第四部分 · 量化研究从因子开始 · 第 11 章

从预测到交易:组合、执行与风控

量化研究员常常先得到一列预测分数,但真实投资从不是把最高分的股票全部买满。这一章讲预测之后的三件事:组合优化怎么在收益、风险和各种约束之间做权衡;交易执行怎么把理想仓位真的下到市场里,又不被成本和冲击吃掉;风控和监控怎么盯住边界,决定什么时候该减仓、停用和复盘。预测告诉你想要什么,这三步决定你能付出什么代价去实现它。

读完这一章,你会明白

• 模型分数不能直接等于仓位,还要经过风险、成本、流动性和产品约束。
• 风险模型帮助识别市场、行业、风格和个股特有风险,避免把暴露误认为能力。
• 实盘交易是订单状态机,必须处理拒单、部分成交、撤单、成交回报和对账。
• 执行在速度、成本和成交确定性之间取舍,大订单还要考虑冲击和参与率。
• 风险控制不是预测每次下跌,而是限制异常状态下的损失扩张。

1. 预测分数不是仓位

模型输出的通常是预期收益、排序分数或概率。它只能说明模型相对看好或看空某些股票,并不直接等于买多少。分数最高的股票可能流动性差,可能已经涨停买不到,可能和组合里已有持仓高度相关,也可能让行业暴露超标。

假设模型给某只小盘股最高分,但它每天成交额只有 2000 万元,你的产品规模有 20 亿元。如果直接按分数买入 5% 仓位,需要买 1 亿元,这相当于很多天成交量,价格可能被你自己推上去。预测再强,也不能无视成交能力。

所以,组合构建的目标是把预测转化为可执行仓位。它要在收益、风险、成本、流动性和约束之间折中。量化行业里,预测模型和组合优化通常是两层系统,不能混成一个简单排序。

2. 你承诺偏离多少

如果产品是指数增强,组合通常要围绕某个指数基准构建。比如中证 500 指数增强,客户希望大体跟住中证 500,同时多赚一些超额收益。组合不能因为模型看好银行股,就把大量仓位买成银行,完全偏离中证 500。

基准约束包括个股相对权重、行业偏离、风格偏离和跟踪误差。跟踪误差越小,组合越像指数,超额空间也可能越小;跟踪误差越大,组合越自由,但客户承担的偏离风险也越大。

这就是指数增强的核心取舍: 你想多赚 Alpha,就要允许一些偏离;但偏离太大,产品就不再像它承诺的指数增强。组合优化器要把这种承诺写进数学约束。

3. 风险模型在估计什么

风险模型试图解释组合为什么会波动。它通常把股票收益拆成市场、行业、风格和个股特有风险。市场风险来自大盘整体涨跌,行业风险来自行业共同变化,风格风险来自市值、价值、动量、波动、质量等共同因子,个股风险来自公司自身事件。

如果你持有很多股票,个股特有风险会被分散掉一部分,但行业和风格风险不会自动消失。你以为自己买了 100 只股票很分散,风险模型可能告诉你,组合其实重仓小市值和高波动风格,一旦这些风格反转,组合会一起亏。

风险模型不是为了让投资没有风险,而是让你知道自己承担了什么风险。没有风险模型,很多收益归因会变成错觉: 看起来是选股能力,实际可能是刚好押中了某个风格。

4. 行业和风格暴露

行业暴露很好理解: 组合里医药、银行、电子、消费各占多少。风格暴露稍微抽象一些,它描述组合在市值、估值、成长、动量、波动率、流动性等维度上的倾向。

举例说,一个组合看起来买了很多行业,但全部偏小市值、高波动、高换手。它的行业分散了,风格却不分散。市场如果进入大盘蓝筹行情,这个组合可能长期跑输。

量化组合常会限制风格暴露。不是因为风格一定不好,而是因为你要知道自己想赚什么钱。如果策略声称靠模型选股,却主要靠小市值暴露赚钱,那模型能力就被夸大了。

5. 个股上限和集中度

个股上限是最直接的风险约束。比如单只股票不超过组合 2%,或者相对基准不超过 1%。这样做是为了防止单只股票出问题时拖垮组合。财务造假、停牌、黑天鹅、流动性枯竭,都可能发生在单个股票上。

