁在什么条件下拔电源？	限额表、压力测试、熔断规则	一次尾部事件清空三年利润（LTCM 式结局）
执行	信号变成成交要付多少过路费？	成本模型、执行算法、TCA	年化 15% 的因子被冲击成本吃掉 8%
运维	系统能否每天准点、无人值守地运转？	调度、监控、告警、回滚	行情断线无人接管，凌晨三点人工救火

这五段是循环而非直线：运维监控发现策略超额衰减 → 回到研究环节诊断因子是否失效 → 决定修复、降仓或下线。成熟的量化机构把这个循环称为研究闭环；不成熟的团队只有前两段，于是「上线即巅峰，此后一路还债」。

每个环节的「最小可用品」与及格数字

新手常被「完整体系」吓住，其实每个环节都有及格线版本——但及格线是有数字的，不是感觉：

研究：一个有经济学解释的假设 + 一张 IC / 分组回测图。数字基准：月频因子 Rank IC ≥ 0.03、ICIR ≥ 0.3 才值得进入下一环节；达标率预期 3%–8%（见因子检验）。
回测：剔除前视与幸存者偏差、计入佣金印花税与滑点的向量化回测。数字基准：双边成本合计 ≥ 0.2% 的口径；样本 ≥ 8 年；样本外/样本内绩效比 > 0.5（见回测偏差大全）。
风控：单票持仓上限 + 组合最大回撤熔断线，写进代码而不是写在心里。数字基准：单票 ≤ 5%–15%（按规模分档）、回撤分档线 -10% 预警 / -15% 减半 / -20% 停机（见事前风控）。
执行：按对手价或 VWAP 拆单，而不是开盘瞬间市价单全打进。数字基准：单票单日 ≤ 当日成交额 5%–10%；实盘滑点与回测假设的偏差 < 10bp/日（见执行算法）。
运维：一个每日定时任务 + 一条「今日收益 / 持仓 / 信号」的推送消息。数字基准：数据 17:00 前就绪；日报含心跳（没发 = 出事了）；每季度一次故障演习（见策略上线流程）。

先跑通最小可用品，再逐段加厚。顺序不能反：先用「是否计入成本」检验回测，再谈因子精修；先有熔断线，再上杠杆。

三个数字看懂流水线的「漏损」

一个因子从研究到实盘，绩效会经历三层系统性折损，每一层都有量级：

检验折损（样本外衰减）：样本外绩效普遍是样本内的 50%–70%——多重检验与过拟合的代价（见Walk-Forward ）；
成本折损：年化换手 15 倍 × 单边 0.25% ≈ 3.75%/年，冲击成本再吃 1–3%（见交易成本分解）；
执行折损：决策价到成交价的实现差额，日频调仓典型 10–30bp/次，年化再吃 1–2%（见TCA ）。

算术结论：回测年化超额 20% 的策略，实盘预期超额 ≈ 20% × 0.6 − 4% ≈ 8%。这不是悲观，这是把预期校准到可实现区间——老手的回测数字永远比新手低，也永远更真。

三种典型的「半成品流水线」

只有研究（知乎策略家）：永远在讲逻辑，从不写回测；逻辑对的策略往往也已经 price in。
研究 + 回测（大多数个人量化）：回测年化 40%，实盘第一年 -10%——死于成本、偏差与没有风控的回撤。
研究 + 回测 + 执行，无风控运维（进阶者陷阱）：策略本身成立，但 2024 年 2 月式的小微盘流动性事件来临时，没有限额与熔断，净值一次性回撤 30%（案例解剖见经典复盘）。

全景图的自检用法

每隔一个季度，把你自己的体系对着这张表问一遍：

五个环节各自的最小可用品齐了吗？哪个环节从来没有产出过书面交付物（报告/配置/日志）？
环节之间的接口是否自动化：研究产出能直接进回测吗？回测的成本假设与实盘 TCA 对得上吗？
上一次全链路演练（数据迟到/行情断线/因子红灯）是什么时候？没有演练过的环节 = 最脆弱的环节。

