量化交易(Quantitative Trading)是一个用数学模型、统计方法和计算机程序来驱动投资决策的领域。它不像传统交易那样依赖"盘感"或主观判断,而是把交易规则写成代码,让机器严格按规则执行。量化交易的核心逻辑可以概括为:用数据发现规律,用模型预测趋势,用程序自动化执行 。
传统交易中,基金经理可能会因为一条新闻、一份财报或者直觉判断来买卖股票。而量化交易员会反问:这条规则是否有统计数据支持?它能否被量化成可回测的模型?在历史数据上是否稳定有效?
目前,全球主要金融市场中超过 60%-80% 的交易量由量化或算法驱动(不同市场比例不同)。据估计,美国股票市场中约 70% 的交易量来自量化策略,而在期货和外汇市场,算法交易的占比更高。从高频做市商到大型对冲基金,量化交易已经彻底改变了金融市场的生态。
典型的量化交易工作环境:多屏监控市场数据、策略运行状态和实时风控指标
量化交易的思想可以追溯到学术界的早期研究:
1952年 :Harry Markowitz 发表《投资组合选择》,提出现代投资组合理论(MPT),用数学方法解决"如何最优分配资金"的问题。该理论的核心数学表达式为:
min w w T Σ w s.t. w T μ = μ p , ∑ w i = 1 \min_w w^T \Sigma w \quad \text{s.t.} \quad w^T \mu = \mu_p, \quad \sum w_i = 1
w min w T Σ w s.t. w T μ = μ p , ∑ w i = 1
其中 w ww 是资产权重向量,Σ \SigmaΣ 是协方差矩阵,μ \muμ 是预期收益率向量。这一框架首次将投资决策形式化为一个优化问题。
1960年代 :Eugene Fama 提出有效市场假说(EMH),将随机游走理论引入金融学,奠定了市场效率的理论基础。
1973年 :Fischer Black 和 Myron Scholes 发表 Black-Scholes 期权定价模型,第一次用连续时间数学为衍生品定价。该模型的核心公式为:
C ( S , t ) = S 0 N ( d 1 ) − K e − r T N ( d 2 ) C(S,t) = S_0 N(d_1) - K e^{-rT} N(d_2)
C ( S , t ) = S 0 N ( d 1 ) − K e − r T N ( d 2 )
其中 d 1 = ln ( S 0 / K ) + ( r + σ 2 / 2 ) T σ T d_1 = \frac{\ln(S_0/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}d 1 = σ T l n ( S 0 / K ) + ( r + σ 2 /2 ) T ,d 2 = d 1 − σ T d_2 = d_1 - \sigma\sqrt{T}d 2 = d 1 − σ T 。
数值示例 :假设股票现价 S 0 = 100 S_0 = 100S 0 = 100 ,行权价 K = 105 K = 105K = 105 ,无风险利率 r = 5 % r = 5\%r = 5% ,波动率 σ = 20 % \sigma = 20\%σ = 20% ,剩余期限 T = 1 T = 1T = 1 年,则计算可得看涨期权价格约为 9.42 9.429.42 。
随着计算机技术的进步,华尔街开始系统性地引入量化方法:
1980年代 :Jim Simons 创立文艺复兴科技公司(Renaissance Technologies),招募数学家、密码学家和物理学家而非传统金融背景的人,打造了著名的 Medallion 基金——自 1988 年至 2018 年的平均年化回报率约 66%(扣除费用前),至今仍是全球回报率最高的对冲基金。
1990年代 :Barclays、Morgan Stanley 等投行开始组建量化研究团队。D.E. Shaw 等纯量化对冲基金成立。
这一时期,统计套利(Statistical Arbitrage)和配对交易(Pairs Trading)成为主流策略。1995 年,Morgan Stanley 的量化团队首次在学术论文中正式描述统计套利方法。
2000年代初 :电子通信网络(ECNs)和直接市场接入(DMA)技术的发展使算法交易成为可能。纽交所和纳斯达克逐步从人工喊价转向电子交易。
