量化知识体系大纲

适用对象：有主观投资经验、有编程基础的开发型个人投资者。 目标：用约 6 个月建立"能独立研究、回测、构建组合并理解机构方法论"的完整知识框架。 核心参考书（下文用简称）：

简称	书名	定位
黑箱	《打开量化投资的黑箱》里什·K.纳兰（第 ⅔ 版）	全景地图：量化系统的模块化架构，几乎无公式
陈	《量化交易——从入门到精通》欧内斯特·陈	个人实战：策略寻找、回测、执行、凯利资金管理
因子	《因子投资：方法与实践》石川、刘洋溢、连祥斌	方法论核心：因子检验的统计方法与实证
GK	《主动投资组合管理》Grinold & Kahn（第 2 版）	理论巅峰：IR、主动管理基本定律、组合构建

各书章节与模块的完整映射见 books/reading_notes/README.md，自编教程见 books/README.md，执行节奏见 STUDY_PLAN.md。

---

一、知识结构总览

四本书恰好覆盖量化投资的四个层次，本大纲据此划分为 5 个层级、18 个核心模块（M00–M17）。另有 4 个实战专题（M18–M21）补港美股制度、事件驱动、期权辅助和 AI 协同研发，文件落盘前的状态见 books/GENERATION_LEDGER.md。

flowchart TB
    subgraph L0[L0 入门与全景]
        M00[M00 量化全景与思维转换]
        M01[M01 数理统计工具箱]
    end
    subgraph L1[L1 策略与回测 · 时序视角]
        M02[M02 交易策略范式]
        M03[M03 数据与回测工程]
        M04[M04 资金管理与风险控制]
        M18[M18 港美股微观结构与制度]
    end
    subgraph L2[L2 因子投资 · 截面视角]
        M05[M05 资产定价理论]
        M06[M06 因子研究方法论]
        M07[M07 主流因子与异象]
        M08[M08 因子陷阱与研究现状]
        M19[M19 事件驱动与基本面量化]
    end
    subgraph L3[L3 组合管理 · 机构方法论]
        M09[M09 主动管理框架]
        M10[M10 预测与信息分析]
        M11[M11 风险模型]
        M12[M12 组合构建与优化]
        M13[M13 交易成本与执行]
        M14[M14 绩效评估与归因]
    end
    subgraph L4[L4 实战与前沿]
        M15[M15 交易基础设施与实盘运营]
        M16[M16 机器学习与 AI 量化]
        M17[M17 Smart Beta/因子择时/资产配置]
        M20[M20 波动率与期权辅助]
        M21[M21 AI 协同研发与复盘]
    end
    L0 --> L1 --> L2 --> L3 --> L4
    M03 -.回测纪律.-> M08
    M06 -.IC/IR.-> M10
    M04 -.仓位.-> M12

主线逻辑（对应黑箱第 2 章的量化系统架构）：

数据 → Alpha 模型(预测收益) ┐
       风险模型(预测风险)   ├→ 组合构建 → 执行 → 绩效归因 → 迭代
       交易成本模型        ┘

• L1 回答"怎么做一个能赚钱的策略"：以陈为主，偏择时和时间序列，是个人投资者最快上手的路径。
• L2 回答"收益从哪里来、如何科学地验证"：以因子为主，偏截面选股，是专业研究的方法论底座。
• L3 回答"如何把信号变成最优组合"：以 GK 为主，是机构量化的完整框架。
• 黑箱贯穿全程，负责"先建地图、再看细节"。

二、优先级约定

标记	含义
★★★	核心必修，直接决定后续策略质量
★★	重要，理解机构方法论需要
★	选修/拓展，按兴趣或需要学习
⊘	个人投资者可跳过或速览（如高频、复杂计量推导）

