M00 量化投资全景与思维转换

层级：L0 入门与全景 ｜ 优先级：★★★ ｜ 预计学时：8–10 小时 对应原书：黑箱 第 1–2、11 章；陈 第 1、8 章 前置知识：无。需要有实际买卖股票的经验。统计细节查 M01，基本定律的完整推导在 M09。 读书笔记：黑箱第 1–2、11 章地图 · 陈第 1、8 章地图 状态：reviewed 数据截至：2026-09｜最近复核：2026-10-22

---

学习目标

学完本章，你应该能够：

1. 画出量化系统的五模块，并说出每个模块的输入、输出，以及本仓库里对应的代码或实验室。
2. 把一个策略放进「时序 / 截面 / 配置」和「四类收益来源」两张地图，并给出学术出处。
3. 用手算完成夏普、最大回撤、换手成本拖累和杠杆后夏普，并知道哪一步和 src/quant/backtest/metrics.py 对齐。
4. 说明个人投资者在港美股（富途 OpenAPI、IB ib_async）上的主战场，以及印花税、融资利差、做空约束会怎样改写回测。
5. 用至少两个真实事件讲清「拥挤 + 杠杆」的传导链，并指出教学实验室净值里哪些数字不能直接当成实盘预期。

本章知识拓扑图

本章是整套教材的地图。后面每一章都往这张图的某一个模块里填细节。

flowchart TB
    subgraph who[钱从谁手里来]
        RP[风险补偿]
        BH[行为偏差]
        ST[制度与结构]
        LQ[提供流动性]
    end
    subgraph sys[五模块系统 · 黑箱第 2 章]
        D[(数据 M03)] --> A[Alpha 模型<br/>M02 M06 M10]
        D --> R[风险模型<br/>M04 M11]
        D --> C[成本模型<br/>M13]
        A --> P[组合构建 M12]
        R --> P
        C --> P
        P --> E[执行 M13 M15]
        E --> F[绩效归因 M14]
        F -.迭代.-> A
    end
    who --> A
    subgraph seat[个人生态位]
        LF[中低频 · 港美股<br/>富途 / IB]
        PIT[时点数据与幸存者偏差<br/>M03 M08]
    end
    P --> LF
    D --> PIT

五模块在仓库里的落点：

模块	教材	工程路径
数据与研究纪律	M03、M08	src/quant/data/、src/quant/research/、docs/workflow.md
Alpha	M02、M06、M07、M10	src/quant/strategies/、src/quant/factors/、knowledge/Labs/
风险与仓位	M04、M11	src/quant/risk/、docs/risk_policy.md
成本、组合、执行	M12、M13、M15	src/quant/portfolio/、src/quant/backtest/、src/quant/execution/
归因	M14	src/quant/backtest/metrics.py、src/quant/backtest/report.py

---

🟢 入门层：直觉、经济学逻辑与第一性原理

1. 量化在决策链上的位置

量化投资是用可检验的规则代替临场判断。电脑、公式、自动下单都只是工具。规则要同时满足三件事：买什么、买多少、何时卖能写成明确条件；这些条件能在历史数据上被检验，也能在未来被证伪；执行时不因为当天的情绪改规则。

市场里常被混在一起的三个词，决策链位置不同：

名称	规则化的是哪一步	例子	个人投资者
程序化 / 自动交易	下单	盘中看完新闻，手动把「买入 1000 股」交给程序拆单	富途、IB 都能做，本身还不是量化
量化投资	投资决策	「每月末做多过去 12 个月扣除最近 1 个月涨幅最高的一档」	本教材的主线
高频交易	决策 + 微秒级通道	排队抢价差	个人的 API 延迟在几十到数百毫秒，这一层不参与（⊘）

你过去的主观交易里，已经有一部分可以写成规则。比如「跌破 200 日均线就减仓」可以回测；「我认识管理层，所以加仓」写不成可重复的数据条件。写不成的那部分，要单独拿出来问：它是信息优势，还是事后编的故事。

2. 钱是从谁手里赚来的

一条能长期活下来的规则，必须回答：对手为什么在成交的另一侧。教学上把收益来源分成四类。这是地图，是对文献的归纳，没有一个定理证明世界上的收益恰好分成互不重叠的四块。很多策略同时沾两类，研究时要写明主机制。

收益来源	对手是谁	对手为什么成交	代表策略	出处
风险补偿	不愿承担某种风险的持有人	把波动、衰退、流动性枯竭转给你，并支付溢价	价值、规模	Fama & French (1993), JFE 33(1)
行为偏差	反应慢或反应过度的交易者	盈余公告后还在慢慢改预期，或追涨杀跌	截面动量、PEAD	Jegadeesh & Titman (1993), JF 48(1)；Bernard & Thomas (1989), JAR 27：1–36
制度与结构	被迫交易的机构	指数委员会改成分、保证金规则、月末考核	指数纳入	Harris & Gurel (1986), JF 41(4)
提供流动性	急着成交的人	愿意付价差换立即成交	短期反转、做市	Nagel (2012), RFS 25(7)

四个微观场景：

1. 风险补偿。 经济差的时候，高账面市值比的股票往往一起跌。愿意在那种时候继续持有的人，长期拿到的是「衰退风险」的报酬。你赚的是保险费，承保的年份会很难看。
2. 行为偏差。 公司刚公布好于预期的盈利，一部分资金要等研报、等委员会、等下一次调仓，买盘在公告后几周到几个月里慢慢进来。提前按规则买入的人，赚的是别人决策流程的时滞。动量在中期（约 3–12 个月）常被归到这一类；它也会在拥挤时反向崩掉（见案例 4，展开在 M07）。
3. 制度。 某只股票被宣布纳入标普 500，跟踪指数的基金必须在生效日附近买进，不管贵不贵。规则交易者研究的是这股买压的时间表，以及生效之后价格是否回吐。
4. 流动性。 有人因为赎回、保证金、止损必须在今天卖掉。你在宽价差上接盘，赚的是「马上成交」的服务费。服务费在平静日很小，在 2008 年、2020 年 3 月这种别人一起逃命的日子里，接盘的人会先亏一截。

