3. 量化基础
在金融模型量化与精度性能权衡的实践中，第一步不是选框架，也不是调参，而是理解“数在计算机里到底怎么存”。很多看似正确的定价、风控与回测结果，偏差并非来自模型逻辑，而是来自数值表示本身。本节从浮点与定点两种基本表示出发，梳理量化误差的来源，并落到金融计算中哪些环节对精度最敏感。
一、核心原理：浮点表示与定点表示的本质差异
计算机无法精确表示所有实数。IEEE 754 浮点数用“符号位 + 指数位 + 尾数位”表示一个数，其形式为 (-1)^s × 1.m × 2^e。以常见的 FP32 为例：1 位符号、8 位指数、23 位尾数；FP64 则是 1 位符号、11 位指数、52 位尾数。尾数决定有效数字位数，指数决定可表示范围。这意味着浮点数的“绝对精度”随数值大小变化：数值越大，相邻可表示数之间的间隔越大。
定点数则相反，它固定小数点的位置，用整数存储并按比例缩放。例如用 64 位整数表示“以 0.0001 元为单位”的价格，则 12345678 实际代表 1234.5678 元。定点数的绝对精度恒定，但可表示范围有限，且需要人为管理缩放因子与溢出。
二、量化误差的四大来源
量化误差不是单一现象，而是多种机制叠加的结果。理解来源，才能在模型设计时对症下药。
- 表示误差（Representation Error）：十进制小数如 0.1、0.2 在二进制浮点中无法精确表示，只能近似。0.1 的 FP64 实际值约为 0.10000000000000000555。
- 舍入误差（Rounding Error）：每次运算结果都要舍入到最近的可表示数，误差随运算次数累积。累加一万次微小误差，可能放大到不可忽略。
- 截断误差（Truncation Error）：量化到低精度格式（如 FP32、FP16、INT8）时，尾数位减少，直接丢弃低位信息。
- 灾难性抵消（Catastrophic Cancellation）：两个相近的大数相减，有效数字大量丢失。例如 1.0000001 - 1.0000000 在低精度下可能直接得到 0。
三、金融计算中的精度敏感性场景
并非所有金融计算都对精度同等敏感。下表梳理了典型场景的敏感度与推荐策略。
| 场景 | 精度敏感度 | 主要风险 | 推荐策略 |
|---|---|---|---|
| 账户余额、清算金额 | 极高 | 分位误差导致对账不平 | 定点/十进制，禁用二进制浮点 |
| 期权定价（BSM、蒙特卡洛） | 高 | 希腊值偏差、路径依赖累积 | FP64 为主，关键路径可混合精度 |
| 协方差矩阵求逆 | 极高 | 条件数大时结果完全失真 | FP64 + 正则化，避免 FP32 |
| 回测收益率累乘 | 中高 | 长期复利误差累积 | FP64，定期校准基准 |
| 特征工程、因子标准化 | 中 | 排序稳定性、阈值抖动 | FP32 可接受，注意比较容差 |
| 深度学习推理打分 | 中低 | 排序微变，通常不影响决策 | FP16/INT8 量化，需校准 |
四、案例与复盘：一次回测收益偏差的定位
某团队用 FP32 实现日频回测，策略逻辑正确，但三年累计收益比 FP64 基准高出约 0.7%。排查发现：每日收益率在 FP32 下累乘，单日误差约 1e-7，三年约 750 个交易日，误差在复利下被放大；同时部分收益率接近 0 时发生灾难性抵消，符号判断出现抖动。
# 误差复现示意（Python）
import numpy as np
r = np.float32(0.000123456)
acc32 = np.float32(1.0)
acc64 = np.float64(1.0)
for _ in range(750):
acc32 *= (1 + r)
acc64 *= (1 + r)
print("FP32 累计:", acc32)
print("FP64 累计:", acc64)
print("相对偏差:", abs(acc32 - acc64) / acc64)
# 输出示例：相对偏差约 1e-5 ~ 1e-4 量级，长期复利下不可忽略
复盘结论有三点：其一，涉及资金曲线累乘的核心链路必须用 FP64 或更高精度；其二，比较浮点数时应使用容差而非等号；其三，量化到低精度前，必须做误差传播评估，而不是只看单步误差。
掌握数值表示与误差来源，是后续所有量化与性能权衡决策的基础。只有先明确“哪些数不能动、哪些数可以压”，才能在精度与性能之间做出有依据的取舍。