策略类型全谱 on 云栖

按持有期分类：高频、中频、低频与长期

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

策略分类的第一维度永远是持有期——它决定了收益的物理来源、竞争的对手、需要的基建，以及最可能的死法。选定频率是策略设计的第一决策，之后的一切（数据、框架、风控）都要与之匹配。

四类策略速览

维度	高频（日内-分钟）	中频（数日-数周）	低频（月-季）	长期（年+）
收益来源	微观结构、订单流、速度	量价规律、事件、短基本面	因子溢价、财务周期	经济增长、复利、资产配置
典型夏普	3–10+	1.5–3	0.8–1.5	0.5–1（看区间）
容量	小（千万-亿级）	中（数十亿）	大（百亿+）	无上限
竞争壁垒	延迟、数据、撮合	因子库与研究体系	研究深度与纪律	认知与资金性质
最常见死法	规则/结构变化（一招毙命）	拥挤 + 因子衰减	风格长期逆风	在黎明前高杠杆离场

夏普与容量的倒数关系是贯穿表中的主线：信号频率越高、单位时间的统计优势越确定（大数定律，见概率论基础），夏普越高、但每笔优势越薄、吃不下大钱——高频做市每笔赚 half-spread 的几分之一，亿级资金进出就把自己吃穿。低频反之。不存在「高夏普 + 大容量 + 低风险」的三全策略，遇到声称三全的，回伪量化辨析。

高频：速度与微观结构的游戏

盈利机制是「在信息与流动性的不平衡里抢毫秒级的确定性」：做市吃价差、抢单抢排队位置、跨市场价差。三个现实：

军备竞赛的门槛：托管机房、行情专线、FPGA/C++（见低延迟基础）——个人与中小机构在速度维度没有入场券；能做的是「速度不敏感的高频策略」（如统计型日内回归），避开与顶级机构的军备竞赛；
脆弱性：盈利依赖交易与撮合制度的连续性，一次规则调整（手续费、报单限制）可重置整个行业格局——2015 年股指期货限仓让国内期指高频一夜消失，是本土最深刻的样本；
A 股语境：T+1 让股票高频受限，高频玩家的主战场是期货与可转债（见A 股量化约束）。

中频：个人与中小私募的主战场

数日到数周的持有期，是「统计规律与执行成本的甜点区」：量价因子（反转、波动、量价相关性）与事件驱动（财报漂移、指数调仓）在此区间最活跃。它要求的是研究体系的完整性——因子库、检验纪律、成本模型——而非速度或算力，因此成为个人量化最可及的赛道（本库第 06 章的完整方法论基本都服务于这个频率）。

中频的核心风控问题是拥挤：全市场的中频超额高度同源（都吃量价因子），同涨同跌——分散要靠因子结构而不只是参数（见因子库与组合风险）。

低频与长期：研究深度与耐心的游戏

月频以上的基本面多因子、行业轮动、宏观配置。优势：容量大、拥挤度低于中频、因子以基本面为主（与量价拥挤源不同源）。挑战：统计功效天然不足——一年 12 个调仓截面，回测 10 年也只有 120 个样本，显著性检验力弱（见统计推断）；风格逆风的持续期以年计（2017–2020 的价值因子在美股连续跑输成长），心理承受力与资金性质（客户的耐心）成为风控的一部分。

长期配置（年 + 持有）本质进入资产配置领域：收益主要由 β 结构决定（见大类资产配置），策略成分让位于纪律成分（再平衡、再投入）。

信号频率与数据粒度的匹配表

「用什么频率的数据做什么频率的信号」——错配是常见的资源浪费或精度不足：

信号频率	数据粒度	检验/回测注意
高频（秒-分）	Tick/分钟 + L2 盘口	撮合必须用穿越原则；排队与延迟要建模
日内（日-数日）	分钟/日线	隔夜跳空是主要风险源，不能当连续处理
中频（周）	日线	成本敏感性最高，做成本 ×2 压力测试
低频（月-季）	日线（执行）+ 季度财务（信号）	样本量小，多重检验纪律最要紧（见Alpha 研究流程）
长期（年）	年/季财务 + 宏观	回测区间必须含至少一轮完整周期

一条容易忽略的错配：用日频数据设计信号、用月频持有（或反向）——半衰期与调仓频率不匹配，要么为旧信号重复付费（信号衰减完了还拿着），要么为新鲜信号付摩擦（刚建仓就调仓）。算例：某量价因子半衰期 5 日，若按月频调仓，持有到月末时信号强度只剩 2^(-6/5) ≈ 26%——74% 的 alpha 在持仓的后半段是「过期信号」，而你为整段持仓付了成本。衰减曲线是匹配的唯一裁判（见因子衰减）。

关联阅读：接下来的几篇按策略逻辑展开各频率内的具体类型（横截面、时序、统计套利等）；策略组合与 Meta-Strategy 讨论多频率如何共存。

横截面策略：多因子选股、行业轮动与 Smart Beta

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

横截面策略的定义动作是排序：在每个调仓时点，把所有可交易的标的按某个信号排一遍，做多排名靠前的一篮子。它不预测「市场涨跌」（时序问题），只回答「现在谁相对更好」。这个相对性带来一个根本属性：横截面策略可以做到市场中性或基准贴近，超额收益与牛熊弱相关——这是它与时序策略最深的分野。

