SECTION 01 · METHODOLOGY

方法论

量化交易可以沿两条轴理解：一条是「做什么策略」，另一条是「用什么技术」。再叠加一套贯穿始终的工程流程，与几个反复吞噬收益的坑。

1.0

THE MAP

先看一张策略地图

九类策略之间最本质的差别有两个：钱在手里放多久（持有周期），以及愿不愿意承担大盘涨跌（方向性暴露）。这两个维度基本决定了一个策略的容量、相关性与监管敏感度。

图 1.0 量化策略地图 — 持有周期 × 方向性暴露

读法：越靠左越依赖工程与延迟，容量越小；越靠上越吃 Beta，牛熊差异越大；越靠右下越像「绝对收益」，但也越依赖对冲工具与制度环境。

横轴 · 持有周期

周期决定了竞争的性质。毫秒级比的是工程——机房、专线、FPGA；日频以上比的是 信息与建模——因子广度、模型质量、数据获取。中间地带则两者都要。周期还直接决定容量：越快的策略，能容纳的资金越少。

纵轴 · 方向性暴露

决定了「牛市赚多少、熊市亏多少」。完全 Beta 的指增在牛市弹性最大，也必然跟跌；零暴露的中性与套利波动小，但要付出对冲成本（基差、借券费），并且依赖股指期货、融券等工具的可得性——监管一收紧，这类策略首当其冲。

1.1

BY STRATEGY

按策略分类

以下九类逐一展开：每一类先说清「怎么做」，再说清「收益到底从哪来」，最后说清「什么情况下会亏」。第三点往往比前两点更重要。

股票多因子 / Alpha

用一组具备预测性的特征给全市场股票打分排序，做多高分股、低配或做空低分股。

选股

持有周期: 日 ~ 周
容量: 大
方向性: 取决于是否对冲
地位: 几乎所有股票量化的底层引擎

怎么做

因子大致四类：价量因子（动量、反转、波动率、流动性、资金流）、基本面因子（估值、盈利质量、成长、财务健康）、另类因子（舆情、供应链、卫星影像、招聘）、以及模型合成因子（树模型或深度模型端到端吐出的打分）。原始因子要先做去极值、标准化，再对行业与市值做中性化，避免「选出来的其实只是小盘股」。合成为综合分数后，交给组合优化器在风险模型与约束下求权重。

收益从哪来

一部分是真 Alpha——对公开信息的处理速度与覆盖广度优于市场；另一部分其实是风格因子的 Beta（小市值、低估值、高动量），是风险溢价而非定价错误。二者在牛市里看起来一样，在风格反转时才会分家：前者继续赚钱，后者变成亏损来源。这也是「归因」比「预测」更重要的原因。

主要风险

真实可用的日频截面 IC 通常只有 0.03–0.06——单个信号极弱，靠的是数百个弱信号的组合、极广的横截面覆盖与足够的换手频率把胜率堆出来。宣称单因子 IC 0.2+ 的，几乎一定有前视偏差或样本内过拟合。因子一旦被同业普遍使用，超额会被迅速摊薄（拥挤度），且在踩踏时所有人同时减仓。

图 1.1 多因子的打分与组合流程

关键在于最后一步：预测分数不等于持仓权重。组合优化器要在行业、风格、换手率、个股上限等约束下重新分配权重，很多纸面 Alpha 就是在这一步被约束掉的。

指数增强

锚定某个宽基指数，在承担全部 Beta 的前提下，用选股 Alpha 追求稳定超额。

方向性

持有周期: 周 ~ 月
容量: 大
方向性: 完全 Beta
典型标的: 沪深 300 / 中证 500 / 中证 1000

怎么做

以指数成分股为基准，用多因子打分在成分股内（及少量成分外）做偏离，同时把行业与风格暴露控制在基准附近，只放开个股层面的主动偏离。跟踪误差、单票偏离上限、换手率是三个核心约束——收得越紧，超额越稳但空间越小。

