第八部分 · 职业、复盘与长期成长 · 第 53 章

全书复盘与自检: 从一条鱼到一个量化系统

走到这里,最容易发生的事是记住很多术语,却忘了它们之间的因果关系。这一章先把全书重新压成一条链:真实财富产生现金流,金融工具分配权利与风险,市场形成价格和数据,研究寻找可证伪的优势,系统把优势变成受约束的交易。随后用十个判断题检查这条链是否真的站稳。

主线八 本部分第 3 / 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

• 金融可以按真实财富、信用时间、资产权利、市场制度、数据、模型、回测、组合、实盘和人这十层来理解。
• 量化不是脱离金融的算法游戏,而是把金融假设一步步变成数据、模型、组合和交易系统。
• 金融和量化里的大多数判断都不是绝对句,要看条件、口径和风险来源。
• 看到看似确定的结论,要追问数据、成本、基准、交易制度和适用场景。

1. 从一条鱼到一个量化系统

1.1. 真实财富和生产力

最底层不是钱,而是真实财富:鱼、粮食、房子、药品、机器、软件、知识、组织能力——人类真正在用的东西。钱只是帮忙交换、记账、储藏价值的工具,排在第二位。

做一个极简推演:社会的真实产出没有增加,只把纸币数量增加,结果不会是人人变富,而是更多名义货币追逐有限商品——通胀。把这一条想明白,你就能免疫大多数幻觉:金融市场的数字上涨,不等于真实财富自动增长。

投资的终点也仍然落在生产力上。股票、债券、基金、期货,拆到最后都要连接到未来现金流、资源配置和风险承担。脱离真实经济的金融,只剩下大家互相转账,转不出新财富。

1.2. 信用和时间

金融要解决的核心问题之一,是跨时间调度资源:今天手里有闲钱的人,把钱借给未来能创造价值的人。中间靠什么运转?信用、利率和合同。债券、贷款、银行、央行,全都挂在这条线上。

利率是时间的价格,也同时是风险价格的一部分。未来的钱不等于今天的钱,因为中间隔着机会成本、通胀和不确定性。债券价格和收益率反着走,股票估值受折现率影响——这些看似不相干的公式,根都扎在时间价值上。

银行干的事是把短期存款变成长贷,一边提高经济效率,一边制造期限错配;央行能影响流动性和短端利率,但没法直接印出真实生产率。信用既能推动增长,也会在看不见的地方积累脆弱性,这是同一枚硬币的两面。

1.3. 权利和资产

中间一层是各种资产的身份证:股票是公司剩余收益权,债券是合同写死的固定索取权,基金是集合投资的份额,期货是未来价格的合约,期权是不对称的权利,ETF 是在交易所买卖的基金份额。每个资产都可以拆成四件套:现金流、权利、风险、价格。

以后看到任何金融产品——不管包装多花哨——先问四个问题:它承诺什么现金流?谁有权拿收益?谁承担风险?价格怎么形成?这四个问题问完,再大的营销词也会现原形。

不同资产怕的东西不一样:股票怕盈利和估值双杀,债券怕利率上行和信用违约,期货怕杠杆和换月,期权怕波动率判断错和尾部风险,基金还要看管理人水平、费用和流动性。怕什么清楚,才知道该怎么管。

1.4. 市场和交易制度

市场把纸面权利变成可以交易的价格。交易所管撮合和规则,券商管接入和服务,登记结算管权属和交收。你在软件上点一下买入,背后是账户、订单、清算、风控一整套系统在跑——那个按钮只是冰山露出水面的一角。

A 股那套具体制度——交易时间、集合竞价、连续竞价、涨跌幅、T+1、停牌、ST、退市、交易单位、费用——每一项都会真实地改变策略结果。回测不尊重这些制度,收益必然失真;前面拆穿漂亮曲线的那一章,好几刀正砍在这里。

1.5. 数据和可见性

量化研究靠数据喂养,但数据不是从水龙头里流出来的纯净水。行情、财务、公告、指数成分、宏观、期货、期权、文本——每一类都有自己的口径、发布时间、修正历史和缺失毛病,拿到手就用,等于闭上眼睛开车。

这一层最重要的原则只有四个字:点时可见。模型站在任何历史时点,只能使用当时已经公开的数据——财报按披露日走,指数成分按调整日走,宏观按公布日走,回测用的复权价格和真实成交价格要分清。全部按时间线对齐,一条都不能含糊。

所以数据工程不是辅助杂活,它是研究可信度的地基。未来函数、幸存者偏差、成分回填、缺失值乱处理,任何一个都会把模型变成偷看答案的机器——考得分数越高,离真相越远。

1.6. 因子和模型

因子,是把一句投资判断翻译成可检验数字的工序。估值、质量、成长、动量、反转、流动性、波动、规模,都可以落成因子;模型则把多个因子或特征揉成预测分数,这就是第六层干的事。