这三问，比任何新因子都更能提升你的长期收益。

关联阅读：学习路径规划你的入线顺序；角色分工看机构如何分工承担这五段；常见误区与伪量化辨析是流水线每一环节的反面清单。

学习路径：四条路线与里程碑

Mon, 01 Jan 0001 00:00:00 +0000

不存在「最好的学习路径」，只存在与你起点匹配的路径。本库把学习者分成四类，各自给出里程碑（能独立完成什么）而非课时表——里程碑才是进度条，读了几本书不是。

路线一：零基础入门（6–12 个月）

适合没有金融背景也没有编程背景的学习者。原则是双线并进、每月交叉：金融直觉与编程能力互相牵引，避免「学完 Python 忘了为什么」。

第 1–2 月：Python 基础 + 金融市场常识（读一本投资学导论，如博迪《投资学》前半）。里程碑：用 tushare/akshare 拉取沪深 300 成分股日线，画出 K 线与均线。
第 3–4 月：Pandas/NumPy 数据处理 + 收益率、波动率、回撤等基础统计（配合概率论基础）。里程碑：写一个双均线策略的向量化回测，理解每一行在算什么。
第 5–7 月：因子入门——把市值、PE、动量做成因子，学会 IC、分组回测、中性化（因子检验）。里程碑：独立完成一个因子的完整检验报告。
第 8–10 月：回测工程与偏差防控（回测偏差大全）、组合与仓位基础（仓位 sizing ）。里程碑：一个含成本模型、含止损规则的多因子策略回测。
第 11–12 月：模拟盘运行 8 周以上，写实盘日志，对比模拟与回测的偏差并归因。里程碑：能解释「为什么模拟盘跑不过回测」的每一条差异。

最大的弯路：前三个月试图先「学完数学再动手」。数学要在用到时回头补（本库第 01 章按此编写），动手不能等。第二个弯路：把「回测跑通」当毕业——回测通过只是入学考试（见回测偏差）。

路线二：传统投研转型

适合分析师、基金经理等已有金融框架的人。你的优势是对生意与财务的理解（直接迁移到基本面因子）；你的短板是统计与工程，以及两个思维定势：

从「精确的故事」到「分布的验证」：主观投研习惯为一个结论找三个论据；量化要求你先定义「多大样本、什么显著性下我会承认自己错了」（见假设检验）。
从「选牛股」到「构建组合」：单票逻辑再好也要回答组合层问题——暴露、相关性、容量（见组合构建）。

路线：补 Python/Pandas（1–2 月）→ 用你自己最熟悉的财务指标做 2–3 个基本面因子并完整检验（3–4 月）→ 学习回测偏差与执行约束（1–2 月）。里程碑：把你过去最信的一个选股逻辑，做成通过全部稳健性检验的因子。验证信号：你能说出这个逻辑「在什么年份、什么条件下会失效」——说不出失效条件的信念是信仰不是策略。

路线三：程序员转量化

适合有工程背景的学习者。你的优势是工程能力直接覆盖本库第 02、12 章；要补的是市场知识与统计直觉，要警惕的定势是：

「回测通过 = 产品验收」：软件测试找 bug，回测找的是永远存在的不确定性——一个夏普 2 的回测不是「正确」，只是一个假设未被证伪；
过度工程：先造分布式回测平台再研究因子，是程序员转量化最常见的沉没成本。先用 200 行 Pandas 验证三个因子，再决定要不要造轮子（框架选型见量化框架概览）；
微观结构与制度盲区：T+1、涨跌停、集合竞价这些「业务逻辑」会直接改变策略成立性（见A 股量化约束）。

路线：市场常识与市场结构（1 月）→ 统计与因子方法论（3–4 月，重点多重检验与过拟合）→ 用你的工程能力把研究流水线自动化（见任务调度）。里程碑：一个从数据更新到信号推送全自动、带监控告警的策略系统。

路线四：进阶与专家（QR / PM / QE）

已有 1–2 年实践、想职业化或已经从业的路径。三条轨道的能力模型不同：

轨道	核心产出	深耕方向	本库重点章
QR（研究员）	因子与模型的 alpha	统计推断、另类数据、ML、研究纪律	01/04/06/13
PM（基金经理）	在约束下的组合与规模	组合优化、容量、风控预算、产品认知	09/10/11/15
QE（工程师）	保障研究到生产的系统	低延迟、数据平台、回测引擎、运维	02/08/12/14

