第八部分 · 职业、复盘与长期成长 · 第 51 章

量化行业与职业路线: 你适合站在哪个位置

量化机构不是只有研究员,一套策略要经过数据、研究、平台、交易、风控、合规和运营。进入行业之前,先看清每个岗位在生产线里消除什么失败,再判断自己的工程能力最适合接在哪一段。这一章从真实工作流走到作品集,帮你选择位置而不是追逐一个模糊的“量化”标签。

主线八 本部分第 1 / 4 章

本部分的问题:做完第一个项目以后,怎样选择岗位、建设作品集并形成长期学习循环?

读完后,你会把全书收束成一条个人路线,而不是停在零散知识和一次性项目。

读完这一章,你会明白

• 量化机构是一条由研究、数据、工程、交易、风控、合规和运营共同组成的生产线,不是研究员单打独斗。
• 公开案例只能帮助理解行业结构,不能当作真实内部 Alpha 的来源。
• 计算机背景进入量化的核心,是把工程、数据和模型能力接到金融问题上。
• 作品集要展示数据口径、回测规则、风险指标、交易成本和复盘,而不是只甩一条高收益曲线。

1. 研究、工程、交易和风控

1.1. 量化机构不是只有研究员

一个成熟的量化团队,角色比外人想象的多得多。研究员负责发现信号、做因子和模型、写回测报告;数据工程师负责接入、清洗、校验和维护数据;平台工程师负责研究平台、回测框架、任务调度、存储和权限;交易系统工程师负责订单、执行、券商接口和实盘稳定。

这还没完,后面还站着一串人: 组合经理、交易员、风控、合规、运营、产品和客户服务。组合经理决定策略怎么组合、风险怎么分配;交易员处理执行和异常;风控盯暴露、回撤、限额和模型失效;合规确保交易行为和信息使用符合监管;运营负责估值、清算、对账、产品资料。

所以量化不是“一个模型训练完就结束”,它是研究、数据、工程、交易、风控、合规、运营共同维持的一套系统。任何一个环节薄弱,策略收益都会打折,甚至直接变成事故。

1.2. 研究员每天在做什么

想到量化研究员,你可能脑补的是每天灵感爆发、发现一个神奇公式。真实的日常远没有这么浪漫: 提出假设、取数据、清洗样本、构造特征、跑回测、看风险、写报告、和已有因子比较、解释为什么失效,然后重复迭代。

一个典型问题长这样: 某类财务质量指标在中证 1000 里有没有选股效果? 研究员要定义指标口径,处理公告日期,做行业中性和市值中性,看 IC、分层、换手、成本、容量,最后再判断它够不够格加入现有模型。每一步都是体力活加细致活。

研究员还得习惯一个现实: 大多数想法最后没用。不是每个因子都有增量,不是每个模型都能上线。好的研究流程会认真保存失败记录——失败不是白干,它告诉团队哪些方向已经拥挤、哪些数据有坑、哪些假设站不住。

1.3. 量化工程师在做什么

量化工程师的价值,是把研究流程和交易流程做成靠得住的系统。研究员不能每次都手工下载数据、手工拼表、手工跑脚本。工程平台要做到: 数据可追溯、任务可复现、实验可记录、结果可比较。

到了实盘侧,工程要求直接翻倍: 订单不能重复发,成交不能漏记,风险不能越界,系统异常要告警,发布要能回滚,日志要能追溯。金融系统里的 bug 不只是用户体验问题,它直接变成钱,还变成合规风险。

计算机背景的人进量化,工程能力是很大优势,但短板也要补: 金融常识。你写的不是普通的推荐系统,而是一个会下单、会占用资金、会触发监管和客户损益的系统——线上事故的含义完全不同。

1.4. 交易和执行团队在做什么

交易执行团队的任务,是把纸面上的目标仓位变成真实成交。它要考虑一长串现实因素: 交易时间、盘口、流动性、冲击成本、涨跌停、停牌、撤单、部分成交、券商通道和执行算法。

别小看执行这个环节。对大型机构来说,执行质量显著影响收益: 同一个模型,执行好和执行差,结果可能差出几个百分点。尤其是高换手、小盘股、期货和日内策略,交易成本常常直接决定策略能不能活。

