量化投资必备基础知识

量化投资必备基础知识

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在进入进阶量化交易策略研发之前，系统化梳理全市场多资产类别的微观交易机制是构建坚实量化体系的第一步。与单一股票多头不同，进阶量化交易覆盖了股票、ETF、商品期货、股指期货、期权、债券以及外汇等多维资产谱系。不同资产在保证金杠杆、交易时间、多空双向机制与清算交割规则上的差异，直接决定了量化策略在资产配置、风险平价与统计套利中的数学表达与工程架构。

💡 核心导读

• 进阶量化覆盖的七大核心资产微观特征：
  • 股票（Stocks）：T+1 现货交易、全额资金占用、依赖多因子选股与截面 Alpha 提取；
  • ETF（交易型开放式指数基金）：一二级市场套利（Creation/Redemption）、T+0/T+1 混合交易机制、跟踪宽基与行业指数；
  • 商品期货（Commodity Futures）：多空双向、T+0 交易、保证金杠杆、主力合约换月移仓（Roll Yield）；
  • 股指期货（Index Futures）：IF/IC/IM/IH 对冲工具、负基差与升贴水结构、系统性风险完全中性化；
  • 期权（Options）：非线性收益结构、希腊字母风险对冲（Delta/Gamma/Vega/Theta）；
  • 债券与利率衍生品（Bonds）：固定收益底层资产、久期与凸性管理；
  • 外汇（FX）：24 小时全球连续交易、高流动性与宏观基本面驱动。
• 主观投资向定量算法转化的核心思维跃迁： \text{主观经验 (模糊定性)} \xrightarrow{\quad\text{数学化 & 逻辑严密化}\quad} \text{量化规则 (精确定量, 可证伪, 无歧义)}
• 多资产分散配置的量化数学本质：
  • 利用不同资产间的低相关性或负相关性（$\rho < 0.3$），在保持预期收益的同时大幅压缩组合整体方差与最大回撤。

┌─────────────────────────────────────────────────────────────┐
│                    进阶量化全市场多资产交互拓扑图               │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌───────────────┬─────────────┼─────────────┬───────────────┐
 ▼               ▼             ▼             ▼               ▼
┌─────────────┐ ┌───────────┐ ┌───────────┐ ┌───────────┐ ┌─────────────┐
│ 股票 (Alpha)│ │ 指数/商品 │ │ 股指期货  │ │ 期权/衍生品│ │ 固收与外汇  │
├─────────────┤ ├───────────┤ ├───────────┤ ├───────────┤ ├─────────────┤
│ • 多因子选股│ │ • 行业 ETF│ │ • 空头对冲│ │ • 波动率套利│ │ • 利率债底仓│
│ • 基本面财务│ │ • 趋势跟踪│ │ • 锁定Beta│ │ • 尾部防黑天│ │ • 宏观对冲  │
└─────────────┘ └───────────┘ └───────────┘ └───────────┘ └─────────────┘

一、主观投资与量化投资的工程转化路径

主观交易者常说”在市场恐慌、放量探底时分批建仓”，在量化工程中必须将其逐字分解为无歧义的逻辑表达式：

1. 恐慌度量：过去 20 日历史波动率位于过去 1 年的 95% 分位数以上（$HV_{20} > P_{95}$）；
2. 放量确认：当日成交量大于 20 日平均成交量的 2.5 倍（$Volume_t > 2.5 \times VMA_{20}$）；
3. 探底定义：收盘价跌破布林下轨且 RSI 进入超卖区（$RSI_{14} < 20$）；
4. 分批建仓：基于凯利公式与 ATR 动态头寸，首批建仓 20% 预算，随后每回撤 $1 \times ATR$ 追加 20%。

import pandas as pd
import numpy as np

def quantify_subjective_buy_condition(df):
    """
    将主观'放量恐慌探底'转化为严格的量化判定布尔信号
    """
    # 1. 均量与成交量放量
    vma20 = df['volume'].rolling(20).mean()
    is_huge_volume = df['volume'] > (2.5 * vma20)
    
    # 2. 价格跌破布林下轨
    ma20 = df['close'].rolling(20).mean()
    std20 = df['close'].rolling(20).std()
    boll_lower = ma20 - 2.0 * std20
    is_price_oversold = df['close'] < boll_lower
    
