02 - 统计套利与量化策略

定位：给有10年金融经验的架构师/PM讲清楚量化策略的科学基础 目标：理解时间序列分析、配对交易、因子模型、回测科学 前提：你知道什么是收益率、标准差、相关系数，但不需要会测度论

---

一、核心概念与直觉

1.1 什么是统计套利？

无风险套利：同一个东西在两个地方价格不同 → 低买高卖 → 确定赚钱。 例：A交易所BTC=60000，B交易所BTC=60100 → 在A买在B卖 → 赚100。

统计套利：两个相似的东西价格偏离了历史关系 → 赌它们会回归 → 大概率赚钱。 例：可口可乐和百事可乐股价通常同步。如果可口可乐涨了3%而百事没动 → 做空可口可乐做多百事 → 等价差回归。

关键区别：

无风险套利：100%赚钱（理论上），但机会极少且瞬间消失
统计套利：有概率亏钱，但长期大数定律站在你这边
         → 本质是一个"正期望值"的赌局，重复玩足够多次

1.2 Alpha 与 Beta

你的投资收益 = Beta收益 + Alpha收益 + 噪声

  Beta收益：
    跟着市场涨跌获得的收益
    大盘涨10%，你的组合涨12%，其中10%是Beta
    任何人都能获得（买指数基金就行）
    不值钱

  Alpha收益：
    超越市场的部分
    大盘涨10%，你涨12%，其中2%是Alpha
    极难获得且不可持续（EMH的诅咒）
    非常值钱

量化策略的核心目标：寻找可重复的Alpha

为什么Alpha很难找到？

• 金融市场的信噪比极低（远低于图像识别、NLP等领域）
• Alpha一旦被发现就会被套利者竞争消灭
• 交易成本会吃掉微小的Alpha
• 过拟合让你以为找到了Alpha实际上没有

1.3 量化策略的本质

量化策略 = 统计信号 + 执行系统 + 风控系统

  统计信号：发现价格中可预测的模式
    → 这是"科学"部分

  执行系统：把信号转化为实际交易
    → 这是"工程"部分

  风控系统：控制亏损在可承受范围内
    → 这是"活下来"的部分

三者缺一不可。信号再好，执行有bug也白搭。
信号和执行都好，没有风控迟早爆仓。

---

二、时间序列分析基础

2.1 平稳性（Stationarity）

为什么重要？

一个非平稳的时间序列，它的统计特性（均值、方差）会随时间变化。在这样的序列上做预测就像用GPS导航——如果起点在移动，你计算的路线没有意义。

平稳序列：均值和方差不随时间变化
  → 温度在0度附近波动：-2, 1, -1, 3, 0, -3, 2, 1
  → 你可以说"平均温度是0度"，这个说法有意义

非平稳序列：均值随时间变化（趋势）
  → 股价：100, 102, 105, 103, 108, 112, 115, 120
  → "平均价格是108"这个说法没什么用
  → 因为明天的价格取决于今天的价格，不是平均价格

直觉类比：

• 平稳序列 = 弹簧上的球：偏离中心后会被拉回来
• 非平稳序列 = 河上的纸船：随水流走，不会回到起点
• 差分后的平稳序列 = 纸船的速度：虽然位置在变，但速度在某个范围波动

ADF检验（Augmented Dickey-Fuller）：

目的：检验序列是否平稳（是否有单位根）

零假设 H0：序列有单位根 → 非平稳
备择假设 H1：序列没有单位根 → 平稳

做法：
  1. 对序列做回归：ΔY(t) = α + β·Y(t-1) + 滞后项 + ε
  2. 检验 β 是否显著为负
  3. 如果 β 显著为负 → 拒绝H0 → 序列平稳

p-value 解读：
  p < 0.01  → 强烈拒绝H0，序列很可能平稳
  p < 0.05  → 拒绝H0，序列可能平稳
  p > 0.05  → 不能拒绝H0，序列可能非平稳

实际应用：
  股价 → ADF检验 p=0.89 → 非平稳（符合直觉）
  股价收益率 → ADF检验 p=0.001 → 平稳（收益率围绕0波动）
  配对交易的价差 → 需要检验是否平稳 → 平稳才能做均值回复策略