交易团队还得随时处理异常: 某个券商通道延迟突然升高,某只股票突然停牌,市场急跌导致撤单失败,产品赎回需要紧急减仓。实盘不是实验室,每天都可能冒出不规则事件,等着人来处理。

1.5. 风控和合规不是摆设

风控负责盯住一个核心问题: 策略的风险还在不在边界内? 它看回撤、波动、暴露、集中度、杠杆、流动性、压力测试、模型失效和交易异常。合规则管另一摊: 交易行为、信息使用、产品合同、监管要求和留痕。

量化机构越大,越需要制度化的风控。道理很简单: 资金大了以后,一个错误订单、一笔拥挤交易、一次模型失效,影响的就不只是公司自己,还可能波及市场秩序和客户资产。

国内的程序化交易监管,近年也更强调申报管理、异常交易监控、高频交易报告和风险控制。无论个人还是机构都要明白: 量化不是法外之地。技术越强,越要尊重市场规则。

1.6. 国内常见量化产品线

国内量化私募和公募的常见产品,大致包括这些: 指数增强、市场中性、CTA、套利、多策略、量化选股、可转债策略等。其中指数增强是国内非常重要的一类,围绕沪深 300、中证 500、中证 1000 等基准,争取跑赢指数的超额收益。

其他几类的玩法各有侧重: 市场中性试图对冲掉市场涨跌,主要赚相对选股收益;CTA 更关注期货趋势、期限结构和跨品种机会;套利策略盯着价格关系的偏离;多策略平台则把不同收益来源组合到一起。

每类产品都有顺风和逆风的天气: 指数增强在市场风格极端时可能跑输;市场中性会受对冲成本和基差影响;CTA 在无趋势的震荡市里难受;套利策略怕极端流动性冲击。记住一句话: 没有一种策略永远顺风。

1.7. 公开案例怎么理解

外界聊国内量化机构,常提到幻方、九坤、启林等名字。公开资料能看到它们重视数据、模型、算力、工程和多策略平台,但外人不可能知道真实的 Alpha 细节。学习时可以参考公开介绍,千万别把网络传言当内部算法。

幻方的公开形象里常和 AI、算力、量化投资联系在一起;九坤、启林等机构,也公开展示过量化投资、多资产或科技驱动的能力。从这些信息里,你能学到的是行业方向: 数据和工程基础设施越来越重要,策略竞争越来越系统化。具体到某个因子,公开资料不会写。

国外也有重要案例: 骑士资本事件提醒,交易系统部署错误会造成巨大损失;文艺复兴、Two Sigma、DE Shaw 等机构则说明,量化不是某个单一模型,而是长期的数据、人才、研究和工程积累。但也别神化任何公司,公开信息只能帮你理解行业轮廓。

1.8. 量化行业现在的形势

近几年量化行业的竞争明显更激烈了。简单因子更拥挤,交易成本和容量更受关注,监管对程序化交易更重视,客户也更关心回撤和风格暴露。只靠一条历史回测漂亮的曲线,越来越难获得信任。

另一面,数据和算力仍在发展: 高频数据、另类数据、文本数据、机器学习、深度学习、组合优化、执行算法都在进步。所以行业不是没有机会,而是机会越来越要求综合能力——一个人只懂一门手艺,越来越难立足。

个人进入这个行业,少幻想“一个模型打天下”。更现实的能力组合是: 金融基础、统计和机器学习、数据工程、回测和交易系统、风险意识、清晰写报告。这套组合不性感,但它就是入场券。

1.9. 个人量化和机构量化的差别

个人和机构,各有各的牌。个人的优势是灵活、成本低、决策快;劣势是数据、资金、交易通道、融券、合规支持和风控资源有限。机构的优势是平台、数据、人才和执行能力;劣势是资金大、容量约束强、流程复杂,掉头慢。

想清这副牌,就该明白: 个人不该直接模仿机构的高频或大规模多因子平台,那是用短板碰别人的长板。更合理的是做适合个人规模的研究: 指数基金配置、低频因子验证、基金和 ETF 分析、可转债或小规模策略研究、风险管理工具。

个人量化的目标,也不一定要定义成打败所有机构。它可以是理解市场、建立纪律、辅助投资决策、训练工程和研究能力。用小资金把流程做完整,比用大资金赌一个半懂不懂的模型,有价值得多。

