量化系统架构全景：5 大核心模型如何协同？
量化系统的本质是 5 个模型协同的流水线，5 个里 4 个都是"负面因素"。
- 模型即函数：输入（行情/基本面数据）→ 函数（策略规则）→ 输出（交易动作），没什么神秘的
- 5 大核心模型：Alpha（买什么）、风险（最多亏多少）、交易成本（滑点/手续费）、投资组合（鸡蛋分篮子）、执行（怎么下单）
- 3+2 拆解：3 大预测模型（Alpha/风险/交易成本）+ 2 大决策模型（组合/执行），投资组合构建是三角约束的平衡点
- 执行反馈闭环：组合 ↔ 执行是双向箭头，实盘数据回流持续校准各模型
- 多数策略亏钱的根因：只盯着 Alpha，忽略另外 4 个
- 数据是食材、研究是永动机：行情/基本面/另类数据三类，研究贯穿策略-回测-优化全周期
什么是"模型"？
模型本质上就是一个函数。
用函数理解模型
回顾高中数学里的函数概念：
f(x) = y
- 输入 (x)：历史 K 线数据、基本面数据、财务数据等
- 函数 (f)：交易策略/算法（如 MA5 上穿 MA60 就买入）
- 输出 (y)：交易决策（开仓 、平仓、止盈、止损）
历史数据（K线/基本面） → [交易策略/模型] → 交易动作（买/卖/持有）
模型不是神秘的黑魔法，它就是一套用历史数据训练出来的规则/函数。输入新的市场数据，模型给出交易决策。
量化系统的五大模型
总体模型架构
根据《打开量化投资的黑箱》，一个典型的量化交易系统包含以下五大核心模型。图 1 聚焦于实盘策略的核心部分（证券买卖决策、头寸规模与择时），暂不涉及策略研发环节的工具链（策略设计所需的研究工具）。
| 模型 | 核心问题 | 类比 |
|---|---|---|
| Alpha 模型 | 买什么？什么时候买？ | 选菜谱——决定做什么菜 |
| 风险模型 | 最多能赔多少？ | 食品安全——控制食安风险 |
| 交易成本模型 | 买卖要花多少手续费/滑点？ | 买菜成本——油盐酱醋的钱 |
| 投资组合模型 | 鸡蛋怎么分篮子？ | 配菜——荤素搭配、营养均衡 |
| 执行模型 | 怎么下单、什么时候下？ | 掌勺——控制火候和时机 |
三大预测模型
进一步拆解为三大预测模型（Alpha / 风险 / 交易成本）+ 两大决策模型（投资组合构建 / 执行），其中前三大模型是整个系统的"输入端"。
| 模型 | 核心职责 | 典型场景举例 |
|---|---|---|
| 阿尔法模型 | 预测目标证券的未来收益 | 期货市场趋势跟踪策略中，负责预判选定期货品种的价格方向（涨/跌/震荡） |
| 风险模型 | 约束可能引发非预期亏损的风险敞口 | 为避免商品期货多头头寸过度集中导致风险积聚，设定"商品类资产的最大风险暴露阈值" |
| 交易成本模型 | 测算调仓产生的摩擦成本 | 即使趋势信号为正，也可能因短期微幅趋势的进出场成本将吞噬利润，从而否决交易信号 |
Alpha 模型回答"赚不赚得到"，风险模型回答"会不会亏太大"，交易成本模型回答"扣掉摩擦后还剩多少"。
投资组合构建模型：三角关系的平衡
三大模型的输出汇入投资组合构建模型，后者需要在三角约束下生成最优目标组合：
图2 三个模型共同约束，生成最优目标组合头寸权重
- 收益追逐：Alpha 模型给出的预期收益排序
- 风险约束：风险模型对各类资产、因子、行业、地区等维度的敞口限制
- 交易成本：调仓过程中产生的佣金、冲击成本、机会成本
执行模型：从目标组合到实盘订单
系统比对当前投资组合与新目标投资组合，差异部分即为待执行的交易指令。比如：
| 投资标的 | 当前投资组合 | 新目标投资组合 | 交易执行 |
|---|---|---|---|
| 标普 500 指数 | 空头 30% | 空头 25% | 买入对冲 5% |
| 欧洲斯托克 50 指数 | 多头 20% | 多头 25% | 买入 5% |
| 10 年期美国国债 | 多头 40% | 多头 25% | 卖出 15% |
