超额收益
Alpha策略收益中无法被市场系统性风险解释的部分。它不是「赚了多少钱」，而是「在没有承担市场方向风险的前提下，赚到了多少钱」。
α = R_p − [ R_f + β ( R_m − R_f ) ]
实践提示一个纯靠加杠杆买指数的组合，Alpha 恒等于零。把 Beta 误认为 Alpha，是资管行业最常见的自我欺骗。
GLOSSARY · 术语词典
用同一套语言，
讨论同一件事
量化的门槛不在数学，而在词汇。同一个词在不同团队里指向不同的东西，是研究无法对齐的根源。 这里是我们内部使用的工作定义——包括每个概念的失效条件，以及它最容易骗人的地方。
0词条
05分类
16含关键公式
32含失效提示
显示 40 / 40 条
因子与信号Factors & Signals
把投资逻辑压缩成可检验的横截面变量，并度量它到底还剩多少预测力。
8 条因子暴露
Factor Exposureβ_f组合收益对某一系统性因子的敏感度，通常由横截面回归得到的载荷向量表示。暴露是组合的「隐性仓位」，即使你没有主动交易它。
R_i = α_i + Σ β_ik F_k + ε_i
实践提示很多策略看似中性，实则把风险预算悄悄押在市值、波动率或动量上。我们要求暴露可测量、可约束、可解释。
信息系数
Information CoefficientIC因子值与下一期收益之间的横截面相关系数，衡量因子的预测力强度。使用秩相关（Spearman）时称为 Rank IC，对异常值更稳健。
IC_t = corr( f_t , r_{t+1} )
实践提示日频 Rank IC 的均值能到 0.03–0.05 已属优秀。IC 的稳定性（ICIR）往往比 IC 的绝对水平更重要。
信息比率
Information RatioIR主动收益的均值与主动收益波动率之比，衡量单位主动风险所换取的超额收益，是评价纯度最高的指标之一。
IR = mean( r_active ) / std( r_active )
实践提示IR 与 IC 存在近似关系：IR ≈ IC × √N（N 为独立下注次数）。这解释了为什么分散度本身就是收益来源。
因子正交化
Factor Orthogonalization通过格拉姆–施密特过程或对称正交，剥离因子中与既有因子共线的部分，使新因子的增量信息清晰可辨。
实践提示不正交化就直接叠加因子，等价于给某个风格加杠杆，而不是引入新信息。
信号半衰期
Signal Half-Lifet½信号权重按指数衰减至一半所需的时间，决定因子应以多快的速度换手。半衰期估计偏长会拖累收益，偏短则抬高成本。
w(τ) = w₀ · 2^(−τ / t½)
因子拥挤度
Factor Crowding度量同一因子被多少资金以高度相似的方式持有。拥挤本身不产生亏损，但会显著放大拥挤解除时的回撤幅度与速度。
实践提示我们用持仓重合度、因子估值价差与做空成本三条线索交叉判断拥挤状态。
截面标准化
Cross-sectional Standardization在每一个交易日、每一个横截面上，将因子值减去中位数并除以稳健离散度，消除量纲与时变尺度差异。
z = ( x − median(x) ) / MAD(x)
实践提示用中位数与 MAD 而非均值与标准差，可以避免单个极端值污染整个横截面。
组合与风险Portfolio & Risk
在收益与风险之间分配预算，并诚实地为估计误差留出冗余。
8 条夏普比率
Sharpe RatioSR单位总风险所换取的超额收益。它假设收益近似正态、波动率稳定，而这两个假设在真实市场中都经常失效。
SR = ( R_p − R_f ) / σ_p
实践提示夏普对上涨波动与下跌波动一视同仁。对偏度明显的策略，我们同时观察 Sortino 与 Omega 比率。
最大回撤
Maximum DrawdownMDD净值从历史高点到随后最低点的最大跌幅，衡量策略在历史上最糟糕时刻的连续损失幅度。
MDD = min_t ( NAV_t / max_{s≤t} NAV_s − 1 )
实践提示回撤决定的是你能不能活到策略恢复。回撤修复时间往往比回撤深度更折磨资金端。
卡玛比率
Calmar Ratio年化收益与最大回撤绝对值之比，衡量每承受一个单位的最大痛苦能换回多少年化收益。
Calmar = CAGR / |MDD|
波动率目标