1.10. 量化行业到底招什么样的人

先把架子摆正再谈细节:量化机构招人的底层逻辑,是在为一条研究流水线补零件——哪里贵、哪里稀缺,就在哪里付钱。所以招聘要求不是随机的条件罗列,每一条背后都是“你能不能解决我们解决的不了的问题”:研究员招的是你出 Alpha 的产出力,开发招的是你让系统别出事的稳定力,执行招的是你把滑点压小的手感,风控招的是你敢在大家都眼红的时候踩刹车的定力。看懂这一层,JD 上那些看起来很吓人的条件就变回了它的本来面目。

量化研究岗位里最主流的画像,是数学、统计、物理、计算机这些硬背景出身,硕士或博士为常态——不是因为学历本身值钱,而是这类训练恰好攒下了三样关键家底:能把模糊的问题翻译成数学结构,能跟不确定性承认“我只是有分布”,能忍受一研究卡几周的折磨工艺。头部私募和研究部的实习生池子里,清北复交数学系、物理系、中科大少年班、海外名校的博士占了一大半,这不是门槛消费税,是历史筛选下来的概率分布——当然,本科生也不是绝无可能,只要你有看得见的实绩:Kaggle 金银牌、发到顶会的论文、一个人能跑通的完整策略作品。

工程岗的画像则是另一套逻辑:不必是数学怪才,但要是那种能把难题拆成能跑系统的工程师。要求通常落在:C++ 或 Python 的性能优化、低延迟网络、数据处理管道、数据库、分布式计算样样要熟,还得对金融业务有个底子——知道为什么订单状态机里必须有“部成”、为什么每一单都要留审计日志。顶级高频团队常年开百万级年薪招 C++ 开发,这背后不是浮夸:交易系统的每一微秒延迟、每一次崩溃,扣的都是真金白银——一流的开发在量化里拿溢价,不比一流的研究便宜。

执行/交易、数据、风控这三类岗也有清晰的画像。执行交易岗原意是开发出身升级,懂微观结构、会用 Python 处理逐笔、看得懂冲击成本曲线;数据岗几乎是万能补丁——能爬虫、能解析 PDF 公告、能搭入库流程、还愿意盯错;风控岗外表偏稳,要求懂监管规则、看得明白产品合同、组合模型能上手,最关键是性格——能在会上眼泪不下来地说“不行”。这三类岗的共同点是“离交易近但不被冲昏”,可靠性溢价在招聘里一直不便宜。

JD 里那些条款怎么读?两句话带走:第一,“熟练使用 X”往往只代表“见过这种坑”,真正能独立交付带监控和测试的系统,才是他们想要的人;第二,“有金融经验优先”通常表示“希望你知道这些特有的坑”——未来函数、停牌、涨跌停、成分回填、时区,他们对没有工具经验的工程师会额外存疑。反过来,如果 JD 上写“一上来就要带队”“期权全希腊字母精通”之类吹牛字眼,你反推能猜到:他们要么团队缺人想求快,要么在试图用花词省预算。

面试的内情倒是相对朴素,几轮考察下来其实就看四件事:你做过什么、你的研究能不能被追问、你知不知道哪里会踩坑、你沟通顺不顺。金融八股背不了多深——“为什么这两个因子会互相挤占”“拿到一份时点数据你会怎么验证”这类问题等着你来扛;编程题一定有现场写,最常见的量级是:实现一个带时点约束的数据访问接口,或者给一个收益率序列算年化、滚动波动和回撤。最有杀伤力的问题其实都很原始:“你这个收益到底是从哪来的?”、“如果空头融资成本翻倍,这个策略还能跑多久?”——能把这一层清清楚楚说上来的人,真的很少。

背景不够硬的人可以走什么路?最常规的叫专业路线——本科或硕士阶段把统计和机器学习刷扎实,进机构从数据或开发做起,边做边学业务、跑模拟盘、攒自己的作品;比较快的叫非典型路线——自己动手写一套能跑通的完整策略(哪怕是模拟盘),把代码、报告、复盘记录整理成一份干净的仓库,直接投给招实习生的团队。中间还有一条常被忽略的优势:计算机背景不是障碍,只是你必须在自己的仓库里拿出证据,让量化团队看到你的工程纪律足以让他们夜里睡得着。

