第六部分 · 项目实战与工程化 · 第 18 章

量化项目的工程骨架与速查

计算机背景的读者最容易把量化项目写成一个越拉越长的 notebook,几周后连自己都理不清哪个单元格先跑、哪个文件才是最终结果。这一章先讲怎么像正经工程项目那样组织一个量化项目:数据来源清楚、配置可重复、实验有记录、回测可复现、报告能自动生成;再给一份公式和指标速查,帮你在“别死背公式,要知道它在问什么”之间找到平衡。

读完这一章,你会明白

量化项目要按数据、因子、回测、模型、报告和日志分层组织,避免所有逻辑塞进 notebook。
配置、版本、交易记录和自动报告是可复现研究的核心。
公式的作用是把收益、风险、基准和估值问题算清楚,不是为了背诵。
同一个指标都有适用边界,夏普、VaR、PE、IC 都不能单独决定策略好坏。

本图从“目录结构先分层”走到“PE、PB 和股息率”,用于先看第 18 章的关键路径,再回到正文补细节。

1. 目录结构先分层

一个最小量化项目可以分成几层。data 保存原始数据和处理后数据,features 保存因子构造,backtest 保存回测逻辑,models 保存训练和预测,reports 保存图表和结论,configs 保存参数,logs 保存运行记录。

目录不是为了好看,而是为了隔离责任。原始数据不要被实验脚本随手改掉;因子计算不要和回测撮合写在一起;报告不要手工复制结果。每层边界清楚,错误才容易定位。

入门时不必上复杂框架,但要避免所有东西都塞进一个脚本。量化研究会反复试错,如果结构混乱,你很快就分不清收益变化来自模型改进、数据变化还是手工操作错误。

quant_project/
  configs/base.yaml
  data/raw/              # 原始下载,不手改
  data/processed/        # 清洗后的价格、成分、财务
  features/              # 因子计算脚本
  backtest/              # 账户、订单、撮合、指标
  models/                # 训练、预测、模型版本
  reports/               # 自动生成的图表和结论
  tests/                 # 数据、因子、回测状态测试
  logs/                  # 每次实验和模拟盘日志

这棵目录树不是唯一标准,但它给了第一版项目一个可以照着搭的形状。你可以先只实现 `configs`、`data`、`features`、`backtest`、`reports` 五层,等模拟盘阶段再补 `models`、`logs` 和更完整的测试。

把项目按职责拆成清晰的几层,而不是全写进一个越拉越长的 notebook。数据、因子、回测、配置、报告各归各位,几周后你和接手的人都还能看懂。

2. 配置文件比硬编码可靠

股票池、回测区间、调仓频率、交易成本、滑点、因子列表、模型参数,都应放进配置文件或明确参数里。不要把日期和路径散落在代码各处。

配置的价值是让实验可重复。你今天跑了一个中证 500 月频低估值策略,一个月后应该能用同一份配置跑出同样结果。如果结果不同,要知道是数据更新了、代码改了,还是依赖环境变了。

配置还方便对比实验。你可以只改一个参数,例如交易成本从 0.1% 改到 0.2%,观察结果变化。如果参数散在代码里,实验对比会变成手工记忆。

universe: csi500
start_date: 2016-01-01
end_date: 2024-12-31
rebalance: monthly
trade_price: next_open
cost:
  buy_bps: 8
  sell_bps: 13
constraints:
  max_weight: 0.03
  min_avg_amount: 20000000
factors:
  - value_bp
  - momentum_60
  - quality_roe

这份配置写的是研究边界。以后报告里只要引用配置文件,读者就能知道股票池、日期、调仓、成本、约束和因子是什么。配置越清楚,越不容易事后偷偷改规则。

3. 原始、清洗和特征分开

数据层至少要区分 raw、processed 和 feature。raw 是原始下载或导入的数据,尽量不改;processed 是清洗后的标准表,比如统一代码、日期、复权和停牌字段;feature 是从 processed 计算出的因子和模型输入。

每一步都要可追溯。某个因子值异常时,你要能回到原始价格、财务字段和处理脚本。否则模型输出错了,你只能猜。

数据检查脚本应独立存在。缺失率、重复日期、异常价格、停牌状态、复权跳变、财报发布日期、指数成分变化,都应能自动检查。数据检查不是一次性任务,每次更新都要跑。

表	关键字段	用途
prices	date, code, open, close, volume, amount, adj_factor, paused, limit_up, limit_down	行情、成交限制、收益计算
universe	date, code, index_code, weight	点时股票池和基准权重
features	date, code, factor_name, value, available_at	因子矩阵和可见时间
orders	date, code, side, qty, limit_price, status	回测和模拟盘订单状态
positions	date, code, qty, sellable_qty, market_value	持仓、T+1 和风险暴露