---

三、模块详解

L0 入门与全景

M00 量化投资全景与思维转换 ★★★

• 目标：建立量化系统全景图；完成从"主观判断"到"规则化、可检验"的思维转换。
• 核心知识点：量化 vs 主观投资的优劣；量化系统的五大模块（Alpha / 风险 / 成本 / 组合 / 执行）；策略类型谱系（趋势、均值回归、价值、质量、事件、统计套利）；个人量化的优势（容量小、灵活）与劣势（数据、成本、技术）；对量化的常见批评与回应。
• 书籍：黑箱 第 1–2 章、第 11 章；陈 第 1 章、第 8 章。
• 检验问题：
• 画出量化交易系统的模块图并说明每个模块的输入输出。
• 你过去的主观投资中，哪些决策可以规则化？哪些不能？
• 个人量化相对机构的"生态位"在哪里？
• 个性化提示：你已有投资经验，可速览市场基础，重点反思"过去赚钱/亏钱的逻辑能否被数据验证"。

M01 数理统计工具箱 ★★★（按需补课）

• 目标：掌握读懂后续所有模块所需的统计与计量工具。
• 核心知识点：简单/对数收益率、年化；均值、波动率、偏度、峰度、肥尾；协方差矩阵与相关性；OLS 线性回归与几何意义；t 检验、p 值、置信区间；多重假设检验；时间序列：自相关、平稳性、ADF 检验、协整；异方差与 Newey–West 调整（了解）。
• 书籍：GK 附录 C；因子 2.2、2.4.3、2.6；陈 7.3（平稳性与协整）。
• 检验问题：
• 为什么日收益率的年化波动率要乘 √252？
• 一个策略 t 值为 2.1，测试了 50 个参数组合，它显著吗？
• 两个价格序列相关性高，就适合做配对交易吗？
• 个性化提示：不要先系统学完统计再进入后续模块，遇到再补，配合 AI 费曼式讲解。

L1 策略与回测（时序视角）

M02 交易策略范式 ★★★

• 目标：理解主流策略类型的收益来源、适用环境与失效场景。
• 核心知识点：理论驱动 vs 数据驱动 Alpha；趋势跟踪/动量；均值回归；配对交易与协整；市场状态切换（Regime）；季节性/日历效应；离场规则；事件驱动；策略来源渠道与筛选标准（夏普、回撤、容量、与个人条件匹配度）。
• 书籍：陈 第 2 章、第 7 章（7.1–7.3、7.5–7.6）；黑箱 第 3 章。
• 检验问题：
• 动量和均值回归看似矛盾，为什么能同时存在？分别在什么时间尺度上成立？
• 如何判断一个网上看到的策略"貌似可行但实则有坑"？
• 你计划使用的富途/IB 覆盖的港美股市场，适合哪几类策略？

M03 数据与回测工程 ★★★

• 目标：能够搭建无偏、可复现的回测流程，识别所有常见回测陷阱。
• 核心知识点：数据类型（量价、基本面、另类）；复权、幸存者偏差、前视偏差、时点数据（Point-in-Time）；数据清洗与存储；绩效指标（年化收益、夏普、索提诺、最大回撤、卡玛、胜率、盈亏比、换手率）；交易成本建模；样本内/样本外、滚动前推（Walk-Forward）；参数敏感性；科学研究方法（假设 → 检验 → 结论）。
• 书籍：陈 第 3 章；黑箱 第 8–9 章。
• 检验问题：
• 列出至少 6 种回测偏差及各自的检测方法。
• 回测夏普 2.0、实盘只有 0.5，可能的原因有哪些？
• 为什么"不断优化参数直到结果满意"是危险的？
• 关联工程：本模块直接指导项目 src/quant/backtest/ 的设计与 docs/workflow.md 的回测纪律。

M04 资金管理与风险控制 ★★★

• 目标：掌握仓位管理与风控，理解量化策略自身的风险来源。
• 核心知识点：凯利公式与半凯利；最优杠杆；止损的利弊；回撤控制；量化策略固有风险（模型风险、结构变化风险、外生冲击、拥挤/同质化风险，如 2007 年 8 月量化危机）；交易心理与纪律。
• 书籍：陈 第 6 章、7.8；黑箱 第 10 章。
• 检验问题：
• 推导连续复利下的凯利杠杆 f* = (μ − r) / σ²，并说明 75% 乘在超额对数增长上。账户倍数以风险政策的杠杆上限为准。
• 2007 年 8 月量化危机的传导机制是什么？对个人投资者有何启示？
• 为你的账户设定一套风控规则，并说明每条的依据。
• 关联工程：修订 docs/risk_policy.md 的具体数值。