机器学习在这一层有用,但它不能脱离金融问题飘着。横截面排序和时间序列预测是两回事,RankIC 和分层收益比普通准确率更能说明问题,交易成本会吃掉微弱优势,分布漂移会让模型悄悄衰减。这些约束不属于课本,属于市场。

好模型的标准也不是复杂。可验证、可解释、可交易、可监控,四样齐全才是好模型。线性模型、树模型、深度学习都只是工具,工具值不值钱,看它放进策略系统之后,能不能提供净增量。

1.7. 回测和验证

回测是在历史里排练,不是对未来的证明。一次好回测要同时做到:按当时可见的数据生成信号,按真实交易规则模拟成交,老老实实扣成本,逐笔记录交易,和基准比较,再做样本外验证。少一步,结论就要打折。

看到漂亮回测,先别鼓掌,按老顺序查错:股票池是否点时,成交价格有没有偷看,成本是否完整,涨跌停停牌处理没有,容量合不合理,参数是不是过拟合,样本外有没有被污染。查完错的曲线,才有资格谈好不好。

验证的目标从来不是保住最漂亮的那条曲线,而是把不真实的收益一样样剔掉。修正之后还留在桌上的收益,才可能是真正值得继续研究的优势。

1.8. 组合和风险

预测分数不能直接当仓位用,中间隔着一整层组合优化:在预期收益、风险、成本、流动性和各方约束之间做取舍。行业、风格、个股集中度、跟踪误差、换手、容量,每一项都要被管起来。

风险控制的本质,不是预测明天跌不跌,而是把错误限制在不致命的范围内。暴露、集中度、VaR、压力测试、止损、模型失效监控、数据监控、系统监控,加起来才构成完整的风险框架——单拿任何一个出来,都只是零件。

组合还要能解释自己赚的是哪份钱:市场 Beta、行业、风格、选股、基差、执行,还是杠杆?归因的意义就是给收益办一张明细发票,让赚的和冒的险都变得可见——看不见来源的收益,迟早连本带利还回去。

1.9. 交易执行和实盘

实盘不是调用一个 buy 函数就完事。订单会被拒,会部分成交,会撤单失败,要排队,有滑点,会被涨跌停和停牌拦住;内部账本还必须和券商真实状态对得上。这一层全是工程师熟悉的脏活,也全是要命的活。

上线前按清单逐项过:数据、模型、回测一致性、订单、风控、日志、权限、盘后对账,一项一项钉死。模拟盘和小资金实盘是必经之路,不是走过场——它们存在的意义,就是让错误先发生在亏得起的地方。

原则一句话:越自动、越快、越带杠杆,越需要强风控。高频和衍生品策略把这句话放大到极致。系统错误比模型错误亏得更快——模型错了是慢慢流血,系统错了可能是当场断气。

1.10. 人和纪律

链条最后一层,是人。你会害怕亏损,会在上涨之后过度自信,会想借钱加仓,会在回撤里怀疑策略。量化可以减少临场主观,但消不掉人性——它只是把战场从盘中挪到了冷静时刻的规则制定上。

资金管理的顺序前面已经讲过:先分清生活钱和风险钱,再限制仓位和杠杆,提前写好停用和加仓规则。一个策略能不能长期执行,最终取决于你能不能扛住它真实的坏阶段,而不是它最好的那段曲线。

从小岛的一条鱼到一整套量化系统,这十层概念翻来覆去说的其实是同一件事:金融是资源、时间、风险和信息的系统工程。别被任何单个名词迷住眼睛,要一直能看见整条链。

2. 用来检查你是不是真的理解了

学到最后,我们来玩一个快问快答。下面十句话,每一句都像判断题,没学过的人秒答,学过的人容易答错,真正学懂的人会先停三秒再开口。你不用背标准答案,但每句话你要能讲清楚:它在什么情况下是对的,什么情况下是错的,为什么不能一拍脑袋就说“是”或“否”。能做到这一点,说明你对金融和量化的灰度,已经开始有感觉了。

2.1. 钱越多,社会越富吗

不一定。一个社会是不是真的变富,要看真实的商品、服务和生产力有没有增加。如果只是货币数量变多,而真实产出原地不动,多出来的钱多半会去推高价格,每个人能买到的东西未必变多——名义数字好看,真实购买力没变。

当然,这绝不是说货币政策无关紧要。流动性的松紧会牵动信用扩张、需求强弱和资产价格,金融世界里热闹得很。但货币替代不了生产率;资产价格齐刷刷上涨,也不等于每个人的真实生活在同步改善。两件事别糊在一起。