多因子选股：横截面策略的主力形态

完整链条（本库多章已展开，此处串成一条线）：

股票池定义（剔除 ST/次新/流动性差的，见A 股数据）→ 因子计算与加工（见因子构建）→ 合成与排序（等权/IC 加权，见因子库）→ 组合构造（Top N 或加权优化，见组合构建）→ 调仓执行（见执行算法）→ 归因与监控（见绩效指标与事后风控）。

三个工程重点决定成败：

因子多样性：低相关的 15–25 个正交方向——组合的分散化价值来自相关性结构而非因子个数（200 个同源因子的信息量 ≈ 15 个，见因子案例的相关性矩阵）；
换手控制：缓冲带是性价比最高的技术——「排名跌出 Top 30% 才卖出 Top 20% 的成员」，一行逻辑让换手减半而 IC 损失极小。量级：无缓冲带的 Top50 月频组合年换手约 8–12 倍，加缓冲带后 4–6 倍，按单边成本 0.25% 算 = 每年省 1%–1.5%；
敞口约束：行业/市值/风格的显式限额，决定你赚的是纯 alpha 还是「alpha + 风格择时」——两者都要说清楚，风控才知道该盯什么（见因子暴露监控）。

行业轮动：从选股到选「篮子」

行业轮动把横截面思想从个股上移到行业（申万一级行业、中信分类，见行业与主题）：每月按「行业打分」排序，持有最强 3–5 个行业（用行业 ETF 或行业内选股落地）。行业打分的常用原料：

动量类：行业指数 3–12 月动量（A 股行业动量中期有效性强于个股动量——行业层面的机构调仓惯性更长）；
基本面类：行业景气度（营收/利润同比中位）、分析师上调比例；
宏观映射类：宏观因子状态 → 行业敏感度矩阵（利率下行利好成长/地产链，见宏观因子与资产映射）；
资金类：北向行业流入、行业成交额占比变化。

行业轮动的特点与风险：持有标少（3–5 个）→ 集中度高 → 单行业黑天鹅伤害大（政策一纸文件，见A 股生态）；回测的常见造假是「用当期行业分类回测历史」（申万改版陷阱，见行业分类变更）。落地工具首选行业 ETF——比行业内选股少一层 alpha 噪声，执行也更干净。

Smart Beta 与指数增强：产品化的横截面策略

Smart Beta：把单个或少数风格因子做成透明、低费率的规则化指数产品（红利指数、低波指数、价值指数）。它的本质是因子溢价的封装：不追求超额最大化，追求「以最低成本获得某风格暴露」。对研究者：Smart Beta 指数是免费的「风格基准」——你的价值因子跑不赢红利低波指数，说明还有大量可改进空间（基准的三功能详见基准选择）。

指数增强：以宽基指数为基准（沪深 300/中证 500/1000），目标是「跟踪误差约束下的最大化超额」。它把横截面多因子包进三个硬约束：行业与风格暴露相对基准的偏离上限（风险模型控制，见约束优化）、跟踪误差预算（年化 3%–8% 视产品定位）、个股偏离上限（如相对权重 ±1%）。

指增的管理逻辑值得单独理解：超额 = 因子 alpha + 偏离收益 − 约束成本 − 交易成本。优秀指增 PM 的日常不是「找更强的因子」，而是在约束网格里榨取每一点超额并控制其波动。行业背景知识：A 股指增超额从 2019 年的 20%+ 逐年压缩到个位数（alpha 公共化 + 规模容量），这是评价任何指增产品的时代背景（见量化私募生态）。

三种打法的对照与选择

维度	多因子选股（灵活组合）	行业轮动	指数增强
超额来源	个股因子 alpha	行业配置 + 少量选股	受约束的因子 alpha
风险特征	可中性可灵活	行业集中风险大	贴基准、低跟踪误差
研究重心	因子库与合成	行业景气与宏观映射	风险模型与组合优化
容量	中-大	中（行业容量瓶颈）	大
个人适配	高（小资金灵活）	中（需行业工具）	低（机构产品形态）

关联阅读：横截面的镜像时序策略；把横截面因子组合成完整产品的策略组合；本库的实战示范小市值+质量+低波。

时序策略：趋势跟踪、均值回复与波动率目标

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

时序策略回答的问题是「这个标的接下来会怎样」——与横截面的「谁更好」不同，时序直接暴露方向性风险。它不能被对冲掉市场方向（对冲了就没有策略了），因此风控方式也从「控制暴露」变成「控制仓位与止损」。

趋势跟踪（CTA）：不对称赔付的科学化

趋势策略的逻辑基础是收益分布的右偏化改造：多数信号小亏（假突破），少数信号大赚（真趋势）——胜率 35%–45% 却长期盈利，靠盈亏比吃饭（期望计算见概率论基础）。

把这笔账算清楚（一个典型通道突破系统的年度分布）：

1
2
3
4


年交易 200 笔：胜率 38%，平均盈利 2.8σ，平均亏损 0.9σ
期望/笔 = 0.38 × 2.8 − 0.62 × 0.9 = 1.064 − 0.558 = 0.506σ
年贡献 = 200 × 0.506σ = 101σ ≈ 10σ 的季度单位 × 若干 → 正期望成立
但单月分布：35% 的月份亏损，最长连亏 11 笔 —— 体验是「漫长阴跌 + 偶尔暴富」