集中度还可以用前十大持仓占比、行业前几大占比、Herfindahl 指数等衡量。集中度越高,组合越依赖少数判断;集中度越低,组合更分散,但也可能稀释最强信号。

量化不是永远越分散越好。太分散可能把预测优势摊薄,太集中又会放大单点风险。组合构建要在信号强度和风险控制之间找平衡。

6. 换手约束和交易成本模型

组合优化不能只看今天理想持仓,还要看从昨天持仓走到今天持仓要付多少成本。调仓越大,换手越高,成本越高。交易成本包括显性费用、买卖价差、滑点和市场冲击。

成本模型会估计每笔交易大概会损失多少。流动性好的大盘股成本低,流动性差的小盘股成本高;小单成本低,大单成本高;平稳成交成本低,急着成交成本高。

如果新组合比旧组合只多一点预期收益,却需要大量换仓,优化器可能选择不交易。很多时候,最优动作不是追求今天分数最高的组合,而是在收益提升和交易成本之间找到净收益最高的变化。

7. 约束优化的直觉

一个简单组合优化问题可以这样理解: 最大化预期收益,减去风险惩罚,减去交易成本,同时满足各种约束。约束包括仓位总和、个股上下限、行业偏离、风格暴露、换手、现金比例、禁买名单和流动性限制。

这不是为了把金融变成公式游戏,而是为了让所有取舍写清楚。模型说某股票好,风险模型说它增加小盘暴露,成本模型说买它很贵,产品合同说不能偏离行业太多,优化器要把这些要求放在同一张桌子上。

实际行业里,优化器输出还要被交易员、风控和合规检查。因为模型和约束都可能漏掉现实问题: 临时停牌、公告风险、监管限制、交易通道异常、赎回压力等。

8. 多头、空头和市场中性

普通多头组合只买入资产,收益受市场涨跌影响很大。市场中性策略则试图买入看好的资产、卖空或用股指期货对冲市场暴露,让组合主要赚相对选股收益。

市场中性听起来稳,但并不等于无风险。空头或对冲工具有成本,融券可能借不到,股指期货有基差,多空两边可能一起亏,极端行情里相关性会变化。

组合优化在多空策略中更复杂。它要同时控制多头和空头规模、净暴露、总杠杆、行业中性、风格中性、融资融券成本和强平风险。个人投资者通常不适合一开始就做复杂多空。

9. 赚的钱从哪里来

策略跑完一段时间后,你要做归因。归因就是把收益拆开: 市场贡献多少,行业贡献多少,风格贡献多少,选股贡献多少,交易成本扣掉多少。没有归因,你只知道赚了或亏了,不知道原因。

如果一个指数增强产品本月跑赢 2%,归因可能发现 1.5% 来自超配了上涨行业,0.3% 来自小市值风格,真正个股选择只有 0.2%。这不一定坏,但它告诉你收益来源和你宣称的能力是否一致。

归因也能帮助判断失效。模型亏钱时,是所有因子失效,还是某个行业暴露拖累? 是成本上升,还是预测本身反向? 是风险模型低估暴露,还是交易执行变差? 这些问题决定下一步修哪里。

10. 个人项目怎么简化组合优化

个人做第一个量化项目,不必一开始写复杂优化器。可以先用简单规则: 选分数最高的 30 只股票,等权持有;单只不超过 5%;剔除停牌、ST、涨跌停无法买入、成交额太低的股票;每月调仓;扣固定成本和滑点。

然后逐步加约束。先加行业上限,再加市值暴露控制,再加换手限制,再加成本敏感性。每加一层,都观察收益、回撤、换手和超额是否改善。这样你能理解每个约束的作用,而不是把一堆参数扔进优化器。

等规则组合跑通后,再学习 cvxpy、二次规划或商用优化器都不晚。工具不是重点,重点是知道预测分数到真实仓位之间有哪些现实约束。

11. 策略如何真的下到市场里

量化策略在研究报告里输出的是目标仓位,在真实市场里执行的是一串订单。订单会排队、部分成交、被拒绝、撤不掉、成交价变差,还会受到风控和交易规则限制。实盘系统的任务不是把 buy 函数调用出去就完事,而是把策略意图可靠地翻译成真实成交,并且在出错时保护账户。

一笔订单从产生到结束,通常经历多个状态。策略先生成交易意图,组合层把它变成目标买卖数量,交易系统做风控检查,然后向券商或交易通道提交订单。订单可能被接受、被拒绝、部分成交、全部成交、撤单中、撤单成功、撤单失败。