2005年 :美国 SEC 颁布 Reg NMS(国家市场系统规则),强制要求交易所提供最佳执行价格,推动了自动化做市的发展。
2008年金融危机 后,市场对风险管理和系统化投资的需求急剧增加,量化策略的资产管理规模(AUM)大幅增长。危机本身也暴露了传统量化模型的不足——许多在正常市场有效的策略在极端条件下失灵。
2010年"闪电崩盘"(Flash Crash) :道琼斯指数在约 36 分钟内暴跌近 1000 点(约 9%),虽然快速恢复,但暴露了高频算法交易的系统性风险,也促使监管机构加强对量化交易的关注。
机器学习,特别是深度学习,被广泛应用于因子挖掘、信号生成和组合优化。例如,LSTM 和 Transformer 架构被用于时间序列预测,梯度提升树(XGBoost、LightGBM)则因子挖掘的标准工具。
自然语言处理(NLP)技术用于分析财经新闻、财报电话会议记录和社交媒体情绪。BERT 和 GPT 系列模型被用于从非结构化文本中提取交易信号。
强化学习被尝试用于动态执行优化和做市策略。2018 年 J.P. Morgan 的论文展示了深度 Q 学习在最优执行中的应用。
另类数据(Alternative Data)市场快速增长:卫星图像(追踪零售停车场车辆数预估销售额)、信用卡交易数据、网页抓取等非传统数据源成为新的 Alpha 来源。预计另类数据市场规模在 2025 年已超过 300 亿美元。
timeline
title 量化交易发展里程碑
1952 : Markowitz提出MPT
1973 : Black-Scholes期权定价模型
1982 : Jim Simons创立文艺复兴科技
1990 : 统计套利与配对交易兴起
2005 : Reg NMS推动电子化交易
2008 : 金融危机后风险管理需求激增
2010 : 闪电崩盘暴露高频交易风险
2015 : 机器学习大规模引入量化研究
2020 : 深度学习与NLP成为标配
2023 : 大语言模型用于情感分析与信号生成
量化交易的完整工作流通常包括以下六个步骤,形成了一个从研究到执行的闭环:
flowchart TD
A[假说形成] --> B[数据获取与清洗]
B --> C[因子分析与信号生成]
C --> D[策略构建与组合优化]
D --> E[回测验证]
E --> F{回测结果满意?}
F -->|否| A
F -->|是| G[实盘执行与监控]
G --> H[绩效归因与反馈]
H --> A
从市场观察或学术文献出发,形成一个可检验的交易假说。例如:"低波动率股票在长期内跑赢高波动率股票"(低波动率异象)。
具体案例 :2014 年 Baker、Bradley 和 Wurgler 的研究发现,将美股按过去 60 个月波动率分为五组,波动率最低的组合年化收益率约 14%,而波动率最高的组合年化收益率仅约 6%——低波动率组合的累计收益在 40 年间超过高波动率组合 10 倍以上。
量化交易对数据质量高度敏感。常见的陷阱包括:
幸存者偏差(Survivorship Bias) :只分析现在还在交易的公司,忽略了已经退市的公司。据统计,不处理幸存者偏差会使回测收益高估 2%-4% 每年。
前视偏差(Look-Ahead Bias) :使用了未来才能知道的信息来做决策。例如在回测中使用当时尚未发布的财务报表数据。
数据错误 :分红调整错误、价格反转、缺失值处理不当。
时间戳对齐问题 :不同数据源的时间戳精度不同,错误对齐会导致虚假的套利信号。
将原始数据转换为预测信号。常见因子类型:
数值示例 :假设某股票过去 12 个月的月收益率为 [2%, -1%, 3%, 0.5%, -0.5%, 4%, 1%, -2%, 3.5%, 0%, 2.5%, 1.5%],其动量信号值为过去 12 个月的累计收益率(剔除最近 1 个月):
最近 1 个月收益率 = 1.5%
过去 11 个月累计收益率 = (1.02 × 0.99 × 1.03 × 1.005 × 0.995 × 1.04 × 1.01 × 0.98 × 1.035 × 1.00 × 1.025) - 1 ≈ 16.2%
动量因子值为 16.2%,属于较强的正动量信号。
因子类别
示例
逻辑
动量因子
过去 12 个月收益率(剔除最近 1 个月)
趋势延续
价值因子
市净率(P/B)、市盈率(P/E)
估值回归
质量因子
ROE、毛利率、资产负债率
公司质量
低波因子
过去 60 个月日收益率的年化波动率
低风险异象