    # 3. 恐慌放量探底综合信号
    buy_trigger = is_huge_volume & is_price_oversold
    return buy_trigger

二、多资产组合的协方差与夏普优化

在多资产配置中，投资组合的方差由资产权重与协方差矩阵共同决定：

$$\sigma_p = \sqrt{\mathbf{w}^T \mathbf{\Sigma} \mathbf{w}}$$

通过将低相关的股票、商品期货与债券进行风险平价配置，能够显著提升组合的夏普比率。

def calculate_portfolio_metrics(weights, expected_returns, cov_matrix):
    """
    计算多资产组合的预期年化收益率与年化波动率
    """
    w = np.array(weights)
    port_return = np.sum(w * expected_returns) * 252.0
    port_volatility = np.sqrt(np.dot(w.T, np.dot(cov_matrix * 252.0, w)))
    return port_return, port_volatility

📝 动手练一练

下面我们用 Python 编写一段 多资产量化投资组合收益与风险测算引擎，模拟股票、商品期货与债券三类低相关资产在 50%/30%/20% 固定配比下的组合收益、波动率与夏普比率测算：

import pandas as pd
import numpy as np

def calculate_multi_asset_portfolio(weights, returns_df):
    """
    多资产量化配置收益与风险测算器
    - 股票 (Stock), 商品期货 (Futures), 债券基金 (Bonds)
    """
    w = np.array(weights)
    cov_matrix = returns_df.cov() * 252.0
    port_ret = np.sum(returns_df.mean() * w) * 252.0
    port_vol = np.sqrt(np.dot(w.T, np.dot(cov_matrix, w)))
    sharpe = (port_ret - 0.02) / (port_vol + 1e-6)
    
    return {
        "Annual_Return": f"{port_ret * 100:.2f}%",
        "Annual_Volatility": f"{port_vol * 100:.2f}%",
        "Sharpe_Ratio": f"{sharpe:.2f}"
    }

def test_portfolio_run():
    np.random.seed(42)
    dates = pd.date_range("2023-01-01", periods=100, freq="B")
    
    # 模拟股票、期货、债券三类低相关资产收益率
    r_stock = np.random.normal(0.0006, 0.015, 100)
    r_futures = np.random.normal(0.0004, 0.012, 100)
    r_bonds = np.random.normal(0.00015, 0.003, 100)
    
    df = pd.DataFrame({
        'Stock': r_stock,
        'Futures': r_futures,
        'Bonds': r_bonds
    }, index=dates)
    
    # 50% 股票 + 30% 期货 + 20% 债券
    weights = [0.5, 0.3, 0.2]
    res = calculate_multi_asset_portfolio(weights, df)
    
    print("================ 多资产量化投资组合测算 ================")
    for k, v in res.items():
        print(f"  - {k:<18}: {v}")
    print("------------------------------------------------------")
    print("量化精髓: 跨资产配置通过低相关性分散非系统性风险，提升夏普比率！")
    print("======================================================")
    
    # 逻辑验证断言
    assert len(df) == 100, "回测样本时间长度异常！"
    assert "Annual_Return" in res, "收益率指标字段缺失！"
    assert "Sharpe_Ratio" in res, "夏普比率指标字段缺失！"
    print("✅ 多资产配置收益与风险测算验证 PASS")

if __name__ == "__main__":
    test_portfolio_run()

运行结果输出：

================ 多资产量化投资组合测算 ================
  - Annual_Return     : -5.28%
  - Annual_Volatility : 11.64%
  - Sharpe_Ratio      : -0.63
------------------------------------------------------
量化精髓: 跨资产配置通过低相关性分散非系统性风险，提升夏普比率！
======================================================
✅ 多资产配置收益与风险测算验证 PASS

⚠️ 失败案例解读（反面教材）：本次仿真中，50/30/20 配比的组合年化收益 -5.28%、夏普比率 -0.63——是亏损的。这恰恰说明两条铁律：① 低相关分散只能压缩波动，无法扭转负期望收益；② 100 个交易日的短样本中，随机噪声足以让正期望资产实现为负收益。工程排查思路：拉长样本窗口检验均值估计的统计显著性、扫描不同配比观察夏普对权重的敏感性、引入风险平价或最小方差目标替代拍脑袋权重。记住：回测出现亏损不是代码错了，而是策略假设错了——这正是量化”可证伪性”的价值。

本章小结

1. 构筑全资产视野：充分理解股票、期货、期权、ETF 等标的的微观制度差异与对冲互补性。
2. 掌握主观量化转化：将模糊的盘感转化为由参数、阈值与触发器构成的严密定量规则。
3. 践行跨资产分散原则：依托协方差矩阵与低相关性资产配置，有效平滑单一市场的极端回撤。

📋 行动清单 (Action Checklist)

• 运行本讲多资产组合测算代码，测试调整股票与债券配比对夏普比率的影响；
• 梳理自己过往的一条主观交易思路，尝试用 Python 布尔表达式进行完全定量化表达；
• 预习下一节，深入剖析趋势型策略与均值回复型策略在模型原理上的对称之美。

— 小象教研组