这些状态都要记录。你不能只记“我想买 10000 股”。真实系统要知道已报多少、成交多少、剩余多少、平均成交价、费用多少、是否可撤、是否失败、失败原因是什么。否则下一次下单会基于错误持仓继续行动。

订单生命周期是交易系统的状态机。量化开发里很多严重事故不是模型错,而是状态机错: 以为撤单成功其实没撤,以为没成交其实部分成交,以为订单被拒其实内部账已经加仓。

12. 市价单、限价单和算法单

市价单追求尽快成交,但成交价可能不好。限价单指定最差可接受价格,能控制价格,但不保证成交。A 股普通股票没有完全等同于海外市场的简单市价单机制,实际订单类型和申报方式要按交易所和券商规则理解。

机构常用算法单把大订单拆成小订单,例如按时间均匀成交的 TWAP,按市场成交量比例参与的 VWAP,或者根据盘口和冲击动态调整的执行算法。目的不是预测股票涨跌,而是在完成交易的同时降低冲击和滑点。

个人做量化时,不一定需要复杂算法单,但要理解大单不能一次砸进市场。哪怕你只是用小资金交易,也要在回测里考虑限价、成交不足和价格滑点,不要假设任何数量都能按理想价格成交。

13. 快、便宜和确定性不能同时最大化

交易执行有三个常见目标: 尽快成交、尽量低成本、尽量确定完成。想快,就可能主动吃对手盘,滑点更高;想便宜,就可能挂单等待,成交不确定;想确定完成,就可能付出更大价格让步。

比如你必须今天把仓位降下来,就不能只挂一个很保守的卖价慢慢等。如果市场继续下跌,没卖掉的风险更大。反过来,如果只是小幅调仓,可以更耐心,减少冲击。

执行算法要根据策略需求选择。高频信号衰减很快,需要更快成交;长期配置调仓不急,可以慢慢执行;风控减仓优先活下来,成交确定性比成本更重要。

14. 下单前先挡住低级错误

前置风控是在订单发出去前检查风险。常见检查包括账户资金是否足够、可卖持仓是否足够、证券是否可交易、价格是否越界、数量是否符合交易单位、单笔金额是否过大、个股和行业仓位是否超限、是否在黑名单或限制名单里。

这些检查看起来琐碎,但它们能挡住很多事故。模型输出异常、数据缺失、价格单位错误、重复下单、股票停牌、涨跌停不可成交,都可能通过前置风控被拦下。

实盘系统应默认模型会犯错、数据会坏、网络会断、券商会拒单。前置风控不是对研究员不信任,而是承认真实市场里任何环节都可能出问题。

15. 市场正在变

订单发出后,风险并没有结束。盘中价格可能快速变化,成交可能只完成一部分,账户净值可能下跌,保证金可能不足,市场可能触发异常波动。盘中风控要持续监控持仓、现金、成交、回撤、暴露和订单状态。

例如一个策略原计划买入 50 只股票,但只成交了 20 只,剩下 30 只因为涨停买不到。此时组合风险和模型预期完全不同。如果系统还按目标组合计算风险,就会低估真实偏离。

盘中风控常见动作包括暂停新单、撤销未成交订单、降低参与率、强制减仓、切换备用通道、通知人工确认。自动化不等于无人负责,关键节点仍然需要清晰的告警和权限。

16. 部分成交和撤单失败

部分成交是实盘常态。你想买 10000 股,可能先成交 3000 股,剩下 7000 股还在排队。策略此时的真实持仓已经变化,现金也被占用或冻结,但目标还没完成。

撤单也不是瞬间完成。你发出撤单请求时,订单可能已经部分成交,也可能正在交易所队列中,最终可能撤单成功、失败或成交后无法撤。系统必须处理这些中间状态。

如果系统简单地认为“发撤单 = 没有订单”,就会出错。正确做法是等交易通道返回确认,并根据成交回报更新状态。交易系统最怕的是内部状态和券商真实状态不一致。

成交回报是券商或交易通道告诉你订单成交了多少、价格是多少、费用是多少。内部账本要根据成交回报更新现金、持仓、冻结资金、可卖数量、成本价和盈亏。

内部账本不能只靠自己推。因为真实成交可能与预期不同,费用可能有细节,订单可能被拆分成交。盘中和盘后都要和券商或托管数据对账,确认内部记录一致。

对账听起来不性感,但非常关键。很多金融系统的稳定性不在模型层,而在账务层。钱和仓位一旦记错,后面的收益、风险、申赎、合规和报表都会错。

17. 真实成交比预期差多少

滑点监控比较预期成交价和实际成交价。你可能用下单时的中间价、买一卖一、VWAP 或到达价格作为基准。实际成交比买入基准更高、卖出基准更低,就是成本。

滑点要按股票、行业、时间、订单大小、参与率、交易员或算法分解。某些股票滑点长期偏大,可能是流动性差;某个时间段滑点偏大,可能是市场波动;某个执行算法滑点偏大,可能需要调整。