经典构造：双均线交叉、通道突破（Donchian）、时间序列动量（过去 N 月收益 > 0 做多，< 0 做空）。学术上（Moskowitz 等 2012 的 time series momentum）确认了横截面动量之外存在独立的时序动量溢价，且在股、债、商品、外汇四大类资产上普遍存在。

三个必须内化的特性：

收益来自少数大行情：2016 年商品趋势、2020 年 3–4 月、2021–2022 年能化——趋势策略 80% 的利润来自 20% 的月份，其余月份缓慢失血。「长期不赚 + 偶尔暴赚」的体验感极差，这是 CTA 容量的心理成本，也是它拥挤度相对可控的原因；
趋势的「冬天」以年计：震荡市里假突破连绵（2011–2013 美股 CTA 连续三年亏损；2022 年后国内 CTA 整体回撤近两年）——趋势策略需要组合化（多品种、多周期、多信号）把冬天的深度磨浅（见策略组合）；
危机 Alpha 是大概率幻觉：CTA 在「有趋势的危机」（2020 年 3 月的持续暴跌）中赚钱，在「V 型反转的危机」（2018 年 Q4、2024 年初小微盘闪崩后立即反弹）中两头挨打——把 CTA 当万能保险买之前，先区分危机的形状（见组合风险）。

均值回复：在「锚」附近做流动性提供者

均值回复赌「偏离会回来」：超跌买入、超涨卖出——本质是给情绪化的市场提供流动性并收取补偿。经典形态：RSI 超卖反弹、布林带回归、日内对隔夜的回复（A 股「尾盘-次日开盘」负相关结构）。

它的风险画像与趋势完全相反（一笔分布对照）：

1
2
3
4
5


均值回复典型年度：胜率 71%，平均赢 0.6%，平均亏 2.5%
期望 = 0.71×0.6 − 0.29×2.5 = 0.426 − 0.725 …… 看似负？
真实策略会控制单笔亏损（硬止损 1.5%）→ 期望转正但极薄
真相：71% 的月份赚钱，但一次「回复失败」（基本面真的变了）
把 8–12 个月的利润一次吐光 —— 左偏分布，与卖保险同构

所以均值回复的风控重心在识别「锚失效」：波动率骤升、基本面事件、价差协整破裂时，回复假设作废——协整监控与停损协议是标配（见随机过程与统计套利）。

趋势与回复是同一枚硬币：任一标的不同周期上既有趋势性又有回复性（Hurst 指数随尺度变化——日频常 < 0.5 偏回复、月频常 > 0.5 偏趋势）。多周期混合（长周期趋势 + 短周期回复）是 CTA 内部的经典分散——两者的盈利时点天然错开。

波动率目标（Vol Targeting）：不是预测，是标准化

波动率目标不是独立信号，而是仓位归一化层：仓位 = 目标波动率 / 预测波动率——市场波动大时自动减仓、平静时加仓，把组合的滚动波动率维持在常数（如年化 10%）。波动预测用 GARCH 或已实现波动率（见随机过程）。

三个实际效果（附量级）：

夏普小幅提升：波动聚集（GARCH 效应）意味着「高波动后仍高波动」——在高波动前减仓避开了部分最差的收益段，回测增益通常 +0.05~0.15 夏普；
回撤深度显著改善：多数大回撤发生在高波动 regime，自动减仓是结构性的防守——MDD 典型收窄 15%–25%；
代价是牛市略跑输：2020 年后美股低波长牛期间，vol targeting 系统性低配，年化少赚 1–2%。它交换掉的是右尾，买回来的是左尾保护——是「资金曲线的形状工程」（见仓位 sizing ）。

给时序策略新手的组合建议：趋势给右尾、回复给胜率感、vol targeting 管左尾——三件套是时序领域的「多因子」等价物；但每件都要单独通过回测并理解其失效形状，然后才谈组合。

关联阅读：趋势策略的仓位纪律风险预算与 Kelly ；商品时序的专属细节大宗商品；时序策略的生产化策略上线流程。

统计套利：配对交易、协整与跨市场

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

统计套利的立场非常谦逊：不预测方向，只赌「关系的稳定」。两个资产的价差因为共同的结构绑定（同行业、产业链、convertible 关系）而围绕均衡波动，我们赚「偏离 → 回归」的钱。本篇以配对交易为主线走完整工程，再延伸到跨品种与跨市场。

配对交易五步工程

第一步：选对（pair selection）

候选对来自经济关系而非统计相似：同行业直接竞品（招行-兴业、伊利-蒙牛）、产业链上下游（钢厂-铁矿）、同指数成分的替代持仓。统计初筛用相关性（ρ > 0.8 的候选对），但相关性 ≠ 协整——相关只说「同涨同跌」，协整才说「价差有锚」。协整检验：Engle-Granger 两步法或 Johansen（多资产），流程见随机过程。同时做经济常识审查：两家公司的绑定关系未来一年会被打破吗（行业整合、监管差异化、商业模式分化）？统计上再美，经济上松绑的对子不要。

第二步：建模（对冲比例与价差）

OLS 回归 log(P_A) = α + β·log(P_B) + ε：β 是对冲比例（1 股 A 配 β 股 B），残差 ε 即价差。两个工程细节：β 的估计窗口（60–120 日滚动 vs 全样本——滚动更适应关系漂移但引入噪声，要检验稳定性）；半衰期估计（OU 拟合的 ln2/λ）——它决定你后面所有时间参数的量纲。

