金融品种与量化工作流

多因子选股：给每只股票打分

假设你要从一大堆股票里挑十只，不能只挑名字熟悉的。可以先提出三个能被检验的偏好：估值相对便宜、盈利增长好、近期动量强，再把每一项变成能计算的字段。这样的字段，就叫因子。

看一个加权的例子：估值分占 40%，增长分占 30%，动量分占 30%。

总分 = 0.4 × 估值分 + 0.3 × 增长分 + 0.3 × 动量分

注意，右边加的是分数，不是原始数字。市盈率是“倍”，利润增长是“%”，价格涨幅也是“%”，单位不一样，不能直接相加，要先换算到同一把尺子上（比如都变成 0–100 分）。

还要定好方向：如果你的想法是“估值越低越有吸引力”，那市盈率越低，估值分就应该越高。另外，亏损公司的负市盈率、极端值、不同行业估值本来就差很多，这些都需要单独定规则。

有了打分规则，就可以在固定的调仓日给候选股票打分，选前十名，每月检查一次。但完整的策略还要说清楚：候选池是哪些股票？停牌、不能交易的怎么处理？单只股票买多少？持仓怎么替换？数据什么时候公开？“选前十名”只是一个选择规则，不能自动证明它有预测能力。

权重从哪里来

一开始的 40% / 30% / 30% 可以只是一个研究假设。之后可以用历史数据估计权重，再拿没参与训练的数据来检验。

线性模型给出的就是各个因子的加权组合，它不要求因子之间完全独立，但如果几个因子高度相关，算出来的权重会不稳定，也不好解释。

有些关系是有条件的：同样是估值便宜，放在盈利稳定的公司身上和放在盈利恶化的公司身上，意思可能完全不同。树模型可以用“如果……就……”的分支来描述这种关系。用机器学习之前，要先说清楚你要预测的是什么：是涨跌、未来收益，还是排名。

建议从少数几个有解释力的因子入手，比如从很多候选里找三到五个比较稳定的。因子少一点，更容易理解和控制，但“越少越好”也不是铁律，关键看样本量、新增了多少信息、稳不稳定、怎么验证。

不能一直换组合、调参数，直到历史曲线变得很漂亮，再把它当成有效规律。这叫过拟合。

因子会变

某一年有效的关系，下一年可能变弱甚至反过来。行业结构、政策、市场风格、参与者行为都在变，用的人多了也会变得拥挤。房地产和科技行业在不同阶段的表现，就是很好的例子。

所以模型要定期评估：看每个因子的表现、整体预测效果和成本，而不是训练一次就永远用下去。但“定期更新”也不等于“一亏就改”，更新周期、训练窗口和淘汰标准都要事先定好。市面上也有现成的因子库和量化研究工具，具体用哪个，以官方文档为准。

举个例子：一只股票现在 1,500 元，假设它会在 1,300–1,700 元之间来回波动。规则是每跌 100 元买一份，每涨 100 元卖一份。

就算最后价格回到 1,500 元，中间来回的交易也可能赚到差价。但最后是不是真赚钱，要看价格走的路径、一开始有多少仓位、每次买卖多少，以及手续费。

动手之前，先把五档画出来：1,300、1,400、1,500、1,600、1,700。然后填清楚：每一档买卖多少？成交以后基准价要不要跟着移？最多用多少钱、最多持有多少？

想一想两种极端情况：

• 价格一路下跌：你会一档一档买，直到把钱买光；
• 价格一路上涨：你会一档一档卖，直到卖光，之后的上涨就和你没关系了，还会落后于一直拿着不动的人。

这两种情况，都是网格策略本身的边界，不是意外。

研究网格，比较适合从大盘股、宽基 ETF 或比较成熟的企业入手。还可以把估值和网格结合起来：比如假设贵州茅台的合理估值在 18–22 倍之间，价格到 1,647 元附近时卖出。这些数字只是演示“估值结合网格”的思路，不能当成现在的合理价格。