有了这些最小字段,你就能把研究从散乱 DataFrame 变成可检查的数据层。字段不必一开始很全,但每个字段都要有含义和口径。

4. 每个因子都要有定义

因子代码要写清楚输入、输出和时间口径。比如 momentum_20 使用过去 20 个交易日复权收益,是否跳过最近 1 天,是否行业中性,是否做极端值处理,缺失值如何填充。

每个因子最好有文档和小测试。给一段很小的假数据,能算出预期结果。这样重构代码时,你不会不小心把 shift 方向改错。

因子层还要保存中间结果。模型训练时不要每次临时重新算全部因子,否则实验慢且难复现。可以按日期和股票保存因子矩阵,并记录生成版本。

回测层至少有三个概念: 策略生成目标仓位,撮合模块模拟成交,账户模块更新现金和持仓。不要让策略函数直接修改净值,否则你很难加入成本、停牌、T+1 和部分成交。

指标计算也应独立。年化、回撤、夏普、换手、超额、跟踪误差、信息比率、行业暴露,都可以从净值、持仓和交易记录计算。指标独立后,不同策略可以用同一套评价。

交易记录必须保存。只保存净值曲线不够。你要知道每次买卖什么、数量多少、价格多少、费用多少、是否失败。交易记录是回测复盘的证据。

for date in trading_calendar:
    data = load_point_in_time_data(date)
    if is_rebalance_day(date):
        score = compute_score(data.features)
        target = build_target_portfolio(score, constraints)
        orders = diff_to_orders(account.positions, target)
    orders = risk_check(orders, account, market_rules)
    fills = match_orders(orders, data.next_bar, cost_model)
    account.update(fills, data.close_price)
    recorder.save(date, account, orders, fills)

这段伪代码表达的是顺序: 先取当时可见数据,再算分数和目标组合,再生成订单,再风控,再撮合,最后更新账户和记录。只要顺序乱了,就可能出现未来函数或账户状态错误。

5. 训练、预测和回测不要混

机器学习项目里,训练脚本负责用训练区间拟合模型,预测脚本负责在指定日期输出分数,回测脚本负责把分数变成组合。三者混在一起,很容易发生样本泄漏。

模型文件要带版本。使用了哪些特征、训练日期、参数、随机种子、代码版本,都应记录。实盘或模拟盘里某天的预测,必须能追溯到当时的模型。

预测结果也要落盘。不要每次回测都重新训练然后直接交易。真实流程里,每天会先生成预测文件,然后组合和交易系统读取。这样更接近生产,也便于检查。

报告应尽量自动生成。回测结束后,脚本自动输出净值图、回撤图、年度收益、月度收益、IC、分层、换手、持仓、行业暴露和成本敏感性。

手工截图容易挑好看的图,也容易漏掉不利结果。自动报告把固定指标都摆出来,逼你面对策略真实样子。

报告里还要保留配置和数据版本。别人看到一张曲线,应该能知道它来自哪个实验、哪个参数、哪个数据版本。没有元信息的图,复盘价值很低。

6. 记录失败比记录成功更重要

量化研究大多数想法会失败。如果不记录失败,你会反复试同样方向,或者只记得成功样本,产生幸存者偏差。实验日志应记录日期、想法、配置、结果、结论和下一步。

日志不需要很长,但要诚实。比如: 尝试 60 日动量,样本内有效,2021 年后失效,换手高,扣成本后超额为负,暂不加入组合。这样的记录以后很有用。

记录失败也能训练研究判断。你会慢慢知道哪些方向常因成本失败,哪些因子只是市值暴露,哪些模型对参数太敏感。

量化代码也需要测试。至少要有数据测试、因子测试、回测状态测试和指标测试。比如收益率计算是否正确,复权是否合理,持仓是否不会变成负数,现金是否和交易记录一致。

断言可以挡住低级错误。比如禁止使用未来日期数据,禁止下单数量不是交易单位整数,禁止组合权重超过上限,禁止净值出现非数字,禁止成交发生在停牌日。

这些测试看起来不像金融研究,但它们会救你。很多漂亮回测来自 bug,不是来自 Alpha。测试越早写,越少被假收益欺骗。

def test_momentum_uses_only_past_prices():
    prices = [10, 11, 12, 13]
    # 3 日动量在第 4 天只能使用前 3 天到当天之前的可见价格
    assert momentum(prices, asof=3, window=2) == 12 / 10 - 1

def test_no_trade_when_limit_up():
    order = Buy(code="000001", qty=100)
    bar = Bar(open=10.0, limit_up=10.0, sell_volume=0)
    assert match(order, bar).filled_qty == 0