2.2 自相关与偏自相关

自相关函数(ACF)：当前值与过去第k期的相关性

ACF图示例：
  相关系数
  1.0 |█
  0.8 |█ █
  0.6 |█ █ █
  0.4 |█ █ █ █
  0.2 |█ █ █ █ █
  0.0 |──█──█──█──█──█──── (虚线=置信区间)
 -0.2 |
      └─────────────────→ 滞后期(k)
       0  1  2  3  4  5

  ACF慢慢衰减 → 可能是AR过程
  ACF突然截断 → 可能是MA过程

偏自相关函数(PACF)：去掉中间期影响后，当前值与第k期的"净"相关性

PACF图示例：
  相关系数
  1.0 |█
  0.5 |█ █
  0.0 |──█──█──█──█──█──── (虚线=置信区间)
 -0.5 |
      └─────────────────→ 滞后期(k)
       0  1  2  3  4  5

  PACF在第p期截断 → AR(p)模型

实际用法：通过看ACF和PACF图来确定ARIMA模型的阶数。

2.3 ARIMA模型

ARIMA(p, d, q) 是时间序列预测的"瑞士军刀"。

三个组件：

  AR(p) — 自回归：
    Y(t) = c + φ₁·Y(t-1) + φ₂·Y(t-2) + ... + φₚ·Y(t-p) + ε(t)
    直觉：今天的价格 = 过去p天价格的加权平均 + 噪声
    例：AR(1) → 今天的价格主要由昨天的价格决定

  I(d) — 差分：
    对序列做d次差分使其变平稳
    一阶差分：ΔY(t) = Y(t) - Y(t-1) = 收益率
    大多数金融序列 d=1 就够了

  MA(q) — 移动平均：
    Y(t) = μ + ε(t) + θ₁·ε(t-1) + θ₂·ε(t-2) + ... + θq·ε(t-q)
    直觉：今天的价格受过去q天的"意外冲击"影响
    例：MA(1) → 昨天的意外涨跌会影响今天

建模流程（Box-Jenkins方法）：

  Step 1: 平稳性检验
    → ADF检验
    → 不平稳则差分 (d=1 或 d=2)

  Step 2: 模型识别
    → 看ACF → 确定q (MA阶数)
    → 看PACF → 确定p (AR阶数)

  Step 3: 参数估计
    → 最大似然估计(MLE)

  Step 4: 诊断检验
    → 残差是否为白噪声？(Ljung-Box检验)
    → 如果不是 → 回到Step 2调整

  Step 5: 预测
    → 但注意：金融时间序列的ARIMA预测效果通常不好
    → 因为信噪比太低

对架构师的实际意义：ARIMA本身在高频交易中用得不多（太慢、预测力太弱），但它的思想（平稳性、差分、自相关）是所有时间序列分析的基础。你设计的回测系统需要支持这些操作。

2.4 GARCH模型（波动率聚集）

核心现象：金融市场的波动率不是常数，而是"聚集"的。

波动率聚集现象：

  日收益率序列：
  +0.5%, -0.3%, +0.2%, -0.1%,    ← 平静期：波动小
  +3.2%, -2.8%, +4.1%, -3.5%,    ← 剧烈期：波动大
  +2.1%, -1.9%, +0.8%, -0.5%,    ← 衰减期：波动逐渐减小
  +0.3%, -0.2%, +0.1%, -0.4%     ← 恢复平静

  直觉：大波动后面跟大波动，小波动后面跟小波动
  像地震的余震：主震后会有一系列小余震

GARCH(1,1)模型：

收益率：r(t) = μ + ε(t)，其中 ε(t) = σ(t)·z(t)，z(t)~N(0,1)

波动率方程：
  σ²(t) = ω + α·ε²(t-1) + β·σ²(t-1)