量化策略上线后,如果只看预测效果不看执行效果,会漏掉真正损失来源。模型赚 5%,执行亏 3%,最后客户只看到 2%。执行质量本身就是 Alpha 的一部分。

18. 灾难开关和人工接管

实盘系统必须设计灾难开关。比如数据源异常、行情延迟、订单拒绝率异常、成交价偏离过大、单账户亏损超过阈值、重复下单、持仓暴露越界,都应触发暂停或人工确认。

历史上很多交易事故不是因为没人写模型,而是因为系统在异常状态下继续自动交易。最著名的一课来自骑士资本(Knight Capital),它当时是美国股市最大的做市商之一。2012 年 8 月 1 日开盘,一次软件部署出了岔子:一段本该废弃的旧代码被意外激活,交易系统开始疯狂、错误地自动下单。在大约 45 分钟里,它向市场发出了 400 多万笔订单,买高卖低、越亏越交易,最高峰每分钟烧掉约一千万美元。等工程师手忙脚乱地把它停下来,公司已经亏了大约 4.4 亿美元——一家上市巨头几乎在三刻钟内被自己的程序搞垮,几天后就被迫贱卖求生。

对写代码的人来说,这个故事的教训格外扎心:杀死骑士资本的不是市场,是一次没有做好灰度和回滚、又缺乏有效急停开关的部署。模型再聪明,只要实盘系统在异常时还在自动下单,就可能在几分钟内把多年利润清零。这就是为什么灾难开关、人工接管、部署纪律,在量化里和策略本身同等重要。

灾难开关不是为了让系统保守到不能交易,而是为了确保异常不会无限放大。一个专业交易系统必须回答: 什么时候自动停? 谁有权限恢复? 停止后如何平仓或恢复状态? 日志如何追溯?

19. 个人实盘从小规模开始

个人做量化,不要从全自动大资金开始。更稳的路线是先离线回测,再模拟盘,再小资金半自动,最后再考虑自动化。每一步都要确认数据、订单、成交、费用、持仓和净值能对上。

小资金阶段不要只看赚不赚钱,要看系统有没有按预期运行: 信号是否按时生成,订单是否正确,成交是否记录,失败是否告警,盘后是否对账,日志是否足够复盘。

如果一个系统小钱时都经常状态错、日志缺、成本算不清,放大资金只会放大问题。量化实盘的第一目标不是马上赚大钱,而是证明系统能在真实市场里稳定、可控、可解释地运行。

20. 什么时候该减仓、停用和复盘

量化系统最容易被误解成只负责赚钱。真正成熟的系统还要回答: 如果市场突然变了怎么办? 如果模型连续失效怎么办? 如果成交成本暴涨怎么办? 如果某个行业暴露过高怎么办? 风险控制不是保守派拖后腿,而是让策略有机会活到长期优势兑现的机制。

很多人把风控理解成“提前知道要跌”。这不现实。风控真正做的是限制坏情况发生时的损失范围,并让系统在异常状态下停止扩大战果或扩大亏损。它不需要每次猜中市场,但要在风险超出承受范围时采取行动。

例如策略连续亏损不一定说明错了,可能只是正常波动;但如果亏损同时伴随成交成本异常、持仓暴露越界、数据缺失上升、模型 IC 反向,那就不是普通波动,需要暂停或降权。

风控的核心是把“我感觉不对”变成可监控指标和明确动作。什么指标触发黄色预警,什么指标触发暂停交易,谁有权限恢复,恢复前要检查什么,这些都要提前写清楚。

21. 你到底押了什么

暴露是组合对某类风险的敏感程度。最常见的是市场暴露、行业暴露、风格暴露和个股暴露。你可能以为自己在做选股,但组合可能悄悄押了小市值、成长、低流动性或某个行业。

暴露监控要看绝对暴露和相对基准暴露。一个指数增强产品,如果相对基准超配某行业 8 个百分点,这就是明确的行业押注。它可能带来收益,也可能带来回撤。关键是你要知道它存在。