M18 港美股市场微观结构与制度实战 ★★★

• 教程：M18
• 目标：把回测里的「收盘价成交」翻译成富途 / IB 上真实碰得到的时段、竞价、复权和税费。
• 核心知识点：港股开市前时段、持续交易与收市竞价；美股常规时段与盘前盘后；做空、融券与借券费率；保证金与日内规则对个人账户的约束；除权除息、复权与 ADR 比率；汇率与预提税等摩擦。不写绕过券商风控或规避税务申报的做法。
• 书籍：黑箱第 7–8 章（执行与数据）作地图；细则以港交所、SEC、IRS 及券商现行文档为准。
• 检验问题：
• 为什么信号用了当日收盘，就不能按当日收盘价成交？
• 港股一轮换仓的印花税量级如何改变可接受的换手率？
• 腾讯 ADR 与港股正股的价格比，在什么情况下不能当成无风险价差？

L2 因子投资（截面视角）

M05 资产定价理论基础 ★★

• 目标：理解"预期收益从哪里来"的理论框架，这是因子投资的灵魂。
• 核心知识点：统一视角公式 E[Rᵢ] = αᵢ + βᵢ′λ；CAPM 与 β；APT 与多因子模型；随机折现因子 P=E[mx]（了解）；有效市场与行为金融；风险补偿 vs 错误定价；因子、多因子模型与异象的关系。
• 书籍：因子 第 1 章、附录 A；GK 第 2 章、第 7 章；GK 第 8–9 章（估值，★ 选读）。
• 检验问题：
• 用统一视角公式解释：什么是因子？什么是异象？
• CAPM 的 α = 0 约束的是每只资产。Sharpe (1991) 约束的是主动投资者整体：扣费前等于市场。两句话不要合成一句「CAPM 下的零和」。
• 一个因子长期有效，可能是风险补偿，也可能是错误定价，如何区分？

M06 因子研究方法论 ★★★

• 目标：掌握检验一个因子是否有效的完整统计方法，这是本知识库最核心的技能模块。
• 核心知识点：投资组合排序法（单变量/多重排序、分组收益、多空组合）；时间序列回归与截面回归；Fama–MacBeth 回归；因子暴露与因子收益率；异象检验与 Newey–West 调整；GRS 检验与模型比较（★★）；因子正交化；IC、Rank IC、ICIR；广义矩估计 GMM（⊘ 速览）。
• 书籍：因子 第 2 章（2.7 速览）；陈 7.4（因子模型直观入门）。
• 检验问题：
• 完整描述用排序法检验"低市盈率因子"的步骤。
• 时序回归与截面回归分别回答什么问题？
• 为什么需要 Newey–West 调整？
• IC 为 0.03 的因子有投资价值吗？（联系 M09 基本定律）
• 关联工程：未来 src/quant/factors/ 需要实现的因子检验工具清单即来源于此。

M07 主流因子与异象 ★★★

• 目标：熟悉经典因子的定义、成因与实证表现，建立"因子库"认知。
• 核心知识点：市场、规模、价值、动量、盈利、投资、换手率因子（起源 → 成因 → 实证）；主流多因子模型（FF3、Carhart4、FF5、q-factor、Stambaugh–Yuan、DHS）；异象：F-Score、G-Score、预期差、基本面锚定反转、特质波动率；A 股特殊性（小市值、壳价值、反转强于动量）。
• 书籍：因子 第 3–5 章。
• 检验问题：
• 为什么 A 股动量效应弱、反转效应强，而美股相反？
• 价值因子近十年在美股表现不佳，是失效还是周期性回撤？
• 从 FF3 到 FF5 新增了哪两个因子？经济学动机是什么？
• 个性化提示：书中实证基于 A 股；你主要交易港美股，建议后续用 Kenneth French 数据库对照美股结论。