面对这种说法,养成一个反射动作:先把名义数字和真实财富拆成两列再讨论。这是全书开篇小岛上的地基,也是后面看待一切宏观话题的起点。

2.2. 债券一定比股票安全吗

也不一定。高质量的短久期债券,平时波动确实比股票低,这是事实;但长期债券对利率敏感得惊人,市场利率一上台阶,价格就下台阶;低信用债会直接违约,归零不是传说;流动性差的债券,想在急用钱时变现,可能挂单一天无人问津。安全两个字,从来不能只看品种名字。

股票和债券的区别,不是“危险”对“安全”,而是两种不同结构的风险。股票的风险来自剩余收益的不确定性;债券的风险来自利率、信用、流动性和通胀。风险类型都不同,就不能拿一个“更安全”的标签一把盖住。

以后再听到有人说“债券不会亏”,记得反问四个问题:久期多长?发行人是谁?急用钱的时候能不能随时卖?它的收益率凭什么比别人高?——这四个问题问完,所谓“安全”基本就露出了本来面目。

2.3. 指数基金一定适合所有人吗

还是不一定。宽基指数基金低成本、分散、透明,确实是很多普通长期投资者的好选择,这本书也推荐它。但请记住,买指数买的是整个市场的贝塔,市场一跌它也跌,回撤来了照样疼——指数基金绝不代表“不会亏”。

它适不适合你,取决于四件事:这笔钱的期限多长、你能承受多大风险、整体资产怎么配置、你在什么价格位置买。一个经典反例:短期要用的钱,哪怕买的是指数,也可能恰好赶在回撤里要用,被迫割肉。期限错配,是再好的品种也救不了的错。

《漫步华尔街》给普通人最重要的启发是:低成本指数化长期很有价值,而不是任何时候满仓任何指数都无风险。前者是经过检验的常识,后者是偷懒者的幻觉,别混成一句。

2.4. 有效市场是不是说研究没意义

不是。有效市场说得直白点:公开的、简单的、人人都知道的信息,很难被任何一个人反复拿来赚钱。它不是在叫停研究,而是在提醒研究必须更严肃——你必须在那些不容易被看见、不容易被执行、不容易被承受的地方,才有一点机会。

市场当然会犯错,行为金融已经论证了很多遍。但从“市场会犯错”到“你能把错误变成利润”,中间隔着一条成本走廊:要有数据、要覆盖交易成本、要有工具、要耗得起时间、要扛得住过程中的风险。看见错误和赚到错误,是两件事。

有效市场假说留给你最有用的资产,是谦逊。看到一个诱人的机会,先问一句:如果真有这种好事,为什么别人没拿走?而不是立刻热血沸腾,以为自己发现了秘密。先怀疑、再验证,是研究者,反过来就是猎物。

2.5. 回测好就能实盘吗

不能。回测是历史排练,实盘是正式演出,而正式演出多了太多回测里没有的即兴环节:数据延迟、滑点、部分成交、券商拒单、停牌、涨停买不进跌停卖不出,还有你自己的心慌手抖,以及系统说崩就崩。

因此一条好看的回测曲线,后面还排着一长串必答题:有没有未来函数?有没有幸存者偏差?成本估得够不够保守?策略容量撑不撑你的资金?样本外还灵不灵?参数稳不稳?这些全答完,还要再过模拟盘和小资金实盘两关,整个流程才勉强闭环。

把标准顺手改一下吧:真正能让你上实盘的,不是一条曲线,而是一套能处理异常的系统。曲线只是简历,系统才是身体,实盘只认后者。

2.6. 机器学习模型越复杂越好吗

不是,在金融数据面前尤其不是。金融数据有三样特性专门克制复杂模型:噪声大、分布会漂移、样本之间还互相勾连。模型越复杂,越容易把噪声背成规律——也就是过拟合;同时,你更难看清它到底在暴露什么风险。

复杂模型唯一的通行证,是相对简单基线提供稳定的增量收益。增量化不出或说不清,复杂就没有价值;更糟糕的是,复杂还会给错误打掩护——同样的 bug,在三层网络里比在三条规则里难发现得多。

量化里机器学习的重点,从头到尾都不是模型炫技,而是把另外几件事做扎:预测目标怎么定义、数据口径对不对、样本外怎么验证、成本怎么算、组合怎么建、上线后怎么监控。这些做扎实的简单模型,长期比裸奔的复杂模型可靠得多。

2.7. 高胜率策略一定好吗

不一定。胜率只是评价维度里的一个,而且是最会骗人的一个。高胜率可能来自“小赚大亏”的形态:十次赚小钱,一次亏大的就能抹光十次。卖期权式的策略平时收租收得欢,一次极端行情就可能把多年收益连本带利收走。

真要评价策略,至少得把五样东西摆在一起看:期望值、盈亏比、最大回撤、尾部风险、用了多少杠杆。只看胜率,相当于选车只看方向盘手感,不看刹车。

还有一层反直觉:很多优秀的趋势策略,胜率并不高,四成出头很正常,它们的盈利靠少数几波大趋势。亏的次数多但每次小,赢的次数少但每次大——所以,别把“常常赚钱”的舒服感,误认成稳健。

