2. 量化交易与Alpha策略基础
在进入回测与交易成本评估之前，必须先厘清一个根本问题：我们究竟在赚什么钱？量化策略的收益来源可以拆解为两部分——Beta与Alpha。Beta是随市场整体涨跌获得的系统性收益，Alpha则是剥离市场影响后、由策略自身能力创造的超额收益。理解这一区分，是后续所有建模、回测与成本评估的逻辑起点。
一、核心原理：Alpha与Beta的定义
用线性回归的语言表达，单个资产的收益可以写成：
r_i = α_i + β_i · r_m + ε_i
r_i : 资产i的收益率
r_m : 市场基准收益率
β_i : 资产i对市场的敏感度（系统性风险暴露）
α_i : 剔除市场暴露后的超额收益
ε_i : 残差（特质风险）Beta衡量“跟随市场”的程度：β=1表示与市场同步，β=0表示与市场无关，β=1.5表示市场涨1%时资产平均涨1.5%。Alpha则是回归截距，代表无法被市场解释的那部分收益。量化策略追求的核心目标，就是构建一个正Alpha、低Beta的组合。
二、方法流程：从市场中性到统计套利
围绕Alpha的获取，业界形成了若干典型策略范式，它们共享一条主线：暴露因子 → 预测收益 → 构建组合 → 对冲风险。
- 市场中性策略：同时持有多头与空头，使组合Beta接近0。常见做法是多头买入被低估的股票，空头卖出被高估的股票，赚取两者价差。核心在于选股能力（Alpha），而非方向判断。
- 统计套利：基于历史统计关系寻找价格偏离。例如配对交易中，两只历史高度相关的股票价差偏离均值时，做多低估、做空高估，等待价差回归。它依赖均值回归假设与协整关系。
- 因子投资：将收益归因于价值、动量、质量、规模等因子。组合收益 = 因子暴露 × 因子收益 + 特质收益。因子投资把Alpha拆解为可解释、可复制的风险溢价。
- 机器学习角色：ML不改变上述经济逻辑，而是提升“预测”环节的精度。它从高维数据中挖掘非线性关系，输出对未来收益的预测信号，再交由组合优化器转化为持仓。
三、案例场景：一个市场中性策略的收益拆解
假设某量化基金运行一个股票市场中性策略，某月组合收益为+2.1%，同期沪深300上涨+3.5%。通过回归分析得到组合Beta为0.08。则市场贡献约为 0.08 × 3.5% = 0.28%，剩余约1.82%即为Alpha与残差之和。若残差波动较小，可近似认为该月Alpha约为1.8%。这说明策略在市场上行时并未依赖方向暴露，而是靠选股与对冲获取了独立收益。
再看统计套利场景：某配对（A、B）历史价差均值为0，标准差为1。当价差达到+2σ时，做空A、做多B；价差回归至0附近时平仓。该策略的Alpha来源于价差的均值回归，Beta通常接近0，但需警惕价差结构性断裂（如基本面变化导致协整关系失效）。
四、因子投资与ML的角色定位
因子投资提供了可解释的收益来源框架，而ML则增强了信号提取能力。二者并非替代关系，而是分工协作：
| 环节 | 传统因子方法 | 机器学习增强 |
|---|---|---|
| 特征构建 | 人工设计价值、动量等因子 | 自动挖掘高维非线性特征 |
| 收益预测 | 线性回归、打分排序 | 树模型、神经网络预测 |
| 风险控制 | 因子暴露约束 | 预测残差波动、动态对冲 |
| 可解释性 | 强，经济含义清晰 | 较弱，需SHAP等工具辅助 |
五、常见误区与复盘
- 误区一：把Beta当Alpha。 在牛市中，高Beta组合收益亮眼，但一旦市场转向便大幅回撤。回测时必须做收益归因，确认Alpha是否显著。
- 误区二：忽视交易成本。 统计套利与高频ML策略换手率高，若回测未扣除手续费、滑点与冲击成本，Alpha会被严重高估。这正是后续章节要重点评估的内容。
- 误区三：过拟合因子。 在历史数据上反复调参得到的“Alpha”，往往在实盘中失效。需用滚动窗口、样本外测试与多市场验证。
- 误区四：忽略残差风险。 市场中性只对冲了Beta，残差ε仍可能带来大幅波动。组合需控制行业、风格等隐性暴露。
综上，Alpha与Beta的区分是量化策略的“第一性原理”。市场中性、统计套利、因子投资是获取Alpha的三条经典路径，而机器学习则作为信号增强工具嵌入其中。理解这一层结构，才能在后续的回测与交易成本评估中，准确判断策略的真实盈利能力。