量化交易原理篇：从信号到成交的系统闭环

想象一个交易员不再盯着 K 线图凭直觉下单，而是每天凌晨运行一段 Python 脚本：拉取行情、计算因子、生成目标仓位、把订单推给券商 API。收盘后，同一套逻辑在回测引擎里重放过去十年的数据，检验策略是否只是「碰巧」在样本内赚钱。

这就是量化交易（Quantitative Trading）的典型面貌——把投资与交易决策，尽量转化为可形式化、可回测、可自动化的规则。

它与《二十块之谜》讨论的「信念定价」并不矛盾。量化交易者同样承认：价格是预期与流动性的产物。区别在于，他们试图用数据与模型去估计哪些预期已被过度定价、哪些统计规律在费用与滑点之后仍可持续，而不是依赖叙事与情绪。

本文是原理篇：讲系统如何运转、需要哪些数学语言、研究如何推进到实盘。具体的 CAPM、Black-Scholes、GARCH、协整等模型，以及对应的 Python 实现，见姊妹篇 《量化交易模型篇》。

量化交易的核心不是某个神奇公式，而是一条闭环流水线：

数据 → 特征/信号 → 仓位决策 → 执行 → 风控 → 绩效归因 → 迭代

各环节含义如下：

系统化意味着规则事先写明：什么条件下开仓、加仓、平仓；什么情况下禁止交易。这减少了盘中情绪干扰，也让策略可以被回测——在历史数据上模拟「若当时按此规则交易，结果如何」。

回测是量化的实验室，但必须警惕：

• 前视偏差：用了当时尚未公布的数据（例如用修订后的财报）
• 过拟合：参数调到刚好贴合历史噪音
• 交易成本：手续费、印花税、滑点、冲击成本在实盘中会吃掉大量纸面利润

量化策略按持仓周期可粗分为：

周期越短，对机房、专线、撮合逻辑的要求越高；周期越长，越依赖模型假设的稳健性与对基本面的理解。个人研究者通常从中低频切入——算力门槛相对低，但过拟合与执行成本仍是主要敌人。

与工程侧衔接时，可参考 Today Stock Finance：数据层拉行情、服务层算指标、前端展示。量化研究同样依赖干净的数据管道与可版本化的代码，否则回测结果无法复现。

金融模型建立在几类数学工具之上。原理篇只建立概念地图；模型篇会用 Python 把其中几块跑通。

概率与统计

收益率序列通常被当作随机变量或其函数。核心概念包括：

• 期望与方差：收益与波动的第一、二阶矩
• 协方差与相关系数：资产间联动，组合风险的基础
• 假设检验：判断某规律是否可能只是随机波动（p 值、显著性）
• 最大似然估计（MLE）：从数据反推模型参数（GARCH 拟合常用）

线性代数

多资产组合天然是向量与矩阵问题：

• 收益向量 r，协方差矩阵 Σ
• 组合权重 w，组合方差 wᵀΣw
• 主成分分析（PCA）：把高维相关结构压缩为少数因子

微积分与优化

• 凸优化：Markowitz 均值—方差组合在约束为线性时属于此类
• 拉格朗日乘子：在「组合方差最小」约束下求最优权重
• 随机微积分：衍生品定价（伊藤引理、几何布朗运动）——模型篇用闭式公式落地，不展开伊藤推导

时间序列

价格与收益是按时间排序的观测，不能当作独立同分布样本随意打乱：

• 自相关：今日收益与昨日收益的相关
• 平稳性：统计性质是否随时间漂移
• 单位根检验：序列是否「随机游走」；协整检验的前置步骤

下列模型在量化工作中反复出现。原理篇只交代直觉与用途；实现细节与代码见 模型篇。

经典模型以上表为主；非线性模型、另类数据与机构级验证，见 进阶篇。

二十块之谜的数学版中的 P(t) = V(t) + ε(t) 与上表的关系：DCF 与基本面因子主要刻画 V(t)；CAPM、动量、情绪类信号更多作用于 ε(t) 或其可预测成分。量化交易者需要分清：自己的 edge 来自价值之河还是价格之河。

一个可复现的量化研究流程通常如下：

假设 → 文献/经济直觉 → 特征工程 → 样本内检验 → 样本外验证 → 稳健性检查 → 纸面交易 → 小资金实盘 → 扩容

样本外验证至关重要：保留一段从未用于调参的数据（或走步前进 walk-forward），模拟真实部署时「只有过去信息可用」的约束。

稳健性检查包括：换时间段、换市场、换参数邻域、加入 realistic 交易成本后，信号是否仍存在。

模型篇的 Python 示例均使用合成数据，目的是演示「公式 → 代码 → 输出」的链条。迁移到真实行情时，数据清洗与样本外验证才是决定策略生死的步骤。