专家的共同分水岭是研究纪律：能否在数百次「显著」结果中守住多重检验的底线（见避免 p-hacking ），能否诚实地归因每一次回撤（见事后风控）。

无论哪条路线的三条公理

先完整、后完美：跑通全景图五段的最小可用品，再逐段加深；
成本与偏差先行：任何回测，第一件事问「有没有扣成本、有没有前视」；
写下每一步：研究笔记与实盘日志是复利工具（见研究笔记模板）。

关联阅读：量化投资全景图定义了你要学什么；角色分工是路线四的职业地图；术语表随查随用。

角色分工：QR、PM、QE、Trader、风控与数据工程

Mon, 01 Jan 0001 00:00:00 +0000

外界常把量化机构想象成「一群天才数学家炒股」，实际上它更像一家小型科技公司 + 资管公司的混合体：研究、生产、销售、质检各有专业分工。理解分工有两个用途——求职时知道自己要练什么；投资时理解一家量化私募的 alpha 到底是谁生产的。

六个核心角色

角色	一句话职责	核心技能栈	关键产出物	与流水线的接口
QR（量化研究员）	挖掘并验证可复现的预测信号	统计、机器学习、市场知识、Pandas/Python	因子假设、检验报告、模型代码	研究 → 回测
PM（投资经理/组合经理）	在约束下把信号变成组合	组合优化、风险管理、产品与容量认知	目标组合、风险预算、业绩归因	回测 → 风控 → 执行
QE（量化工程师）	让研究与交易可靠地跑起来	系统设计、数据工程、低延迟、DevOps	回测平台、数据管道、交易系统	贯穿全部环节
Trader（交易员）	用最低成本完成建仓调仓	微观结构、执行算法、市场制度	执行算法参数、TCA 报告	执行环节
风控（Risk Officer）	定义并守住亏损的边界	VaR/压力测试、合规、组合监控	限额表、熔断规则、风险日报	风控环节，独立汇报线
数据工程师	保证数据的正确、及时、可追溯	数据库、调度、数据质量监控	PIT 数据库、因子数据集市	数据层（研究的地基）

三个容易被误解的分工细节

QR 不是「想点子的人」。 顶级机构的 QR 日常更像实验室科学家：大部分时间在证伪——子样本检验、参数敏感性、换数据频率复测（见避免 p-hacking ）。想法每小时都有，能活过检验流程的不足 5%，而检验流程本身就是 QE 建的。QR 的产出物不是「一个赚钱的因子」而是「一份经得起追问的检验报告」——报告在，因子死了可以复活评估；报告不在，赚了也说不清为什么。

风控的汇报线是独立的。 成熟机构里风控不向 PM 汇报，而是直接向 CEO/董事会——这是 LTCM 之后全行业的结构性教训：不能既是运动员又是裁判。限额（单票、行业、杠杆、回撤）由风控制定，PM 在限额内自由，触碰限额时系统自动降仓而不是打电话商量（见事中风控）。2021 年 A 股量化超额回撤后各家自查，暴露的普遍问题正是「风控对 PM 的暴露没有独立视图」。

PM 的核心技能不是选股而是「放弃」。 信号再多，组合能承载的风险预算有限：PM 的工作是在换手约束、容量约束、跟踪误差约束下决定用哪些信号、各配多少权重（见多策略资金分配）。同样一批因子，优秀 PM 与平庸 PM 的实盘夏普可以差 50% 以上——差距全部在约束设定与权重纪律。

协作接口：一次因子上线要经过谁

以「新增一个基本面质量因子」为例，看真实流转：

数据工程师：把因子需要的财报字段纳入 PIT 数据库（公告日对齐、修正存档）——缺这步，QR 的回测自带前视（见PIT 数据库）；
QR：完成检验报告（IC/分组/衰减/容量/稳健性），提交评审会——会上被问的问题通常是「换 2021 年以后样本还成立吗」与「和库里哪个因子是一回事」；
QE：因子代码接入生产因子库——版本化、单元测试、与回测同源（见因子存储）；
PM：决定其在组合中的权重与约束——会拿它与现有因子做增量贡献测试；
Trader：更新执行参数——质量因子换手低，成本影响小，可直接并入下一次调仓；
风控：复核组合在新增因子后的暴露变化（风格 z 值、行业偏离），更新限额表的版本号。