M08 因子陷阱与研究现状 ★★★

• 目标：建立对过拟合、数据窥探和因子失效的深刻警惕，这是个人投资者避免亏损的关键。
• 核心知识点：p-hacking 与"因子动物园"；多重检验修正（Bonferroni、Harvey-Liu-Zhu t>3 门槛）；先验的重要性；行为金融学解释（套利限制、预期偏差、风险偏好偏差）；投资者情绪；因子样本外失效（曝光、拥挤、交易成本）；基本面量化；对量化数据挖掘的批评。
• 书籍：因子 第 6 章（6.1–6.7）；黑箱 第 11 章、第 9 章"检验"一节；陈 3.4。
• 检验问题：
• 为什么学术界建议新因子的 t 值门槛从 2 提高到 3？
• 列出因子发表后收益衰减的三个原因。
• 如何在自己的研究流程中系统性地防止数据窥探？
• 关联工程：补充 docs/workflow.md 的防过拟合清单，并在实验模板中记录"尝试次数"。

M19 事件驱动与基本面量化实战 ★★★

• 教程：M19
• 目标：把财报和指数规则写成可检验的持有期，并处理公告时点。
• 核心知识点：盈余公告后漂移（PEAD）；标准化未预期盈余（SUE）；指数成分调整的价格压力与回吐；回购与内部人交易的公开时点。信号只用公告当时已经公开的数据。
• 书籍：因子第 5 章（异象）；Bernard & Thomas (1989)；Harris & Gurel (1986)。
• 检验问题：
• PEAD 的持有期大约在什么尺度，为什么不是财报发布当天的跳空？
• 用分析师预期时，哪一天的一致预期才不会引入前视？
• 指数纳入效应里，哪一段是公告日到生效日，哪一段是生效之后的回吐？

L3 组合管理（机构方法论）

M09 主动管理框架 ★★★

• 目标：掌握衡量主动管理能力的核心框架，理解"技能 × 广度"。
• 核心知识点：总风险、系统风险、残差风险、主动风险（跟踪误差）；超常收益、基准与附加值（Value Added）；信息比率 IR；主动管理基本定律 IR = IC × √BR；残差风险厌恶与最优主动风险；主动管理的历史业绩（★ 选读）。
• 书籍：GK 第 1 章、第 4–6 章、第 20–22 章（选读）。
• 检验问题：
• IC=0.05、每月对 500 只股票独立下注，理论 IR 是多少？现实为何达不到？
• 为什么量化策略追求"低 IC、高广度"，而巴菲特式投资是"高 IC、低广度"？
• 夏普比率与信息比率的区别和联系？

M10 预测与信息分析（Alpha 模型） ★★

• 目标：学会把原始信号转化为可用的收益预测，并评估信号质量。
• 核心知识点：Alpha = 波动率 × IC × 标准化得分；信号标准化、去极值、中性化；多信号合成；信息分析（IC 分析、分组分析）；信息衰减与信息时间尺度（决定调仓频率）；收益率模型的构建流程（寻找、挑选预测变量、收益预测）。
• 书籍：GK 第 10–13 章；因子 7.1；黑箱 第 3 章"策略实施""混合型模型"。
• 检验问题：
• 为什么要对原始信号做行业/市值中性化？
• 如何根据 IC 衰减曲线确定最优调仓周期？
• 多个相关信号如何合成，才能避免重复计分？

M11 风险模型 ★★

• 目标：理解机构如何度量和控制风险，特别是 Barra 类多因子风险模型。
• 核心知识点：风险的定义与度量；控制风险规模 vs 限制风险类型；结构化多因子风险模型（Barra）；因子协方差矩阵估计与调整（Newey–West、特征值调整、波动率偏误调整）；特质风险；纯因子组合；风险模型之外的风险管理。
• 书籍：GK 第 3 章；因子 7.2；黑箱 第 4 章。
• 检验问题：
• 为什么不直接用样本协方差矩阵，而要用因子模型？
• 纯因子组合是什么？有何用途？
• 个人投资者没有 Barra，可以用什么简化方案替代？