最后来一碗清醒汤:量化行业现在激烈得多,幻方、九坤这类头部团队清北藤校投研博是常态;高频、自营缩编之后,初级岗位变相上调了门槛。给的报酬确实高——量化应届生顶尖能高过互联网总包,研究员从几十万到上百万的有,提成最高的故事都出现在超额收益跟基金规模双多的年份——但它是一条产能供不应求又无法逆周期扩张的赛道,浪一打过来就要靠熬过去。弄清楚你是因为热爱这门生意、还是被“年入一百万”吸引,耐心的账本会给出不同答案。

1.11. 你该怎样看招聘要求

不同岗位的招聘要求,背后是不同的问题意识。量化研究岗位通常看数学、统计、机器学习、金融直觉和研究能力;量化开发看工程能力、系统稳定性、数据处理、性能和交易业务理解;数据岗位看数据管道、质量控制、存储计算和可追溯;风控岗位看风险模型、产品理解、监管和沟通。

计算机背景的人想进量化,要补的不是一堆证书名词,而是用金融问题组织工程项目的能力。说得更具体些: 你能不能写一个点时可回测的系统? 能不能解释什么是未来函数? 能不能输出一份合格的因子报告? 能不能把订单状态机讲清楚?

面试里,对方常常不是要你背某个模型,而是看你知不知道模型为什么可能失效、数据哪里会泄漏、成本该怎么扣、风险如何归因。说到底,真正的量化能力只有一条: 把研究结果放回真实市场里,还站得住。

2. 计算机背景怎样进入量化

来自计算机行业的你,进入量化不需要把自己回炉成金融科班,但必须补上三样:金融语言、市场制度和风险意识。你的优势在工程、数据和模型,短板通常在资产、交易和产品理解。这一章不灌鸡血,也不画大饼,只解决一个具体问题:怎样把你学过的东西,变成别人一眼能看懂的能力证据。

金融现场 2.1. 面试官为什么对 60% 年化只问了一列日期

一位候选人展示自己的量化项目:年化 60%、夏普很高、图也精致。面试官没有追问用了什么神经网络,只打开数据表问:这列财务指标是哪天公布的?候选人答不出来,整场展示在一分钟内失去了重心。

行业真正稀缺的不是会调用一个模型,而是能把研究链路讲清楚。问题从哪来、数据什么时候可用、基准怎么选、成本怎么估、失败条件是什么,这些看似朴素的追问决定项目能否进入真实资金。

作品集因此不需要堆十个仓促策略。一个项目如果能展示原始假设、错误版本、修正过程、样本外和复盘,比十张只剩收益曲线的截图更有说服力。面试官问的那列日期,其实是在问你有没有敬畏时间。

2.2. 先分清岗位

“量化”不是一个岗位,是一窝岗位。量化研究员偏策略和模型,要的是统计、机器学习、金融假设、回测和写报告的能力;量化开发偏工程平台和实盘系统,要的是高质量代码、数据管道、性能、稳定性和交易业务理解;数据工程师管数据接入、清洗、存储和质量;交易系统工程师管订单、接口、低延迟、状态机和风控。

还有两类别漏看:风控岗位关注暴露、限额、回撤、压力测试、模型监控和产品风险;产品和运营岗位关注客户、合同、估值、净值、申赎、披露和合规。它们都在同一栋楼里上班,日常工作却天差地别。

所以求职前先问自己想做哪类问题:喜欢提出信号、检验假设,偏研究;喜欢搭系统、保稳定,偏开发;喜欢抠数据质量和管道,偏数据;喜欢研究订单和交易细节,偏交易系统。方向先想清楚,作品集才知道为谁而做——海投六类岗位的人,往往一类都打动不了。

2.3. 计算机背景的优势

计算机背景最大的优势,是能把想法落成系统。很多金融想法停在 Excel 和报告里,而你能把它变成数据管道、回测框架、自动报告和模拟盘。在一个人人会说、少数人会做的行业里,这是实打实的竞争力。

工程能力的另一半是可复现和可靠:版本控制、自动化测试、配置管理、日志、监控、性能、代码审查——这些你已经会的东西,在量化里权重极高。因为策略一旦实盘,bug 的计价单位就从工时变成了真金白银,没人敢把账户交给一个“在我机器上能跑”的系统。