以后每见到一个新因子，先填这张表。填不出对手是谁，就把它送去 M08 的数据窥探清单，先不要加杠杆。

3. 策略谱系：你在回答哪一个问题

量化规则
├─ 时序（这只资产现在该多还是该空）     持有：日 ~ 月     → M02
│    趋势 / 时序动量、均值回归、简单期权叠加
├─ 截面（这一篮子里谁比谁好）           持有：月 ~ 季     → M05–M08
│    因子选股、配对、事件（财报、指数调整）
└─ 配置（各类资产或因子各放多少）       持有：季 ~ 年     → M17
     风险平价、Smart Beta、因子 ETF

时序和截面可以同时为真，因为它们看的时钟不同。Jegadeesh & Titman 的截面动量用的是数月；短期反转（大约一周到一个月）常来自流动性回补。同一只股票可以「这个月相对别的股票强，但这五天涨太多、下周均值回归」。M02 会把时钟拆开。

4. 个人投资者的生态位：港美股、富途与 IB

机构的五模块可以配一个团队。个人账户通常是：一条 Alpha 规则 + 明确的仓位上限 + 成本假设 + 限价或收盘价成交。省略风险模型和执行算法是允许的，省略的后果要写进规则：行业扎堆、冲击成本、成交失败都由你自己承担。

劣势要按市场写实：

摩擦	港股	美股	对策略的含义
印花税	2023-11-17 起，买卖双方各付成交金额的 0.1%（GovHK 印花税税率）	股票交易无港式印花税；卖出侧另有随政策变动的 SEC/FINRA 费用	港股一轮来回仅印花税就约 0.2%，月换仓的高换手规则很难活
做空	需券源，借券费随个股变化，券商可随时召回	易借券的大盘股较容易，小盘和挤仓时费率会跳升	教材里的「多空对冲」在个人账户上经常只能做多
交易时段	开市前时段、持续交易、收市竞价各有规则	常规时段外的盘前盘后价差更宽，很多回测只用常规时段收盘价	用收盘价成交的回测，不要假装自己成交在竞价盘口的中间
数据	财报有公告时点；复权、停牌、交易所转换要单独处理	ADR 与港股正股不是 1:1 价格，汇率每天在变	腾讯 ADR 实验室专门处理这一层，见下文图表

优势同样具体：资金量小，用得了机构容量不够的规则；没有季度排名，可以拿住一年以上的回撤；跟踪误差、行业偏离没有合规上限。欧内斯特·陈把「容量」写成个人量化的核心租金：机构因为规模被迫放弃的规则，小账户还执行得动。

由此得到本项目的主战场：港美股、周或月调仓、以做多为主、先在模拟盘验证。日内和高频不在范围内。模拟盘只在 VPS 上跑，开发机不发单、不写账本（见仓库 AGENTS.md）。

5. 从主观到规则的三步

1. 故事改成可计算的条件。 「护城河深」改成「过去三年毛利率高于行业中位数，且资本开支低于折旧」。改不了的句子不要进回测。
2. 单只股票改成一篮子的期望。 一次看对只说明这一次。Grinold 的基本定律说，信息比率大约是预测相关度乘以独立下注次数的平方根（下一节手算，严格推导在 M09）。个人投资者靠次数，不靠单票神预测。
3. 用过程评价规则。 一笔亏损可以来自正确规则里的正常方差。评价对象是规则在大量独立样本上的期望，以及这个期望被成本、拥挤和制度摩擦削掉之后还剩多少。

---

🟡 进阶层：公式、算法与工程实现

本节的绩效定义与 src/quant/backtest/metrics.py 对齐：一年按 252 个交易日；波动用样本标准差（分母 n − 1）；夏普先减日无风险利率再乘 √252；单边换手等于成交名义金额的一半除以净值。下面每个公式都给符号表、推导和手算。手算是算术检查，不是历史业绩。

6. 收益率、年化与波动

6.1 简单收益与对数收益

Rₜ = Pₜ/Pₜ₋₁ − 1, rₜ = ln Pₜ/Pₜ₋₁ = ln(1 + Rₜ)

符号	含义
Pₜ	第 t 日的复权价格（分红再投资之后的价格）
Rₜ	简单收益率，组合净值相乘时用它
rₜ	对数收益率，跨期相加、近似正态分布时用它

推导：ln(Pₜ/Pₜ₋₁) = ln Pₜ − ln Pₜ₋₁，所以两天的对数收益直接相加。简单收益必须连乘：(1 + R₁)(1 + R₂) − 1。价格下跌 50% 再上涨 50%，简单收益连乘得到 0.5 × 1.5 − 1 = −25%，对数收益相加是 ln 0.5 + ln 1.5 = ln 0.75，再指数回去仍是 −25%。两者描述同一段财富，汇总方式不同。

手算。 Pₜ₋₁ = 100，Pₜ = 100.04。

Rₜ = 0.0004, rₜ = ln(1.0004) ≈ 0.00039992

差在第四位以后。日收益很小的时候，两者几乎一样；出现 ±20% 的单日时必须用简单收益连乘净值，不能把对数收益当成投资者拿到的百分比。

6.2 算术年化、几何年化（CAGR）与波动年化

μ_arith = ¯R × 252, CAGR = (V_T/V₀)^(1/Y) − 1, σ_ann = s(R) √252

符号	含义
¯R	样本内日简单收益的算术平均
V₀, V_T	期初、期末净值，且整段净值都为正
Y	年数。本仓库用 (交易日数 − 1) / 252，见 metrics.py 的 PERIODS = 252
s(R)	日简单收益的样本标准差，分母 n − 1

波动乘 √252 的理由：若日收益近似不相关，N 日收益的方差约等于 N 倍日方差，标准差因而乘 √N。美股常规年份大约 252 个交易日，所以用 √252。月频序列年化才用 √12，两条不能混乘。日收益若强自相关，这个缩放会偏；M01 的 Newey–West 就是在处理这件事。