情绪因子
新闻情感评分、看涨/看跌期权比
市场情绪
更多内容参见:因子模型 和 Alpha 与 Beta 。
将多个信号组合成统一的交易策略。这一步涉及:
信号加权 :等权、波动率倒数加权、信息系数(IC)加权
组合约束 :行业中性、市值中性、杠杆限制、换手率约束
风险预算 :每个因子的风险贡献控制
一个简化示例 :假设有两个因子信号——动量因子(IC = 0.08,波动率 20%)和价值因子(IC = 0.05,波动率 15%),相关性 0.3。采用均值-方差优化可得最优权重,使得组合信息比最大化:
\textIR = \frac\textIC \times \textsqrt(N)\sqrt1 + (N-1) \bar\rho
其中 N NN 是股票数量,ρ ˉ \bar{\rho}ρ ˉ 是股票间平均相关性。
更详细的讨论参见:组合构建 。
在历史数据上模拟策略表现。好的回测必须做到:
样本内 vs 样本外 :将数据划分为训练集和测试集(如 70%/30% 或使用滚动窗口)
交叉验证 :不同市场周期下表现是否一致
过拟合防范 :参数稳定性测试、随机标签检验(Deflated Sharpe Ratio 检验)
关键指标对比 :
指标
公式
回测合理值
星级策略
年化收益率
( Final/Initial ) 1 / Y − 1 (\text{Final/Initial})^{1/Y} - 1( Final/Initial ) 1/ Y − 1
10%-25%
>30%
夏普比率
( R p − R f ) / σ p (R_p - R_f)/\sigma_p( R p − R f ) / σ p
0.5-1.5
>2.0
最大回撤
max ( Peak − Trough ) \max(\text{Peak} - \text{Trough})max ( Peak − Trough )
10%-25%
<10%
卡玛比率
年化收益率 / 最大回撤 \text{年化收益率}/\text{最大回撤}年化收益率 / 最大回撤
0.5-1.5
>2.0
胜率
盈利交易日 / 总交易日 \text{盈利交易日}/\text{总交易日}盈利交易日 / 总交易日
45%-60%
>60%
盈亏比
平均盈利 / 平均亏损 \text{平均盈利}/\text{平均亏损}平均盈利 / 平均亏损
1.2-2.0
>2.5
回测中常见的误区包括:过度优化参数、忽略交易成本(佣金、滑点、市场冲击)、忽略流动性限制。
详细讨论参见:回测 。
策略上线后的实时执行和持续监控:
执行算法 :TWAP(时间加权均价)、VWAP(成交量加权均价)、POV(成交量百分比)
订单类型选择 :限价单 vs 市价单、冰山订单
实时风控 :止损、敞口限制、杠杆监控
性能归因 :跟踪每日的盈亏来源
VWAP 执行示例 :假设需要在未来 5 小时内买入 100,000 股某股票。根据历史交易量分布,制定如下执行计划:
时间段
预计成交量占比
执行数量
累计
VWAP算法目标
10:00-11:00
22%
22,000
22,000
跟踪 VWAP
11:00-12:00
18%
18,000
40,000
跟踪 VWAP
12:00-13:00
15%
15,000
55,000
跟踪 VWAP
13:00-14:00
22%
22,000
77,000
跟踪 VWAP
14:00-15:00
23%
23,000
100,000
跟踪 VWAP
详细讨论参见:交易执行 。
量化策略可以按多种维度分类。以下是几种经典类型及其内在逻辑:
假设价格趋势会延续,使用移动平均线、突破信号等技术指标。典型策略包括时间序列动量(TSMOM)和横截面动量(XSMOM)。
时间序列动量示例 :如果标普 500 指数过去 12 个月(剔除最近 1 个月)的收益率为正,则持有多头仓位;否则空仓或做空。Moskowitz、Ooi 和 Pedersen(2012)的研究发现,这种简单策略在 58 种流动性期货合约上产生了约 1.0 的夏普比率。
假设价格在偏离均值后会回归到均值水平,适用于震荡市。统计套利属于这一类。
典型参数 :使用布林带(Bollinger Bands),当价格突破上轨(μ + 2 σ \mu + 2\sigmaμ + 2 σ )时做空,跌破下轨(μ − 2 σ \mu - 2\sigmaμ − 2 σ )时做多。窗口期通常设为 20 个交易日,与 2 倍标准差结合使用。