大盘股也可能长期下跌，ETF 也可能跑出原来的区间，不存在“基本不会破网”的保证。

如果价格向上突破以后，你把整张网格往上挪，那你已经改变了策略的风险暴露。这应该算作一个新版本，要重新检验，不能拿旧区间的业绩来证明新规则。

保证金：10 块钱控制 100 块钱的货

假设你交 10 元保证金，就能控制价值 100 元的合约。不考虑规则变化和费用，这相当于大约十倍杠杆。标的价格变动 1%，对你那 10 元保证金来说，就是大约 10% 的盈亏。

所以，投入 1 万元保证金时，你要看到的是背后大约 10 万元的风险，而不是把它当成一笔普通的 1 万元投资。

不算成本的话，期货买卖双方的盈亏是一一对应的；再加上手续费，参与者整体的收益还会被成本吃掉一部分。但期货市场也有套期保值、价格发现这些用途，不能简单理解成双方对赌。

保证金不够时，你可能被要求补钱，或者被强制平仓。卖空的人要退出，就得买回合约；大家集中买回，可能把价格推得更高。反过来，多头集中卖出平仓，也可能让下跌更猛。这就是短期价格偏离可能会延续的一个原因。具体什么时候平仓，由账户、经纪商和合约规则决定，不是“价格统一涨跌 10% 就一定平仓”。

流动性，比“理论上该回归”更要紧

棉花等商品就出现过价格短时间偏离基本面的情形：在成交不活跃、资金集中的合约里，理性估值不能保证短期走势。研究一个合约时，要看成交量、买卖价差、持仓量、主力合约切换和能拿到的报价，不能用对某个交易所的笼统印象代替逐个合约的检查。

不同月份的合约可以组成价差交易，比如上一课的苹果近月和远月。这种组合同样有两边的流动性、合约期限、保证金和价差继续扩大的风险。

双均线：最简单的趋势系统

快均线对最近的价格更敏感，慢均线反映更长一段时间。快线上穿慢线可以定义为一个买入候选信号，下穿可以定义为退出或卖空候选信号。交叉只说明价格序列的一种统计关系，不能证明“主力在拉升”。MACD 等指标也能描述趋势变化，后面的课会展开讲。

趋势系统经常在横盘时连续小亏，靠少数几段大行情赚大钱。所以胜率低不一定不好，要同时看胜率、平均盈利、平均亏损、交易次数和成本。

海龟规则：先学会配置风险

海龟规则用“突破过去 20 天的价格范围”作为趋势入场的信号，但它更看重的是仓位管理：波动大的品种，同样数量的持仓风险更大，所以要按波动调整每次买多少。

用一笔简单的账理解波动的损耗：100 元先涨 50% 变成 150 元，再跌 50% 只剩 75 元；先跌 50% 再涨 50%，也是 75 元。同样幅度的涨和跌，并不会互相抵消。 这不是说波动大的品种一定亏钱，而是说明回撤和仓位很重要。

海龟系统的突破、止损、加仓和组合限制，后面有专门的课。这一课先记住：“突破 20 天”不是一个完整策略，对行情有信心也不等于可以无限加仓。

ETF 通常跟踪一个指数或一组资产，一次买入就相当于买了一篮子股票，可以减少单一公司出事的影响。

但宽基 ETF 和行业 ETF 的集中程度不一样。行业 ETF 里的公司可能同时被同一个行业因素打击：分散到很多家公司，不等于分散到很多种风险来源。

ETF 很适合初学者优先研究，常见的玩法有三种：定期投入、网格、行业轮动。它们是三种不同的策略：

• 定期投入：关注的是长期的资金安排；
• 网格：依赖价格在区间里来回波动；
• 行业轮动：需要一个明确的信号，来比较不同行业谁更强。

别把三者混成一条含糊的规则。

境内产品和跨境产品还有标的市场、交易时段和币种的区别。通过境内的相关产品观察海外资产，不等于拿到了直接交易海外股票的权限。比如研究纳指类 ETF，实际选择前要核对产品的投资范围和交易机制。