第三步：开平仓规则（阈值与时间止损）

价差标准化为 z-score：z = (spread − 均值)/标准差。经典参数：|z| > 2 开仓（空高买低），z 回 0 平仓（或回 0.5 留半仓），|z| > 3.5 止损。三件事比参数更重要：

阈值来自分布：z 的 ±2 在正态下对应 5% 概率，但价差分布常尖峰厚尾——用经验分位（95%/99.5%）替代正态假设的常数 2/3.5；
时间止损是第二生命线：价差半死不活地横在 1.5σ 上半年，机会成本碾压浮亏——超过 k × 半衰期未回归即平仓退出（k 取 2–3）。只设价格止损不设时间止损的配对策略，死法是「资金被僵尸对子占满」；
开仓时的容量与成本审查：低流动性的 B 腿可能让 half-spread 吃掉半个 z 值的预期利润——预期利润（z 值 × 价差波动）必须显著大于双边成本（见交易成本分解）。算例：z = 2.2、价差日波动 0.8% → 预期回归利润 ≈ 1.8%；若 B 腿双边成本（价差+冲击）合计 1.2%——净剩 0.6% 承担全部协整风险，这笔交易不值得开。

第四步：协整状态监控（策略的免疫系统）

协整是历史统计性质，不会预先通知你失效。滚动监控三指标：滚动 ADF 统计量（持续不显著 → 关系松动）、β 的稳定性（β 漂移超 ±30% → 结构变化）、半衰期漂移（半衰期翻倍 → 回归动力衰减）。任一触发 → 停止新开仓，存量仓位收紧止损。

第五步：死亡协议（写死在代码里）

价差回归失败的形态要先想清楚：基本面脱钩（一家出事另一家没事——价差单向走）与流动性踩踏（危机时所有价差齐飞、对冲腿失效——2020 年 3 月的历史级 spread 爆炸）。协议：单对最大亏损 = 资金的 0.5%–1%；全组合价差类持仓的「平均 |z|」超阈值 = 系统性脱锚预警，整体降杠杆。统计套利的破产从来不是一次大亏，而是一群「肯定回来」的价差同时不回来（LTCM 的价差之死，见经典复盘）。

跨品种套利：产业链的相对价值

价差换成加工利润：螺纹-铁矿（钢厂利润）、油粕比（压榨利润）、原油-成品油裂解价差。与股票配对的差异：商品价差的均值由产能结构决定，产能周期（3–8 年）会让均值本身移动——先做产能/利润率的周期判断（当前利润率处于历史分位哪里），再做统计建模；价差长期处于历史极值不是「必回归」的证据，而可能是产能重构的信号（物理投入产出比对冲比例与产能周期判断，见大宗商品的展开）。

跨市场套利：边界在「收敛通道」

同资产跨市场的价差（A-H 股价差、ETF 折溢价、期现基差）理论上必然收敛——但收敛机制决定可交易性：A-H 价差的收敛通道（H 股转换为 A 股？多数无通道，只有预期收敛）与 ETF 折套利（申赎机制，T+0 可实现）完全不同。没有实物收敛通道的「套利」其实是价差投机——仓位与止损要按投机管理。而有通道的套利（ETF 折溢价、期现）容量大但拥挤，利润被做市商压到毫厘之间，比拼执行与资金成本（见基差与A 股执行实务）。

关联阅读：协整的数学地基随机过程；主成分版本的统计套利见线性代数的 PCA；配对组合的资金分配见多策略资金分配。

事件驱动策略：财报季、指数调仓、定增与回购

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

事件驱动把「公告」当作原子单位：信息在特定时点、以特定规则进入市场，价格反应有窗口、有形状、有可建模的惯性。方法论的通用部分（事件研究、CAR、漂移）见基本面事件驱动，本篇聚焦策略层：四类事件各自的盈利来源、拥挤现状与工程要点。

财报季事件：PEAD 与预期差的兑现

盈利来源：信息扩散需要时间——机构调仓纪律、投资者注意力有限，超预期公司的价格修正分若干天完成（漂移，见因子投资概论的行为解释）。

策略构造要点：

事件截面拥挤：A 股 4 月与 8 月的财报扎堆（同月上千份年报/中报），信号处理与执行都要「批次化」——按公告日滚动建仓而非月末一次调仓，否则「漂移」的一半在你建仓前已走完；
预期差的可交易性分层：大幅超预期（Top 5%）的第一天跳空吃掉近半漂移；**「温和超预期 + 前期滞涨」**的组合残留 alpha 最多——这本质是把 PEAD 与价值/动量因子做了交互增强；
A 股的回补特性：预告日高开过头的次日均值回复显著——同一事件可以正反两面交易（漂移 + 回补），但拥挤后两者都在衰减，逐年监控事件因子的 IC 是这类策略的日常功课（见因子失效）。

指数调仓：最「确定性」的资金流

沪深 300/中证 500 等指数每年 6 月、12 月调整成分，规则事前公开、结果可预判：调入的股票将获得跟踪该指数的被动资金（指数基金 + 指增挂钩盘）的机械买入，调出的被机械卖出。盈利来源是确定性的资金流 vs 弹性的供给。

