附录 · 随时回来查 · 第 57 章

最终检查表: 研究、交易和实盘前先读

附录最后不再增加新知识,只保留三道门禁:进入量化前是否理解基本金融机制,开始项目时是否做到数据与实验可信,把系统推向交易前是否知道最坏情况和停止方式。每次研究、买产品或准备实盘时,都可以从这里重新检查。

工具箱 本部分第 3 / 3 章

本部分的问题:哪些内容不必顺序阅读,但研究前值得反复核对?

术语、公式和最终检查表集中在这里,不再打断正文的收束。 工具型内容,需要时回来查。

读完这一章,你会明白

• 进入量化前,金融基础必须落到现金流、权利、风险、价格和交易制度上。
• 能读懂产品报告、收益风险指标和 A 股交易规则,才有资格判断量化回测是否真实。
• 量化项目的最低标准是流程可信: 数据、时间、股票池、交易规则、成本、因子、模型、组合、报告和模拟盘都要过关。
• 复杂模型不能替代基础检查;很多假收益来自地基错误,不是模型不够高级。
• 每次研究前先缩小问题,每次交易前先想最坏情况。

1. 金融小白到量化前必须真正懂的事

1.1. 能解释钱和财富的区别

第一项基本功:你能说清钱不是财富本身。真实财富是商品、服务和生产能力;钱只是交换和计量的工具。货币数量增加,并不必然让社会变富——如果鱼、房子、药这些真实产出没有变多,多印出来的钱多半只是去推高价格,而不是凭空长出新的财富。

这个问题听着太基础,但它像暗线一样贯穿后面的一切:你怎么看通胀,怎么看央行放水,怎么看资产价格上涨,怎么看泡沫,全取决于你想没想通这一层。如果你直觉里还把账户数字上涨直接等同于财富增加,那你在看金融市场时,会比别人多一层顽固的误解——而且是看不见的那种。

自测方式很简单:找个没学过金融的朋友,用开篇小岛捕鱼、鱼票、渔网的故事,把储蓄、投资和资本讲给他听。你能讲得他点头,说明这块地基是实的;讲着讲着自己卡壳了,那就回去重读开头几章。

1.2. 能解释银行为什么既有用又脆弱

银行不是一台更大的保险柜。它的本质是信用和期限转换系统:用大白话说,它把千家万户随时可能要取走的短期存款,变成企业十年八年才还得上的长期贷款,经济因此能提前投资、提前建设。但硬币的另一面是:这个结构天然害怕大家同时来取钱——挤兑和流动性风险,是银行这门生意从娘胎里带出来的弱点。

你还应该能随手画清银行的资产负债表。最容易绕晕的一点:贷款是银行的资产(别人欠它的钱),存款反而是银行的负债(它欠你的)。储户总觉得存在银行的钱随用随取,可银行手里大把资产是几年后才能收回的长期贷款,这中间的时间差,就是脆弱性的藏身之处。

如果你能一口气解释清楚:银行为什么需要自有资本垫底、为什么要交存款准备金、为什么央行被称作最后贷款人、为什么还有存款保险这一层——说明银行这块地基,你的基本是稳的。

1.3. 能区分股票和债券

第三项:不用查书,就能说清股票和债券的权利差别。股票是剩余收益权——公司赚的钱付完所有该付的,剩下的才归股东,不确定性更高,但也只有股东能分享公司长期成长的甜头。债券是合同索取权——欠债按合同还本付息,排队靠前,但收益上限写得明明白白。

两者的风险来源也不一样,别用一个“稳”字糊弄过去。股票的风险主要来自盈利、估值、流动性和市场情绪四条线;债券的风险主要来自利率、信用、流动性和通胀另外四条线。问一只债券稳不稳,先看看它的久期、发行人和市场利率环境。

合格线是:你能解释为什么市场利率上升时,手里那张旧债的价格会下跌;也能解释为什么股票的估值会随折现率变化而挪动。这两条能说通,说明你已经开始把各类资产的定价逻辑连成一张网,而不是背了一筐彼此无关的名词。