为什么小指数超额更高

指数市值越小，成分股数量越多、覆盖的分析师越少、定价效率越低，Alpha 空间越大，因此 1000 > 500 > 300 是行业共识。代价是流动性更差、冲击成本更高、且小市值风格本身波动更大——2024 年初的小微盘踩踏，受伤最重的正是这一端。

主要风险

承担全部 Beta：牛市弹性大，熊市跟着指数一起跌，超额再好也救不了绝对收益。此外「超额」高度依赖风格环境，2025 年百亿私募指增 15%–22% 的超额属历史高位，不可外推。

市场中性

用同一套选股 Alpha 做多头，同时用股指期货做空对冲掉大盘方向，只保留 Alpha。

绝对收益

持有周期: 日 ~ 周
容量: 中 ~ 大
方向性: 接近零
关键成本: 股指期货基差（贴水）

怎么做

多头是指增同款的选股组合，空头是等市值的股指期货（IF/IC/IM）。理想状态下大盘涨跌相互抵消，剩下的就是选股超额。与股市相关性低，因此常被当作「绝对收益」类资产配置。

成本在哪

核心成本是股指期货基差。当期货贴水时，做空方需要持续付出贴水成本，年化几个点是常态——这笔钱正好是期现套利方赚走的收益。基差扩大时，中性策略的净收益会被显著侵蚀。此外还有融券成本、对冲比例误差与展期摩擦。

「中性 ≠ 无风险」

对冲掉的只是指数 Beta，没有对冲掉风格与市值暴露。2024 年初，多头持仓集中在小微盘、空头挂的是 IC/IM，当小微盘暴跌而对冲标的没跟着跌时，两边同时亏——中性产品照样出现大幅回撤。这是行业最重要的一课。

图 1.2 指数增强 vs 市场中性 — 同一份 Alpha，两种收益结构

同样 11% 的选股 Alpha：指增把它叠加在指数涨跌之上，中性把它剥离出来独立兑现。牛市指增更爽，熊市中性活得下去——差别不在能力，在于要不要 Beta。

CTA / 趋势跟踪

在商品、股指、国债期货上做时序动量：涨了就追多，跌了就追空。

期货

持有周期: 日 ~ 月
容量: 中 ~ 大
方向性: 双向，随行情切换
组合作用: 危机 Alpha / 压舱石

怎么做

最经典的形态是均线突破或时序动量：价格站上某周期均线做多、跌破做空，用波动率倒数决定各品种仓位，在几十个品种上分散。此外还有截面动量（做多强品种、做空弱品种）与跨品种价差套利。全程 T+0、多空双向、可用杠杆。

为什么值得配

CTA 与股票策略低相关甚至负相关：危机中往往出现单边大趋势（商品暴涨或股指暴跌），趋势策略正好顺势获利，因此被称为「危机 Alpha」。它在组合里的价值主要不是收益率，而是分散度。2024 年 CTA 是 A 股五大策略中表现最好的一类。

主要风险

震荡市是它的天敌。趋势缺失时反复止损，收益被持续磨损，回撤长而钝。趋势策略的收益分布是「少数几段大行情贡献全部盈利」，因此必须容忍长期无收益的等待期——这既是策略特性，也是资金最难坚持的地方。

图 1.3 趋势跟踪的信号与持仓

两段趋势吃到了大部分行情，中间那段震荡则被反复打脸。趋势策略赚的是「行情的持续性」，付的是「震荡的摩擦费」——两者之比决定了这一年是丰年还是磨损年。

统计套利 / 配对交易

找历史上高度相关的证券，当价差偏离到极端时押注它回归均值。

中性

持有周期: 分钟 ~ 日
容量: 中
方向性: 接近零
敏感项: 交易成本

怎么做

先用协整或主成分方法找到共同因子，剥离掉之后剩下的残差就是「价差」。把价差标准化为 z-score，越过 ±2σ 开仓（做空高的、做多低的），回到均值附近平仓。现代做法是把它推广到几百上千个标的的高维残差上，而不只是两两配对。