手算。 日收益恒为 0.04%，日波动 1%，一年 252 天。

μ_arith = 0.0004 × 252 = 10.08%

CAGR = (1.0004)²⁵² − 1 = 10.6033%

σ_ann = 0.01 × √252 = 0.01 × 15.8745 = 15.8745%

本例日收益是常数，复利使 CAGR（10.6033%）高于「日均 × 252」（10.08%）。日收益有波动时，几何平均通常低于算术平均，差额大约是半个方差，M01 再证。对外说「年化收益」时写明是 CAGR 还是算术平均。本仓库绩效表里的 CAGR 是净值复利，夏普里的平均是算术日收益。

7. 夏普比率，以及杠杆为什么不创造夏普

Sharpe = (¯R − r_f/252) / s(R) × √252

符号	含义
r_f	年化无风险利率，按 252 均摊到每个交易日。代码里零波动返回空值，避免除以零得到无穷大
分子	日超额收益的样本均值
分母	日简单收益的样本标准差（n − 1）

这是超额收益的夏普。只拿 ¯R / s(R) × √252 会把现金利率算进「策略技能」。

手算 A（对齐代码的三日样本，只检验算术）。 三日收益 1%、−0.5%、0.8%，r_f = 4%。

¯R = (0.01 − 0.005 + 0.008) / 3 = 0.00433333

r_f/252 = 0.04/252 = 0.00015873

离差平方和除以 3 − 1：

s(R) = √(6.63333 × 10⁻⁵) = 0.00814453

Sharpe = (0.00433333 − 0.00015873) / 0.00814453 × 15.8745 = 8.137

三日样本年化出 8.14，只说明公式跑通了。样本越短，这个数字越不能当成技能。M14 会讲需要多长的记录才能把运气和技能分开。

手算 B（投资决策用的年化简式）。 某策略预期收益 12%，波动 15%，无风险利率 4%。在收益和波动都已经是年化、且融资成本等于无风险利率时：

Sharpe = (0.12 − 0.04) / 0.15 = 0.5333

杠杆 L 表示每 1 元本金持有 L 元资产，另外 L − 1 元按借款利率 r_b 融资。股权收益：

R_E = L R_A − (L − 1) r_b, σ_E = L σ_A

若 r_b = r_f，超额收益和波动同乘 L，夏普不变：

(L(μ_A − r_f)) / Lσ_A = (μ_A − r_f) / σ_A

L = 2、r_b = 4%：股权预期收益 2 × 12% − 4% = 20%，相对 4% 的超额是 16%，波动 30%，夏普仍是 0.16/0.30 = 0.5333。

个人账户的融资利率通常高于国债。设 r_b = 5%：

E[R_E] = 2 × 0.12 − 0.05 = 0.19

Sharpe = (0.19 − 0.04) / 0.30 = 0.500

融资利差把夏普从 0.533 打到 0.500。富途、IB 的融资利率还要再加一层，并且维持保证金在波动放大时会强制减仓——那一步会让你在低点卖掉，夏普公式里的「波动同比例放大」不再成立。半凯利和回撤约束放在 M04，不要在 M00 就把杠杆当成免费的放大镜。

8. 最大回撤

DDₜ = Vₜ / (max_(s≤t) Vₛ) − 1, MDD = minₜ DDₜ

本仓库把回撤存成正的跌幅（峰值到谷值），并记下从峰值到谷值经过的交易日数。对外交流时写清楚符号：下面手算用负号表示「净值掉了多少」。

手算。 净值序列 100, 110, 105, 90, 95, 120。

t	净值	截至当日峰值	回撤
1	100	100	0
2	110	110	0
3	105	110	105/110 − 1 = −4.545%
4	90	110	90/110 − 1 = −18.182%
5	95	110	−13.636%
6	120	120	0

最大回撤是 −18.182%，发生在峰值 110 到谷值 90。后面创新高不会把这段回撤从历史里擦掉。卡玛比率 CAGR/|MDD| 在 M04、M14 用作「每承受一单位深坑换来多少复利」，它对窗口很敏感，单独一个数字不够。

9. 换手与成本拖累

metrics.py 的定义：

τ_单边 = 区间成交名义金额 / (2 × 平均净值)

卖出 0.5 倍净值、同时买入 0.5 倍净值，成交名义金额是 1 倍净值，单边换手是 0.5。单边成本 c（佣金、税费、滑点，按每一元成交计）打在全部成交上：

成本拖累 = 2 τ_单边 c

符号	本例取值	含义
τ_单边	见下	年化单边换手，单位是「倍 / 年」
c	15 bps = 0.0015	每一侧、每一元成交的成本。教学实验室默认这一档，真实港股还要另加印花税

手算。

• 每月换掉一半仓位：年化单边换手 0.5 × 12 = 6。拖累 2 × 6 × 0.0015 = 1.80%/年。
• 每个交易日单边换手 20%：年化单边换手 0.20 × 252 = 50.4。拖累 2 × 50.4 × 0.0015 = 15.12%/年。

15 bps 对美股大盘股的月度调仓是粗略教学假设。港股印花税买卖双方各 0.1%，一轮完整换仓光印花税就接近 20 bps 的量级（卖出旧仓 10 bps、买入新仓 10 bps，再加佣金和价差）。日度换手的规则在个人账户上，成本项会大于多数公开论文里的「毛收益」。

复现：uv run python knowledge/books/figures/M00/plot_cost_leverage.py。

10. 主动管理基本定律（地图级）

信息比率的上界是三件事相乘：准头、真正分开的赌桌、以及手脚被捆住之后还能照做的比例。 IC 是准头，预测和后来的残差收益有多齐，通常只有几个百分点。 BR 是一年里互不相干的赌桌数。同买 100 只银行股，行业涨跌是同一张桌子，BR 接近 1，不是 100。 TC 是知行合一的折扣，想买的方向和实际持仓夹角的余弦。不能做空、不能加杠杆，折扣就小于 1。 下面的式子先写理想情形，再乘上这个折扣。