| 10 年期德国国债 | 空头 10% | 空头 25% | 卖出看跌期权 15% |
差值交由 执行算法处理，该算法综合考虑：
- 交易紧急程度：模型对趋势持续时间的判断
- 市场流动性动态：当前盘口深度、买卖价差、波动率
- 执行节奏选择：
- 若模型判定长期趋势启动 → 选择缓慢建仓（如 TWAP/VWAP），以降低市场冲击成本
- 若模型判定短期脉冲行情 → 采取激进执行（如市价单、扫单），抢在价格不利变动前完成建仓
执行结果会反馈回系统，形成"组合构建 → 执行 → 反馈 → 优化"的闭环，这也是为什么执行模型与投资组合构建模型是双向箭头而非单向。
图 1 所示的五大模型架构是抽象的功能划分，并非物理上的标准部署。实践中存在多种变体：
- 模块省略：部分量化策略可能省略交易成本模型（如高频套利），或省略独立的执行模型（小额账户直接市价单）
- 模块整合：风险约束条件可直接内嵌至 Alpha 模型中，作为一个惩罚项参与打分
- 递归式架构：通过模块间的递归调用实现交互增强——例如 Alpha 信号触发后，风控实时校验，触发的成本预估再反向影响 Alpha 信号的强度
- 数据驱动优化：部分交易者会采集实际成交数据（含滑点、拒单率）持续校准交易成本模型
尽管存在上述变体，该示意图仍具参考价值：因其系统化地呈现了量化交易系统的核心功能模块——无论实际系统中各模块以何种物理形式部署，功能边界是相对稳定的。
5 个模型中，有 4 个都是"负面因素"——风险、成本、组合构建、执行。换句话说：
- 即使你找到了一个很棒的 Alpha（交易想法）
- 你仍然需要妥善处理另外 4 个"负面因素"才能赚钱
这就是为什么市场上大多数看似不错的策略最终会亏钱的原因：只关注 Alpha，忽略了其他 4 个维度。 一个优秀的量化系统，必须同时在这 5 个方面都做到位。
模型的来源：数据与研究
数据
数据是量化系统的"食材"。没有高质量的数据，再好的模型也无法发挥作用。
| 数据类型 | 内容 | 来源 |
|---|---|---|
| 行情数据 | K 线（开高低收量）、分时数据 | Tushare、AKShare、交易所 API |
| 基本面数据 | 财务报表、营收利润、估值指标 | Wind、东方财富、公司公告 |
| 另类数据 | 新闻舆情、社交媒体、卫星图像 | 爬虫、NLP 分析、第三方数据商 |
研究
研究贯穿整个量化系统的生命周期：
- 策略研究：从历史数据中挖掘规律，生成 Alpha 模型
- 回测研究：验证策略在不同时间段的表现
- 优化研究：根据实盘反馈持续改进模型
本书作者指出：研究不是一次性工作，而是量化系统的"永动机"。
量化系统的全景图
- 左侧输入：各种数据源持续供给
- 中间处理：三大预测模型（Alpha/风险/交易成本）平行输入到投资组合模型和执行模型
- 右侧输出：经由执行模型发往交易所/券商
- 模型优化闭环：执行结果反馈至投资组合构建模型，持续优化各个模型
- 数据回流：交易所的最新行情/成交数据回灌到数据层
为什么要理解这个架构？
1. 避免只见树木不见森林
很多初学者上来就写均线策略，但不知道一个完整的量化系统还需要风控、成本计算、仓位管理。理解全景架构，才能搭建可实盘运行的系统。
2. 每个模型都有自己的专业领域
| 模型 | 涉及的学科 |
|---|---|
| Alpha 模型 | 金融学、统计学、机器学习 |
| 风险模型 | 风险管理、概率论 |
| 交易成本模型 | 市场微观结构 |
| 投资组合模型 | 优化理论、马科 维茨理论 |
| 执行模型 | 算法交易、订单路由 |
3. 问题定位更精准
当策略表现不佳时，知道从哪个环节排查：
- 亏钱 → 是 Alpha 模型信号不准？还是风控没做好？
- 滑点大 → 交易成本模型预估不足？
- 回撤大 → 投资组合过度集中？
References
- 打开量化投资的黑箱（原书第 2 版） —— [美] Rishi Narang, 机械工业出版社, 2016