1.4. 能看懂基金和 ETF 的基本结构

一提到基金,你不能只会背“专家理财”。基金是集合投资载体:管理人负责投、托管人负责看钱、份额代表你的一份、净值是计价单位、费用怎么收、申赎什么规则——这几样缺一个都说不完整。ETF 则是在交易所挂牌交易的基金份额,它身上同时存在两个价格:一个是净值,一个是市场撮合出来的交易价格。

再进一步:拿到一份基金月报,你应该能读出门道。产品类型是什么,业绩基准是什么,净值怎么走,回撤多大,费用多少,重仓什么,收益归因为哪路,规模多大,风险提示写了什么——都应该扫一圈。千万别只看那个最显眼的“近一年收益排名”,那是最没用的信息之一。

自测一下:你能解释 ETF 为什么会出现折价或溢价吗?能解释为什么流动性差的 ETF 买一卖一,隐形成本真不低吗?这两题答得上来,说明你已经越过“背产品名字”的阶段,开始理解产品结构了。

1.5. 能说清 A 股交易规则

A 股不是想什么时候买卖就什么时候买卖的自由市场。它有一整套制度:交易日历、集合竞价、连续竞价、涨跌幅限制、T+1 交收、停牌、ST 标识、退市规则、交易单位和各项费用。每一项都不是摆设,都会真实地决定你的单子能不能成交、何时成交、花多少钱成交。

你应该张口就能解释这几件事:今天买的股票,为什么通常今天不能卖?涨停板上的股票,为什么不一定能买到;跌停板上的,为什么不一定卖得掉?卖出股票时,税费从哪里扣、资金什么时候才真正可用?这些问题听着琐碎,件件都是真金白银的规则。

而且这些规则不是只影响手动炒股的人——它们直接进入回测引擎。一个不懂 T+1 和涨跌停的量化回测,很可能在历史上买入了根本买不到的涨停股、卖出了根本卖不脱的跌停股,留下的不过是一条漂亮的幻觉曲线。规则不懂,回测白做。

1.6. 能解释收益和风险指标

这一项是纯动手题:给你一个价格序列,你能手算简单收益率;你能讲清复利的意思;你知道年化收益率是把过去的收益折算成年化口径,不是对未来的承诺;你能用大白话说,波动率量的是一路上有多颠簸,最大回撤量的是从最高点摔下来的那一下有多疼。

同时,别把指标当圣旨。夏普比率不是万能裁判,高夏普可能藏着尾部风险——平时稳得毫无波澜,一出事就是大事。信息比率专门看相对基准那部分超额的质量。胜率高更不代表赚钱:胜率、盈亏比、成本,缺一个维度,结论都可能翻转。

自我检验的场景:给你看一条漂亮收益曲线,你脱口而出的是“哇多少倍”,还是一连串追问——基准是什么?最大回撤多少?扣没扣成本?样本多长?这收益来自承担了什么风险?能主动这么问,你就已经不是那个只看收益数字的新手了。

1.7. 能解释有效市场和行为偏差

有效市场假说经常被误读成“价格永远正确”,其实不是。它真正想提醒你的是:公开信息早已摆在那里,想捡人尽皆知的钱反复赚,非常难。随机游走也不是说价格变动毫无原因,而是说推动价格的往往是新信息,而新信息在到来之前没人能预料。两个概念都是在给你的预期降温,不是给市场封圣。

行为偏差是另一面:人会过度自信、追涨杀跌、对亏损格外痛苦、把成本价当锚。这些都是真实存在的,而且有大量证据。但要提醒一句:知道别人有偏差,不等于你能靠这个免费赚钱——从“市场会犯错”到“你能把错误换成利润”,中间隔着数据、成本、工具、时间和风险承受力。

理解了这一节,你对任何策略都会自然多一分谦逊。遇到任何号称的优势,你都该问一句:这优势从哪来?为什么没被别人抢走?并且接受一个残酷事实:一旦优势被发现和模仿,竞争就会不断侵蚀它的收益。