工程要点：

时点结构：官方名单公布（提前约两周）→ 实施日（6 月第二个周五收盘后）。价格反应分布在两个时点：公告日抢跑 + 实施日尾盘的被动成交冲击。「实施日尾盘买入调入股、次日卖出」的经典窗口近年已被充分研究，超额逐年衰减，但公告日至实施日的区段仍有残余（衰减监控同样适用）；
可预测性是双刃剑：抢跑资金本身成为新的价格力量——大市值调入股的公告日涨幅已接近实施日效应的总和。策略要区分「被动资金规模/该股日均成交额」的比值，比值大的才有肉；
A 股特有约束：调入大盘指数的股票常伴随融资融券标的同步调整，T+1 与涨停限制会扭曲首日价格发现（见A 股约束）。

定增与解禁：供给冲击的两面

定增（折价定向增发）与解禁（限售股到期）是同一主题的两面：可预期的大额供给/需求冲击。

解禁规避是最实用的负面清单：解禁市值/日均成交额 比值高的股票，解禁前 1–2 个月收益分布系统性变差（大股东与 PE 的退出动机明确）。把它做成过滤器挂在小盘组合上，成本近零、收益为正（站内实战复盘见小市值策略原文）；
定增折价套利在 2017 年再融资新规后结构性萎缩（折价上限、锁定期规则改变直接改写了策略参数）——事件策略的教科书教训：制度参数就是策略的命根子，政策文件要当回测输入读；
定增破发/解禁博弈：解禁日前股价被压 → 部分持有人推迟退出 → 解禁后供给真空的修复行情——「解禁后修复」作为正向事件的研究近年渐多，但样本量与制度稳定性都不足，仓位要小。

回购与增持：需要验证的诚意

公告层的事件（回购预案、大股东增持计划）存在**「公告即巅峰」**的问题：A 股大量回购预案最终实施率低。可交易的信号要加验证层：

进度字段：已实施金额/预案金额（数据源见事件库建设）；
方式分层：注销式回购 > 库存股；集中竞价增持 > 协议转让；
组合确认：回购 + 业绩预告向好 + 质量因子分高，三重过滤后的事件才是「管理层用真金白银投票且公司基本面撑得住」。

事件驱动的通用风控

事件策略的风险与因子策略不同源，三条专属纪律：

事件日历的断档风险：财报季拥挤、其余月份荒——收益的时间分布不均，组合层面要与其他信号错峰（见策略组合）；
单事件的方差：事件收益分布厚尾（多数小赚，公告证伪大亏——如重组失败），单事件仓位上限必须远小于因子组合的单票上限；
数据质量依赖度高：公告时间戳（盘后 vs 盘中）、停复牌节奏、文本误读——事件库的清洗错误直接变成错误交易（事件库工程见事件驱动）。

关联阅读：事件研究的统计方法基本面事件驱动；事件信号的因子化因子检验；事件窗口的执行细节A 股执行实务。

期权与波动率策略

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

期权策略的本质是把收益分布按你的形状需求重新雕刻：不要哪里涨跌，而要「波动率的偏差」「时间的流逝」「尾部的厚度」。定价与 Greeks 的基础见衍生品，本篇讲策略层的构造逻辑与风险会计。

三种基础交易：方向、波动、时间

任何期权组合都是三种头寸的叠加，先看清每一支：

方向（Delta）：买入认购 = 带杠杆做多 + 有限亏损；带实值度与时间价值损耗。对股票量化者，期权可作指增强化（卖出虚值认购替代部分持仓的止盈位）或对冲替代（买入虚值认沽替代股指期货贴水的昂贵对冲——代价是付 theta）；
波动率（Vega）：买 IV 便宜、卖 IV 贵。判断「贵贱」的锚是IV 与已实现波动（RV）的差（variance risk premium——长期为正，市场系统性高估未来波动，这正是卖方长期收租的来源）与 IV 期限结构的形状；
时间（Theta）：卖方每日收租、买方每日流血；平值附近 theta 最大，临近到期加速。

策略矩阵：用四个格子代替一百个花名

你认为…	基础结构	收益形状	主要风险
会大涨/大跌，IV 便宜	买入跨式（Long Straddle）	双峰	IV 回落 + 时间流逝（双杀）
不会大涨，愿意放弃上方	备兑（Covered Call）	增强收益封顶	大牛市踏空 + 下跌照亏
小幅震荡，IV 贵	卖出铁鹰（Iron Condor）	有限利润，胜率高	突破行情的有限亏损区间被击穿
会到某价位但不确定何时	日历价差（卖近买远）	时间结构套利	近月被行权 + 波动率期限结构翻转

结构设计的问题清单（比背结构重要）：每条腿的保证金占用与组合减免？到期前多少天移仓（gamma 风险在最后两周指数级上升）？隐含波动率分位进场（IV 的 20 分位以下买、80 分位以上卖的简单纪律胜过多数精细模型）？分红除息与合约调整（A 股 ETF 期权除息调整行权价）？

卖方收租的尾部管理：这是生死题

卖波动率策略的长期统计优势（VRP）真实存在，但收益分布是**「捡钢镚」型**：月月小赚、偶发巨亏。活着的前提是把尾部变成「可控参数」而不是「祈祷」：

硬性风险预算：单组合最大亏损 = 资金的固定比例（如 3%），通过行权价距离与仓位规模倒推——2020 年 3 月、2024 年 2 月级别的行情里，超过 30% delta 的卖方组合没有幸存者；
Gamma 的时钟：临近到期、平值附近的空头 gamma 最致命（delta 对冲频率跟不上价格跳动）——到期前一周强制移仓是纪律不是选项；
对冲工具就位：买深虚值认沽做「保险腿」，或用股指期货动态对冲 delta——把「灾难性亏损」改造为「付保费的普通亏损」；
监控 IV 期限结构的倒挂：近月 IV 超过远月（期限倒挂）= 市场在定价迫近的坏消息，卖方减仓的强信号。