收益从哪来

赚的是短期供需失衡的修复：某只股票因为大单冲击、指数调仓或情绪而偏离同伴，价差随后收敛。这是波动低、与市场相关性低的收益，夏普通常不错，但单笔利润薄。

主要风险

「回归」的前提可能已经消失——两家公司的基本面真的分家了，价差就不会回来，这时候均值回归策略会一路加仓一路亏。加上单笔利润薄、对手续费与冲击成本极其敏感，容量因此有限。国内明汯、锐天、金锝等属统计套利类代表。

图 1.4 配对交易 — 价差的 z-score 与开平仓

上图两条线共享同一个行业 Beta，下图是剥离共同因子后的残差。策略只交易下面那条线——这正是「统计套利是中性策略」的原因：方向性早在构造价差时就被减掉了。

套利：期现 / 跨期 / ETF / 转债

同一份价值在两个市场上价格不同时，同时买低卖高，锁定确定的价差。

无风险溢价

持有周期: 分钟 ~ 到期日
容量: 中
方向性: 零
组合作用: 现金增强

四种主要形态

期现套利：买现货组合、卖等市值股指期货，持有至交割赚基差。跨期套利：不同到期月合约之间的价差回归。ETF 折溢价套利：二级市场价格偏离净值时，通过申购赎回机制把差价吃掉。可转债：利用「下有债底、上有股性」的非对称结构择券，或做转股溢价率套利。

为什么算「无风险溢价」

因为收敛是由机制保证的：期货到期必然向现货收敛，ETF 申赎机制保证价格不会长期偏离净值。所以它不是在预测，而是在收取市场为「即时流动性」支付的费用。整体低波动、低相关，常扮演组合里的现金增强角色。

主要风险

真正的风险不在方向，而在执行与摩擦：两条腿没同时成交（腿险）、成本高于价差、保证金被追缴被迫提前平仓、以及监管变化直接关掉某条通道。这类策略对交易成本与监管最敏感——手续费上调几个基点，整条策略可能就不再成立。

图 1.5 期现套利 — 基差随到期收敛

注意这张图和市场中性是同一个基差、方向相反：套利方赚走的贴水，正是中性策略付出的对冲成本。市场上没有凭空的收益，只有换手方。

高频做市 / HFT

在订单簿两侧同时挂单，赚买卖价差与交易所返佣；或做日内微观结构上的短暂错价。

微观结构

持有周期: 毫秒 ~ 秒
容量: 小
方向性: 零（追求日终平仓）
壁垒: 延迟与硬件工程

怎么做

持续在最优买价挂买单、最优卖价挂卖单。被动成交后立刻通过另一边成交或对冲把库存平掉，赚取一个价差。单笔利润极薄（可能只有一个最小报价单位的几分之一），靠的是每天成千上万次的重复。除做市外还有订单簿失衡预测、跨市场延迟套利等日内策略。

真正的竞争在哪

不在「预测」，在工程：机房托管、专线与微波链路、FPGA 硬件下单、内核旁路网络栈。竞争是纳秒级的——谁先撤掉一张即将被打穿的报价，谁就少亏一笔。这使得高频是壁垒最高、参与者最少的一类策略。

核心风险：逆向选择

做市商的对手方里，有一部分是「知道得比你多的人」。当单向成交后价格继续朝不利方向走，一次库存亏损可以吃掉成千上万笔价差利润。所以报价宽度、库存上限与撤单速度，才是做市盈亏的真正决定项。

A 股的特殊约束

A 股股票T+1，当日买入不能当日卖出，股票高频做市在制度上就不成立。国内高频的主战场因此在期货与期权（T+0），以及海外市场。2025 年 7 月程序化交易新规施行后，高频认定为 300 笔/秒或 2 万笔/日，高频占 A 股成交比例已从约 30% 回落到约 20%。