机器学习基础同样是优势,但要放对位置。金融不是一场监督学习比赛,AUC 刷得再漂亮,也得接回数据可见性、交易成本、组合约束和风险监控上,才算落进了业务闭环。

2.4. 必须补的金融短板

短板按顺序补。第一是资产概念:股票、债券、基金、期货、期权、ETF、可转债,分别是什么权利,现金流和风险藏在哪里。第二是交易制度:A 股 T+1、涨跌停、停牌、费用、订单簿、清算交收。第三是产品和基准:指数增强、市场中性、CTA、基金净值和费用,都是怎么运作的。

第四是风险指标:年化、回撤、波动、夏普、跟踪误差、信息比率、VaR、压力测试,得会算也会讲。第五是数据口径:复权、公告日、点时数据、幸存者偏差、样本外,每一条都是坑的入口。

这些短板不补,结果就是写出技术上漂亮、金融上错误的系统。面试官常常不是考你会不会写模型,而是看你知不知道模型在哪里会骗人——前者满大街都是,后者才是稀缺品。

2.5. 指数增强回测

第一个作品集,建议做教学版指数增强。理由很简单:它能把股票池、基准、因子、回测、成本和风险六项基本功一次练全。项目不追求高收益,追求流程正确——展示你懂流程,比展示你赌对过一次值钱。

README 里写清楚:数据来源,股票池,基准,回测区间,因子定义,调仓频率,成本假设,主要结果和失败阶段。报告里给净值、超额、回撤、IC、分层、换手、行业暴露和成本敏感性。注意最后两项,大多数新手作品集里恰好没有。

这个项目最好全程自动化:一条命令跑起来,自动完成数据检查、回测和报告生成。面试时,这一条命令比任何一张漂亮曲线都有说服力——它证明你的结果是可复现的,而不是某次手抖的截图。

2.6. 数据质量和点时处理

第二个作品集,专门做数据质量。比如构建一个小型 A 股日线和财务数据检查器,系统性检查缺失、重复、复权跳变、停牌、涨跌停、公告日和指数成分变化。听着不酷,但它直击行业真实的痛处。

候选人里会写模型的一抓一大把,能把数据坑讲清楚的凤毛麟角。你若能拿出东西证明自己做过点时数据、公告日对齐、成分股历史版本、复权价格和真实成交价格分离这一套,专业度立刻和“调包侠”拉开距离。

这个项目的价值在于,它证明你知道量化不是调包训练,而是从数据地基开始一层层盖。对量化开发和数据工程岗位,它比任何高分模型都更对口。

2.7. 模拟盘和交易状态机

偏工程方向的人,第三个项目可以做一个模拟盘。它不需要真下单,但必须有完整的订单状态机:生成目标仓位,创建订单,模拟部分成交、拒单、撤单,更新现金和持仓,输出盘后对账。

这个项目展示的是你懂实盘系统:订单不是一个返回值,是一个有状态、有回报、有异常流转的对象。故意设计一批刁难场景——停牌、涨停、资金不足、重复订单——看系统能不能正确处理。能经得住故障注入的模拟盘,才像见过世面的系统。

面量化开发岗时,这类项目比单纯秀一个机器学习模型更贴岗位。面试官一眼就能看出:这个人知道实盘和回测之间隔着多少工程,招进来不会把交易系统当 Jupyter 笔记本写。

2.8. 简历怎么写

简历上少写“熟悉机器学习、熟悉量化”这种正确的废话,多写具体项目和可验证结果。比如:构建月频指数增强回测框架,支持点时股票池、交易成本、涨跌停和行业暴露分析;完成 2016-2024 年样本外测试,自动生成风险报告。数字和口径,就是可信度的来源。

也别只晒年化收益,要写清你解决了什么工程或研究问题:处理财报公告日避免未来函数,实现成本敏感性测试,加入换手约束降低交易成本,实现盘后对账检查。这些条目每一条都在说同一件事——这个人知道钱在哪里会丢。

项目没赚钱照样可以写。一个过程严谨的失败项目,比一个说不清收益来源的高收益项目更可信。量化行业的人心里都清楚:大多数研究本来就是失败的,敢写出来,反而显得你懂行。

2.9. 面试常问什么

研究岗的高频问题:因子为什么有效,如何防止未来函数,IC 和 RankIC 怎么看,分层回测怎么做,如何处理行业和市值暴露,样本外怎么划分,策略失效了怎么办。每一个都能顺着本书前面的章节找到骨架。