Volatility Targeting按预测波动率的倒数动态缩放仓位，使组合的已实现波动率围绕目标水平波动，而非随市场情绪起伏。
w_t = σ_target / σ̂_t
实践提示波动率具有聚集性，因此波动率本身可预测——这几乎是金融时间序列里最稳健的一条经验规律。
风险平价
Risk Parity配置使各资产（或各因子）对组合总风险的边际贡献相等，而非资金权重相等。
实践提示在杠杆受限的账户中，风险平价退化为风险预算的一个特例。
协方差收缩
Covariance ShrinkageLedoit–Wolf将样本协方差矩阵向一个结构化的目标矩阵收缩，以降低估计误差。当资产数接近或超过样本期长度时，样本协方差矩阵近乎奇异。
Σ̂ = δ F + ( 1 − δ ) S
实践提示收缩强度 δ 应由数据估计而非拍定。忽略这一步的优化器会系统性地超配估计噪声最大的资产。
风险预算
Risk Budgeting在策略、因子与资产三个层级上预先分配风险额度，并将其作为硬约束交给风控而非投研执行。
换手率约束
Turnover Constraint对每期组合相对上期的交易比例设上限，把「信号强度」与「交易成本」放进同一个优化问题里求解。
实践提示换手约束是我们回测与实盘偏差的最大来源控制项：回测里的换手必须与实盘执行能力一致。
执行与微观结构Execution & Microstructure
Alpha 只在成交那一刻存在；这里是它被摩擦吞噬的地方。
7 条订单流不平衡
Order Flow ImbalanceOFI最优买卖档位委托量变化的有符号累加，度量主动买压与卖压的瞬时净差额，对短期价格变动具有稳定领先性。
OFI_t = ΔBidSize − ΔAskSize（含档位增删与价格移动）
实践提示OFI 是我们所有日内信号的基座变量，其信息半衰期通常在秒到分钟量级。
订单簿深度与队列位置
Book Depth & Queue Position各价位的挂单总量，以及你的委托在同一价位队列中的排位。队列越靠前，被动成交概率越高，逆向选择风险也越大。
实践提示在拥挤价位挂单，等于自愿承担最大的毒性成交风险。排队位置本身就是一个因子。
成交量同步毒性
Volume-Synchronized Probability of Informed TradingVPIN按等成交量分桶计算主动买卖失衡的均值，作为「当前成交中有多少来自知情交易者」的代理变量。
VPIN = Σ |V_buy − V_sell| / Σ ( V_buy + V_sell )
实践提示VPIN 抬升通常先于流动性撤单。它不预测方向，只预测「即将变危险」。
有效价差
Effective Spread成交价与成交瞬间中间价之差的两倍，衡量实际付出的往返成本，通常小于报价价差。
ES = 2 · | P_trade − M_midpoint |
市场冲击
Market Impact交易行为本身对价格造成的不利移动，通常分解为与速度相关的暂时冲击和与规模相关的永久冲击。
ΔP ≈ Y · σ · ( Q / V )^δ （平方根律，δ ≈ 0.5）
实践提示平方根律意味着：要把冲击减半，必须把参与率降到四分之一。这就是容量的物理上限。
TWAP / VWAP / POV
Execution Algorithms三类基础拆单方式：按时间均匀（TWAP）、按历史成交量分布（VWAP）、按实时成交量比例（POV）分配委托。
实践提示它们都只控制节奏，不感知方向。真正的改进来自在 OFI 预测驱动下动态调整参与率。
冰山订单
Iceberg Order只显示小部分数量、其余隐藏的委托类型。它降低信息泄露，但也更容易被识别并遭到试探性攻击。
机器学习Machine Learning
在信噪比极低、样本高度相关的金融数据上，让模型保持诚实的方法论。
7 条三重障碍标注
Triple Barrier Labeling以止盈线、止损线、时间上限三条障碍界定每次下注的结果，取代固定持有期收益作为标签，更贴近真实交易的退出机制。
实践提示标签定义决定了模型学什么。用固定持有期收益做标签，会让模型去学一个你根本不会执行的策略。
净化交叉验证
Purged K-Fold Cross-ValidationPurged CV在训练集与验证集之间删除（purge）标签窗口重叠的样本，并在训练集后追加禁运期（embargo），消除时间序列中的信息渗漏。