图 1.6 做市：订单簿两侧报价与库存循环

做市商不预测方向，只收取「为别人提供即时性」的费用。它的盈亏结构是「大量小赚 + 偶尔大亏」，风控的全部意义就是把那个「偶尔」控制住。

期权 / 波动率

交易的不是价格方向，而是「市场认为未来会有多波动」这件事本身。

衍生品

持有周期: 日 ~ 月
容量: 中
方向性: 非线性
核心工作: 希腊字母对冲

三类主要玩法

方向性波动率：判断隐含波动率相对已实现波动率偏高就卖、偏低就买。曲面套利：同一标的不同行权价、不同到期日之间的隐含波动率关系失衡时做相对价值。期权做市：在期权订单簿两侧报价，赚价差并把风险敞口对冲掉。

收益从哪来

长期看，隐含波动率通常系统性高于已实现波动率——因为买期权的人是在买保险，愿意付溢价。卖波动率就是在收这笔保险费。这是一个真实的风险溢价，但它的代价写在损益结构里：小赚很多次，大亏一次。

为什么必须对冲

期权损益是非线性的，敞口会随标的价格、时间、波动率变化而变化。必须持续用 delta（方向）、gamma（方向变化的速度）、vega（波动率敏感度）、theta（时间损耗）来度量并动态对冲。做得不好，赚的权利金抵不过一次跳空。国内稳博等以期权波动率为特色标签。

图 1.7 波动率微笑与做空波动率的损益结构

左图的「偏斜」形状本身就是信息：下跌保护更贵，说明市场在为尾部风险付费。右图则说明了为什么卖波动率必须配风控——收益有上限，亏损没有。

事件驱动 / 打新 / 固收+

围绕可预期的公司行为与制度性事件下注，赚事件本身带来的确定性价差。

低频

持有周期: 周 ~ 月
容量: 小 ~ 中
方向性: 低
组合作用: 增厚模块

主要形态

并购套利：收购公告后标的股价通常略低于收购价，赚这段折价，赌交易能完成。指数调整：成分股调入调出前后，被动资金必须买卖，提前布局赚这段冲击。打新：新股与可转债申购的一二级价差。固收+：以债券打底，用少量权益或转债敞口增厚。

特点

收益稳定但天花板明显：事件数量有限、单个事件容量有限、发生频率不由你决定。因此它极少作为主策略，而是作为多策略组合里的增厚模块存在——用低相关的稳定收益垫高整体夏普。

主要风险

并购失败是最典型的尾部：折价会在一天内变成大幅亏损，且并购失败往往集中在市场环境恶化时发生，与其他策略的回撤同时到来。制度性红利（如打新收益）也会随规则改变而消失。

1.2

BY TECHNOLOGY

按技术手段分类

过去十年的主线是从线性模型走向机器学习与深度学习。但「更新的技术」并不总是更好——数据形态、样本量与反馈速度，决定了每种方法的真实边界。

传统多因子线性模型

仍是基础设施，但已不是 Alpha 来源

Fama-French 三因子/五因子这类线性模型，今天的主要职能已经从「预测收益」转为「归因与风控」：解释组合的收益来自哪些暴露、约束风格偏离不要跑偏。它们依然是风险模型（Barra CNE6、Axioma）的骨架。

之所以退出 Alpha 生成，一是因子早已公开、被充分交易；二是线性设定无法表达因子之间的交互与非线性（例如「小市值 + 高盈利质量」的效果并不等于两者相加）。危机期解释力还会显著下降——恰恰是最需要它的时候。

梯度提升树（GBDT）

表格型因子上的默认赢家

在人工工程化的表格型量价因子上，XGBoost / LightGBM / CatBoost 至今仍是最强基线。微软 Qlib 的公开基准中，树模型在 Alpha158 特征集上的 IC 约 0.045–0.052，明显高于同一特征集上的 LSTM/GRU（约 0.031）。