详细讨论参见:统计套利 。
利用统计模型识别相关资产之间的定价偏差,当偏差超过阈值时建立多空组合,预期偏差回归。配对交易是最简单的形式。
配对交易示例 :百事可乐(PEP)和可口可乐(KO)股价历史上高度相关。当 PEP/KO 比率偏离其 60 日移动均线超过 2 个标准差时,建立多空头寸。假设当前比率为 1.52,均值为 1.45,标准差为 0.03,则偏离度 z = ( 1.52 − 1.45 ) / 0.03 = 2.33 z = (1.52 - 1.45)/0.03 = 2.33z = ( 1.52 − 1.45 ) /0.03 = 2.33 超过阈值,因此做多 KO(被低估)同时做空 PEP(被高估)。
基于特定事件(财报发布、并购公告、指数调整、经济数据公布)进行交易。需要快速获取和处理事件数据。
财报发布策略 :统计显示,超预期收益的公司(惊喜度 > 5%)在发布后 60 个交易日内平均有约 2%-4% 的漂移效应(Post-Earnings-Announcement Drift),可据此建立定向暴露。
利用极短的时间窗口(微秒到毫秒级别)获取微小价差。典型的做市策略和套利策略。
做市策略示例 :以 100.01 100.01100.01 挂出限价卖单,以 99.99 99.9999.99 挂出限价买单,赚取 0.02 0.020.02 的价差。假设每秒完成 10 次交易,每股 100 股,日交易 6.5 小时,则理论日收益为 0.02 × 100 × 10 × 3600 × 6.5 ≈ $ 468 , 000 0.02 \times 100 \times 10 \times 3600 \times 6.5 \approx \$468,0000.02 × 100 × 10 × 3600 × 6.5 ≈ $468 , 000 。实际收益受库存风险、逆向选择等因素影响,会显著低于理论值。
详细讨论参见:高频交易 和 市场微观结构 。
基于系统的因子暴露构建投资组合,如价值、动量、质量、低波等因子的结合。因子投资的理念源于 Fama-French 三因子模型(1993),后扩展为五因子模型(2015)。
Fama-French 三因子模型 :
R i − R f = α + β 1 ( R m − R f ) + β 2 SMB + β 3 HML + ϵ R_i - R_f = \alpha + \beta_1(R_m - R_f) + \beta_2 \text{SMB} + \beta_3 \text{HML} + \epsilon
R i − R f = α + β 1 ( R m − R f ) + β 2 SMB + β 3 HML + ϵ
其中 SMB 是市值因子(小市值减大市值),HML 是价值因子(高账面市值比减低账面市值比)。
详细讨论参见:因子模型 。
策略类型
典型年化收益
典型最大回撤
夏普比率
容量
时间尺度
趋势跟踪
10%-20%
20%-35%
0.3-0.8
大
日/周
均值回归
8%-15%
10%-20%
0.5-1.2
中
小时/日
统计套利
6%-12%
5%-10%
1.0-2.0
小-中
分钟/小时
高频做市
5%-15%
2%-5%
2.0-4.0
小
微秒/毫秒
因子投资
8%-14%
15%-25%
0.4-0.9
大
月/季
注意:上表数值为典型范围,实际表现取决于具体实现、市场环境和资金规模。统计套利和高频策略虽然夏普比率更高,但资金容量显著较小。
flowchart TD
A[选择量化策略] --> B{资金规模?}
B -->|>10亿| C[因子投资/趋势跟踪]
B -->|1-10亿| D[统计套利/均值回归]
B -->|<1亿| E[高频/事件驱动]
C --> F{风险偏好?}
D --> F
E --> F
F -->|低风险| G[低波/质量因子]
F -->|中风险| H[动量/价值]
F -->|高风险| I[趋势跟踪/高频]
G & H & I --> J[回测验证]
J --> K[实盘上线]
一个典型的量化交易系统包含多个模块,各模块之间通过明确定义的接口交互:
语言
用途
代表性库/框架
Python
原型开发、数据分析、策略研究
pandas、NumPy、scikit-learn、statsmodels、PyTorch
R
统计分析、时间序列建模
quantmod、PerformanceAnalytics、TTR
