量化风云

2026年量化技术趋势前瞻：Python工程化基石重构 本文展望了2026年量化交易领域的两项关键技术革新：依赖管理工具uv和数据校验框架Pydantic 2.0。uv作为Poetry的强力竞争者，采用Rust语言开发，具备操作系统级管理能力，通过零拷贝技术和优化算法显著提升了Python环境构建和依赖解析速度。Pydantic 2.0则解决了量化系统中数据类型不一致的痛点，提供了规范化的数据校验机制，支持复杂的数据转换场景。这两项技术共同构成了新一代量化系统的底层支撑，为策略开发、数据处理等上层应用提供了

AlphaSuite，又一个开源量化新项目。不过，这个轮子至少引入了 CANSLIM投资模型，也为我们使用 LLM 进行投资分析打了个样

本文介绍如何从零开始构建一个基本面策略回测框架Moonshot，适用于月度调仓策略。文章以中金2023年研报策略为例（年化收益29%），详细讲解实现步骤：1）将日线数据重采样为月频；2）添加因子并转换为股票池标记；3）计算基准收益（所有股票）和策略收益（股票池内）；4）使用Quantstats生成回测报告。该框架特点包括：按月调仓、模块化设计、简单易用，核心类Moonshot实现了数据重采样、因子整合和收益计算等功能，适合初学者理解回测原理。

当量化人面临信息过载的困境时，AI悄然成为破局关键。从Grok的私人定制资讯，到豆包和NotebookLM将研报秒变播客，再到TradingAgents项目——一个能模拟真实交易团队、年化收益提升30%的神秘框架。这个由UC伯克利开发的多智能体系统，究竟如何让一个人拥有整个交易团队的决策能力？

常常有人问，做量化交易需要什么样的数学基础？不同领域的量化研究员需要数学基础是不一样的，一般是期权 > 高频 > 期货 > 股票中低频量化。今天我们就聊聊各个领域要求的数学基础，并且以一道经典的量化面试题（来自绿皮书），介绍在概率知识上，从低级到中级，机构可能会考察哪些概念。

LLT均线策略回测结果好到难以置信，年化收益竟达25%！但当我们用显微镜审视每个细节时，发现了隐藏的致命陷阱：未来数据泄露、信号对齐错误、交易成本设置不当...这些看似微小的技术细节，正是导致『回测买地球、实盘亏成狗』的真正元凶

2013年广发证券发布的LLT策略，至今仍能在A股获得345%累积收益和1.33夏普比率？这个借鉴信号处理理论的"低延迟趋势线"究竟有何神奇之处？当传统30日均线陷入"平滑与延迟"的两难困境时，LLT如何通过二阶滤波器实现鱼与熊掌兼得？一个α参数的微调，为何能让策略在11年后的市场中依然保持强劲表现？

上一期文章中，我们复现了研报的因子构建部分，分别是影线因子、威廉影线因子以及由此组合而来的 UBL 因子。这一期我们将对这些因子进行检验。因子检验固然是因子挖掘中必不可少的一环，但它应该是一个 routine 的工作 -- 我们不应该每次都重新发明轮子。然而，当我们使用Alphalens 来进行因子检验时，令人尴尬的事情发生了。

头上三柱香，不死也赔光。这是一句股谚，说得是如果在高位出现三根长上影线，那么股价短期内很可能会下跌。因为上影线代表了上面的抛压特别大。这种说法能得到统计数据上的验证吗？来自东吴证券的一份研报，就讨论了这个问题。

与监督学习不同，强化学习不会在每一步都只接受标准答案，它会尝试、忍受短期的损失，博取长期的收益。这就使得它有了对抗金融数据噪声的能力。奖励是强化学习的灵魂。我们可以直接把投资组合的收益率作为奖励。在监督学习中，损失函数是其核心，但我们却无法把收益率作为损失函数。

Quantstats 是一款用于交易策略绩效分析的 Python 库，深受量化圈用户喜爱，在 Github 上获得了超过 5.8k 的 stars。但很遗憾，由于原作者长期未维护，现在新安装的 Quantstats，尤其是在 Python 3.12 及以上高版本中，几乎无法运行。我们带来了更新。

RSRS 因子在 2005 年 3 月到 2017 年 3 月的上证 50 指数上，12 年总收益 **1432.36%**，年化 **24.84%**，夏普 1.42。同期指数收益仅为 290.13%。该指标的大致思想是，将每日最高价与最低价分别视为阻力位与支撑位，把给定周期下线性回归拟合得到的斜率作为因子。斜率越陡，表示市场强度越强。本文复现了 RSRS 因子，可运行的完整代码和数据在我们的研究平台中提供。如果你关心它的最新表现，或者任何一段时间的表现，只需要自己修改时间参数运行即可得到答案。