一个环节缺席，这个因子就是带病上线。 这条链也解释了为什么个人量化者「既是 QR 又是 PM 又是 QE」时容易翻车：没有第二个人帮你守任何一道闸门。

团队配比与分工的规模效应

机构规模	典型配置	分工特征
< 5 亿	5–10 人	QR 兼 PM，QE 兼数据，风控兼职或由大股东直接盯
5–50 亿	15–40 人	QR/PM/QE 三线分离，风控专职 1–2 人
50 亿+	60 人以上	细分到因子组（量价/基本面/另类各一组 QR）、独立交易平台组、机构级风控

一个粗略的行业感受值：QR : QE ≈ 1 : 0.5–1——工程人手不足的团队，研究吞吐必然被数据质量和系统事故拖垮。这也是判断一家私募「研发成色」的暗线：招聘页上 QR 与 QE 的比例，比「C++/Python」的字样更能说明问题。

个人量化：一人分饰六角

个人量化者没有分工红利，但有「流程换人」的替代方案：把每个角色的职责写成检查表与自动化，用纪律替代人力——

QR → 研究模板与 checklist（第 20 章）；
QE → 调度 + 告警的最小运维（日志监控）；
Trader → 简单执行算法（A 股执行实务）；
风控 → 写进代码的硬限额与熔断（事前风控）；
数据工程师 → 每日质量检查脚本 + PIT 对齐（数据清洗）。

当某项自动化成本超过收益（比如单人不需要灰度发布系统），明确地「不做什么」也是角色认知的一部分。

关联阅读：量化投资全景图看角色如何嵌入流水线；学习路径路线四对应职业化分工；量化私募生态从买方视角评估一家机构的角色完整度。

术语表与符号约定

Mon, 01 Jan 0001 00:00:00 +0000

量化文献的翻译乱象严重：IC 有人译作「信息系数」、information ratio 有人译作「信息比率」，两者一字之差却是完全不同的量。本库所有文章遵循本表约定；阅读外部材料时，也可用它对照口径。

收益与风险

术语	本库含义	备注
超额收益	组合收益 − 无风险收益	超基准收益写作「超额 / excess over benchmark」，注意区分
Alpha（α）	相对定价模型（如 CAPM/多因子模型）的残差收益	不是「跑赢大盘」的口语用法
Beta（β）	对基准（或因子）的敏感度	β=1.2 指基准涨 1% 时组合平均涨 1.2%
波动率	收益率标准差，默认年化	日频 ×√252 换算
最大回撤（MDD）	净值从历史最高点回落的最大幅度	见绩效指标
夏普比率	超额收益 / 波动率	默认年化口径，样本内数字必须给出区间
跟踪误差（TE）	组合收益与基准收益之差的标准差	指增产品的核心约束
信息比率（IR）	主动收益 / 跟踪误差	衡量主动管理能力，非「IC」
VaR / CVaR	在险价值 / 条件在险价值（期望损失 ES）	CVaR 是凸的、可进优化，见风险度量
偏度（Skewness）	收益分布的不对称度	负偏 = 「多数小赚+偶发大亏」，carry 类策略的指纹
水下时间	净值处于历史高点之下的持续时间	MDD 的搭档指标：亏损的「长度」

因子与组合

术语	本库含义	备注
因子（Factor）	对横截面收益差异的一种系统性解释变量	区别于「指标」（Indicator，任意计算量）
因子暴露	个股/组合在因子上的取值	exposure，如组合动量暴露 +0.3
IC（信息系数）	因子值与下期收益的横截面相关系数	默认 Pearson；秩相关称 Rank IC
IR（因子）	IC 均值 / IC 标准差（ICIR）	与组合 IR 同名不同物，靠上下文区分
中性化	剔除因子值中行业、市值等无关暴露	回归取残差法，见因子构建
多空组合	因子最高组做多、最低组做空的组合	因子检验的基准构造；A 股融券受限下多头组才可实现
分组回测	按因子值分 5/10 组分别持有	quintile=5 组，decile=10 组
因子衰减	预测力随持有期延长而下降	半衰期概念见因子检验
风格因子	价值/成长/动量/质量/低波/规模等大类	见因子投资概论
增量贡献	新因子加入后组合 IC/超额的提升	比相关性更严格的入库标准，见因子库
Value spread	因子多空两端的估值价差	拥挤度的代理指标：极端价差常预示绩效反转
N_eff	有效持仓数 = 1/Σwᵢ²	揭穿「名义分散、实质集中」的单一数字