  ω：基准波动率水平（长期平均）
  α：昨天的冲击对今天波动率的影响（ARCH项）
  β：昨天的波动率对今天波动率的影响（GARCH项）

  α + β < 1：波动率会回归长期均值（稳定）
  α + β 接近 1：波动率持续性很强（高波动会持续很久）

典型参数值（美股日数据）：
  ω = 0.00001
  α = 0.08   ← 昨天的冲击影响8%
  β = 0.91   ← 昨天的波动率影响91%
  α+β = 0.99  ← 接近1，说明波动率持续性很强

实际应用：

1. 动态VaR计算：
   传统VaR用固定波动率 → 低估风险
   GARCH VaR用时变波动率 → 波动大时自动放大VaR

2. 期权定价：
   BS公式假设波动率恒定 → 现实中波动率在变
   GARCH提供时变波动率 → 期权定价更准确

3. 风控系统设计：
   波动率突增 → 自动调小仓位/调宽止损
   波动率平静 → 可以适当加大仓位

---

三、配对交易（Pairs Trading）

3.1 核心思想

找两个"注定在一起"的资产：
  → 它们可能是同行业的竞争对手（可口可乐 vs 百事）
  → 它们可能是同一资产的不同形态（原油 vs 原油ETF）
  → 它们可能有经济逻辑上的联系（黄金 vs 金矿股）

当它们的价差偏离历史均值时：
  → 做空涨得多的 + 做多涨得少的
  → 等价差回归均值后平仓
  → 赚取价差回归的利润

为什么有效？ 因为两个相关资产的价差偏离通常是临时性的（噪声或短期事件），长期会被市场力量拉回来。

3.2 相关性 ≠ 协整（经典误区）

这是量化交易中最常见的误区之一。

相关性(Correlation)：
  两个序列的变化方向一致
  例：可口可乐涨1%，百事也涨1%
  → 相关系数高（比如0.85）

协整(Cointegration)：
  两个序列的线性组合是平稳的
  例：可口可乐价格 - 1.2 × 百事价格 = 在某个均值附近波动
  → 价差是平稳的，会回归均值

区别：
  两个都涨的序列可以高度相关但不协整
  例：A股票从10涨到100，B股票从10涨到200
  → 相关系数 ≈ 0.99（都在涨）
  → 但 A - 0.5B 并不平稳（价差越来越大）
  → 做配对交易会亏死

只有协整的配对才适合做配对交易！

3.3 协整检验：Engle-Granger两步法

Step 1：对两个价格序列做回归

  Price_A(t) = α + β · Price_B(t) + ε(t)

  得到残差 ε(t) = Price_A(t) - α - β · Price_B(t)

  直觉：ε(t)就是两个资产的"价差"（经过β调整后）

Step 2：对残差做ADF检验

  如果残差是平稳的 → 两个序列协整 → 可以做配对交易
  如果残差不平稳 → 不协整 → 不能做配对交易

示例（Python伪代码）：
  from statsmodels.tsa.stattools import coint

  # 直接检验两个序列是否协整
  score, p_value, _ = coint(price_A, price_B)

  if p_value < 0.05:
      print("协整！可以做配对交易")
  else:
      print("不协整，放弃")

Johansen检验：当你想同时检验多个序列（3个以上）的协整关系时使用。Engle-Granger只能检验两个序列。

3.4 交易策略

构建价差序列：
  Spread(t) = Price_A(t) - β · Price_B(t)
  其中 β 来自协整回归

标准化为Z-Score：
  Z(t) = (Spread(t) - Mean) / Std

  其中 Mean 和 Std 使用滚动窗口计算（例如60天）

交易信号：
  Z > +2.0  → 开仓：做空A，做多B（价差太大，赌它回归）
  Z < -2.0  → 开仓：做多A，做空B（价差太小，赌它回归）
  |Z| < 0.5 → 平仓：价差回归到均值附近，获利了结
  |Z| > 3.0 → 止损：模型可能失效了，赶紧跑

图示：
  Z-Score
  +3.0 |─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─   止损线
       |
  +2.0 |─────────────────────────────   开仓线(做空价差)
       |         ╱╲        ╱╲
  +0.5 |────────╱──╲──────╱──╲───────   平仓线
   0.0 |───╱──╱────╲────╱────╲──╱───   均值
  -0.5 |──╱────────╲──╱──────╲╱─────   平仓线
       | ╱           ╲╱
  -2.0 |─────────────────────────────   开仓线(做多价差)
       |
  -3.0 |─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─   止损线
       └────────────────────────────→ 时间