A 股场内期权的现实约束

标的与流动性：场内期权集中在 50ETF/300ETF/500ETF/创业板 ETF/科创 50ETF 等指数期权与少数商品期权——个股期权对内资不开放，个股层面的期权策略不可行，只能用指数期权表达行业/风格的近似（跟踪误差要计入）；
T+0 与保证金：期权买方 T+0（A 股罕见的日内工具），卖方保证金按压力情景动态计算——组合保证金政策的松紧直接改变策略容量；
门槛与工具链：开户门槛（50 万 + 考试 + 模拟）过滤了大部分散户——相对美股，竞争密度低但工具链（行情、希腊字母实时计算、组合保证金试算）需要自建，工程量在策略研究之上（见生产系统）。

波动率预测：策略的信号层

波动率策略的 alpha 来源是你的 σ 预测 vs 市场 IV 定价的偏差。信号库：GARCH 族（条件波动预测，见随机过程）、已实现波动率（日内高频数据的聚合，比日频估计高效）、IV 自身的均值回复特征（高 IV 分位的均值回归最可靠）。把这些信号与 Greeks 会计组装，就是一套完整的波动率量化体系——它的工程复杂度约为股票多因子的 1.5 倍，适合作为第二曲线而非入门赛道。

关联阅读：Greeks 与定价直觉衍生品；卖方的压力测试事前风控；波动率择时进入股票组合的方式见时序策略。

宏观与全球宏观策略（Global Macro）

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

宏观策略的门槛错觉最强：人人都能谈美联储，但把宏观观点变成可回测、可风控的仓位是另一门手艺。量化宏观的本质是承认两件事：宏观变量的发布滞后与修正让精细研判不可靠；但宏观状态对资产回报的条件分布影响稳定——策略应押注后者而非前者。

形态一：宏观因子映射（最稳健）

不预测宏观，只测量暴露：把大类资产/行业/个股对宏观因子的敏感度估出来（回归/因子模型），宏观状态更新时按暴露矩阵调整权重。

因子选择：增长（PMI、工业增加值）、通胀（CPI/PPI）、利率（10 年期、期限利差）、信用（利差）、流动性（M2-社融缺口、美元流动性）；滞后的处理见宏观数据；
映射估计：资产收益对宏观因子变化的滚动回归 → 暴露矩阵。一个务实要点：用「因子意外值」（实际值 − 一致预期）而非绝对水平——市场定价的是意外，2023 年 CPI 连续低于预期对成长股的推动，靠的是「落差」不是「位置」；
组合含义：这是大类资产配置与行业轮动的公共引擎——战术偏离的幅度由宏观状态的置信度驱动，而不是拍脑袋。

形态二：状态机择时（Regime-based）

把宏观简化为有限状态（如「复苏/过热/滞胀/衰退」的美林四象限，或数据驱动的聚类状态，见聚类与 Regime ），每个状态下用历史条件收益确定资产配置，用规则化指标（PMI 方向 × 通胀方向 × 信用利差分位）做状态判定。

三个工程真相：

状态判定的滞后与抖动：宏观指标的发布滞后让状态确认总比现实晚 1–2 个月；指标在阈值附近抖动会造成配置来回跳——用平滑（3 个月移动确认）与滞回（双向阈值：进入需连续 2 个月越界、退出需回到带宽内）压制；
历史状态样本极少：40 年数据里「滞胀」可能只有 5 年——条件收益的估计误差巨大。算一笔账：5 年月度样本 60 个，条件收益均值的标准误 ≈ 波动/√60 ≈ 15%/7.7 ≈ 2%/月 = 年化 6.8% 的估计误差——比多数策略的年化超额还大。所以状态配置的偏离度必须克制（全仓切换是数据不可能支持的自信），半仓偏移是更诚实的上限；
与市场动量的合流：宏观状态判定的信号常与「资产自身的时序动量」晚到且共振——多数宏观择时的实盘效果不优于简单的双均线风险平价（见时序策略），宏观层的正确姿势是控制暴露结构而非频繁择时。

形态三：全球相对价值与利差交易

Global Macro 的传统主菜：做相对而非绝对——多「相对便宜的」空「相对贵的」，把方向风险对冲掉，只留下利差/比价的回归：

利差类：套息（利差 vs 波动调整后的收益，见外汇）、期限利差（做陡/做平曲线）、信用利差（做宽/做窄）；
比价类：跨市场比价（AH 溢价、大小盘比价）、股票 vs 债券的股权风险溢价（ERP 分位择时——A 股 ERP 的极端分位在 3 年维度上有可观的择时价值：ERP 历史分位 > 95% 后的 3 年年化收益，2005 年以来每个样本都为正。它是少数统计功效充足的宏观信号——极端分位 + 长期限让样本量的不足被效应量弥补）；
共同的死亡方式与统计套利同构：收敛通道断裂或拥挤出清（LTCM、carry crash，见统计套利与经典复盘）——相对价值宏观策略的风控重点永远是「关系失效检测」而非「方向看错」。