Grinold (1989, Journal of Portfolio Management 15(3)) 在一系列理想化假设下得到：

IR ≈ IC × √BR

有约束时再乘转移系数 TC ∈ (0, 1]（Grinold & Kahn, Active Portfolio Management, 2000）：

IR ≈ TC × IC × √BR

符号	含义
IC	预测值与后续残差收益的相关系数。截面选股里常见的月度数量级是百分之几
BR	一年内近似独立的下注次数（广度）
TC	理想组合里，有多少主动权重真的下到了账户上。做空限制、行业约束、换手上限都会把它压到 1 以下
IR	信息比率：相对基准的超额收益除以跟踪误差。它和夏普的区别在 M09

平方根从哪里来。把每一注看成一个小策略，信息比率都是 IC，且互不相关。N 个互不相关的信息比率 IRᵢ，最优叠加后的信息比率是 √(Σᵢ IRᵢ²)。各注相同则等于 IR₁ √N。下注次数进到根号里，所以「多看 100 只股票」的贡献是 10 倍而不是 100 倍，而且这 100 次必须近似独立——同一个行业动量算 100 次，广度仍接近 1。

手算。 IC = 0.05，一年 100 次独立下注，TC = 0.5（个人账户不能做空、单票有上限）：

IR ≈ 0.5 × 0.05 × √100 = 0.25

没有约束时是 0.50。0.05 的相关度听起来很小，乘上广度之后才变成可用的信息比率。假设（残差收益结构、预测标准化、独立性）在 M09 逐条拆开。本章只要求你会代这个数，并拒绝把相关的下注重复计数。

11. 可复现代码：防前视的信号与绩效骨架

下面这段不下载数据、不声称任何历史业绩。它做两件事：信号只用 t − 1 及更早的价格；绩效函数与 summarize() 同一套年化。生产回测走 src/quant/backtest/engine.py，不要在教材片段里另写一套撮合。

import numpy as np
import pandas as pd


def sharpe_ratio(daily_ret: pd.Series, risk_free_annual: float) -> float:
    """与 metrics.py 一致：样本标准差、日无风险利率、再乘 sqrt(252)。"""
    r = daily_ret.dropna()
    if len(r) < 2:
        return float("nan")
    std = float(r.std(ddof=1))  # 分母 n-1；总体标准差会在短样本上高估夏普
    if std == 0.0:
        return float("nan")
    daily_rf = risk_free_annual / 252.0
    return (float(r.mean()) - daily_rf) / std * np.sqrt(252.0)


def max_drawdown(nav: pd.Series) -> float:
    """返回负的跌幅，便于和手算表对照。仓库内部存的是正的跌幅。"""
    peak = nav.cummax()
    return float((nav / peak - 1.0).min())


def one_way_turnover(traded_notional: float, nav: float) -> float:
    """成交额的一半才是单边换手。成本要打在全部成交额上，见第 9 节。"""
    return traded_notional / (2.0 * nav)


# 短序列只演示时点：21 日动量在样本外为 NaN，shift(1) 再往右推一天。
price = pd.Series([100.0, 101.0, 103.0, 102.0, 106.0])
momentum = price.pct_change(2).shift(1)

toy = pd.Series([0.01, -0.005, 0.008])
print(round(sharpe_ratio(toy, 0.04), 3))  # 8.137，仅算术核对
print(round(max_drawdown(pd.Series([100, 110, 105, 90, 95, 120.0])), 4))  # -0.1818
# 第 0、1 日没有 2 日收益，第 2 日的动量要到第 3 日才可见。
print(momentum.round(4).tolist())

price 使用复权价。yfinance 要显式 auto_adjust=True，否则分红日会出现假的价格跳空，动量和回撤都会被污染。未复权价只能和单独的分红现金流一起记账，两套不能混用。

实验室里的真实净值（带幸存者偏差声明，见深入层）在：

同一次实验的迭代对比（含一次把收益做差的反面教材）：

这些图由 uv run python -m knowledge.Labs.momentum_lab.run_lab 生成。报告窗口是 2008-07-01 至 2026-09-28，单边成本 15 bps。Iter 5 的 CAGR 29.96%、夏普 1.24、最大回撤 29.72%，是相对同一事后股票池等权基准的教学结果。基准本身的 CAGR 是 21.79%。把 29.96% 当成「动量在美股上的无偏预期」会直接违反 M03 的幸存者偏差纪律。

---

🔴 深入层：边界、争论与 2020 年代的实证

12. 五模块各自会在哪里失效

模块	平静市场里的假设	破裂时发生什么	个人账户最先碰到的形式
Alpha	对手的偏差或风险溢价还在	规则公布后拥挤，溢价被交易掉	公开动量、低波 ETF 拥挤
风险	协方差稳定、因子暴露算得准	相关突然升到 1，分散失效	2020-03、2022 股债同跌
成本	价差和冲击近似常数	流动性蒸发，限价单不成交	小盘、港股竞价、ADR 盘前
组合	权重可以按最优解调整	做空券源消失、保证金上调	多空模型被砍成纯多头，TC 下降
执行	收盘价代表可成交价	信号用了收盘，成交在下一跳	回测用 close、实盘用下一根 open 仍可能滑点

失效往往是几条一起发生。2007 年 8 月的量化危机里，Alpha（相似的多空因子）遇上风险（持仓相关）和执行（大家同时平仓，冲击不再是常数）。只改一个模块的参数，救不了这种周。

13. 两场还没结束的争论

风险补偿还是错误定价。 Fama–French 传统把价值、规模写成风险的价格：便宜股票在差的经济状态下赔付更差，溢价是保险费。行为金融把同一组收益写成反应不足、过度反应和套利限制（Shleifer & Vishny, 1997, JF 52(1)）。对个人投资者，区分的实操意义是仓位政策：若你相信风险补偿，深度回撤时应当有预算继续持有；若你相信错误定价，就要同时监控套利限制是否消失（交易成本下降、参与者变多），消失之后溢价可以永久变薄。M05、M08 展开检验，本章不宣布哪一派获胜。