C++
低延迟交易系统开发
Boost、Intel TBB、ZeroMQ
Julia
高性能数值计算
DataFrames.jl、JuMP、TradingToolbox
SQL
数据查询与管理
PostgreSQL、ClickHouse、KDB+
市场数据 :Bloomberg、Reuters、Quandl、Polygon、Alpaca
基本面数据 :Compustat、CRSP、FactSet、Wind(中国)、Tushare(中国开源)
另类数据 :卫星图像(Orbital Insight、RS Metrics)、社交媒体情绪(StockTwits、Twitter API)、信用卡交易数据(Second Measure)、供应链数据(Thinknum)
框架
语言
特点
适用场景
Backtrader
Python
生态最成熟,学习曲线平缓
个人研究、策略原型
Zipline
Python
Quantopian 出品,与 Alphalens/Pyfolio 集成
因子研究
QuantConnect (LEAN)
C#/Python
云端平台,多资产支持
机构级策略开发
VectorBT
Python
向量化计算,速度极快
因子扫描、大规模回测
KDB+/Q
Q/KDB+
高性能时间序列数据库
高频交易、Tick 级数据
自研系统
C++/Python
灵活性和性能最佳
专业量化机构
量化交易涉及多个数学领域的交叉应用。
最简单的收益率计算:
r t = P t − P t − 1 P t − 1 r_t = \frac{P_t - P_{t-1}}{P_{t-1}}
r t = P t − 1 P t − P t − 1
对数收益率(更常用的金融建模选择,因为其可加性):
R t = ln ( P t P t − 1 ) R_t = \ln\left(\frac{P_t}{P_{t-1}}\right)
R t = ln ( P t − 1 P t )
年化波动率(以日数据为例):
σ annual = σ daily × 252 \sigma_{\text{annual}} = \sigma_{\text{daily}} \times \sqrt{252}
σ annual = σ daily × 252
数值示例 :如果日收益率的标准差为 1.5%,则年化波动率约为 1.5 % × 252 ≈ 23.8 % 1.5\% \times \sqrt{252} \approx 23.8\%1.5% × 252 ≈ 23.8% 。这意味着如果某策略的年化收益率为 15%,则其收益率在一个标准差范围内约为 -8.8% 到 38.8%(即 15 % ± 23.8 % 15\% \pm 23.8\%15% ± 23.8% )。
衡量风险调整后收益的核心指标:
Sharpe = E [ R p − R f ] σ p \text{Sharpe} = \frac{E[R_p - R_f]}{\sigma_p}
Sharpe = σ p E [ R p − R f ]
其中 R p R_pR p 是策略收益率,R f R_fR f 是无风险利率,σ p \sigma_pσ p 是策略收益率的标准差。
数值示例 :策略 A 年收益 15%,波动率 12%,无风险利率 3%,夏普比率 = (15%-3%)/12% = 1.0。策略 B 年收益 18%,波动率 25%,夏普比率 = (18%-3%)/25% = 0.6。尽管策略 B 收益更高,但策略 A 的风险调整后表现更好 。一般夏普比率大于 1 被视为良好,大于 2 为优秀。
衡量因子预测能力的统计指标,即因子值与未来收益的秩相关系数(通常使用 Spearman 相关系数):
IC = corr ( rank ( f t ) , rank ( r t + 1 ) ) \text{IC} = \text{corr}(\text{rank}(f_t), \text{rank}(r_{t+1}))
IC = corr ( rank ( f t ) , rank ( r t + 1 ))
IC 值范围在 -1 到 1 之间。IC 为 0.05 表示因子有显著预测能力,0.10 以上为优秀。
IR(信息比) 是 IC 在时间序列上的均值除以标准差,衡量因子表现的稳定性:
IR = IC ‾ σ IC \text{IR} = \frac{\overline{\text{IC}}}{\sigma_{\text{IC}}}