交易与执行

术语	本库含义	备注
滑点	预期成交价与实际成交价之差	价差+冲击+延时的合计，见交易成本分解
冲击成本	自己的订单推动价格产生的成本	平方根模型 `k·σ√(Q/ADV)`
换手率	min(买入,卖出)/平均净值，双边折单边	因子容量估算的输入
TWAP / VWAP	时间加权 / 成交量加权平均价	见执行算法
基差	期货价格 − 现货指数	贴水（负基差）是中性策略主要成本
参与率	自己的订单量 / 市场成交量	POV 算法的控制目标，常限 5%–10%
TCA	交易前/后成本分析	见TCA
IS（实现差额）	决策价 → 成交均价的全差额	执行质量的总账口径

数据与制度

术语	本库含义	备注
PIT	点时（point-in-time）数据库：任一时点只能看到当时已知的信息	防前视偏差，见数据清洗
前视偏差	使用了决策时点不可能获得的信息	回测第一毒药
幸存者偏差	样本只含「活到今天」的标的（退市股、关闭基金）	系统性高估收益
复权	调整分红拆股使价格序列连续	前复权/后复权差异见A 股数据特有问题
ST	特别处理（A 股风险警示），涨跌幅限制 5%	量化通常剔除或单独处理
一致预期	分析师盈利预测的共识值	基本面因子常用输入
ADV	日均成交额（average daily value）	流动性与容量的标尺，常用 20 日均值

机器学习

术语	本库含义	备注
Purged CV	清除训练/验证集标签重叠样本的交叉验证	金融 ML 与普通 ML 的分水岭，见机器学习策略
Embargo	验证期之前再加一段「禁运」训练剔除区	防标签泄漏的时间缓冲
特征泄漏	特征中混入了未来信息	样本外必现形，见特征工程
Walk-Forward	滚动训练→滚动样本外的验证范式	样本外衰减比是过拟合体温计
LTR	Learning to Rank，以排序为目标的学习	与横截面选股天然对齐

数学符号约定

本库行文使用以下记号（站点未启用公式渲染，公式以 Unicode 排版）：

符号	含义
rᵢ,ₜ	股票 i 在第 t 期的收益率
wᵢ	组合中股票 i 的权重，Σwᵢ = 1（无杠杆时）
μ、σ	期望与标准差（年化默认）
Σ（正体上下文区分）	协方差矩阵
ρᵢⱼ	相关系数；σᵢⱼ = ρᵢⱼσᵢσⱼ 协方差
fᵢ,ₜ	股票 i 在 t 期的因子值（横截面）
ICₜ	第 t 期因子 IC 序列
E[·]、Var[·]、Cov[·]	期望、方差、协方差算子
√252	日频转年化频率因子（A 股年交易日）
RCᵢ	资产 i 的风险贡献，Σ RCᵢ = σₚ

三个高频踩坑的口径提醒

IC 的滞后方向：本库默认 IC 是「当期因子值 vs 下期收益」，有些文献写成同期相关——阅读公式先看滞后方向，差一期 IC 能差 40%；
换手率的口径：双边/单边差一倍——比较容量估算与成本拖累时先对齐口径；
「超额」的对齐对象：对无风险利率（夏普用）、对基准（指增用）、对市场（口语）是三个不同的东西——引用别人的超额数字先问「对谁的超额」。

关联阅读：常见误区与伪量化辨析给出术语滥用的高危话术；公式速查汇总本库全部公式的推导级清单。

常见误区与伪量化辨析

Mon, 01 Jan 0001 00:00:00 +0000

量化最大的风险不是「不会」，而是「自信地错着」。本篇是一份负面清单：每一条都对应一种真实存在、且让大量资金灰飞烟灭的思维方式。老手读者请把它当作自查表——重大亏损案例里，几乎都能找到其中不止一条。