3.5 半衰期（Half-life）

为什么重要？ 半衰期告诉你价差回归均值需要多长时间，直接决定了策略是否可行。

OU过程（Ornstein-Uhlenbeck）：
  dS = θ·(μ - S)·dt + σ·dW

  θ = 均值回复速度
  μ = 长期均值
  σ = 波动率

半衰期 = ln(2) / θ

含义：
  半衰期 = 5天  → 价差偏离后，大约5天回归一半
  半衰期 = 30天 → 价差偏离后，大约30天回归一半
  半衰期 = 200天 → 太慢了，不实用

实际经验：
  半衰期 < 5天    → 太短，交易成本吃掉利润
  半衰期 5-30天   → 最佳区间
  半衰期 30-60天  → 可以做，但资金占用高
  半衰期 > 60天   → 不建议做，周期太长风险太大

Python估算半衰期：

import numpy as np
from statsmodels.regression.linear_model import OLS

spread = ...  # 价差序列
spread_lag = spread.shift(1)
delta_spread = spread - spread_lag

# 回归：ΔSpread = α + θ·Spread(-1)
model = OLS(delta_spread.dropna(), spread_lag.dropna()).fit()
theta = -model.params[0]  # 注意负号
half_life = np.log(2) / theta

print(f"半衰期：{half_life:.1f} 天")

3.6 配对交易的风险

真实案例： 2007年8月的"量化地震"——大量配对交易策略同时止损，导致价差进一步扩大，引发更多止损，形成负反馈循环。多家量化基金单周亏损超过20%。教训：策略拥挤本身是一个巨大的系统性风险。

---

四、因子模型

4.1 从CAPM到多因子

CAPM (1960s)：
  R = Rf + β · (Rm - Rf)

  股票收益 = 无风险利率 + β × 市场风险溢价

  只有一个因子：市场风险
  → 太简单，现实中很多异象解释不了

Fama-French三因子 (1993)：
  R = Rf + β₁·(Rm-Rf) + β₂·SMB + β₃·HML

  新增两个因子：
  SMB (Small Minus Big)：小盘股跑赢大盘股的超额收益
  HML (High Minus Low)：高B/P跑赢低B/P的超额收益

  → 能解释更多的收益差异

Fama-French五因子 (2015)：
  R = Rf + β₁·(Rm-Rf) + β₂·SMB + β₃·HML + β₄·RMW + β₅·CMA

  又新增两个：
  RMW (Robust Minus Weak)：高盈利跑赢低盈利
  CMA (Conservative Minus Aggressive)：低投资跑赢高投资

直觉理解：

因子 = 系统性的收益来源

  市场因子：你承担了市场涨跌的风险 → 获得风险补偿
  规模因子：小公司风险更高 → 历史上获得了额外回报
  价值因子：低估值公司风险更高 → 历史上获得了额外回报
  盈利因子：高盈利公司更稳定 → 获得质量溢价
  投资因子：保守投资的公司更稳健 → 获得低风险溢价

Alpha = 用因子模型解释不了的部分
     = 你的"真本事"

4.2 常用Alpha因子

4.3 因子评价指标

IC (Information Coefficient)：
  = 因子值与未来收益的相关系数
  IC = Corr(Factor, Future_Return)

  |IC| > 0.05 → 有一定预测力
  |IC| > 0.10 → 很好的因子
  |IC| > 0.15 → 非常强的因子（很罕见）

IR (Information Ratio)：
  = IC的均值 / IC的标准差
  = Mean(IC) / Std(IC)

  IR > 0.5 → 可用的因子
  IR > 1.0 → 优秀的因子

直觉：
  IC衡量"一次预测有多准"
  IR衡量"预测的稳定性"
  → 你宁愿要一个IC=0.03但IR=1.0的因子
     也不要一个IC=0.10但IR=0.3的因子
  → 因为稳定性比单次准确度更重要