IR = σ IC IC
衡量策略从峰值回落到谷值的最大损失:
MDD = max τ ∈ [ 0 , T ] ( max t ∈ [ 0 , τ ] P t − P τ ) / max t ∈ [ 0 , τ ] P t \text{MDD} = \max_{\tau \in [0,T]} \left( \max_{t \in [0,\tau]} P_t - P_{\tau} \right) / \max_{t \in [0,\tau]} P_t
MDD = τ ∈ [ 0 , T ] max ( t ∈ [ 0 , τ ] max P t − P τ ) / t ∈ [ 0 , τ ] max P t
数值示例 :某策略净值从峰值的 1.50 下跌至谷底的 1.20,之后恢复,则最大回撤为 ( 1.50 − 1.20 ) / 1.50 = 20 % (1.50 - 1.20) / 1.50 = 20\%( 1.50 − 1.20 ) /1.50 = 20% 。
量化交易的风险管理可以分为几个层次:
在策略层面控制风险暴露。常见方法包括:
波动率目标 :调整杠杆使组合维持在目标波动率(如 10%、15%)。例如,如果预测波动率为 20%,目标波动率为 15%,则杠杆系数为 15 % / 20 % = 0.75 15\%/20\% = 0.7515%/20% = 0.75 ,即组合的 75% 暴露于风险资产,25% 持有现金。
风险平价 :每个资产或因子贡献相等的风险。与传统的等权重配置不同,风险平价迫使高波动资产获得较低配置,低波动资产获得较高配置。
VaR 约束 :确保日亏损不超过某个概率阈值。例如,95% VaR 为 2% 意味着在 95% 的交易日,亏损不超过 2%。
持续监控策略在常见风险因子上的暴露:
flowchart LR
subgraph 风险因子
MKT[市场因子 Beta]
SMB[市值因子 Size]
HML[价值因子 Value]
MOM[动量因子 Momentum]
end
subgraph 策略暴露
S1[策略 A]
S2[策略 B]
S3[策略 C]
end
MKT --> S1
MKT --> S2
MKT --> S3
SMB --> S1
SMB --> S3
HML --> S1
HML --> S2
MOM --> S2
MOM --> S3
如果策略无意识地暴露在某个因子上,在因子回撤时会产生意料之外的亏损。例如,2012 年的"动量崩盘"(Momentum Crash)期间,纯动量策略在几周内回撤超过 30%。
模拟极端市场条件下的表现:
2008 年金融危机 :雷曼兄弟破产后市场流动性枯竭,几乎所有量化策略(除部分高频做市)均遭受重创。文艺复兴的 Medallion 基金是为数不多的实现正收益的量化基金之一。
2020 年 COVID-19 崩盘 :标普 500 在 23 个交易日内下跌 34%,VIX 指数飙升至历史最高的 82.69。统计套利和流动性提供策略遭受严重冲击。
2022 年利率快速上升 :美联储加息周期下,成长股大幅下跌,导致动量和价值因子出现罕见的"双杀"。
硬止损 :组合或单品种达到一定亏损后强制平仓。例如,单日亏损超过 3% 时自动减仓 50%,累计亏损超过 10% 时全部平仓进入冷却期。
敞口限制 :单行业最大 20%,单品种最大 5%。如果持仓超过限制,系统自动发出减仓指令。
杠杆限制 :日内杠杆上限 5 倍,隔夜杠杆上限 2 倍。
流动性过滤器 :剔除日交易量低于 100 万美元的品种,确保建仓和平仓不会对价格产生显著冲击。
最大订单规模 :单笔订单不超过日交易量的 5%,避免订单对市场产生过度影响。
详细内容参见:风险管理 。
过度拟合是整个量化交易中最常见也最危险的错误。当策略在历史数据上表现极好而在实盘上表现极差时,很可能就是过度拟合。
典型表现 :
在回测中夏普比率 > 3.0 且经调整后仍非常高
使用了过多的参数优化(每个自由度对应约 10 个额外的参数就需要降低 IC 显著性判断标准)
策略对参数变化极其敏感——参数微调 1% 导致年化收益率变化超过 30%
如何防范 :
样本外测试 :保留最后 2-3 年的数据作为样本外测试集,仅在样本内开发策略
Walk-Forward Analysis :滚动窗口优化,每个窗口优化参数并在下一窗口测试
交叉验证 :在不同市场周期(牛市、熊市、震荡市)下分别测试