M12 组合构建与优化 ★★

• 目标：掌握把 Alpha 和风险预测转化为实际持仓的方法。
• 核心知识点：基于规则的构建（等权、风险平价、信号加权）；均值—方差优化及其缺陷（误差最大化）；目标函数与约束（仓位、行业、换手、跟踪误差）；Alpha 与风险模型错位问题；多空投资的利弊；个人投资者的简化方案。
• 书籍：黑箱 第 6 章；GK 第 14–15 章；因子 7.3。
• 检验问题：
• 为什么均值—方差优化常被称为"误差最大化器"？如何缓解？
• 规则化构建与优化器构建各适合什么场景？
• 个人账户（资金量有限、港美股、以做多为主）适合哪种构建方法？
• 关联工程：指导 src/quant/portfolio/ 的设计。

M13 交易成本与执行 ★★

• 目标：理解交易成本的构成与建模，掌握降低成本的执行方法。
• 核心知识点：显性成本（佣金、税费）与隐性成本（买卖价差、滑点、市场冲击）；成本模型类型（常数、线性、分段线性、二次）；换手率与成本的权衡；执行算法（TWAP、VWAP、限价单策略）；实施缺口（Implementation Shortfall）；高速/高频交易（⊘ 速览了解生态即可）。
• 书籍：黑箱 第 5 章、第 7 章、第 13–16 章（⊘）；GK 第 16 章；陈 5.2。
• 检验问题：
• 为什么高换手策略在回测中容易被高估？
• 富途/IB 的佣金结构下，日度调仓策略的成本门槛是多少？
• 限价单与市价单在成本和成交率上的权衡？

M14 绩效评估与归因 ★★

• 目标：能够科学地评估策略和基金经理，拆解收益来源。
• 核心知识点：绩效指标体系；收益归因（Brinson、基于因子的归因）；风险归因（风险三要素：权重、波动、相关性）；风格分析（如巴菲特风格分解）；运气 vs 技能的统计检验；评估量化策略与量化交易员的框架（数据、诚信、优势来源）。
• 书籍：GK 第 17 章；因子 7.6–7.7；黑箱 第 12 章。
• 检验问题：
• 一个策略年化 15%，如何判断其中有多少是 β、多少是风格因子、多少是真正的 α？
• 需要多长的业绩记录，才能在统计上区分技能和运气？
• 关联工程：指导 journal/ 月度复盘中"策略归因"的写法。

L4 实战与前沿

M15 交易基础设施与实盘运营 ★★★

• 目标：打通从策略到实盘的最后一公里。
• 核心知识点：账本只有一个写入者，OpenD 只听回环地址；审批先落库，UNKNOWN 停新单；半自动与全自动的时间账；单笔与单名示例上限；实盘偏离回测的核对表。
• 书籍：陈 第 4–5 章、第 8 章；黑箱 第 7 章"交易基础设施"。
• 补充资料：富途 OpenAPI 文档、IB TWS API / ib_async 文档。
• 检验问题：
• 实盘表现偏离回测的常见原因有哪些？如何逐项排查？
• 模拟盘无法暴露哪些实盘风险？
• 关联工程：直接对应路线图 Phase 3（模拟交易）。

M16 机器学习与 AI 量化 ★★

• 目标：理解机器学习在量化中的正确用法与典型陷阱，探索 LLM 的应用边界。
• 核心知识点：个股样本外 \(R^2\) 与多空夏普不是同一个数；NN4 价值加权多空夏普 1.35，NN3 是 1.20；零基准 \(R^2\) 的分母；时间顺序与标签重叠；只做多账户放不下空头腿。
• 书籍：因子 6.8；黑箱 第 17 章（第 3 版第 16 章，含机器学习与 AI 专节）；陈（第 2 版英文）机器学习章节。
• 拓展：López de Prado《Advances in Financial Machine Learning》（★ 进阶）。
• 检验问题：
• 为什么在金融数据上，普通 K-Fold 交叉验证会导致严重过拟合？
• 机器学习模型的"黑箱"问题，对个人投资者的风控意味着什么？