1.8. 能管住自己的资金边界

金融基础不只装在脑子里,还包括划在钱包上的红线:什么钱坚决不能拿去冒险。日常生活要用的钱、应急保命的钱、短期明确要花的钱,一分都不该进高波动策略。红线之外的钱,才叫可投资资金——这是所有策略讨论的大前提。

现在就拿笔,看能不能写出自己的五个边界数字和规则:最大可承受亏损是多少、单个策略仓位上限是多少、用不用杠杆、触到什么条件必须停止、隔多久复盘一次。写得越具体越好,别用“看情况”三个字糊弄自己。

这五个问题答不上来,哪怕你代码写得再溜、模型训得再花,也还没准备好碰实盘。技术决定你能走多远,边界决定你会不会翻车——翻过一次车的人,多数不是技术不行,而是边界没有。

2. 做量化项目前必须真正做到的事

会 Python、会机器学习、能画出漂亮净值曲线,不等于能做量化——这可能是全书里最想刻在你脑门上的一句话。真正的最低标准不在模型名单上,而在流程是不是可信。下面这份清单,每一条都不是装饰用的繁文缛节,而是帮你挡住一个最常见的灾难:把错误的结果当成了自己的投资能力。动手做项目之前,对照着逐条过一遍。

2.1. 数据必须可追溯

先做个小测试:随便挑一个因子值异常的数据点,你能不能一层层追回到原始下载文件和处理脚本?如果不能,你的数据体系就没过关。合格的标准是:每个字段你都知道来自哪里、什么时候下载的、是什么口径、做没做复权、是不是当时时点、日后会不会被修正。

最怕的场面是:数据躺在某个临时 CSV 里,来历不明;有一半是手工从网页复制粘贴的;用的接口说不清出处;下载完还被人随手改过几行。这样的数据养出来的回测,长得再漂亮也不敢信。数据可追溯,是量化项目的第一条底线,排在模型之前。

这条底线的最低配置是四句话:原始数据绝不下手改,处理脚本能一键重复执行,数据检查自动跑,发现异常有日志可查。把它当工程纪律,而不是可有可无的好习惯。

2.2. 时间线必须正确

时间线是量化里最阴的坑:模型在一月份的时候,“看”到了三月份才披露的数据,回测曲线立刻眉飞色舞。所以每个特征都过一道关:做出交易决策的那一刻,这条数据当时真的可见吗?财报必须按公告日对齐,宏观数据按公布日,指数成分按生效日,行情按真实交易时点——凡是晚于决策时点的信息,一律不许进入模型。

为什么对时间线如此草木皆兵?因为它最容易制造出最漂亮的假收益,行话叫未来函数。模型一旦偷看未来,回测就是在开卷考试,之后你在上面做的所有机器学习、所有参数优化,全都是对着假分数用功。

最低标准是:每张数据表都标清楚可用日期,每个标签样本都落在特征之后,回测里信号生成和成交发生的时间分得清清楚楚。一条不满足,整条曲线作废。

2.3. 股票池必须点时

回测到历史上的某一天,你能用的资产,只能是当时真实存在、当时可以交易、当时确实属于你股票池的那些。把一路活到今天的股票名单回填到十年前,或者拿现在的指数成分股去回测历史,都是打底就歪了。“点时”这个词的意思就是:站在那个时间点上,只允许看到那一时点真实的样子。

股票池一旦搞错,会同时带来两类偏差:幸存者偏差——悄悄把后来退市、爆雷的失败者从历史里删掉;成分回填偏差——用今天的名单冒充历史的名单。两类偏差的共同效果是:策略在回测里显得格外稳健,因为最伤人的样本都被你误删了。

最低标准是:退市股票的样本完整保留,按历史真实成分调仓,再白纸黑字写清 ST、停牌、次新股和低流动性股票的过滤规则。做不到这一条,后面的因子和模型都没意义。

2.4. 交易规则必须进入回测

不同品种的交易规则,会直接决定你的信号在现实中能不能变成成交。A 股有 T+1、涨跌停、停牌、交易单位、费用和固定交易时段;期货有保证金、主力换月、涨跌停和夜盘;ETF 有折溢价,还有买卖价差。规则不看清楚,回测就活在平行宇宙里。