如何读懂并复现研？这是我们学员提出来的一个问题。读懂并复现一篇研报，在理解研报的核心思想之外，看懂高频常用术语（行话、俚语）、实现概念到代码的转换、懂得如何获得数据是占 80%的常规工作。在上一篇《RSRS 择时指标》中，我们的重点在于复现策略本身。这一篇文章，我们重点介绍如何『翻译』研报。

精选了 7 种量化金融人都在看的顶刊，从最经典的有效市场假说理论，到最新的关于加密货币的研究，都发表在这些期刊上。

这周我们共发表5篇文章。等两篇详细讲解了机器学习构建组合策略的框架和常见问题。这两篇文章我们也集结后，发在本文末尾。在这一期的量化工具专栏中，我们发表了。IPython是非常轻量的交互式编程工具，尽管它的所有功能都可以在Notebook中找到，但它更轻，但仍然长袖擅舞，颇有飞燕之姿。在中，我们披露了《Python高效编程实践指南》出版过程中的一些冏事。这本书会对量化人构建稳健的交易系统非常有帮助。

圣杯依然闪耀 RSI 永远是我最爱的指标 – 因为潮汐和回归是这个蓝色星球的生命年轮，这样的轮回也存在于交易世界。而 RSI 就是刻画市场中的潮汐和回归的最好指标之一。

在量化领域，Pandas是不可或缺的工具，它以强大的数据处理和分析功能，极大地简化了数据操作流程。今天我们介绍两个技巧，都跟因子检验场景相关。第一个技巧是日期按月对齐；第二个是如何提取分组的前n条记录。讲解的概念涉及到group操作、索引的frequency概念以及多级索引的操作（读取和删除）。在最后一个例子中，更是反复使用了groupby，以简洁的语法，完成了一个略为复杂的数据操作。

这是 Stat Arb 给独立自学量化的人开的一份清单。他的博客有 9000 多名付费用户，在量化圈比较有影响力。这个清单是 pdf 格式，74 页，内容非常全面。

常常看到有人提问，如何挖掘因子和策略？ORB 策略的改进历史能给我们许多启发。一是一个策略值得研究数十年；二是温故而知新是永远的法宝。沉下心来，真正吃透 IT 系统、吃透数据和已有策略，比追风要好得多。炒股要炒大热门，但对大热门的追踪，不一定是要通过文本分析。如果你对本文引用的资源感兴趣，请转发本文后领取这个策略来自 Carlo Zarattini 等人，在 Quantpedia 2023 年大赛中获第三名。

今天我们要分析 MAPE 这个函数在论文中的使用。以此为契机，适当深入一点机器学习的原理，讲以下两个知识点：1. 损失函数和度量函数2. XGBoost模型，因子数据是否要标准化。

如何在投资组合策略中运用上机器学习方法? 最近，我们翻了下之前存过的论文，决定对《A portfolio Strategy Based on XGBoost Regression and Monte Carlo Method》这篇论文进行解读

对高频量化，他们看的是tick级数据，可能持有几分钟就会调仓；散户和量化多在日线和周线频率上操作，持有数天就调仓；长线资金以季度为单位。越是长线的资金，资金量越大，调仓时对走向的影响越强。现在，你应该已经猜到了，有一部分资金会在日线RSI高点时撤出；大量的资金会在周线的RSI高点撤出；而更大量的资金会在月线的RSI高点撤出。但我猜没有资金会根据季线的RSI高点撤出。许多真理，都不能线性外推。

之前的文章中，我们对中证1000指数进行了顶和底的标注。这一篇我们将利用这份标注数据，实现机器学习预测顶和底，并探讨一些机器学习的原理。我们选取的特征非常简单–上影线和WR（William’s R）的一个变种。他们的结论是，根据这两类指标的变种得到的综合因子，在2009到2020年4月，以全A为样本，进行5组分层多空测试，得到，可以说具有非常明显的信号意义。

人迹罕至的道路，有时提供更好的旅程。**新国九条之后，红利股在投资中的重要性将大大加强**，而低波动因子在发现红利股、白马股方面有优秀的选择能力。如果一个市场里的财务数据不那么可靠，那么我们就应该使用低波动因子来代替价值因子。**量价数据永远不说谎**。如果一家过去看起来很好的公司，最近出了问题，看财报的人永远是最后一个知道的。但股价会提前反映。