原因在于树模型天然适配表格数据：对特征尺度不敏感、能自动捕捉阈值型的非线性与交互、对缺失值稳健、训练快因此可以做大量实验。当特征已经被人工构造得很好时，深度模型那套「自动学表示」的优势无从发挥。

深度学习（LSTM / Transformer / GNN）

价值在原始数据，不在表格因子

深度模型的价值不在替代树模型处理表格因子，而在处理树模型根本无法表达的数据形态：原始时间序列、跨资产的关系结构、文本与图像。

最有说服力的证据是同一批模型在两个特征集上的排序会翻转：在工程化的 Alpha158 上树模型胜出，而在原始量价的 Alpha360 上，图神经网络（建模股票间供应链、股东、资金流关联）反超树模型。数据形态决定谁占优——这是整个技术选型的第一性原则。

时序基础模型

强基线，但金融上的 zero-shot 神话未兑现

TimesFM、Chronos、Moirai 等预训练时序基础模型，在低数据量、单资产的场景下是很强的开箱即用基线，省掉了大量调参工作。

但在金融预测上，多项公开评测显示它们相对随机游走的超额改进「稀疏且微小」。原因不难理解：金融时序的信噪比极低且非平稳，跨领域预训练学到的通用模式，在这里能迁移的部分本就有限。作为基线有价值，作为 Alpha 引擎目前证据不足。

强化学习

在执行层是真的，在配置层基本还是论文

RL 的落地边界异常清晰，而且这条边界是由数据结构而非算法水平决定的。

在最优执行层它是真的——目标明确（最小化冲击成本）、反馈在秒级到分钟级、样本量以百万计（每一笔拆单都是一个样本），JPMorgan 的 LOXM 是公开的落地案例。在组合配置层它基本还是论文：调仓低频、有效样本可能一年只有几十个、反馈延迟数月，与 RL 的数据饥渴天然冲突。

另类数据

Alpha 有强烈的先发性与衰减性

卫星影像、信用卡消费流水、舆情、供应链关系、招聘数据。对冲基金 2025 年在另类数据上的支出约 154 亿美元，已经是一个成熟产业。

关键要看清一件事：那些被反复引用的亮眼收益，几乎都来自早期样本。例如「卫星拍停车场预测零售商财报」的 4%–5% 超额，是 2011–2017 年的结果；当数据商开始向所有人出售同一份数据时，这个 Alpha 就被交易掉了。另类数据的核心问题不是「有没有信号」，而是「你是不是最早的少数人」。

LLM 在量化中

压缩研究员的试错周期，不替研究员做决策

被证实的价值集中在三处：研发流水线自动化（如微软 RD-Agent 自动生成并迭代因子假设）、非结构化文本解析（公告、研报、电话会纪要的结构化抽取）、代码生成（回测脚本与数据管道）。

未被证实的是「LLM 直接做投资决策」。核心障碍是前视偏差藏在模型权重里：模型在预训练时见过历史价格与后续新闻，回测中看似在预测，实为检索。多项研究显示，一旦严格控制训练窗口、只用截止日之后的数据评估，宣称的超额收益普遍消失。

