📚 课程目录第2章量化投资基础

2. 量化投资基础

在正式进入 Qlib 的工程实践之前，我们需要先把量化投资的语言体系建立起来。很多初学者一上手就急着写策略、跑回测，结果往往因为对交易品种、因子逻辑、Alpha 与 Beta 的边界理解不清，导致策略在实盘中迅速失效。本章的目标不是让你记住所有定义，而是让你在后续使用 Qlib 构建端到端项目时，能够准确判断“我在做什么、为什么这样做、哪里可能出错”。

一、金融市场基础概念与常见交易品种

量化投资的对象是金融市场中的可交易资产。理解这些资产的基本属性，是设计策略和选择数据源的前提。常见交易品种可以按资产类别、交易机制和风险特征进行划分。

品种	典型标的	交易机制	量化关注点
股票	A股、港股、	T+1 或 T+0，撮合竞价	截面因子、行业中性、停牌与涨跌停
ETF	宽基、行业、主题 ETF	场内实时交易	折溢价、流动性、跟踪误差
期货	股指、商品期货	T+0，保证金，双向	基差、展期、杠杆与强平
期权	50ETF 期权、商品期权	T+0，权利金交易	隐含波动率、希腊字母、时间价值
可转债	沪深可转债	T+0，无涨跌幅限制	转股溢价、条款博弈、信用风险

不同品种的数据频率、复权方式、交易成本和风险约束差异很大。例如股票回测必须处理复权价格和停牌，期货回测必须处理主力合约切换和保证金。Qlib 通过统一的数据表达式和配置体系来管理这些差异，但前提是你清楚自己交易的是什么。

实践建议：在 Qlib 中配置数据时，先明确标的池、时间范围、频率和复权方式。不要默认使用未复权价格做收益率计算，否则除权日会产生虚假信号。

二、因子投资：从原始数据到可交易信号

因子是量化策略的核心构件。简单说，因子是一个将原始市场数据映射为横截面排序或打分的函数。因子投资的基本假设是：某些可观测特征能够解释或预测资产的未来收益差异。

常见因子类别包括：

价值因子：市盈率、市净率、股息率等，捕捉估值回归。
动量因子：过去 N 日收益率、突破强度，捕捉趋势延续。
质量因子：ROE、毛利率、现金流稳定性，捕捉基本面质量。
波动率因子：历史波动率、下行波动，捕捉风险溢价。
流动性因子：换手率、成交额、Amihud 非流动性，捕捉交易摩擦。

在 Qlib 中，因子通常通过表达式引擎定义。例如一个简单的 20 日动量因子可以写成：

Ref($close, 20) / $close - 1

这个表达式表示当前收盘价相对于 20 个交易日前收盘价的变化率。Qlib 会自动处理时间对齐和缺失值。因子计算完成后，需要经过标准化、去极值、中性化等处理，才能进入模型训练或组合优化。

核心流程：原始数据 → 因子表达式 → 因子值计算 → 预处理（去极值/标准化/中性化）→ 因子合成或模型预测 → 组合构建 → 回测评估。

三、Alpha 与 Beta：收益的来源分解

在量化投资中，收益可以分解为 Beta 收益和 Alpha 收益。Beta 收益来自市场整体暴露，例如大盘上涨带来的普涨；Alpha 收益来自策略相对于基准的超额部分，通常被认为是真正的主动管理能力。

用公式表达：

R_p = α + β * R_m + ε

其中 R_p 是组合收益，R_m 是市场基准收益，β 衡量组合对市场的敏感度，α 是剔除市场暴露后的超额收益，ε 是残差。

很多看似高收益的策略，实际上只是承担了更高的 Beta。例如在牛市中满仓小盘股，收益可能很高，但一旦市场反转，回撤也会很大。量化策略的目标通常是追求稳定的 Alpha，同时控制 Beta 暴露。在 Qlib 中，可以通过基准配置和风险模型来分析组合的 Alpha 与 Beta 分解。

常见误区：把 Beta 收益误认为 Alpha。回测中如果基准选择不当，或者没有做行业和风格中性化，很容易高估策略的真实超额能力。

四、回测与实盘差异：为什么回测漂亮实盘却亏钱

回测是用历史数据模拟策略表现的过程，实盘则是在真实市场中执行。两者之间存在系统性差异，忽视这些差异是量化项目失败的主要原因之一。

主要差异来源包括：

交易成本：回测常忽略滑点、手续费和冲击成本，实盘中这些会显著侵蚀收益。
流动性约束：回测假设可以按收盘价成交，实盘中大单可能无法成交或推动价格。
未来函数：使用了当时不可得的数据，例如用当日收盘价决定当日开盘交易。
幸存者偏差：标的池只包含当前仍存活的股票，忽略了退市和重组。
过拟合：在历史数据上反复调参，导致策略对噪声敏感。
市场结构变化：交易规则、参与者结构、宏观环境发生变化，历史规律失效。

在 Qlib 中，回测框架提供了交易成本、滑点和成交限制的配置项。一个典型的回测配置片段如下：

backtest:
  start_time: 2020-01-01
  end_time: 2023-12-31
  account: 1000000
  benchmark: SH000300
  exchange:
    limit_threshold: 0.095
    deal_price: close
    open_cost: 0.0005
    close_cost: 0.0015
    min_cost: 5

这段配置定义了回测区间、初始资金、基准、涨跌停阈值、成交价格以及开平仓成本。合理设置这些参数，才能让回测结果更接近实盘。

复盘方法：将回测收益按时间、行业、因子暴露进行归因，检查收益是否集中在少数交易日或少数股票。如果收益高度集中，说明策略可能不稳定。

本章小结

本章建立了量化投资的基础认知框架：交易品种决定了数据与规则，因子是策略的原材料，Alpha 与 Beta 帮助我们区分收益来源，回测与实盘的差异提醒我们保持谨慎。这些概念将贯穿后续 Qlib 端到端项目的每一个环节。只有先理解市场，才能让工具真正服务于策略。