忽略规则的回测会长什么样?它会在历史上买入当时根本买不到的涨停股,卖出当时根本卖不掉的跌停股,甚至允许自己当天买进当天卖出。这些在代码里只是几行没写的判断,落到账上就是永远无法兑现的收益——这种回测结果,四个字评价:不能实盘。

最低标准是:交易日历对齐真实日历,每笔成交发生在什么时点写清楚,涨停、跌停、停牌遇到信号时怎么处理有明确规则,费用和滑点按保守假设估计。这条过了,回测才勉强算得上真实世界的彩排。

2.5. 成本必须做敏感性

交易成本不是报表末尾一个小数点几的附注,它是一张开支清单:佣金、印花税、过户费、买卖价差、滑点、市场冲击、融资成本、融券成本、合约展期,每一项都在啃你的净收益。把它们漏掉或压低,策略的利润常常是纸面上的。

这里有一个很实用的试金石:把成本假设翻一倍,策略就从赚钱变成亏钱,说明它的边际薄得像纸。这种策略你可以继续研究、继续改进,但千万别把它当强策略对外宣称——一点成本假设的误差就足以让它现出原形。

最低标准:同一份报告里,并列展示无成本、正常成本、两倍成本、三倍成本下的结果。一条曲线扛住几倍成本还剩多少收益,是策略成色的第一道公开检验。

2.6. 因子必须有单独报告

开工前容易犯的错:把几十个因子一次性喂给模型,然后只看最终的净值曲线来决定去留。这就像进餐厅只尝混合大锅菜,永远不知道是哪种食材在起作用、哪种已经变质。每个重要因子,都应该先拆开单独体检:覆盖率、IC、RankIC、分层收益、换手率、行业暴露和市值暴露,一项一项看。

单因子报告的意义,是在你叠上复杂模型之前,先确认这些输入本身有基本含义。缺了这一环节,再高级的模型也可能只是在高速搅拌噪声——数字在动,但没有任何一条对应真实世界。

最低标准是:每个核心因子都能拿出一份档案——定义是什么、方向是正是负、数据口径是哪种、历史统计表现如何、什么阶段失效过。没有档案的因子,不许进模型。

2.7. 模型必须有基线

每一次想用复杂模型,先给它配几个简单对手:等权持有、指数买入躺平、单一因子、线性模型、浅层树模型,都可以当基线。道理很朴素:没有参照物,你就不知道这个复杂模型到底新增了什么价值。就像一个新框架的性能,不和旧版 benchmark 比过,就只能说“跑得挺快”,说不出快了多少。

想象这个场景:深度学习模型千辛万苦,比一个简单的动量因子只好一点点,但交易成本更高、解释更难、样本外表现更飘。这种模型值不值得上?答案明摆着:未必。复杂本身不产生价值,只有复杂带来的增量才值钱。

最低标准是:任何复杂模型都必须报告相对简单基线的三样增量——增量收益、增量风险、增量成本。三样都经得起看,才配谈上线。

2.8. 组合必须有约束

模型吐出来的预测分数,只是“看好程度”,不能直接翻译为仓位。分数到仓位之间,必须隔着一层组合约束:单只股票的上限、行业的偏离限制、风格暴露控制、现金保留比例、换手率约束、流动性过滤，还有整体风险预算。这层约束,是预测和账户之间的安全带。

不系安全带会怎样?组合可能一头扎进少数几只票、满仓押一个行业,或者买入一批流动性很差的资产——在回测里,这些都假装成交顺滑;到了实盘,就是想买买不到、想卖卖不掉,回撤远比报告长。回测越好看,现实越危险。

最低标准是:报告里能直接查到持仓数量、最大单票占比、行业分布、换手率、成交额参与率和相对基准的暴露。组合看不见,风险就看不见。

2.9. 报告必须能复现

一份像样的策略报告,应该能由代码一键重新生成:图表、指标、所用配置、数据版本号,全部能追溯。反过来,手工截图、复制粘贴出来的报告,几乎注定在生产过程中混进不一致——图是一周前的,表是昨天的,结论又是今天下午拍脑袋改的。