因子动物园还是贝叶斯复制。 Harvey, Liu & Zhu (2016, RFS 29(1)) 整理了数百个已发表因子，认为在这么多次尝试之后，t 统计量大约要到 3 才值得认真看。Jensen, Kelly & Pedersen (2023, JF 78(5)) 在全球样本上做贝叶斯收缩，结论是一大批特征在收缩之后仍然有样本外表现。两篇可以同时为真：单个研究者在自己电脑上试了 50 个参数，局部仍是数据窥探；全球共同存在的那一小撮特征，又比「全部都是假的」更稳。个人流程采用更严的那一边：先写经济机制，再限制尝试次数，t≈2 的结果只配进观察名单。门槛的推导在 M08。

预测精度可以很低，组合仍可能有用。 Gu, Kelly & Xiu (2020, RFS 33(5)) 报告，个股月超额收益的样本外 R²，三层神经网络在表内是 0.40%，只用规模、账面市值比和动量的 OLS 是 0.16%。0.40% 的 R² 意味着绝大部分波动不可预测。论文同时报告，用这些预测构造的多空组合，样本外夏普可以明显高于这个三变量基准。哪一列是 1.35，写在 M16：那是 NN4 的价值加权多空，不是 NN3。读的时候把两句分开：拟合优度低，描述的是个股；经济价值来自截面排序和分散。M16 再讲为什么普通 K 折交叉验证会在这个问题上泄漏未来。

14. 顶级业绩不能外推到个人账户

Zuckerman《The Man Who Solved the Market》(2019) 记载，文艺复兴科技 Medallion 基金 1988–2018 年费前年化约 66%，费后约 39%。同一机构对外的基金没有这条曲线。公开报道里，2025 年 10 月那轮量化回撤中，其外部股票基金的年内回撤达到两位数（媒体二次来源，引用前请核对原文）。可迁移的事实只有三条：高收益和高换手、低容量绑在一起；外部资金的规模会改变策略；个人账户复制的是规则说明书，复制不了数据、执行和仓位约束。

15. 批评与可以接受的回应

纳兰在《黑箱》里把外界批评收成一组反复出现的句子。可用的回应都是流程，不是口号：

批评	流程上的回应	落到哪一章
量化等于数据挖掘	先写机制和对手，再限制搜索次数，样本外和成本之后还在，才保留	M08、docs/workflow.md
量化会踩踏	假设同业持仓相关，杠杆和同质化暴露单独设上限	M04、案例 1 与案例 3
历史不代表未来	机制消失（规则修改、对手离开）时退役策略，而不是把参数再优化一轮	M02、M17
模型不可解释	个人账户坚持能说出收益来源的规则；机器学习只做研究和辅助	M16

---

真实案例

下面四个事件都有公开复盘或指数编制机构的序列。媒体转述的基金收益率是二次来源，数量级用于理解机制，下单前以原始报告为准。

案例 1：2007 年 8 月量化地震

• 窗口：2007-08-06 至 2007-08-09 连续大幅亏损，随后数日快速修复。
• 背景：次贷压力已经出现，一批多策略基金需要现金，股票多空只是它们账本上最容易变现的一仓。
• 传导：大型基金降低股票多空杠杆 → 卖出共同持有的多头、回补共同持有的空头 → 同行的风险模型显示波动和相关上升 → 同行也减杠杆 → 冲击成本不再是常数。Khandani & Lo (2011, Journal of Financial Markets 14(1)) 用交易数据记录了这几天市场中性组合的异常亏损与反弹。
• 数字：论文记录的是因子组合在那几天的异常日收益，不同复制口径差几个百分点；本章不另造一个「全行业回撤 xx%」。
• 启示：你的「独特 Alpha」若和其他人的动量、价值名单重合，杠杆会把别人的平仓变成你的保证金通知。个人账户的防御是低杠杆和暴露清单，不是更复杂的信号。

案例 2：2022 年趋势跟踪的高光，以及随后的低谷

• 窗口：2022 全年，以及 2023 至 2025 年的一段回撤。
• 背景：通胀和加息形成持续的股债趋势。趋势跟踪在这种环境下靠持有方向赚钱，它在震荡市里会反复止损。
• 数字：Société Générale 的 SG Trend Index 在 2022 年约为 +27%（编制方指数，引用时核对年末水平）；2023 年转为小幅负收益。2024–2025 年公开评论中出现过约 20% 量级的区间回撤（Cambridge Associates 等二次来源）。
• 启示：危机里表现好的规则，会有一到两年的平庸期。M04 的问题是你的生活现金流能不能覆盖这段平庸，而不是再找一个「只在 2022 年有效」的过滤器。

案例 3：2024 年初小微盘拥挤

• 窗口：2024-01-02 至 2024-02-05 前后。
• 背景：大量量化选股产品共享小市值暴露；一部分产品用收益互换加杠杆；雪球产品敲入增加了股指期货的对冲卖盘。
• 传导：小市值因子拥挤 → 杠杆产品净值下跌触发减仓 → 期货贴水加深、基差交易者风险上升 → 现货小盘流动性变差 → 超额收益和绝对收益一起恶化。中证 2000 在上述窗口下跌约三成（指数点位可在中证指数公司核对）。媒体统计的指增超额回撤大约是两位数，各家样本不同。
• 启示：主战场是港美股，这条案例仍然适用。超额可以只是风格 Beta。M14 的归因就是用来回答「我赚的是选股，还是无意中的小盘和行业」。个人投资者没有 DMA 的 4 倍杠杆，但两倍融资已经足够在同类 ETF 赎回时被动减仓。

案例 4：2025 年夏季美股量化回撤

• 窗口：2025 年 6 月至 7 月，以及 2025 年 10 月初的第二段。
• 背景：系统化股票基金持有相似的动量和质量暴露，空头集中在高卖空比例的股票上。
• 传导：低质量股票反弹 → 空头回补推高空头组合 → 动量多头被卖出以降低风险 → 几天内的动量回撤吞噬数月收益。高盛主经纪商曾报道 2025-06-01 至 07-22 系统化股票基金约 −4.2%（经纪商客户样本，不是全市场普查）。MSCI 的评论文章把驱动写成垃圾股反弹、动量抛售和轧空。动量崩溃的经典机制见 Daniel & Moskowitz (2016, JFE 122(2))：动量多头常常是近期强势股，市场急跌时它们的 beta 会升高，跌幅大于历史波动模型的预期。
• 启示：美股是最成熟的市场，因子仍会在几周内回吐。中低频个人账户避开的是「必须在这几周内加杠杆抢反弹」，保留的是「回撤预算事先写进 docs/risk_policy.md」。

