1. 课程导入
欢迎进入《Qlib组合策略与回测实战》。在正式动手写策略之前，我们需要先建立一张清晰的“地图”：这门课要解决什么问题、Qlib在其中扮演什么角色、组合策略与回测之间的边界在哪里，以及我们将沿着怎样的路线从零走到可复现的实战结果。本章不涉及复杂代码，但会决定你后续三十章的学习效率。
一、学习目标：从“会跑示例”到“能交付策略”
很多量化初学者能跑通Qlib官方示例，却无法独立完成一个可解释、可复现、可评估的组合策略。本课程的目标不是让你记住若干API，而是让你具备一条完整的工程化能力链。具体而言，完成本课程后，你应当能够：
- 理解Qlib的数据组织方式：掌握表达式引擎、数据集划分、特征与标签的构造逻辑，知道数据从哪里来、如何被策略消费。
- 独立构建组合策略：能够基于打分、排序、筛选、权重分配四步法，写出可运行的选股与组合构建流程。
- 正确执行回测：理解回测配置、交易成本、调仓频率、基准与评估指标之间的关系，避免“回测很美、实盘很惨”。
- 完成策略复盘与迭代：能够阅读回测报告，定位收益来源与风险暴露，并据此调整策略参数或逻辑。
一句话概括：本课程培养的是“能把想法变成可回测组合策略，并能解释结果”的实战能力，而不是单纯的工具使用能力。
二、核心概念：组合策略与回测的四个关键词
在Qlib语境下，组合策略与回测涉及大量术语。为了避免后续章节反复解释，这里先锁定四个最核心的概念。
| 概念 | 含义 | 在Qlib中的典型载体 | 常见误解 |
|---|---|---|---|
| 因子/特征 | 用于描述股票某方面属性的数值，如动量、估值、波动率 | 表达式引擎、特征数据集 | 把因子直接等同于策略 |
| 打分与排序 | 将多个因子合成为每只股票的预期收益分数，并排序 | 模型输出、打分函数 | 认为排序越复杂越好 |
| 组合构建 | 根据排序结果决定买什么、买多少、何时调仓 | 策略类、权重分配逻辑 | 忽略仓位约束与交易成本 |
| 回测 | 在历史数据上模拟策略交易并计算绩效 | 回测执行器、评估指标 | 把回测收益当作未来收益 |
这四个概念构成一条链：特征 → 打分 → 组合 → 回测。任何一环出错，最终结果都不可信。后续章节会逐一展开，但你现在就要建立“链条思维”，而不是孤立地看待某个模型或某个指标。
三、整体框架：Qlib组合策略的工程结构
Qlib的设计哲学是“数据、模型、策略、回测”分层解耦。理解这个分层，你就能知道每一章在整体中的位置。一个典型的Qlib组合策略工程包含以下层次：
- 数据层：负责原始行情、财务数据、特征数据的存储与读取，核心是表达式引擎和数据集划分。
- 模型层：负责从特征到打分的映射，可以是线性模型、树模型或深度学习模型。
- 策略层：负责将打分转化为持仓，包括选股规则、权重分配、调仓逻辑。
- 回测层：负责模拟交易、计算收益、生成报告，并处理交易成本与滑点。
- 评估层：负责计算年化收益、最大回撤、夏普比率、信息比率等指标，并支持归因分析。
学习建议：不要试图一次性记住所有API。先理解每一层的职责与输入输出，再在实战中逐步填充细节。框架清晰后，API只是查文档的问题。
为了更直观地展示这条链路，下面用一张简图概括从数据到评估的完整流程。图中每个节点都对应后续章节的核心内容。
四、实战路线图：三十章如何推进
本课程共三十章，整体遵循“先建认知、再搭环境、后做策略、终复盘”的节奏。你可以把它理解为四个阶段：
- 第一阶段（第1-6章）认知与环境：建立组合策略与回测的基本认知，完成Qlib环境搭建、数据准备与第一个可运行示例。
- 第二阶段（第7-16章）策略构建：深入特征工程、打分模型、选股规则、权重分配与调仓逻辑，逐步搭建完整策略。
- 第三阶段（第17-24章）回测与评估：配置回测参数、处理交易成本、阅读回测报告、计算风险指标并进行归因分析。
- 第四阶段（第25-30章）实战与复盘：完成端到端实战项目，进行策略复盘、参数敏感性分析与常见误区总结。
这条路线图的核心逻辑是：先让策略跑起来，再让策略跑得对，最后让策略跑得稳。很多学习者卡在“跑起来”之后就直接追求高收益，忽略了“跑得对”和“跑得稳”，最终得到不可复现的结果。本课程会反复强调可复现性与可解释性。
五、常见误区与复盘：开始之前先避坑
在正式进入实战之前，先列出初学者最容易踩的五个坑。这些误区会在后续章节中反复出现，提前建立警惕意识，能显著减少无效调试时间。
- 把回测当预测：回测是历史模拟，不是未来保证。任何策略都有失效可能，回测的作用是验证逻辑与评估风险，而不是承诺收益。
- 忽略交易成本：高频调仓策略在扣除手续费与滑点后，收益可能由正转负。回测配置中必须显式设置成本参数。
- 数据泄露：使用未来信息构造特征或标签，会导致回测虚高。Qlib的数据集划分机制正是为了避免这一问题。
- 过拟合参数：在历史数据上反复调参直到收益曲线完美，往往意味着策略只记住了噪声。需要保留样本外验证。
- 只看收益不看风险：最大回撤、波动率、换手率同样重要。一个高收益高回撤的策略，实盘中很难坚持执行。
特别提醒：本课程所有示例仅用于教学，不构成任何投资建议。回测结果受数据质量、参数选择、市场环境等多重因素影响，请勿直接将课程示例用于实盘交易。
最后，用一段伪代码概括本课程要完成的端到端流程。你不需要现在看懂每一行，但可以感受一下从数据到评估的完整闭环：
# 伪代码：Qlib组合策略端到端流程
data = load_qlib_data(market="csi300", start="2018-01-01", end="2023-12-31")
features = build_features(data, expressions=["Ref($close,20)/$close-1", "($close-$open)/$open"])
model = train_model(features, label="Ref($close,-5)/$close-1")
scores = model.predict(features)
portfolio = build_portfolio(scores, top_k=50, weight="equal")
backtest = run_backtest(portfolio, cost=0.001, freq="weekly")
report = evaluate(backtest, metrics=["annual_return", "max_drawdown", "sharpe"])
print(report)