开发岗的高频问题:回测框架怎么设计,订单状态机怎么写,并发和幂等怎么处理,数据如何校验,系统异常怎么告警,实盘和回测如何保持一致。看到没,全是你工程师生涯里熟悉的词,只是换了个交易所上下文。

不管什么岗位,面试官都在暗中检查同一件事:你能不能把技术和金融连起来。只讲得出模型结构、讲不出交易成本和风险的人,在他们的名单上会被标记为“不完整”。

2.10. 如何讲自己的项目

讲项目按四步走。第一,问题:我研究的是什么策略或系统。第二,约束:数据、股票池、交易规则、风险边界分别是什么。第三,方法:用了什么因子、模型、回测和系统设计。第四,结果:收益、风险、失败阶段和下一步计划。顺序别乱,乱了听众跟不上。

别一上来就扎进代码细节。先让对方搞清楚你要解决的金融问题是什么,再展开你的工程手段。代码是你的实现,问题才是你的定位——先定位,后实现,和重要汇报先讲结论后讲过程是一个道理。

好的讲法还会主动暴露边界,比如:这个项目还没有真实期货基差,成本模型比较粗,数据源不是点时商业库,所以我把它的定位放在教学回测上。主动划边界不是示弱,是专业——它告诉对方,你说的每个字都经过了质检。

2.11. 长期学习路线

第一年目标就打地基:金融概念、A 股规则、Python 数据处理、回测、因子、风险指标。第二阶段做项目:指数增强、数据检查、模拟盘、报告生成,把本书练过的做成作品。第三阶段再深入:组合优化、机器学习、交易系统、期货和期权。楼层按顺序盖,别跳。

最大的弯路是每天换方向:今天追高频,明天看期权,后天补深度学习,最后每个方向都半桶水。正确姿势是先把一个低频股票项目端到端做完整,再横向扩展——完整永远比炫更稀缺。

检验学习效果的标准也简单:不是你收藏了多少资料,而是给你一个想法,你能不能自己写出数据管道、回测、报告和复盘。能,说明你已经在路上;不能,收藏夹再厚也只是安慰剂。

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。

• 量化机构是一条由研究、数据、工程、交易、风控、合规和运营共同组成的生产线,不是研究员单打独斗。
• 公开案例只能帮助理解行业结构,不能当作真实内部 Alpha 的来源。
• 计算机背景进入量化的核心,是把工程、数据和模型能力接到金融问题上。
• 作品集要展示数据口径、回测规则、风险指标、交易成本和复盘,而不是只甩一条高收益曲线。

小节回看

• 1.1. 量化机构不是只有研究员
• 1.2. 研究员每天在做什么
• 1.3. 量化工程师在做什么
• 1.4. 交易和执行团队在做什么
• 1.5. 风控和合规不是摆设
• 1.6. 国内常见量化产品线
• 1.7. 公开案例怎么理解
• 1.8. 量化行业现在的形势
• 1.9. 个人量化和机构量化的差别
• 1.10. 量化行业到底招什么样的人
• 1.11. 你该怎样看招聘要求
• 2.1. 面试官为什么对 60% 年化只问了一列日期
• 2.2. 先分清岗位
• 2.3. 计算机背景的优势
• 2.4. 必须补的金融短板
• 2.5. 指数增强回测
• 2.6. 数据质量和点时处理
• 2.7. 模拟盘和交易状态机
• 2.8. 简历怎么写
• 2.9. 面试常问什么
• 2.10. 如何讲自己的项目
• 2.11. 长期学习路线

自测

量化机构为什么不是只有研究员?

因为策略从数据到实盘,需要数据、平台、交易、风控、合规、运营和产品一整套队伍共同支持。

为什么不能根据公开资料推断机构的真实算法?

公开资料通常只展示方向和能力,真实的 Alpha、数据和执行细节不会公开,传言更不能当依据。

计算机背景进入量化最大的优势是什么?

能把数据、模型、回测、报告和交易流程做成可复现、可维护的系统,把想法真正落地。

作品集为什么不应只展示年化收益?

高收益可能来自错误假设;展示数据口径、成本、风险和复盘能力,才证明结果经得起检查。

下一章为什么接在这里

长期学习路线: 从零到可展示的量化项目

安排金融、统计、数据工程、因子、回测、模型、模拟盘和长期复盘的学习顺序。