宏观量化的数据与验证纪律

宏观策略的回测陷阱比股票多一层，四条纪律：

只用可知时点数据：初值、修正值的 PIT 存档（见数据清洗）——用修正后的 GDP 回测当年决策是系统性造假；
样本必须含完整周期：至少覆盖一轮紧缩-宽松循环（2004-2008、2015-2018、2022-2024），只测单边宽松年代会高估一切利率敏感策略；
多重检验加倍警惕：宏观变量两两组合是天文数字（“美债利率 × 铜价 × 社融 × PMI…“总能拟合出神奇组合），预注册纪律（见Alpha 研究流程）在宏观领域更生死攸关；
承认宏观信号的低频本性：年化换手 1–3 倍的宏观配置，贡献的是「不踩大坑」与「风格暴露管理」，别期待它提供月度 alpha——期望错配是宏观策略被废弃的第一原因。

关联阅读：宏观引擎的配置层大类资产配置与经济周期；状态识别的 ML 方法非监督学习；宏观观点的执行工具衍生品。

机器学习策略：从特征到样本外

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

把 ML 用在交易上的正确预期是：它是一个更强大的非线性因子合成器，而不是 alpha 印钞机。数据信噪比极低（月度收益的 R² 上限常在 1%–5%）、样本量相对不足、分布持续漂移——ML 的每一个优势在这里都被打折，每一个过拟合风险都被放大。本篇讲务实的用法；ML 的定位与方法论全景见ML 在量化中的定位。

特征工程：ML 策略 70% 的产出在这里

模型差距（LightGBM vs 线性）通常只有几个点的 IC 提升，特征差距（原始因子 vs 精构特征）常是翻倍的差距。金融特征的三个构造维度（详见特征工程）：

时序维：同一变量的多窗口统计（5/20/60 日动量、波动、偏度）+ 变化率与趋势状态；
截面维：行业内分位、相对行业的偏离、市值域内的排名——把「绝对水平」转成「相对位置」；
交叉维：变量交互（量 × 价 × 波动），树模型能自动学交互，但显式构造「高量低波上涨」这类语义特征仍更稳。

特征筛选的金融特有纪律：相关性聚类去冗余（300 个原始特征的有效维度常只有 30–50）+ 稳定性检验（特征重要性在滚动窗口上的方差——重要性漂移的特征是噪声探测器）。

树模型：金融表格数据的最优默认

**梯度提升树（LightGBM/XGBoost/CatBoost）**是金融 ML 的事实标准，原因务实：表格数据上几乎总优于神经网络；对特征尺度不敏感（省标准化工程）；提供特征重要性（可解释性入口）；训练快（滚动重训的现实约束）。

目标变量的设计比模型选择更重要：

回归目标：下期收益直接回归（信噪比低）→ 改进：波动率标准化后的收益（风险调整残差）、行业中性化后的超额收益；
分类目标：涨跌方向（信息量损失大，胜率 52% 的分类模型可能毫无交易价值——把概率转成期望再评估）；
排序目标：Learning to Rank（LambdaRank）直接优化「排序质量」，与横截面策略的目标函数天然对齐（见监督学习）。

一条关键改造——purged K-Fold（去泄漏交叉验证）：金融时序的标签有重叠期（用 20 日收益做标签，相邻样本共享 19 日数据），随机 K 折会把「未来样本」漏进训练集；正确的 CV 要清除（purge）训练集中与验证集时间重叠的样本并加 embargo（禁运期）。这是金融 ML 与普通 ML 的分水岭细节，写论文与做产品都必须遵守（López de Prado《Advances in Financial Machine Learning》的核心贡献之一）。

深度学习：何时值得上

诚实的答案：多数个人与中小团队不值得。DNN 在金融的价值区间很窄：数据量大（日内高频、订单簿）、输入结构高维（L2 全档位、截面全因子矩阵）、且有专门的特征工程团队时，LSTM/Transformer/TabNet 才开始显著超越树模型（幻方级的 AI 量化正是这个形态，见梁文锋的人物志）。日频 + 数十个特征的典型个人场景，DNN 的过拟合管理成本远超收益（深水区的模型细节见深度学习量化）。

过拟合与样本外：ML 策略的生死线

ML 的表达力让过拟合从「风险」升级为「必然事件」，防线必须成体系：

样本外分层：训练区（最早 60%）→ 验证区（中间 20%，调参与早停）→ 测试区（最近 20%，全程封存，只开一次箱）。开箱后模型定型；「开箱 → 不满意 → 调参 → 再开箱」等于没有测试区；
Walk-Forward 滚动验证：模拟真实使用（滚动训练 + 逐段样本外），绩效只统计样本外段——与传统策略的验证标准统一（见Walk-Forward ）；
复杂度与样本量匹配：经验法则——样本数/特征数 < 50 时，正则化拉满 + 模型降维（线性或浅树）；深度模型只在样本以百万计时考虑；
多重比较加倍：ML 的调参次数（贝叶斯优化动辄上百次试验）本身就是数据挖掘——记录试验次数，绩效做 deflated 校正（见多重检验与AutoML ）；
绩效门槛抬高：ML 策略的样本外夏普能稳定达到传统多因子的 1.2–1.5 倍才算「值得」，因为你要为它的黑箱性、算力与维护复杂度付溢价。