八类高危误区

1. 圣杯思维。 相信存在一个「一直有效」的指标或战法。市场的超额收益本质是对承担某种风险的补偿或对他人行为偏差的收割，两者都会随参与者结构变化而衰减（见因子失效与 Regime ）。量化研究的目标是组合许多弱信号并管理其生命周期，不是寻找永动机。事故形态：「找到年化 40% 回测」的庆祝群聊，六个月后集体沉默。

2. 把回测当承诺。 回测回答的是「这个假设在过去是否被证伪」，而不是「未来会赚多少」。年化数字的价值在于比较与归因，不在于预测。经验上，实盘超额普遍低于回测 30%–50%，这个折损才是常态（见回测与实盘差异）。事故形态：按回测年化加杠杆，实盘第一个回撤就击穿平仓线。

3. 过拟合包装。 参数精修到回测曲线完美——7 个参数、12 年样本、每周调仓的自由度下，随机噪声也能「回测出」夏普 3（见回测偏差大全与样本外验证）。识别特征：参数邻域不敏感测试缺失、样本外区间从未公开、换任何起始日期结果剧变。

4. 指标堆砌，无经济学逻辑。 「MACD 金叉 + KDJ 低位 + 布林收口 = 买入」——多个高度相关的技术指标叠加，只是把同一噪声重复计数。每个信号都应回答：你赚的是谁的钱？为什么对方愿意持续给你这个钱？（盈利来源分类见策略类型全谱。）事故形态：五个指标本质都是「超卖」，一次单边下跌同时失效。

5. 忽略成本与容量。 日频高换手策略回测不扣滑点印花税，扣完归零；或者只对小资金成立、放大到千万级就被自己的单子打穿（见换手与容量估算）。小资金回测的暴利几乎都是成本幻觉。算术：日频策略年换手 100 倍 × 单边 0.25% = 25% 成本——先问这个数字再谈信号。

6. 「量化 = 全自动躺赚」。 自动化的是执行，不能自动化的是对策略健康度的持续判断。策略会失效、市场会 Regime 切换、系统会故障。无人值守的应该是运维告警，而不是责任本身（见运维与监控）。

7. 数据挖掘型研究。 跑 1000 个因子挑最好的 10 个，然后为它们编故事。多重比较之下，5% 显著性意味着纯靠运气也会「发现」50 个假因子（见多重检验与 FDR ）。识别问题：「在报告这个结果之前，你试过多少个变体？」——答不出或不愿答的，按最坏情况估计。

8. 幸存者叙事。 只看见跑出来的量化私募（他们管理费在赚钱），看不见清盘的上百家；只引用西蒙斯，不提同期消亡的数百家电荷基金。评估任何「成功案例」先问分母是谁——「量化私募平均年化 X%」的统计若不含已清盘者，直接作废。

五分钟鉴别法：面对一个「策略/产品/课程」

按顺序问五个问题，任何一题答不上来就降级处理：

盈利来源：它声称赚谁的钱？风险补偿、行为偏差、结构性套利，还是「市场上没人注意到」（高危话术）？
检验完整性：有没有扣全成本？样本是否含退市标的？参数邻域稳定性如何？样本外/Walk-Forward 结果在哪？
多重检验：在报告的这个结果之前，尝试了多少个变体？（没有人会主动披露，所以要追问研发流程。）
容量与拥挤度：策略资金规模多大时开始自我侵蚀？同类策略的申报规模变化如何？
失效协议：什么信号出现时承认策略失效并停用？——答不出失效条件的策略，等于没有下限。

三个「高级」误区（老手专属）

用复杂的模型掩盖单薄的假设：LSTM 掉点 0.001 带来的欣慰，常常只是对同一份噪声更努力的拟合。模型复杂度必须由数据量与信噪比支撑（见ML 在量化中的定位）；
把相关性当因果：因子与收益的相关存活了十年，也可能是同一宏观 regime 的共同投影。检验跨周期稳定性，而不是拉长同一周期样本；
研究纪律的形式化：有了 checklist 和自动回测平台，反而批量生产「通过全部检验的平庸因子」。流程管住下限，alpha 上限永远来自对市场结构的洞察。