测试样例要小到一眼能算出来。它们不追求覆盖所有金融现实,而是挡住最常见的方向错误、未来数据和非法成交。

7. 从教学项目到生产系统

教学项目可以本地运行,生产系统要面对调度、监控、权限、容错、备份、日志、告警和人工接管。不要一开始就做复杂生产系统,但要知道未来会需要这些。

一个合理过渡路线是: 本地脚本跑通,配置化;每日定时生成报告;模拟盘自动更新;小资金半自动下单;最后再考虑全自动。每一步都要比上一阶段多一个真实约束。

工程化不是为了炫技术,而是为了让策略在时间里可维护。量化项目会持续迭代,没有结构和记录,几个月后就会变成没人敢碰的黑箱。

金融公式容易让小白紧张。其实大部分入门公式都在问朴素问题: 赚了多少,承担多大波动,从高点跌了多少,有没有跑赢基准,价格相对利润贵不贵,债券对利率多敏感。公式不是为了显得专业,而是为了把问题说清楚、算清楚、比较清楚。

8. 收益率

单期收益率等于结束价值除以开始价值再减一。100 元变成 105 元,收益率是 5%。100 元变成 95 元,收益率是 -5%。收益率的意义是把不同本金规模放到同一把尺子上比较。

多期收益不能简单相加,要按复利相乘。第一期赚 10%,第二期亏 10%,最终是 1.1 × 0.9 - 1 = -1%。这说明涨跌幅对称时,长期结果并不对称。

量化代码里最容易犯的错是价格口径不清。用未复权价格算长期收益会把分红除权当成下跌;用复权价格模拟真实成交又可能不对应当时市场价格。收益公式简单,数据口径不简单。

年化收益把不同长度的投资结果换算成一年口径。若 3 个月收益 5%,复利年化大约是 1.05 的 4 次方减一。年化方便比较,但样本越短越不稳定。

年化不是预测。一个策略一周赚 2%,不能简单相信它一年会赚很多。短期收益可能来自运气、市场风格或一次事件,年化后会显得非常夸张。

看年化时一定配合回撤、波动和样本长度。没有风险指标的年化收益,就像只告诉你车能跑多快,不告诉你刹车是否可靠。

9. 波动率

波动率通常是收益率标准差。它衡量收益围绕平均值上下摆动的程度。日收益很稳定,波动率低;大涨大跌频繁,波动率高。

日波动率常用乘以交易日数量平方根的方式年化。A 股严谨回测可以按实际交易日数,行业报告也常统一用 252 作为近似。这个公式来自独立同分布近似,现实市场并不完美满足,但作为粗略比较工具很常用。

波动率把上涨和下跌都算成波动,所以它不是风险的全部。投资者通常不讨厌上涨波动,真正害怕的是下跌、回撤和尾部亏损。

最大回撤等于净值从历史高点跌到之后低点的最大跌幅。净值从 1.5 跌到 1.2,回撤是 1.2 / 1.5 - 1 = -20%。

最大回撤贴近投资体验。你不是从起点看账户,而是会记得曾经最高点。净值从高点跌下来,心理压力很大,很多人会在回撤中赎回或停止策略。

回撤还有恢复问题。跌 50% 要涨 100% 才回本。策略控制回撤不是为了曲线好看,而是为了复利不被深亏打断。

10. 夏普比率

夏普比率大致等于超出无风险收益的部分除以收益波动率。它问的是: 每承担一份波动,换来多少超额收益。

如果策略年化收益 15%,无风险收益 3%,年化波动 12%,夏普约为 1。另一个策略年化收益 25%,波动 44%,夏普约 0.5。后者赚得多,但单位波动质量更差。