M17 Smart Beta、因子择时与资产配置 ★

• 目标：掌握低成本获取因子收益的方法，以及跨资产配置思路。
• 核心知识点：2022 年的因子连乘、命名的 60/40 和基金净值分开；过去 12 个月符号规则的夏普低于等权；再平衡偏离；市场择时的广度上界。
• 书籍：因子 7.4、7.5、7.8；GK 第 18–19 章。
• 检验问题：
• 对个人投资者而言，直接购买因子 ETF 和自建因子组合各有什么利弊？
• 为什么说"因子择时很难"？
• 个性化提示：因子基金的净值和 French 多空不是同一张成绩单。费率以说明书为准，不要把某一次下载的涨跌抄进笔记。

M20 波动率交易与期权基础辅助策略 ★★（专题）

• 教程：books/L4_practice_frontier/M20_vol_options.md

• 目标：用期权做现货中低频组合的卫星：收入型卖权和尾部保护，不把卖裸期权当成增强收益。

• 核心知识点：VIX 与期限结构的直觉；备兑看涨（Covered Call）；现金担保看跌（Cash-Secured Put）；用看跌期权做尾部对冲；波动率目标化与现货仓位的关系。希腊字母只讲到个人账户能监控的一层。
• 书籍：黑箱中与风险、执行相关的章节作地图；定价公式与保证金以交易所和券商文档为准。
• 检验问题：
• 备兑看涨把上行截断之后，和直接持有现货比，风险转移给了谁？
• 为什么现金担保看跌在保证金上仍然占用现金？
• 波动率目标化在 2020 年 3 月会怎样连续减仓？

M21 AI 赋能的量化研发、除错、优化与复盘 ★★★（专题）

• 教程：books/L4_practice_frontier/M21_ai_quant_workflow.md
• 目标：把 AI 放在契约、静默错误审计、受限优化和三本账复盘上，不放进发单热路径。
• 核心知识点：四项硬契约（as_of / effective_at、总收益指数与未复权整手、Decimal 守恒、先落库且 UNKNOWN 停新单）；十类静默错误；截断不变性、五日夹具、费用单调性；尝试预算；三本账四项加残差，超过 1 bp 停新风险。
• 书籍：计划第 5.3、8.1、9.1 节；黑箱里的基础设施与研究流程作地图。提示词见 prompts/learning_prompts.md。
• 检验问题：
• 第 6 日未来分位偏差为什么是 −0.400000，而向前滚动偏差是 0.000000？
• 为什么费率翻倍后固定成交的净值从 10489.50 降到 10479.00？
• 残差 0.20 和 12.00，哪一笔超过月初净值 100000 的 1 bp？
• 关联工程：src/quant/portfolio/shadow.py、src/quant/risk/gate.py。开发机不连接 OpenD。

---

四、知识库组织方式

知识按三层沉淀，从"读了什么"到"懂了什么"再到"可复用的原子知识"：

层级	目录	内容	粒度
教程	books/Lx_*/Mxx_*.md	自编主教材，分入门/进阶/深入三层，含案例与习题	模块
读书笔记	books/reading_notes/<书名>/	按书、按章记录论证结构，不摘录原文	章
主题知识	modules/Mxx_<主题>/	融合多本书，用自己的话重构知识，是知识库的主体	模块
概念卡片	cards/	一个概念一张卡（如 IC.md、凯利公式.md），含定义、公式、直觉、出处	概念
术语表	glossary.md	中英文术语对照与一句话定义	词条
论文	papers/	经典论文与研报笔记	篇
提示词	prompts/	AI 学习提示词	—

原子化的概念卡片便于日后被 AI 检索和引用，也便于在策略代码的文档中交叉链接。