4.4 因子衰减

Alpha因子的生命周期：

  发现期          繁荣期        衰减期        消亡期
  ────→───→──────→──────→───────→──────→──────→
  学术论文        基金采用       拥挤          Alpha=0
  发现异象        赚钱          竞争加剧      成为Beta
                              收益下降

例：
  动量因子：1990s发现 → 2000s大量采用 → 2010s衰减
  低波动率：2000s发现 → 2010s被ETF产品化 → 溢价缩小

教训：
  没有永恒的Alpha
  找到Alpha → 验证 → 执行 → 赚一段时间 → 然后找下一个
  这就是量化交易的本质：永远在寻找新的信号

---

五、回测科学（避坑指南）

这一节可能是整篇笔记中最重要的部分。回测做不好，前面所有的模型都是空中楼阁。

5.1 常见陷阱

陷阱1：过拟合（Overfitting）

你有100个参数的策略，在历史数据上完美拟合。
  → 样本内Sharpe = 5.0 （太好了！）
  → 样本外Sharpe = -0.5 （亏钱了！）

原因：策略不是在学规律，而是在记忆噪声。

类比：
  一个学生把所有考试题的答案都背下来了
  → 做原题得满分
  → 换一套新题就不会了
  → 这不叫"学会了"，这叫"背答案"

如何识别：
  → 参数太多相对于数据量
  → 样本内和样本外表现差距巨大
  → 策略对参数微调非常敏感（参数改1%收益变50%）

陷阱2：前视偏差（Look-ahead Bias）

你用了"未来才知道"的信息来做决策。

错误示例：
  → 用当天收盘价决定当天是否交易（你在收盘前不知道收盘价）
  → 用年报数据在发布日之前就纳入模型（年报还没公布呢）
  → 用调整后的价格回测（拆股调整是事后才做的）

更隐蔽的前视偏差：
  → 选择表现最好的参数组合 → 你怎么知道哪个最好？因为你看了未来
  → 只选择了存活的股票 → 你怎么知道哪些股票退市了？因为你看了未来

陷阱3：存活偏差（Survivorship Bias）

你的股票池只包含"现在还在"的股票。

问题：
  → 2010年你的宇宙有500只股票
  → 其中50只在2015年退市了（通常是因为业绩差/破产）
  → 你用2025年的股票列表回测2010年
  → 自动排除了那50只表现差的股票
  → 策略看起来比实际好

影响：
  美国股市：存活偏差每年大约高估1-2%的收益率
  → 你以为年化15%的策略实际上可能只有13%

陷阱4：数据窥探（Data Snooping）

你尝试了1000种策略组合，其中50种"显著"盈利。

问题：
  → 1000次尝试，5%显著性水平
  → 预期有 1000 × 5% = 50 种"看起来显著"
  → 但这50种可能全是假的！（多重检验问题）

类比：
  → 你扔100次硬币，发现第37-42次连续出正面
  → "哇，从第37次开始买入的策略太好了！"
  → 这不是策略，这是随机

对策：
  → Bonferroni校正：显著性水平 / 尝试次数
  → 但这太保守，实际中用更温和的方法

5.2 科学的回测方法

Walk-Forward Analysis（滚动窗口验证）

传统回测：
  训练集（5年）──────── → 测试集（1年）
  ↑ 用这个训练           ↑ 用这个测试

Walk-Forward：
  ┌──训练──┐┌测试┐
  │Year1-3 ││ Y4 │ → 记录Y4表现
  └────────┘└────┘
     ┌──训练──┐┌测试┐
     │Year2-4 ││ Y5 │ → 记录Y5表现
     └────────┘└────┘
        ┌──训练──┐┌测试┐
        │Year3-5 ││ Y6 │ → 记录Y6表现
        └────────┘└────┘

  最终表现 = Y4 + Y5 + Y6 的汇总
  → 每次都是用"过去"训练、"未来"测试
  → 模拟真实的策略运行方式

蒙特卡洛置换检验

目的：检验策略收益是否真的来自信号，而不是随机

方法：
  1. 打乱信号的时间顺序（保留其他不变）
  2. 用打乱后的信号重新运行策略
  3. 重复1000次
  4. 看原始策略的收益在1000个随机收益中排第几