ML 策略的工程形态

生产化的 ML 策略是一个滚动流水线而非一次性模型：每日特征更新 → 周期性重训（月/季，数据漂移的对付手段）→ 模型注册与版本化（新旧模型并行跑影子模式对比，见实验设计）→ 预测落因子库 → 走与普通因子完全相同的组合与风控管线。把 ML 输出当作「又一个因子」而非「另一个世界」——这让 ML 享受既有基础设施（检验、监控、下线协议），也让它的黑箱性被体系约束住（见ML 在量化中的定位的边界讨论）。

关联阅读：特征工程的完整手册特征工程；模型细节的深化监督学习；生产化的流水线任务调度。

策略组合与 Meta-Strategy

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

单个策略的夏普天花板很快到来（数据、容量、拥挤度都在设限），而策略间的分散化是量化界为数不多的「免费午餐」——前提是策略间真的低相关。本篇讲把 N 个策略装进一个账户的工程学：组合的数学、资金的分配、冲突的协调。

为什么要组合：数字的直觉

两个夏普 1、互不相关的策略等权组合 → 组合夏普 ≈ 1.41（√2 倍）。四个不相关 → 2.0。相关性决定一切：若两策略相关性 0.7，组合夏普仅 1.18——「我同时跑了五个策略」与「我有一个分散的组合」是两回事。完整公式：SR_p = ΣwᵢSRᵢ / √(wᵀCw)（C 为策略收益相关矩阵）——分子是「加权的收益」，分母惩罚任何相关性。

而量化策略间的隐性相关性远超直觉：多个中频量价策略在 2021 年超额回撤中同跌，多个 CTA 子策略在 2016 与 2022 年共振——历史相关性矩阵会低估危机时的相关性（相关性崩溃，见组合风险），策略组合的分散化必须用「策略的收益来源」做逻辑层面的检查，不能只看统计。

策略收益来源的分层去重（组合前的必要审计）：

层	问题	例
市场层	都吃同一个市场方向吗？	股票多因子 + 股指趋势（都做多股票）
风格层	都吃同一风格暴露吗？	小市值多因子 + 小市值事件策略
信号层	信号本身相关吗？	反转因子 + 流动性因子（相关性 0.6）
实现层	都依赖同一执行条件吗？	两个高换手策略（都在流动性危机时失效）

资金分配：从等权到风险预算

第一层：等权（基准）。每个策略固定 1/N 资金。零参数、稳健——任何复杂分配先跑赢等权再说。

第二层：波动率倒数加权。wᵢ ∝ 1/σᵢ——让每个策略对组合波动的贡献相近。高频策略（σ 低）自然获得更高权重，低频宏观（σ 高）被压低。改进版用目标波动率归一（vol targeting，见时序策略）。

第三层：风险预算（Risk Budgeting）。直接设定每个策略的风险贡献占比（如趋势 30%、多因子 40%、套利 20%、宏观 10%），用优化器反解权重。这是机构标准做法——因为风控官管的就是风险预算表，资金权重只是风险预算的影子（数学见风险平价）。

第四层：按夏普与容量动态调整。滚动绩效好 → 加权？要警惕绩效追逐的系统性陷阱（策略绩效有均值回复性，加权常加在山顶）。改良：只在策略触发下线协议（因子库的红黄灯）时降权，其余时间保持预算稳定——稳定性本身是超额收益的来源。

冲突协调：信号打架时听谁的

多策略共管一个账户时必然出现指令冲突（趋势策略要做多、反转策略要做空同一标的）。三种架构，按复杂度递增：

资金隔离（Sub-account）：每个策略独立子账户/虚拟账户，互不感知。简单、归因干净，缺点是保证金与流动性无法共享、底层标的重复占用资金；
净额合并（Netting）：信号在标的层面加总后下单（策略 A 买 3%、策略 B 卖 2% → 净买 1%）。省交易成本、容量利用高，代价是归因模糊——需要精细的收益分解引擎才能事后说清每个策略的贡献（见绩效归因）；
组合层统一优化（Overlay）：各策略输出「观点」（预期收益 + 置信度），由组合优化器统一求解（Black-Litterman 的架构，见BL 模型）。理论最优、工程最重，约束表达（行业限额、风格暴露）在此层最自然。

选择的实用标准：策略数 ≤ 3 且彼此独立 → 资金隔离；策略多且同标的交易密集 → 净额合并 + 强归因；机构级多资产 → Overlay。个人最常见的错误是跳过隔离直接净额合并，然后在归因不清的泥潭里失去对每个策略健康度的判断力。

Meta-Strategy：组合层的监控与再平衡

组合本身也需要「策略」：

组合级风控指标：总杠杆、总波动率、单策略风险占比漂移、策略间滚动相关性矩阵（相关性上升 = 分散化在悄悄失效）；
再平衡节奏：策略权重偏离目标 ±20% 再平衡（与资产配置的再平衡纪律同构，见再平衡）；
组合层的压力测试：不只测单个策略的最坏情形，而是测「相关性 → 1」情景下组合的整体回撤——这决定你敢给组合上多少杠杆（见杠杆与保证金）；
Meta 层的学习纪律：每季度复盘「哪类来源的策略在贡献、哪类在失效」，指导新策略的研发方向——组合层的信息反哺研究层的选题（研究流程见Alpha 研究）。

关联阅读：数学基础风险平价与MPT ；冲突协调的高级形态Black-Litterman ；组合的归因与监控绩效指标。