很多人对基于机器学习的量化策略很好奇，常常问什么时候有机器学习的课。其实，对很多人（我自己就是）来说，没有能力改进机器学习的算法和框架，机器学习都是作为黑盒子来学习，难度主要是卡在训练数据上。这篇文章，将介绍一种数据标注方法和工具。

3月28日那篇文章分析了前一日的下跌为什么是可能预见的。这一篇文章，我将用坚实的统计数据，说明这一天为什么应该抄底，预期的损益比又是多少。

周日莫斯科的恐袭，让所有的A股交易者捏了一把汗，怕不是我A又要买单？果然，短短三日，沪指跌去1.8%，中证1000跌去5.89%，亏钱效应还是非常明显的。痛定之后，留下几个复盘问题，首先是，下跌的原因是什么？当然，我们求解的方法，都是量化思路。

这篇文章的源起是有读者问，七因子模型除了规模、市场、动量和价值之外，还包括哪几个因子？就这个题目，正好介绍一下Fung & Hsieh的七因子模型。七因子模型一般是指David Hsieh和William Fung于2004年在一篇题为《Hedge Fund Benchmarks: A Risk Based Approach》中提出的7 factor model。

一个可能只有少数量化人才需要的功能 -- 按拼音首字母来查找证券。比如，当我们键入ZGPA时，就能搜索出中国平安，或者是它的代码。这是我们使用行情软件时常用的一个功能。

QMT的XtQuant库提供了量化研究所需要的数据。它在一些API设计上面向底层多一些，应用层在使用时，还往往需要进行一些包装，比如复权就是如此。这篇文章介绍了将XtQuant的除权信息转换成常常的复权因子的高性能算法。与官方示例相比，速度快了100多倍。

在今年1月2日和1月3日，旅游板块两支个股先后涨停，此后一支月内三倍，另一支连续6个涨停。事后复盘，我们如何在1月2日第一支个股涨停之后，通过量化分析，找出第二支股？

笔记左数效应、整数关口与光折射中引用了南加州大学Lawrence Harris的一篇论文中，哈理斯研究了交易价格的聚类效应。聚类效应对我们确定压力位、完善下单算法都有一定的影响。但是，2001年，美股变更交易制度，由分数制切

推荐这本《Finding Alphas: A Quantitative Approach to Building Trading Strategies》。我拿到的PDF是2019年的第二版。来自WorldQuant（世坤）的Igor Tulchinshky。

常常有人问，新的因子/策略从哪里来？今天的笔记或许能启发你的思路。从1932年起，研究人员就注意到以9结尾的价格（比如$3.99），在消费者的认知中，要远远小于邻近的整数价格（$4.00）。后来这一效应被称为 left-digit effect。在证券交易中，类似的情况一样存在，不过它的表现形式是整数关口压力。

2023年底，市场开始炒作龙字，后来又开始炒凤字，被戏称为龙凤呈祥。2024年的年度汉字可能是华。这是一种魔幻和无厘头的炒作。但就像一年有四季一样，A股一年至少会这样魔幻地炒一次。在历史上并不罕见。老股民会记得在2018年底，2019年初，出现了一支十倍牛股，东方通信。它带动了对”东方“这个词的炒作。一时间，只要标的名称中带有”东方“两字的，都能沾上一点雨露。

前面几篇笔记我们讨论了存储海量行情数据的个人技术方案。它们之所以被称之为个人方案，并不是因为性能弱，而是指在这些方案中，数据都存储在本地，也只适合单机查询。数据源很贵 -- 在这个冬天，我们已经听说，某些上了规模的机构，也在让员工共享万得账号了。所以，共享网络存储，从而只需要一个数据账号，就成为合理的需求。更不必说，集中管理才可能让 IT 来进行数据维护，而分析师只需要专注于策略就好。

量化交易课程导论

因子挖掘还是以手工为主，最有效的因子（策略）仍然是技术类的趋势+反转，无论是CTA还是量化多头都是如此。模型构成基本上都是机器学习。其中树模型比神经网络占比更大一些，有的机构中使用率高达90%。

在前面的笔记中，无论是回报分析，还是因子Alpha，它们都受到交易成本的影响。信息分析 (Information Analysis)则是一种不受这种影响的评估方法，主要研究方法就是信息系数(Information Coefficient)。

我们继续 Alphalens 因子分析报告的解读。在过去的两篇笔记中，我们都提到，运用 Alphalens 进行因子分析步骤很简单，但是如果不了解它背后的机制与逻辑，很容易得到似是而非的结论。