可复现的好处是双向的。对自己,一个月后回来,你还能看懂当时到底做了什么,而不是对着一堆截图考古;对别人,审查者可以照着重跑一遍,验证你的结果不是玄学。没有可复制性,报告只是一篇散文。

最低标准是:一条命令或一个脚本,就能重新生成主要报告,而且报告本身包含配置信息和数据版本。做到这条,你的研究才算从“笔记本里的草稿”升级为“可交付的作品”。

2.10. 模拟盘必须先于实盘

历史回测再真实,验证的也是历史;模拟盘验证的是真实时间里的流程。今天的数据有没有按时到?信号有没有照常生成?生成的订单合不合理?没成交的单子怎么办?收盘之后对账对不对?这些问题,回测里全是理想假设,只有在模拟盘里才会原形毕露。

如果跳过模拟盘,故事几乎可以剧透:数据延迟、空信号、订单异常、对账差异,这些问题你迟早会遇到,只是它们将第一次出现在你的真实资金上。在模拟环境里踩坑,学费是咖啡钱;在实盘里踩,学费是真金白银。

最低标准是:模拟盘连续运行一段时间,留下完整日志、定期报告、异常记录和对应的修复记录。这些材料齐备之后,再谈那句激动人心的:上小资金实盘。

3. 以后每次研究前先读这张纸

书的最后一页,留一张可以反复用的纸。以后每当你准备动工一个新策略、想买一个新产品、要训一个新模型、刚跑完一次回测,或者心里痒着要把模拟盘推上实盘——先停下来,把这一章从头到尾读一遍。它不讲任何新概念,只负责帮你把手刹再拉紧几分钟:确认刹稳了,车才好开走。很多亏损事后看根本不是因为不懂高深理论,而是忘了那些最基本的问题——这张纸就是帮你不忘的。

3.1. 研究前先问问题是否足够小

第一个检查点:你的研究问题够不够小。不要一上来就问“我能不能预测股市”——这个问题大到无法检验,也没有任何行动含义。把它压小:限定到某个市场、某个频率、某类资产、某个信号、某个基准。比如:在沪深 300 成分股范围内,低估值因子按月调仓,能不能带来超额收益。压到这个颗粒度,才算能开工。

小的好处在于,问题越小,你越容易回答那三件后勤问题:数据需要什么样的?回测要怎么写?结果该怎么解释?大问题最害人之处,是它允许你用宏大词汇把细节糊弄过去;小问题恰恰相反,它会逼着你直面每一个口径——而研究的对错,几乎都藏在口径里。

启动前一秒,做个口语测试:能不能用一句话说清自己的研究问题?说不利落,就先别碰代码。动手写代码解决不了“不知道自己要研究什么”,只会让你错得更有效率。

这三行空格填不出来,说明你的问题还没缩小到可研究的状态,那就继续缩小,而不是开跑。“先试试看”这四个字,听起来灵活,做起来就是用忙碌掩住没想清楚。

3.2. 交易前先问最坏情况

第二个检查点:下单之前,不许先算能赚多少,先算错了会怎样。这一笔可能亏多少钱?亏了能不能卖得出去?会不会需要追加保证金?会不会动到生活费?会不会触发强制平仓?这一串问题,才是每一次交易的真正入场券。

算最坏情况不是为了把自己吓住,而是为了校准仓位。结论可能很直白:最坏情况我承受不住——那不用讨论,就是仓位太大,或者这个工具根本不适合你。仓位从来不是靠胆子定的,是靠可承受的最坏结局倒推出来的。