---

方法论来源

概念	出处
量化系统的模块结构	Narang, Inside the Black Box, Wiley, 第 2 版 2013，第 3 版 2024
信息比率与基本定律	Grinold (1989), JPM 15(3)；Grinold & Kahn, Active Portfolio Management (2000)
三因子模型	Fama & French (1993), JFE 33(1)
截面动量	Jegadeesh & Titman (1993), JF 48(1)
盈余公告后漂移	Bernard & Thomas (1989), JAR 27(1)
指数纳入的价格压力	Harris & Gurel (1986), JF 41(4)
流动性蒸发与短期反转	Nagel (2012), RFS 25(7)
套利限制	Shleifer & Vishny (1997), JF 52(1)
2007 年 8 月	Khandani & Lo (2011), JFM 14(1)
因子动物园与 t 值门槛	Harvey, Liu & Zhu (2016), RFS 29(1)
全球因子复制	Jensen, Kelly & Pedersen (2023), JF 78(5)
机器学习的样本外 R²	Gu, Kelly & Xiu (2020), RFS 33(5)
动量崩溃	Daniel & Moskowitz (2016), JFE 122(2)
港股印花税 0.1%	香港《印花税条例》修订，2023-11-17 生效，买卖双方各计
绩效定义	本仓库 src/quant/backtest/metrics.py

---

💡 思考回顾与巩固

核心认知纠偏

常见误区	反例	专业用法
用了 API 自动下单就是量化	主观看完图形再让程序下单，决策仍是临场判断	先写决策规则，再决定下单是否自动化
夏普高就可以加杠杆放大收益	借款利率 5%、资产夏普 0.533 时，两倍杠杆的夏普降到 0.50；保证金强平还会在低点成交	先扣融资利差，再设回撤和保证金约束（M04）
单边换手 50%、成本 15 bps，一年只亏 0.9%	单边换手 0.5 对应成交额 1.0 倍净值。月度规则的拖累是 2 × 6 × 0.15% = 1.8%	成本打在每一元成交上，和 metrics.py 的单边定义配套使用
实验室 CAGR 30% 就是策略的期望	动量实验室的股票池是今天的大市值名单，等权基准已有 21.79% 的 CAGR	只引用相对同一股票池的超额，并在实盘研究里改用时点成分（M03）
信息比率约等于 IC 乘以股票只数	100 次独立下注只贡献 √100 = 10；100 只同行业股票不是 100 次独立下注	先问独立性，再乘 TC。个人不能做空时 TC 明显小于 1
回测在收盘价成交，实盘也能成交在那个价格	信号若用了当日收盘才算得出来，当日收盘的成交就是前视	shift(1)，或明确写成「次日开盘 / 次日收盘」并扣价差

费曼自测

用口述回答。写不下来的那一句，就是下一章要补的洞。

1. 五模块里，你准备在第一年亲自建造哪几个？省略的模块会在什么行情下先出问题？
2. 给家人解释：动量赚钱时，钱是从哪一类参与者那里来的？他们为什么还在卖？
3. 为什么港股印花税按买卖双方各 0.1% 计，会直接否决一类美股论文里看起来可行的换手率？
4. 三日样本算出夏普 8.14，这个数字哪一步是对的，哪一步不能拿去比较基金？

自测要点

1. 第一年至少要有数据（复权、时点）、一条 Alpha、一个仓位上限、一个成本假设、一张成交记录。可以暂时没有 Barra 风险模型。省略风险模型时，行业和风格集中会在案例 3、案例 4 那种拥挤里先爆；省略成本模型时，日换仓会在实盘第一季就被印花税和价差吃掉。 2. 中期截面动量对应的是反应偏慢的资金：盈利和价格已经变了，委员会和指数基金还没完成调仓。他们卖（或买得不够快）是因为决策流程、跟踪误差约束和职业风险，不是因为没看见价格。这个机制在拥挤和急跌里会暂时反转，所以要有回撤预算。 3. 美股论文里的 5–10 bps 单边成本，到港股要先加上约 10 bps 印花税（每一侧）。月换仓一半，仅印花税的量级就接近本节 15 bps 教学成本的全部。再叠加价差之后，靠微小价差的日频规则没有个人容量。 4. 对的是公式：减了日无风险利率，用了 n − 1，乘了 √252，和仓库代码一致。不能比较基金，是因为 3 个观测的标准差几乎是噪声，年化把噪声放大了 √252。比较用多年的超额收益分布，并报告最大回撤和换手，见 M14。

四维习题

A. 概念题

1. 用决策链区分量化投资、程序化交易、高频交易，各举一个港美股账户里真实会发生的例子。
2. 画出五模块，标明输入输出，并写上本仓库的一个目录。
3. 价值、截面动量、标普纳入、一周反转，各自更接近四类收益来源中的哪一类？指出可能重叠的第二类。
4. 解释 IR ≈ TC × IC × √BR 里每一个符号。为什么 BR 不能按持仓只数直接填写？

B. 计算题

1. 日收益恒为 0.04%，日波动 1%。给出算术年化、CAGR 和年化波动。算术年化与 CAGR 哪一个等于投资者的复利？
2. 年化收益 12%，年化波动 15%，无风险利率 4%。计算不融资的夏普。若两倍杠杆、借款利率分别为 4% 和 5%，股权夏普各是多少？
3. 单边成本 15 bps。每月单边换手 50%，以及每个交易日单边换手 20%，年化成本拖累各是多少？若改到港股、每一侧另加 10 bps 印花税（佣金和价差仍用 15 bps，即单边总成本 25 bps），月度规则的拖累变成多少？
4. IC = 0.03，一年独立下注 36 次，TC = 1 和 TC = 0.4 的信息比率各是多少？
5. 净值 100, 110, 105, 90, 95, 120。最大回撤是多少？若从谷值算到下一次新高，修复用了几步（按表中的观测次数，不年化）？