夏普会低估小赚大亏策略的风险。卖期权、加杠杆、吃流动性尾部风险的策略,平时夏普可能很好,但一次极端亏损会暴露问题。

信息比率等于年化超额收益除以年化跟踪误差。它用于评价相对基准的主动管理能力,尤其适合指数增强。

超额收益是组合收益减基准收益。跟踪误差是超额收益的波动。信息比率高,表示每承担一份相对基准偏离,得到更多超额。

信息比率也要看样本长度和稳定性。一个产品短期超额很高,但跟踪误差也高、超额回撤很深,不一定比稳定小超额更好。

11. IC 和 RankIC

IC 衡量因子值和未来收益之间的相关性。RankIC 用排序相关,更关注因子排名和未来收益排名是否一致。

股票横截面噪声很大,IC 通常不会很高。长期平均 RankIC 只有 0.02 或 0.03,如果稳定、成本低、容量大,也可能有价值。

IC 只是第一层检验。一个因子 IC 好,还要看分层收益、换手、成本、行业暴露、样本外和组合边际贡献。

跟踪误差衡量组合相对基准收益的波动。指数基金希望跟踪误差尽量低,指数增强允许一定跟踪误差来争取超额。

跟踪误差不是坏东西,它是主动管理自由度的代价。完全不偏离基准,就很难产生超额;偏离太大,客户拿到的风险就可能不像承诺的产品。

看指数增强时,跟踪误差要和超额收益一起看。只看超额高,可能忽略它承担了过多偏离风险。

12. 久期

久期可以粗略理解为债券价格对利率变化的敏感度。久期为 7 的债券,收益率上升 1 个百分点,价格大约下跌 7%。这是近似,但非常有用。

久期越长,债券越怕利率上升,也越受益于利率下降。长期国债没有信用违约风险的直觉很强,但它有明显利率风险。

债券基金报告里如果写久期较长,你就要知道它对利率变化敏感。不要把债券基金简单理解成不会跌的产品。

VaR 是在险价值,用来回答在某个置信水平和期限下,正常情况下可能亏多少。比如 1 日 95% VaR 为 100 万,意思是模型估计 95% 的日子里单日亏损不超过 100 万。

VaR 有历史模拟、参数法、蒙特卡洛等口径,不同方法对分布和尾部的假设不同。它适合做风险沟通,但不能告诉你超过 VaR 后会亏多惨。

所以 VaR 必须和压力测试、最大回撤、尾部损失、杠杆和流动性一起看。只给一个 VaR 数字,不能说明风险已经被充分控制。

13. PE、PB 和股息率

PE 是市值除以净利润,问的是市场愿意为一元利润付多少钱。PB 是市值除以净资产,问的是市场愿意为一元账面净资产付多少钱。股息率是分红除以价格,问的是按当前价格分红回报大约多少。

低 PE、低 PB、高股息率常被看作便宜,但不能机械使用。低估值可能来自真实风险,高股息可能不可持续,PB 对轻资产公司解释力有限。

估值指标最适合和行业、质量、成长、现金流一起看。量化里常做行业中性和极端值处理,避免把行业差异当成股票便宜。

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。

量化项目要按数据、因子、回测、模型、报告和日志分层组织,避免所有逻辑塞进 notebook。
配置、版本、交易记录和自动报告是可复现研究的核心。
公式的作用是把收益、风险、基准和估值问题算清楚,不是为了背诵。
同一个指标都有适用边界,夏普、VaR、PE、IC 都不能单独决定策略好坏。

小节回看

1. 目录结构先分层
2. 配置文件比硬编码可靠
3. 原始、清洗和特征分开
4. 每个因子都要有定义
5. 训练、预测和回测不要混
6. 记录失败比记录成功更重要
7. 从教学项目到生产系统
8. 收益率
9. 波动率
10. 夏普比率
11. IC 和 RankIC
12. 久期
13. PE、PB 和股息率

自测

为什么不建议把量化项目写成一个长 notebook?

因为运行顺序、临时文件和手工操作难以复现,很容易分不清结果来自哪里。

回测为什么要保存交易记录?

净值只能看结果,交易记录能复盘每次买卖、费用、失败和持仓变化。

为什么收益率多期要用乘法而不是简单加法?

因为每期收益作用在变化后的新本金上,投资过程是复利链条。

夏普比率为什么不能单独判断策略好坏?

它用波动代表风险,可能低估尾部亏损、杠杆和小赚大亏结构。