实践提示金融样本因持有期重叠而高度相关。标准 K-Fold 会把未来的信息泄漏进训练集，制造出虚假的样本外表现。
元标签
Meta-Labeling主模型负责判断方向，次级模型只负责判断「这一次下注值不值得做」，从而把方向预测与仓位决策解耦。
实践提示这让我们可以在不牺牲召回率的前提下，用次级模型把精度与仓位规模一起优化。
样本唯一性权重
Sample Uniqueness Weighting按每个样本与其他样本标签窗口的重叠程度倒数赋权，降低高度重叠样本对训练的过度影响。
特征漂移
Feature Drift输入特征的分布随时间偏离训练期分布。它不必然导致失效，但会使模型的映射关系失去前提。
实践提示我们同时监控群体稳定性指标（PSI）与最大均值差异（MMD），任一越界即触发复核。
概念漂移
Concept Drift特征与标签之间的真实关系发生改变。此时即使特征分布完全稳定，模型也会失效——这是最难提前发现的一类退化。
实践提示概念漂移只能靠残差监控与归因分析事后捕捉，因此我们坚持保留一条低容量、高可解释性的基线模型作为参照。
SHAP 归因
SHAP Values基于合作博弈的夏普利值，把一次预测分解为各特征的边际贡献，是目前最通用的模型可解释性工具。
实践提示我们不能持有无法解释的仓位。任何进入组合的信号，都必须能回答「它为什么给出这个数」。
回测与统计Backtest & Statistics
一条漂亮曲线的七种死法，以及如何提前把它们排除掉。
10 条前视偏差
Look-Ahead Bias在回测中使用了在当时尚未可得的信息。最常见的形态是用了当日收盘后才发布的财报数据，或使用了被事后修正过的历史数据。
实践提示防御手段是给每个字段带上「信息可得时间戳」，并在特征计算时严格按时间对齐。
幸存者偏差
Survivorship Bias仅使用当前仍然存续的标的构建历史样本，从而系统性剔除退市、被并购与更名者，抬高历史收益。
实践提示防御手段是使用含退市标的的完整历史成分股名单，并把退市事件按真实价格计入。
多重检验
Multiple Testing在大量候选策略中挑选表现最好的那个，会显著抬高「纯运气也能看起来显著」的概率。尝试 100 次，就有很大机会收获一条漂亮的假曲线。
E[ max SR ] ≈ √( 2 ln N / T ) （N 次独立尝试，T 期样本）
实践提示这是我们记录每一次试验的全部原因——只有知道试了多少次，才能正确惩罚显著性。
紧缩夏普比率
Deflated Sharpe RatioDSR在夏普比率显著性检验中同时扣除试验次数、样本偏度与峰度的影响，得到「考虑多重检验后仍然显著」的概率。
实践提示一个未做 DSR 校正的夏普 3.0，可能还不如一个校正后的夏普 1.2 值得下注。
回测过拟合概率
Probability of Backtest OverfittingPBO通过组合对称交叉验证，估计「在样本内最优的配置在样本外落到中位数以下」的概率，直接度量选择过程本身的风险。
走步验证
Walk-Forward Validation滚动地以历史窗口训练、以紧邻的未来窗口测试，模拟策略在真实时间流逝中的再训练与部署过程。
样本外测试
Out-of-Sample Test在从未参与任何选择过程的独立数据上评估策略。样本外数据只能被消费一次——看过之后，它就已经变成样本内数据了。
实践提示我们为每个策略保留一段从未被研究者看到的数据，只在上线评审时由风控独立运行一次。
交易成本模型
Transaction Cost Model把佣金、税费、买卖价差、市场冲击与机会成本逐项建模，并在回测中按逐笔成交仿真扣除。
实践提示没有成本模型的回测不是回测，是幻想。成本模型是我们与实盘偏差最大的单一项。
蒙特卡洛路径
Monte Carlo Paths通过对收益序列重采样或对成交顺序随机重排，生成大量等可能的净值路径，用于估计结果的置信区间而非点估计。
实践提示我们更关心净值路径的第 5 百分位，而不是中位数。
容量
Strategy Capacity在收益被交易成本完全吞噬之前，策略能够吸收的最大资金量。容量由流动性、换手率与冲击成本共同决定，而非由收益率决定。
实践提示容量是策略的一等属性。我们为每个策略单独测算容量曲线，并按容量而非收益率分配资金。
没有匹配的词条。试试更短的关键词，或切换到「全部」分类。