C. 编程实战题

1. 用 yfinance 下载 SPY、MTUM、VLUE、USMV 自 2015-01-01 起的日收盘价，auto_adjust=True。计算 CAGR、年化波动、夏普（无风险利率取你写进代码的常数，并在输出里打印这个常数）、最大回撤。信号若要做「过去 21 日动量」，必须 shift(1)。把 2022 年全年和 2025-06-01 至 2025-07-22 两个窗口的收益率单独打印出来。不要把某一次运行的数字抄进笔记当成永久事实；把代码、数据截止日期和无风险利率假设一起留下。

D. 个人实战思考题

1. 写出你过去三笔交易的规则版本。哪一句写不成数据条件？那一句若保留，它将以什么方式破坏回测（前视、不可得数据、还是不可执行）？
2. 在「时序 / 截面 / 配置」里选一到两类作为一年内的主攻，并说明富途或 IB 的做空与税费为什么排除了其余类型。
3. 如果你持有的是一个「量化超额」产品，事前哪三项公开信息能帮助你识别案例 3 那种风格拥挤？这三项在美股因子 ETF 上分别对应什么？

完整参考答案与解析

**A1.** 量化的例子：每月最后一个交易日，按过去 12 个月扣除最近 1 个月的收益对股票排序，等权持有前 20 名，跌破组合波动目标就降仓。决策在收盘后计算，次日执行。程序化的例子：你盘中决定买入腾讯，让 API 按 TWAP 拆成 10 笔，买卖决策仍是你当天做的。高频的例子：在买卖价差上排队，持仓几秒。个人 API 的延迟和券商收费都使第三种不成立。 **A2.** 数据 → Alpha（预期收益或分数）、风险（协方差或暴露）、成本（每笔拖累）。三者进入组合构建，输出目标权重。执行把目标权重变成订单。归因比较成交后的净值与基准，再返回 Alpha。目录示例：`src/quant/data/`、`src/quant/strategies/`、`src/quant/risk/`、`src/quant/backtest/fees.py`、`src/quant/portfolio/`、`src/quant/execution/`、`src/quant/backtest/report.py`。 **A3.** 价值：主机制是风险补偿（衰退状态赔付差），第二类可以是行为上的过度悲观。截面动量：主机制是反应不足，拥挤之后会叠上「别人被迫平仓」的结构因素。标普纳入：主机制是指数基金的强制买盘。一周反转：主机制是提供流动性，接的是短期冲击；若冲击来自公告，则与行为偏差重叠。重叠要写出来，不能为了填表删掉第二句。 **A4.** IC 是预测和后续残差收益的相关。BR 是独立下注次数。TC 是约束留下的可投资比例。持仓 100 只若受同一个行业因子驱动，残差几乎同步，独立次数远小于 100，根号里应填有效次数。M09 给出更正式的广度定义。 **B5.** 算术年化 0.0004 × 252 = 10.08%。CAGR (1.0004)²⁵² − 1 = 10.6033%。年化波动 0.01 × √252 = 15.8745%。投资者的财富复利由净值之比决定，对应 CAGR。算术年化是日均收益的缩放，用于夏普的分子，不能直接当成「一年后账户多出来的百分比」。本题日收益恒定且为正，所以 CAGR 高于算术年化；收益有波动时，常见情况是 CAGR 低于算术平均（M01）。 **B6.** 不融资：(0.12 − 0.04) / 0.15 = 0.5333。借款 4%、杠杆 2：股权收益 0.24 − 0.04 = 0.20，超额 0.16，波动 0.30，夏普 0.5333。借款 5%：股权收益 0.19，超额 0.15，夏普 0.15/0.30 = 0.500。推导用的是 `R_E = L R_A − (L − 1) r_b`，并假设波动随 L 线性放大、中途不被强平。 **B7.** 月度：年化单边换手 6，拖累 2 × 6 × 0.0015 = 0.018。日度：年化单边换手 50.4，拖累 2 × 50.4 × 0.0015 = 0.1512。港股月度：单边成本 25 bps，拖累 2 × 6 × 0.0025 = 0.030，即 3.0%/年。印花税只是制度摩擦里最硬的一项，价差和冲击还要另估（M13）。 **B8.** √36 = 6。TC = 1 时 IR = 0.03 × 6 = 0.18。TC = 0.4 时 IR = 0.4 × 0.18 = 0.072。0.072 的信息比率在扣成本之前就已经很薄，这类低 IC、又被做空限制削掉一截的信号，不值得日频交易。 **B9.** 峰值路径 100, 110, 110, 110, 110, 120。最大回撤 90/110 − 1 = −18.182%。谷值在第 4 个观测，第 6 个观测创新高，中间隔了 1 个观测（第 5 个），从谷值到新高走过 2 步。这是教学序列的步数，不是交易日修复时间。 **C10.** 参考实现只规定计算契约，不内置某日的行情结果。运行后把打印的 `asof` 和四行指标记到自己的笔记，不要回写进教材。

from datetime import date

import numpy as np
import pandas as pd
import yfinance as yf

# 无风险利率是假设，不是模型输出。换一个常数，夏普会变，CAGR 不变。
RF_ANNUAL = 0.04
START = "2015-01-01"
TICKERS = ["SPY", "MTUM", "VLUE", "USMV"]

px = yf.download(TICKERS, start=START, auto_adjust=True, progress=False)["Close"]
px = px.dropna(how="any").sort_index()
# 21 日动量在当日收盘才完整。shift(1) 后，t 日可见的是 t-1 的动量。
mom = px.pct_change(21).shift(1)
ret = px.pct_change().dropna()
years = (len(ret)) / 252.0
cagr = (1.0 + ret).prod() ** (1.0 / years) - 1.0
vol = ret.std(ddof=1) * np.sqrt(252.0)
sharpe = (ret.mean() - RF_ANNUAL / 252.0) / ret.std(ddof=1) * np.sqrt(252.0)
nav = (1.0 + ret).cumprod()
mdd = (nav / nav.cummax() - 1.0).min()

out = pd.DataFrame({"cagr": cagr, "vol": vol, "sharpe": sharpe, "mdd": mdd})
print("asof", date.today(), "rf", RF_ANNUAL)
print(out.round(4))
print("momentum_uses_shifted_signal", bool(mom.iloc[-1].notna().any()))

win_2022 = ret.loc["2022-01-01":"2022-12-31"]
win_2025 = ret.loc["2025-06-01":"2025-07-22"]
print("ret_2022", ((1.0 + win_2022).prod() - 1.0).round(4))
print("ret_2025_summer", ((1.0 + win_2025).prod() - 1.0).round(4))