市场里有个常见误会:人们是被一次方向判断错给毁掉的。实际上,毁掉绝大多数人的不是一次错误,而是他们从没给错误留过空间——全仓而无冗余,错一次就没下一场了。

别小看这张表的分量,它自带一个试金石:只要“最大可亏金额”填下去的瞬间你心慌了一下,那就说明现在的仓位太大了——心慌是边界在报警,听它的。

3.3. 回测前先问当时是否可见

第三个检查点:每一个数据字段,都要过一次安检——在你做出交易决策的那一刻,这个数据真的已经可见了吗?价格、财报、公告、指数成分、宏观数据、分析师预测,统统按真实的发布时间对齐,一个也不许例外。

碰上答不清可见性的字段,处理原则没有中间态:先别把它放进模型。用得不明不白,比不用更糟——因为你不知道它身上是不是就带着未来函数,而它一旦带毒,将会在回测里给你发一朵大红花。

这条规则听起来是小动作,但它挡住的假回测,比任何复杂方法论挡住的都多。它简单到只有一步,因此也特别容易被跳过;被跳过一次的代价,前面整整一本书都在展示。

填表时只认一条死规矩:可见日期必须早于决策日期,晚一点都不行。哪一格填得含糊,就把对应字段先从模型里拿出来——模型可以少一点特征,不能多一份毒药。

3.4. 看收益前先看成本

第四个检查点:先算成本,再看收益。成本不是结尾顺手补上的小数,而是策略本身的一部分。佣金、印花税、滑点、市场冲击、基差、融资成本、融券成本,这些项目排开,每一项都在干同一件事:把毛收益一栏一栏地啃成净收益。

警惕一类报告:策略只有在“成本压得足够低”的假设下才赚钱。这种结果说明,它的优势薄得连成本假设的误差都扛不住——那不叫稳定优势,只是一种对费用的敏感表态。成本敏感性检查不能放在收益曲线后面当附录,永远要并排摆在一起看。

真正算得上好的策略,是能讲清楚成本付完之后为什么还剩收益的那一个。讲的是机制,不是运气;扣的是现实,不是想象。

这条及格线画得很低:报告里只要没写明成本假设,那这个策略就还停留在幻觉阶段——谈的是毛收益,信的是理想国,离可以讨论实盘还差着一整个成本清单。

3.5. 实盘前先问能否停止

第五个检查点,也是上线前最后一道闸:你知道自己什么时候必须停吗?具体写下来:数据坏了,停;对账对不上,停;订单出现异常,停;亏损超过预设上限,停;模型指标长期反向,停。没有这套停止规则,自动化就不是效率工具,而是一台可以全天候放大错误的机器。

别把“停止”当成承认失败。停止是系统的自我保护动作,和烟雾报警器响一个性质——不是大楼失败了,是大楼的防护还在工作。真正的失败只剩一种:明明所有指标都在报警,系统还在继续交易,最后用真金白银向世界证明,自己确实没有风控。

所以上线前的自问只有一句:我能不能说清怎么停?说不清,就还不该开始。这与勇气和智慧都无关,只与顺序有关——先是退出方案,然后才谈入场。

停止规则必须在还没赚钱也没亏钱的时候写好,这一点没有商量。等到亏损已经发生再去补写,你写出来的通常不是规则,是情绪——而情绪化的规则,往往是用来合理化下一次冲动的。

3.6. 最后问自己是否能复盘

最后一个检查点在每个项目、每笔交易结束之时:你能不能完整地讲清楚发生了什么?当时用的是哪个版本的数据、哪个版本的模型、哪一组参数?订单实际怎么成交的?成本一共付了多少?赚的部分从哪来?亏的部分又从哪去?一环一环,都说得出来吗?