很多策略出问题时,不是模型完全没有预测能力,而是某个暴露在极端环境下放大了损失。风险系统要能及时告诉你: 今天亏损来自大盘、行业、风格、个股事件,还是交易执行。

22. 一个点坏掉会不会拖垮全局

集中度衡量组合是否过度依赖少数资产、行业、风格或交易。单只股票仓位太高,一条负面公告就可能造成大回撤;行业太集中,政策变化可能同时打击很多持仓;策略收益集中在少数交易,未来可重复性也弱。

集中度可以用简单指标看: 前十大持仓占比、最大个股权重、最大行业权重、单一因子贡献、单一交易日收益贡献。指标不复杂,但能发现很多问题。

量化组合常常持仓很多,看起来分散。但如果这些股票在风险模型里高度同向,集中度仍然很高。真正的集中度看风险来源,不只看股票数量。

23. VaR 能说明什么,不能说明什么

VaR 是 Value at Risk,常被翻译成在险价值。它试图回答: 在某个置信水平下,未来一段时间可能亏多少钱。比如 1 日 95% VaR 为 100 万,意思是按模型估计,正常情况下 95% 的日子亏损不超过 100 万。

VaR 的优点是把风险压成一个易沟通数字。风控、管理层、产品报告都能理解“可能亏多少”。但 VaR 有明显局限: 它依赖历史和分布假设,对极端尾部不够敏感,也不告诉你超过 VaR 以后会亏多惨。

所以 VaR 不能单独使用。一个策略平时波动很低,VaR 看起来很小,但如果隐藏卖期权式尾部风险,真正危机来临时损失会远超模型。看 VaR 时必须配合压力测试、最大回撤、尾部损失和策略机制。

24. 故意把坏天气拿出来看

压力测试是主动假设极端情景,看组合会怎样。比如大盘一天跌 8%,小盘风格暴跌,流动性减半,某个行业跌停,信用利差走阔,股债同时下跌。压力测试不问这些明天会不会发生,而是问如果发生你能不能承受。

历史压力测试会拿过去真实危机场景重放,例如股灾、疫情初期、利率快速上行、流动性冲击。假设压力测试则根据当前组合暴露设计情景,比如你的组合重仓新能源,就测试新能源行业大跌。

压力测试的价值是提前暴露脆弱点。它不能预测危机时间,但能告诉你哪里可能断。知道断点后,你可以降低集中度、减少杠杆、改执行计划或设置止损线。

25. 简单但很容易误用

止损是亏损达到某个阈值时减仓或退出。它能防止单个错误无限扩大,但也可能在正常波动中把你洗出去。一个波动很高的策略,如果止损太紧,会不断低卖高买;止损太松,又失去保护意义。

止损可以按单票、组合、策略、账户多个层级设置。单票止损处理个股事件,组合止损处理整体回撤,策略止损处理模型失效,账户止损处理生存风险。不同层级动作不同,不能混在一起。

量化里更常用的是动态风险预算和降权机制,而不是机械全卖。比如回撤扩大、IC 变差、波动上升时逐步降低仓位;等指标恢复后再逐步恢复。这比一次性开关更稳,但也更需要规则清楚。

26. 模型失效监控

模型失效不是等亏到很惨才发现。你可以监控预测分数和未来收益的关系,比如滚动 IC、分层收益、多空收益、预测覆盖率、特征缺失率、预测分布漂移。如果这些指标持续异常,模型可能正在失效。

还要区分模型失效和市场环境不利。一个价值因子在成长股行情里跑输,可能是风格逆风;如果价值因子内部排序也完全反向,数据和模型就要重点检查。

模型失效处理可以分级: 降低权重、暂停新开仓、只减不加、切换备用模型、要求人工复盘、重新训练或永久下线。不要在没有复盘的情况下因为短期亏损随便重训,那会把噪声当信号。

27. 数据风险和系统风险

量化策略依赖数据。行情延迟、复权错误、财报字段缺失、指数成分回填、供应商接口变化、时间戳错位,都会直接影响信号。数据错误往往比模型错误更隐蔽,因为它会让模型看起来正常输出。