Deflated Sharpe Ratio :Lopez de Prado(2018)提出的多重检验校正方法
随机标签检验 :打乱收益率时间序列与交易信号的对应关系,验证策略是否仍能盈利
对同一数据集进行了太多假设检验,总有一个会"碰巧"显著。解决方案 :
使用多重假设检验校正:Bonferroni 校正(α / N \alpha / Nα / N )、FDR 控制(Benjamini-Hochberg 过程)
严格的样本外测试
使用独立的验证数据集(而非同一数据集的不同时间切分)
很多策略在回测中表现优秀,一旦加入真实交易成本(佣金、滑点、市场冲击)就变得平庸甚至亏损。经验法则 :
如果策略在回测中扣除 2-3 倍真实交易成本后仍然盈利,才值得上线 \text{如果策略在回测中扣除 2-3 倍真实交易成本后仍然盈利,才值得上线}
如果策略在回测中扣除 2-3 倍真实交易成本后仍然盈利,才值得上线
例如,假设策略在回测中的年化收益为 12%,估计的双向交易成本为 0.1%(含佣金和滑点),年化换手率为 20 倍(即每月换仓一次半),则成本为 0.1 % × 20 = 2 % 0.1\% \times 20 = 2\%0.1% × 20 = 2% 。扣除 3 倍成本后收益为 12 % − 3 × 2 % = 6 % 12\% - 3 \times 2\% = 6\%12% − 3 × 2% = 6% 。如果 6% 仍然为正且风险调整后可接受,则该策略值得上线。
一个策略可能在 2010-2015 年的低利率、低波动环境中表现优异,但在 2022 年的高通胀、高利率环境中彻底失效。好的量化策略应该测试多个不同的市场环境:
市场环境
时期
特征
对策略的影响
低利率牛市
2009-2015
低通胀、宽松货币
成长股因子表现优异
波动率低迷
2017-2019
VIX 长期低于 15
做多波动率策略亏损
COVID 崩盘
2020年3月
极端尾部事件
大多数策略被击穿
通胀上升
2022
利率快速上升
价值因子回归,成长股承压
量化交易知识体系中的其他页面:
量化交易是一个将数学、统计、计算机科学和金融学深度融合的领域。它的核心优势在于纪律性、可回测性和规模化能力。但量化交易不是"自动印钞机"——成功的量化交易需要以下因素:
稳健的 Alpha 来源 :找到真正有预测能力的信号,而非数据挖掘的假象
严格的风险管理 :控制尾部风险和因子暴露
精益的执行能力 :最小化交易成本对收益的侵蚀
持续的研究迭代 :市场在进化,策略也需要进化
深刻的自我认知 :理解自己策略的局限性和失效条件
量化交易知识体系仍在建设中,后续将陆续补充更多实战经验和案例分析。
Grinold, R. C., & Kahn, R. N. (2000). Active Portfolio Management .
Lo, A. W. (2008). Hedge Funds: An Analytic Perspective .
Chan, E. P. (2009). Quantitative Trading: How to Build Your Own Algorithmic Trading Business .
Narang, R. K. (2013). Inside the Black Box: A Simple Guide to Quantitative and High-Frequency Trading .
Jansen, S. (2020). Machine Learning for Algorithmic Trading .
Lopez de Prado, M. (2018). Advances in Financial Machine Learning .
Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). "Time series momentum." Journal of Financial Economics , 104(2), 228-250.
Fama, E. F., & French, K. R. (2015). "A five-factor asset pricing model." Journal of Financial Economics , 116(1), 1-22.
本文档创建于:2026-06-13 | 初版编写:Lucy | 优化版:2026-07-08