5 posts tagged with "量化投资"

量化分析没什么神秘的，本质是对冲基金的算法升级版。

• 三大分析框架：基本面（自上而下：宏观→行业→公司）、技术面（量价时空）、量化（数学+程序化+算法模型）
• 定性 vs 定量：基本面是定性研究，回答"这个人怎么样"；量化是定量研究，给出"第一年 200 万、第二年 300 万"的精确数字
• 量化三步走：数据收集 → 拟定公式 → 回测（权重来回调，看哪个配比更贴近历史真实走势）
• 两大主流策略：多因子模型（最易理解）、高频交易（升级版做市商）
• 两个致命缺陷：量化拥挤（同质化策略同节点同动作）、幸存者偏差（活下来的机构才被你看到）

赚钱策略的钱有上限——这是大多数量化课只秀收益曲线、从不告诉你的事。

1. 反常识动作：稳定赚钱的策略，操盘手最先做的不是加钱加杠杆，而是给资金上限封顶
2. 餐馆类比：容量是 20 张桌子的小店，自己吃没事，想服务 1 万人炒不过来
3. 冲击成本：你自己的买单买高价格、卖单砸低价格，把自己的利润吃掉了
4. Alpha 衰减：小空子被发现的人越多，利润越薄，天花板本身在往下掉
5. 小钱 ≠ 大钱：漂亮曲线很可能只是因为钱还小、还没撞到天花板
6. 里子 vs 门面：年化 100% 但只能装 100 万，不如年化 30% 但能装上亿的策略值钱

AI 投研，值钱的不是模型多猛，而是研究纪律够不够硬。

1. 核心观点：1 行命令生成 4 视角、交叉验证、明确标注不确定性的深度投研报告。
2. 项目：ai-berkshire（14.5k stars / MIT），把 4 位大师方法论压成 20 个 skill。
3. 架构：Skill 层 → Agent 层 → Tool 层，团队型 skill 由 Team Lead 并行启动 4 位大师 Agent。
4. 4 位大师对抗：段永平（业务本质）、巴菲特（护城河）、芒格（反向）、李录（文明级趋势）。
5. 防 LLM 算错：Python decimal.Decimal + 2 源交叉验证 + 市值手算。
6. 成本提醒：深度研究吃 token，先用轻量 skill（quality-screen / news-pulse）筛一遍。

能生成因子只是生产力，能证明因子不是幻觉才是研究力。

• Qlib 不是自动赚钱工具，是量化实验室的基础设施
• RD-Agent 不制造真理，只降低提出和验证候选想法的成本
• 未来函数藏在复权方式和成分股名单里，不在显眼代码里
• 人一天测十个想法靠自觉，AI 一天测一千个只能靠制度
• 奖励函数写成回测收益，自动化越强，过拟合越快
• 六 道闸门：数据审计 → 研究集 → 独立 OOS → walk-forward → 组合与成本 → 仿真实盘

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