Quant
量化投资——从可检验信号到可执行组合
一门以时点数据、样本外证据、交易成本和可复现研究为主线的量化投资课程。
量化投资——从可检验信号到可执行组合
量化投资不是“找到一个指标，再画一条净值曲线”。一条策略必须通过同一条证据链：
任何一环失真，纸面 alpha 都可能消失。本课程适合具备概率统计、线性代数和基础 Python 阅读能力的高年级本科生与研究生。
课程中的价格、因子、订单和绩效数据均为教学模拟或文献示例，不构成个性化投资建议。历史回测不等于未来收益；真实交易还受到费用、税务、流动性、容量、监管和模型风险约束。
两个贯穿案例
质量—价值月频策略
研究团队提出：“估值较低且盈利改善的股票，未来一个月平均超额收益更高。”课程逐步把这句话变成：
- 按披露日构造 point-in-time 财务面板；
- 定义价值、质量和可交易性变量；
- 做横截面排序、样本外回测与多重检验；
- 在行业、市值、换手和容量约束下生成权重；
- 用下一交易日成交和冲击成本计算可实现收益；
- 设计上线监控与下线规则。
文本型气候暴露信号
财报电话会文本可以形成公司层面的气候暴露特征，但“文本相关”还不是可交易 alpha。学生要检查语料可用日期、模型训练截止日、跨行业可比性、风险暴露、换手率和成本后增量价值。
两个案例都要求记录失败试验，避免只展示最终胜出的信号。
学习成果
完成课程后，你应当能够：
- 把投资想法写成资产池、信息集、预测目标和决策频率明确的研究假设；
- 构造不含幸存者偏差和前视偏差的 point-in-time 数据集；
- 定义、标准化、中性化并诊断因子与组合信号；
- 使用时间顺序正确的训练、验证和测试窗口评估样本外表现；
- 区分预测准确率、毛收益、成本后收益和经济效用；
- 在风险、杠杆、换手、流动性和容量约束下构建组合；
- 把目标权重转换为可执行订单并解释 implementation shortfall；
- 处理序列相关、横截面相关和多重检验造成的虚假发现；
- 交付可复现、可监控、可回滚的策略研究包。
研究生还应解释估计误差如何被优化器放大，并能比较统计目标函数与成本后经济目标函数。
先做一份研究合同
在读任何行情数据前，填写：
| 字段 | 质量—价值案例 |
|---|---|
| 决策 | 每月最后交易日收盘后生成目标权重 |
| 资产池 | 当日可交易且满足上市时间、价格和流动性规则的股票 |
| 信息集 | 决策时已发布、已入库并通过版本检查的数据 |
| 信号 | 预先定义的价值与质量组合分数 |
| 预测目标 | 下一月含退市收益的超额收益 |
| 成交假设 | 下一交易日 VWAP，加入价差与冲击成本 |
| 主要证据 | 严格样本外成本后收益、风险和容量 |
| 失败标准 | 跨时期失稳、成本后无增量或风险来源不可解释 |
改变成交价、资产池或财报可用日期，就改变了研究问题，不是“调一个参数”。
课程路线
| 周次 | 章节 | 课堂任务 | 课后产出 |
|---|---|---|---|
| 1 | 研究数据 | 重建一条财报的可用时间线 | 数据合同与字段字典 |
| 2 | 因子与信号 | 构造、中性化并解释一个因子 | 因子说明卡 |
| 3–4 | 建模与回测 | 识别泄漏并做滚动样本外检验 | 最小可信回测 |
| 5 | 组合与风险 | 比较等权、得分权重和约束优化 | 风险—成本报告 |
| 6 | 执行与微结构 | 分解价差、延迟和冲击成本 | 执行假设表 |
| 7 | 上线与监控 | 设计漂移、风险和故障告警 | 上线 runbook |
| 8 | 工程工具链 | 画出数据到订单的依赖图 | 可复现流水线 |
| 9 | 计量检验 | 审计依赖结构和多重检验 | 推断与稳健性备忘录 |
| 10 | 端到端案例 | 向研究委员会答辩 | 策略研究包 |
| 随查 | 文献与软件图谱 | 区分基础、前沿与实时文档 | 来源记录 |
建议每周 90 分钟准备、2 小时课堂实验和 90 分钟复盘。所有交互单元都有静态解释，可用纸笔或电子表格完成等价计算。
一个最小反例：漂亮回测为何不够
某信号月均毛收益为 0.55%，月均换手率为 180%，单边综合成本为 20 个基点。粗略成本为
成本后只剩 0.19%。若冲击成本在压力期升到 35 个基点，策略变为负收益。此时最重要的问题不是把预测模型再加一层，而是重新检查换手、容量和执行目标。
四种结果必须分开
| 结果 | 例子 | 所需证据 |
|---|---|---|
| 描述性 | 高质量股票过去平均收益更高 | 样本和口径透明 |
| 预测性 | 因子提高严格样本外 | 时间有效验证和基准 |
| 资产定价 | 收益差异反映何种风险或错价机制 | 模型、暴露与替代解释 |
| 投资决策 | 成本后配置该策略 | 预测、风险、成本、容量与治理 |
预测改善不自动意味着投资价值，投资价值也不自动证明某个资产定价机制。
2026 证据窗口
本课程的近期来源核验于 2026 年 8 月 1 日：
- Sautner et al. (2023) 展示如何从财报电话会构造公司层面的气候暴露变量；它首先是测量与验证问题，不是现成交易信号。
- Jensen et al. (2026) 在同行评审研究中提出成本后的“可实现有效前沿”，说明规模和冲击成本会改变最优风险—收益集合。
- Wang et al. (2026) 将机器学习预测与 Markowitz 决策目标联合起来；这是 NBER 工作论文，应与同行评审证据分开标注。
- Kelly et al. (2026) 构建按月份截断语料的 point-in-time 语言模型，给文本回测提供了具体的时间有效性案例；它同样是工作论文。
- Giantsidi and Tarantola (2025) 综述 2020–2024 年金融预测深度学习研究。综述说明方法版图，不替代成本后样本外检验。
完整状态与软件入口见文献与软件图谱。
评价对齐
以下是教学模板，不是机构统一评分规则：
| 任务 | 建议比例 | 评价对象 |
|---|---|---|
| 数据与因子审计 | 20% | 时点、口径、缺失、偏差和经济假设 |
| 最小可信回测 | 25% | 样本外设计、基准、成本和不确定性 |
| 组合与执行报告 | 20% | 风险、换手、容量和成交假设 |
| 端到端研究包 | 35% | 完整证据链、复现、监控和答辩 |
每个结果写七行
- **假设：**为什么可能存在风险补偿或行为/制度摩擦；
- **信息集：**决策时真正可得什么；
- **样本：**哪些资产与日期进入分母；
- **规则：**信号如何变成权重和订单；
- **验证：**测试集、基准和推断如何设定；
- **摩擦：**成本、容量和约束如何计入；
- **边界：**在哪些市场状态下应降权或下线。
从研究数据开始。