为什么不能复盘就等于白做?因为不复盘就没法进步。一笔讲不清来源的盈利,本质上只是运气打卡上班;一笔讲不清来源的亏损,更可惜——学费照样交了,课却根本没上。市场收学费痛快,但从不负责讲课。

说句公道话:金融市场不会因为你态度认真就奖励你,它没那么温情。但认真的复盘有一个确定的效果——同样的错误,别人错三次,你只错一次。长期看,这就是复利。

表里的路径必须是真实存在的路径,当场能打开的那种。只要配置、数据版本、交易记录有任何一样找不着,这次实验就进了不可审计名单——不可审计的盈利与亏损,都不计入能力的增长。

3.7. 这张纸怎么用

纸上得来终觉浅,这张纸也一样:只在心里默答,等于没答。正确用法是把空格真正填进去——填到你的研究笔记或者项目 README 里,成为留档。并且,每次改策略都要更新它:研究问题、数据、成本、停止规则,哪一样变了,旧答案就自动作废,不能再代表新策略。

它还可以反过来用,去检查别人的报告。拿到任何一份策略报告,就照着这张纸逐条问:有没有一句话研究问题?有没有写清决策时点?成本假设列出来了吗?停止规则有没有?复盘材料齐不齐?对照答案打分——缺一项,可信度降一档,立场就这么简单。

最后澄清一个误解:这张纸不是为了拖慢你的研究,而是帮你避免在错误的方向上跑太远。每次开工花十分钟填表,最坏的结果是浪费了十分钟;最好的结果,是替你省几个月错误方向的回测,或者挡下一次本不该发生的实盘亏损。十分钟对几个月,这个交换,每次做都是赚的。

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。

• 进入量化前,金融基础必须落到现金流、权利、风险、价格和交易制度上。
• 能读懂产品报告、收益风险指标和 A 股交易规则,才有资格判断量化回测是否真实。
• 量化项目的最低标准是流程可信: 数据、时间、股票池、交易规则、成本、因子、模型、组合、报告和模拟盘都要过关。
• 复杂模型不能替代基础检查;很多假收益来自地基错误,不是模型不够高级。
• 每次研究前先缩小问题,每次交易前先想最坏情况。

小节回看

• 1.1. 能解释钱和财富的区别
• 1.2. 能解释银行为什么既有用又脆弱
• 1.3. 能区分股票和债券
• 1.4. 能看懂基金和 ETF 的基本结构
• 1.5. 能说清 A 股交易规则
• 1.6. 能解释收益和风险指标
• 1.7. 能解释有效市场和行为偏差
• 1.8. 能管住自己的资金边界
• 2.1. 数据必须可追溯
• 2.2. 时间线必须正确
• 2.3. 股票池必须点时
• 2.4. 交易规则必须进入回测
• 2.5. 成本必须做敏感性
• 2.6. 因子必须有单独报告
• 2.7. 模型必须有基线
• 2.8. 组合必须有约束
• 2.9. 报告必须能复现
• 2.10. 模拟盘必须先于实盘
• 3.1. 研究前先问问题是否足够小
• 3.2. 交易前先问最坏情况
• 3.3. 回测前先问当时是否可见
• 3.4. 看收益前先看成本
• 3.5. 实盘前先问能否停止
• 3.6. 最后问自己是否能复盘
• 3.7. 这张纸怎么用

自测

金融小白为什么先得想通钱和财富的区别?

因为这层想通与否,决定你能不能被通胀、资产价格上涨和经济增长这类话题一会儿绕晕一会儿吓着——钱变多不等于真实财富变多。

A 股交易规则凭什么算量化基础?

因为 T+1、涨跌停、停牌、费用和交易单位都会直接影响模型能不能成交、以什么价格成交;不懂规则的回测只是幻觉。

为什么把数据可追溯列为第一条底线?

因为任何异常的结果都必须能追回到原始数据和处理脚本;追不回去,就永远分不清这是真信号还是脏数据。

复杂模型为什么一定要配简单基线?

没有基线作参照,就不知道复杂模型到底增加了什么,也无从判断多付的复杂度成本值不值。

研究问题为什么一定要压小?

小问题边界清晰,数据需求、交易规则和结果解读都能逐一检查;大问题只会用大词盖住细节,错了都查不出来。

实盘之前为什么必须先想清楚怎么停?

因为在异常状态下继续交易,自动化会放大错误;停止规则是保护系统和本金的安全带,说不清怎么停就不该开始。

读到这里

工具箱到此结束

回到全书目录,按你的问题重新进入对应部分;这本书不要求一次记住所有内容。

返回全书路线图 →