2.8. 市场中性是不是无风险

不是。中性两个字听上去像把风险清零了,其实它只是试图把大盘方向的暴露压到很低。剩下的风险一点不少:行业没配比好会暴露,风格有偏向会暴露,期货基差波动会暴露,融资利率会暴露,流动性会暴露,当然,模型本身也会出错。

再具体一点。多头那篮子可能偏偏跑输基准,空头对冲的股指期货可能被基差来回割,融券可能借不到券,保证金一催还可能触发压力。中性策略的收益曲线可以很漂亮,但这些问题的答案决定了它是因为聪明而美,还是因为暂时没出事而美。

以后看到“中性”两个字,标准动作是三问:中性化了什么?还剩下哪些风险?对冲的成本是多少?三问答齐再继续看,答不齐就先放下。

2.9. 个人量化最重要的是找到神奇因子吗

不是。对个人来说,最重要的事是建立一套可信的流程:数据、回测、成本、风险、报告、模拟盘、资金边界。把一个神奇因子放进一团乱麻的流程里,好因子也会被错误的执行糟蹋掉;流程立住了,普通的想法也能稳定产生学习价值。

再说一个开过几年盘的人就懂的事实:因子会失效,模型会衰减,市场会换韵脚。单个因子的半衰期有限,但流程的复利是无限的——流程能帮你在失效时发现问题、在出错时及时停止、在赔钱后持续迭代,而不是整个人跟着因子一起过期。

所以,与其到处角度刁钻地挖下一个神奇因子,不如先把流程磨到可信。流程对了,发现好因子是时间问题;流程不对,发现好因子是事故倒计时。

2.10. 亏损一定说明策略错了吗

不一定。任何策略都有正常回撤,回撤是吃这碗饭的水土,不是生病的信号。判断的关键是:亏损有没有落在事前预期的范围内?它能不能被市场环境的变化、既定的风险暴露,或者上升的交易成本解释?能解释,多数时候就不必过度反应。

但另一个极端也要防:拿“正常回撤”当万能遮羞布。如果出现这些信号——数据异常、模型 IC 长期反向、成本突然升高、风险暴露越界、对账出错——那就不是回撤,是策略或系统真的病了。该直面的时候要直面。

所以答案是:不靠感觉判断,靠事先写好的停用和复盘规则判断,靠证据判断。亏损本身既不自动证明策略错了,也不自动证明你该死扛,它只是按响了门铃,规则来开门,逐条查因。

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。

• 金融可以按真实财富、信用时间、资产权利、市场制度、数据、模型、回测、组合、实盘和人这十层来理解。
• 量化不是脱离金融的算法游戏,而是把金融假设一步步变成数据、模型、组合和交易系统。
• 金融和量化里的大多数判断都不是绝对句,要看条件、口径和风险来源。
• 看到看似确定的结论,要追问数据、成本、基准、交易制度和适用场景。

小节回看

• 1.1. 真实财富和生产力
• 1.2. 信用和时间
• 1.3. 权利和资产
• 1.4. 市场和交易制度
• 1.5. 数据和可见性
• 1.6. 因子和模型
• 1.7. 回测和验证
• 1.8. 组合和风险
• 1.9. 交易执行和实盘
• 1.10. 人和纪律
• 2.1. 钱越多,社会越富吗
• 2.2. 债券一定比股票安全吗
• 2.3. 指数基金一定适合所有人吗
• 2.4. 有效市场是不是说研究没意义
• 2.5. 回测好就能实盘吗
• 2.6. 机器学习模型越复杂越好吗
• 2.7. 高胜率策略一定好吗
• 2.8. 市场中性是不是无风险
• 2.9. 个人量化最重要的是找到神奇因子吗
• 2.10. 亏损一定说明策略错了吗

自测

为什么说钱不是金融学习的最底层?

因为真实财富和生产力才是最终的地基,钱只是交换和记账的工具,钞票变多不等于财富变多。

量化链条里数据为什么这么重要?

数据决定模型在历史时点到底看见了什么;口径错了,回测和实盘会一起失真,再好的模型也被喂错料。

为什么大多数金融判断都不能说绝对话?

因为资产、策略、市场的表现都依赖条件、期限、成本、风险和投资者目标,离开条件的结论常常只对一半。

回测表现好,为什么还不能直接实盘?

回测覆盖不了真实交易里的摩擦、系统异常、心理压力和未来可能出现的新市场状态,这些都要靠模拟盘和小实盘再验。

下一章为什么接在这里

结语: 你现在应该带走什么

用最后一章收束金融直觉、量化方法和个人实践边界。