ETF 也可能大幅回撤。“稳健”不代表不会大亏，也不代表长期一定赚钱。

买方：花钱买一份权利

买期权的人付一笔权利金，换来一份权利：在约定条件下，按约定的价格（执行价）买入或卖出标的。买方可以放弃这份权利，最多损失已付的权利金；卖方则要承担对应的义务。

看涨和看跌、买方和卖方，是两个不同的维度。不能把“买方”理解成看涨，把“卖方”理解成看跌。

看一个看涨的例子：标的现在 100 元，你花 5 元买了一份“到期时可以按 100 元买入”的权利。

• 到期时标的涨到 150 元：每单位行权价值 50 元，扣掉 5 元权利金，赚 45 元，相对权利金的收益率是 900%；
• 到期时只有 80 元或 50 元：你不会按 100 元去买，这份权利作废，亏掉 5 元，也就是权利金的 100%。

实际合约还要乘以合约单位，并考虑费用和行权方式。

“亏损有限”说的是这笔买入期权最多亏多少，不是说亏得少：全部权利金都可能亏光。如果总是买到偏贵的期权，或者买的期权经常到期作废，钱会被一点一点消耗掉。

报价不等于一张合约要付的钱

再看一个黄金期权的例子：到期年月写作 2602，执行价约 1,088，权利金报价约 4.3。假设合约乘数是 1,000，一手的权利金就是 4.3 × 1,000 = 4,300。一定要分清“报价”和“一手的金额”。

同一个例子里还有一组数字：标的约 1,056，离到期大约 6 天，某个模型算出的理论价约 1.09，成交约 3.5 万手，持仓不到 1 万手。这些只是示例数字，不代表现在的行情。它说明三件事：

• 离到期很近时，标的必须很快走到足够有利的位置；
• 市场上的权利金，可能和某个模型算出来的价格差很多；
• 成交活跃，不代表风险低。

理论价格取决于模型和输入，比如波动率。市场价比某个模型的结果高，不能直接说市场定错了价。期权价格还受剩余时间、标的价格变化和市场对波动的判断影响。

可以提前卖掉，也可以当保险

期权不一定要等到期行权。只要市场允许、有人接手，就可以提前卖出平仓。期间权利金的变化和标的价格的变化不成固定比例，这就是期权的“非线性”。

如果你持有股票，可以研究用看跌期权来减轻某些下跌情形的损失。但对冲工具和你的持仓可能对不齐，权利金本身也是成本，买多少、执行价选多少、期限选多长，都需要计算。先做一张情景表，不要把“买一点反向期权”当成完整的保护。

卖方：像保险公司，但要小心极端行情

期权卖方有点像保险公司：收保费（权利金），大多数时候收益有限，但少数极端行情可能要赔很多。没有保护的卖出看涨期权，标的涨得越多，理论损失越大；其他组合的风险上限，要看具体怎么搭。不能把所有卖方都说成“无限亏损”，也不能认为机构都是卖方、个人都是买方。

高杠杆和时间损耗，让期权研究需要更严谨的数学和风控。这门课前期动手的对象，以不加杠杆的股票和 ETF 历史数据为主；期货和期权先理解机制，以后再在规则明确的模拟环境里研究。

把前面四种品种放在一起对比：

下面的实验会给你几个场景，看看你能不能为每个目标挑出更合适的品种。

可以把一个量化程序想象成一间小工作室，里面有几个“角色”。名字只是方便记，重要的是每个模块负责什么：

两条规矩：

• 风控要独立检查，不能因为分析模块“特别看好”就跳过仓位限制；
• 执行要如实记录，不能把“已发出订单”记成“已成交”。

数据可以来自券商工具（比如 QMT）或数据服务。具体的权限、费用和能拿到的数据，都要以当前的官方资料为准。

数据下载下来以后，要检查复权等质量问题。复权是为了处理分红、拆股这些公司行为对价格序列的影响。研究信号和模拟成交用的是哪种口径，要记清楚。先用已经下载好的数据练手，可以降低第一次实践的门槛。