检查清单：`auto_adjust=True` 已写上；动量经过 `shift(1)`；夏普用样本标准差和 `RF/252`；两个事件窗口只用于观察风格差异。MTUM、VLUE、USMV 是基金净值，包含费用和它们自己的调仓规则，不等于 Jegadeesh–Titman 的学术多空组合。2022 年窗口通常会看到 VLUE 与 MTUM 的相对强弱和全年趋势行情不同；2025 年夏季窗口用来对照案例 4，打印结果以你的下载日为准。 **D11.** 合格的规则版本要包含股票池、信号时点、权重、退出和成本。写不成数据条件的典型句子是「管理层语气变了」「这条新闻很重要」。若把句子留在回测里，常见破坏方式是：用了公告发布之后才改写的新闻数据（前视），或用了个人无法购买的另类数据（不可得），或假设能在涨停、竞价最后一刻按中价成交（不可执行）。保留主观判断可以，但要放在规则之外，单独记录，不能混进夏普。 **D12.** 与本仓库一致的答案是月频截面动量或因子 ETF 配置，加上可选的周频趋势过滤。日频均值回归会被港股印花税和美股小盘价差吃掉。市场中性多空会被券源和借券费卡住，TC 下降后信息比率留不住。期权尾部对冲可以作为卫星，主策略仍是现货中低频（波动率专题在后续 M20）。账户若只有富途、没有稳定的美股借券，就不要把「美元中性」写进第一年的计划。 **D13.** 三项：持仓的市值分位相对基准的偏离、产品杠杆或衍生品名义本金、同策略资金的规模和换手。美股因子 ETF 上分别对应：持仓加权市值或相对 SPY 的规模暴露、ETF 本身通常不加杠杆但你的融资账户会加、同类 ETF 的资产管理规模和折溢价。折溢价和融券费率上升，是案例 4 那种拥挤在个人账户上能看到的公开痕迹。

---

📌 章节知识总结

一句话核心洞察

1. 规则先回答「对手是谁」，再写代码。答不出对手的回测，先去 M08，不加杠杆。
2. 个人主战场是港美股的中低频。印花税、借券和收盘价不可成交，会在公式之外删掉一整类策略。
3. 夏普用超额收益；杠杆在借款利率等于无风险利率时不改变夏普，融资利差和强平会把它变差。
4. 成本打在全部成交额上。月换仓一半、单边 15 bps，年化拖累是 1.8%，日换仓 20% 则是 15.12%。
5. 广度在根号里，而且要独立。教学实验室的高 CAGR 必须和同一股票池的基准一起读，并声明幸存者偏差。

公式与参数速查

名称	表达式	本章使用的前提
简单 / 对数收益	R = Pₜ/Pₜ₋₁ − 1，r = ln(1 + R)	净值用简单收益连乘
CAGR	(V_T/V₀)^(1/Y) − 1，Y = N/252	净值始终为正
年化波动	s √252，s 分母 n − 1	日收益弱自相关；否则见 M01
夏普	(¯R − r_f/252) / s · √252	与 metrics.py 一致；短样本只做算术核对
杠杆后股权收益	L R_A − (L − 1) r_b	未被强平，波动按 L 放大
最大回撤	min(Vₜ / max_(s≤t) Vₛ − 1)	峰值到谷值，创新高不清零历史
成本拖累	2τ_单边 c	τ 是成交额的一半；c 是每一元成交
教学成本	c = 15 bps	美股大盘月频的数量级，不是券商合同
港股印花税	买卖各方 0.1%	2023-11-17 起，以 GovHK 现行税率复核
基本定律	IR ≈ TC · IC · √BR	独立性不满足时不要代入持仓只数
月频 IC 的直觉量级	百分之几	0.05 已经不低；经济价值看 IR 和成本之后
t 值观察门槛	约 3	Harvey, Liu & Zhu (2016) 的建议，证明在 M08

跨模块联结

本章结论	下游	工程落点
决策规则与下单分离	M02 写范式，M15 写券商适配	src/quant/strategies/ 不直接发单；发单在 src/quant/execution/
复权、时点、shift(1)	M03	src/quant/data/、回测引擎的成交时点
成本用单边换手的两倍	M13	src/quant/backtest/fees.py、src/quant/research/costs.py
杠杆和回撤预算	M04	docs/risk_policy.md、src/quant/risk/
IC、BR、TC	M09、M10	研究评估 src/quant/research/evaluate.py
实验室净值不可外推	M08	knowledge/Labs/momentum_lab/README.md 第五节

---

学习指引

• 精读：黑箱第 1–2 章建立模块地图，第 11 章把批评变成流程。配合 读书笔记，笔记只复述论证结构，推导以本章公式为准。
• 对照：陈第 1 章、第 8 章，看个人投资者为什么把容量和低换手放在技术指标之前。笔记在 chan_qt/ch01_08_map.md。
• 延伸：Khandani & Lo (2011) 的 2007 年复盘；Zuckerman (2019) 用来建立容量直觉，不用来设定收益目标。
• 下一步：进入 M02 交易策略范式。年化、t 检验、自相关在 M01 按需回查。

自检清单

• 能默画五模块，并指出一个仓库目录
• 能给四类收益来源各举一篇论文
• 手算过 1.8% 与 15.12% 两档成本，知道 2 从何而来
• 能说明两倍杠杆、借款 5% 时夏普为何变成 0.50
• 能讲清 2007 年 8 月或 2025 年夏季其中一条传导链
• 编程题留下了数据截止日期，没有把单次下载结果写死
• 读实验室净值时能复述幸存者偏差和「相对同池基准」