关联阅读：回测偏差大全是本篇在工程层的展开；经典策略复盘是误区如何变成真实亏损的历史证据；研究 checklist 把鉴别法落成表格。

如何阅读与使用本知识库

Mon, 01 Jan 0001 00:00:00 +0000

本库按「主线 + 支线」组织：00–12 章是量化生产的主流水线（认知 → 数学 → 编程 → 市场 → 数据 → 基本面 → 因子 → 策略 → 回测 → 风控 → 组合 → 执行 → 运维），13–18 章是进阶与专题（机器学习、微观结构、中国市场、技术分析融合、投资哲学、案例复盘），19–21 章是随取随读的传记轨与工具箱。

三种打开方式

系统学习（第一次来）：按章节顺序读主线，每章读完合上页面自问「这一章的 3 个核心概念，能否用自己的话 + 一个交易例子讲出来」。判断自己是否真读懂的三个信号：

能说出概念的数字量级（夏普 1.5 策略需要几年样本才显著？答：t = SR×√年数 > 2，约 2 年——而不是「看情况」）；
能指出概念的失效形态（协整配对怎么死？关系脱钩与流动性踩踏两条路）；
能把概念接进流水线（中性化做完接什么？增量贡献测试，见因子库）。

数学与编程章不必逐字读完——每篇开头都标明了「服务于哪个交易问题」，先读问题与结论，需要时再回来补推导。

工作手册（日常研究时）：用左树按章定位，配合第 20 章的模板使用——写因子报告时开因子检验报告模板，上线前过研究 checklist ，复盘时用实盘日志模板。术语拿不准就回术语表。高频使用的三篇建议置顶收藏：因子检验、回测偏差大全、风控参数配置参考。

休闲传记（想休息时）：第 19 章的人物志可以任意顺序读，每篇独立成文；建议配合第 18 章的案例复盘交叉阅读——传记讲「人怎么做」，案例讲「市场怎么回应」。例如读完西蒙斯再看经典策略复盘，会看到同一批华尔街科学家在两个叙事里的位置。

六个目标导向的阅读组合

不必从第 00 章线性读到第 21 章。几个常见的「目标 → 最小章节集」：

你想达成	最短阅读链
跑通第一个回测	全景图 → 市场结构 → Python 栈 → 回测偏差 → 研究 checklist
做基本面量化	财务比率 → 数据清洗（PIT） → 因子构建 → 基本面因子规范 → 组合
做 CTA / 时序	随机过程 → 时序策略 → 风险管理 → 执行算法
评估量化私募（买方尽调）	私募生态 → 案例库 → 基准选择 → 因子库
上线一个实盘策略	上线流程 → 事前风控 → 日志监控 → 灾备安全
判断「这个策略是不是骗人的」	伪量化辨析 → 多重检验 → 回测偏差 → 经典复盘

每篇文章末尾的「关联阅读」是作者手工挑选的接口，比目录更接近真实的知识依赖。

阅读约定

符号：遵循术语表与符号约定，如 rᵢ,ₜ 为收益率、Σ 为协方差矩阵；站点未启用公式渲染，公式以 Unicode 与行内代码排版；
代码：示例默认 Python + Pandas，可直接粘贴进 Notebook（环境约定见Python 量化栈）；
例子：统一使用交易场景——同一个「协方差」概念，会在最小方差组合里出现一次、在风险平价里出现一次，刻意重复以强化「数学为交易服务」；
口径：收益率默认对数收益；年化按 252 个交易日；夏普默认无风险利率取 0 的相对口径；换手率双边折单边。外部文献口径不一致时，以术语表的对照提示为准；
数字的用法：文中给出的量级（IC 0.03、成本 0.25%、容量 3 亿……）是校准直觉的锚点，不是可直接照抄的参数——它们随市场、规模、费率变化，使用前按自己的环境重算；
时效：制度类内容（涨跌停幅度、印花税率、融券规则、程序化报备）以写作时点为准并标注，使用前请核对最新规则。

持续更新与纠错

本库按「章节 → 篇目」增量更新，更新记录见附录·更新日志。发现事实错误、口径歧义或希望补充的主题，欢迎在文末评论区留言，或通过关于页联系我——所有修订会记录在案。

最后是必须写在最前面的提醒：本库全部内容是研究方法论的整理，不构成任何投资建议；文中出现的策略与数字多用于示范方法，直接照搬实盘造成亏损的，市场不会因为你读过 139 篇文章而网开一面。完整声明见免责声明。