图 1.8 数据形态 × 模型选择

同一批模型在不同特征集上的排序会翻转。所以正确的问题不是「该用树模型还是深度学习」，而是「我手上这份数据是什么形态」。

1.3

PIPELINE

工程与流程

一条策略从想法到实盘，要穿过因子挖掘、回测、成本建模、组合优化、风控与执行六道关口。任何一环失守，前面的 Alpha 都会被吃掉。

图 1.9 六道关口与 Alpha 的逐级衰减

这张图想说的是：纸面 Alpha 与实盘收益之间隔着五道减法。研究员容易高估第一环的重要性，而实际决定成败的往往是第三环（成本）与第五环（风控）。

#	环节	要点
01	因子挖掘	从价量、基本面、另类数据构造预测信号；LLM 开始用于自动生成与迭代假设。真实可用的日频截面 IC 通常仅 0.03–0.06，宣称 0.2+ 者应高度怀疑。
02	回测框架	样本内训练、样本外验证、滚动前推（walk-forward）。开源基准平台如微软 Qlib 适合教学与横向对比。回测的价值不在于「收益有多高」，而在于「这个流程有没有把未来信息漏进来」。
03	交易成本模型	手续费、印花税、冲击成本与滑点。冲击成本随下单量非线性上升，是容量的真正约束。高换手策略在新规下成本冲击显著；成本模型不准，会让漂亮的回测在实盘归零。
04	组合优化	在预测收益、风险模型（Barra CNE6 / Axioma）与约束（行业、风格、换手、个股上限）下求解权重。风险模型市场是 MSCI 与 SimCorp 的双寡头。
05	风控	事前约束暴露 + 事中监控 + 事后归因。控制拥挤度、流动性与杠杆，是活下去的前提。2024 年初的教训是：风控要盯的不只是波动率，还有「和别人持仓有多像」。
06	执行算法	VWAP / TWAP / Implementation Shortfall；通过拆单降低冲击。这是强化学习在量化中唯一被广泛验证的落地层。

1.4

PITFALLS

反复吞噬收益的坑

以下五个偏差与效应，是漂亮回测在实盘归零的最常见原因。它们贯穿方法论始终，也是判断一份业绩是否可信的第一组问题。

图 1.10 回测曲线与实盘曲线之间的缺口

拿到任何一条漂亮的历史曲线，第一个该问的问题是：这条线里，有多少是样本内调出来的？ 下面五个偏差，就是这段缺口的成分表。

前视偏差

Look-ahead bias

用了在当时点根本不可得的信息。经典形态包括：用了后来才修正的财务数据、用了当日收盘后才公布的指标、用了未来才纳入的成分股名单。

LLM 让这个老问题变得尤其危险——它能「回忆」训练窗口内的历史价格与新闻，看似在预测，实为检索。必须严格控制训练截止日。

幸存者偏差

Survivorship bias

只统计活到今天的标的或基金，系统性高估收益、低估风险。退市股票、清盘产品必须纳入样本。

一个只含现存基金的业绩榜，天然过滤掉了所有失败者——它回答的是「赢家表现如何」，而不是「投这类策略预期如何」。

数据挖掘偏差

Data mining bias

在海量因子与参数组合里反复搜索，总能找到样本内「显著」却毫无经济含义的组合。试一千次，总有几十次的 p 值好看。

解药是先有经济逻辑再去检验，而不是先搜出结果再编故事；并严格使用样本外与滚动前推，把「试了多少次」计入显著性判断。

拥挤度

Crowding

同质化策略聚集在同一批股票上。平时表现为超额被摊薄、交易摩擦上升；极端时表现为所有人同时减仓、同时爆仓。

2024 年初 A 股的传导链就是完整案例：雪球敲入 → 基差扩大 → DMA 平仓 → 小微盘踩踏 → 指增超额大幅回吐。根因是全行业持仓整体偏小微盘。

容量衰减

Capacity decay

规模越大，冲击成本越高、可交易的标的越少、换手率必须降低，超额随之变薄。任何策略的超额都是规模的减函数。

这解释了为什么头部机构会主动封盘（如衍复两度封盘）。2025 年 A 股单季数千亿的净流入，远超策略容量的增长速度——超额回落是数学问题，不是能力问题。

来源：微软 Qlib 基准、MSCI / SimCorp 风险模型资料、arXiv 近年评测（RD-Agent、时序基础模型、LLM 交易），及《量化交易调研》整理。IC 量级与业绩数字为公开研究口径，仅供参考。本页所有示意图中的数值与路径均为结构示意，不代表任何真实产品或历史行情。