系统风险包括程序 bug、部署错误、网络断连、券商接口异常、重复下单、日志丢失、权限配置错误。骑士资本事件提醒我们,交易系统错误能在很短时间内造成巨大损失。

因此,风控不只盯市场。它还要盯数据质量、服务健康、订单状态、延迟、错误率、版本发布和权限变更。量化是金融和工程的结合,风险也同时来自金融和工程。

28. 风险限额和权限

风险限额是提前写好的边界。比如总仓位上限、单票上限、行业上限、杠杆上限、日内亏损上限、订单金额上限、参与率上限、撤单率上限。限额把抽象风险变成系统能检查的规则。

权限决定谁能改限额、谁能恢复交易、谁能手动下单、谁能关闭策略。权限设计很重要,因为极端时刻人会紧张,临时口头决策容易出错。专业机构会要求留痕、复核和审批。

个人做量化也需要限额。比如单日最大亏损到 2% 停止交易,单只股票不超过 10%,单日成交额不超过账户 30%,策略连续异常两天必须手动复盘。小账户也要养成制度习惯。

29. 风险报告要能指导动作

好的风险报告不是堆指标,而是帮助决策。它要告诉你当前组合风险在哪里,和昨天相比变了什么,哪些指标越界,如果极端情景发生会亏多少,是否需要减仓、停用或人工复核。

报告可以分三层。第一层给结论: 正常、预警、越界。第二层给原因: 哪个暴露、哪个策略、哪个数据或哪个订单导致。第三层给明细: 持仓、交易、指标和日志。不同角色看不同深度。

如果风险报告只能事后解释亏损,不能提前暴露风险和触发动作,它的价值就有限。风控系统的目标是让风险可见、可讨论、可执行。

小结

这一章的正文不是让你记住几个孤立名词,而是要把它们放回同一条因果链里。读完后,先用自己的话复述下面几条判断,再顺着“小节回看”检查是否能解释每一步。

• 模型分数不能直接等于仓位,还要经过风险、成本、流动性和产品约束。
• 风险模型帮助识别市场、行业、风格和个股特有风险,避免把暴露误认为能力。
• 实盘交易是订单状态机,必须处理拒单、部分成交、撤单、成交回报和对账。
• 执行在速度、成本和成交确定性之间取舍,大订单还要考虑冲击和参与率。
• 风险控制不是预测每次下跌,而是限制异常状态下的损失扩张。

小节回看

• 1. 预测分数不是仓位
• 2. 你承诺偏离多少
• 3. 风险模型在估计什么
• 4. 行业和风格暴露
• 5. 个股上限和集中度
• 6. 换手约束和交易成本模型
• 7. 约束优化的直觉
• 8. 多头、空头和市场中性
• 9. 赚的钱从哪里来
• 10. 个人项目怎么简化组合优化
• 11. 策略如何真的下到市场里
• 12. 市价单、限价单和算法单
• 13. 快、便宜和确定性不能同时最大化
• 14. 下单前先挡住低级错误
• 15. 市场正在变
• 16. 部分成交和撤单失败
• 17. 真实成交比预期差多少
• 18. 灾难开关和人工接管
• 19. 个人实盘从小规模开始
• 20. 什么时候该减仓、停用和复盘
• 21. 你到底押了什么
• 22. 一个点坏掉会不会拖垮全局
• 23. VaR 能说明什么,不能说明什么
• 24. 故意把坏天气拿出来看
• 25. 简单但很容易误用
• 26. 模型失效监控
• 27. 数据风险和系统风险
• 28. 风险限额和权限
• 29. 风险报告要能指导动作

自测

为什么预测最高的股票不能直接满仓买?

它可能流动性差、风险暴露过高、违反个股或行业约束,也可能买不到或成本太高。

风险模型主要拆解哪些风险?

市场风险、行业风险、风格风险和个股特有风险。

为什么策略目标仓位不能直接等于成交结果?

因为订单可能被拒、部分成交、排队未成交、撤单失败或因涨跌停停牌无法交易。

执行为什么不能同时最快、最便宜、最确定?

主动追求快速和确定通常要吃对手盘付出滑点,耐心挂单成本低但成交不确定。

VaR 的主要局限是什么?

它依赖模型和历史假设,不充分描述超过阈值后的尾部损失,不能单独代表全部风险。

压力测试为什么有用?

它主动模拟极端情景,提前暴露组合在坏情况下可能断在哪里。