  如果原始策略排在前5% → 策略显著
  如果原始策略排在中间 → 策略不显著（你的"信号"其实是噪声）

多资产/多时期外样本验证

空间维度：
  策略在美股有效 → 检验在欧洲/亚洲是否也有效
  如果也有效 → 更可能是真信号

时间维度：
  策略在2010-2020有效 → 检验在2000-2010是否也有效
  如果也有效 → 更可能是真信号

如果一个策略只在某个特定市场的特定时期有效
  → 大概率是过拟合

5.3 关键评价指标

Sharpe Ratio：
  SR = (Return - Rf) / Std(Return)

  SR < 0.5  → 不值得交易
  SR 0.5-1  → 一般
  SR 1-2    → 好
  SR 2-3    → 非常好
  SR > 3    → 你很可能有bug或数据问题

  注意：Sharpe Ratio的统计检验
  → SR=1.0，你需要至少4年的数据才能在5%水平上显著
  → SR=0.5，你需要至少16年的数据
  → 这就是为什么短期回测的高SR不可信

Maximum Drawdown（最大回撤）：
  从峰值到谷底的最大跌幅
  → 告诉你最坏情况下会亏多少
  → 基金投资人最关心的指标

Calmar Ratio：
  = Annual Return / Max Drawdown
  → 衡量"每承受1%的最大风险能获得多少年化收益"
  → Calmar > 1 是好策略的基本要求

换手率(Turnover)：
  → 策略每天换多少仓位
  → 高换手 = 高交易成本
  → 很多回测很好的策略一旦考虑交易成本就不赚钱了

容量(Capacity)：
  → 策略能承载多少资金
  → 很多高Sharpe的策略容量只有几百万美元
  → 资金量翻倍 → 市场冲击翻倍 → 收益大幅下降

---

六、工程落地要点

6.1 回测系统架构

两种主流架构：

  事件驱动(Event-Driven)：
  ┌─────────┐   ┌──────┐   ┌──────┐   ┌──────┐
  │数据源    │──→│策略   │──→│执行   │──→│组合   │
  │(每个tick)│   │(信号) │   │(订单) │   │(持仓) │
  └─────────┘   └──────┘   └──────┘   └──────┘
  优点：更接近实盘逻辑，容易切换到实盘
  缺点：慢（Python每个tick都要处理）

  向量化(Vectorized)：
  ┌───────────────────┐
  │   全部数据加载到矩阵  │
  │   信号 = f(价格矩阵)  │  ← NumPy/Pandas一次性计算
  │   收益 = 信号 × 收益率 │
  └───────────────────┘
  优点：快（利用NumPy向量化，比事件驱动快100倍）
  缺点：难以模拟复杂的执行逻辑（滑点、部分成交等）

实际方案：
  研究阶段 → 向量化（快速迭代）
  验证阶段 → 事件驱动（精确模拟）
  实盘阶段 → C++/Rust重写（性能）

6.2 策略研发平台设计

核心组件：

  ┌─────────────────────────────────────┐
  │           策略研发平台               │
  ├──────────┬──────────┬───────────────┤
  │ 数据管理  │ 策略框架  │ 分析工具      │
  │          │          │              │
  │ 行情存储  │ 回测引擎  │ 绩效分析      │
  │ 因子库    │ 参数优化  │ 风险归因      │
  │ 事件库    │ 信号生成  │ 可视化       │
  │ 基本面    │ 组合构建  │ 报告生成      │
  └──────────┴──────────┴───────────────┘

技术选型：
  数据存储：时序数据库(InfluxDB/QuestDB) + 列存(Parquet)
  计算框架：Python(研究) + C++/Rust(实盘)
  因子计算：NumPy/Pandas + 增量计算引擎
  可视化：Plotly/Dash

6.3 从研究到实盘

研究环境                    实盘环境
──────────                 ──────────
Python                     C++/Rust/Java
分钟级延迟可接受              微秒级延迟
历史数据                    实时数据流
完美执行假设                 真实滑点/部分成交
无风控约束                   严格风控
单机运行                    分布式/高可用

最大的坑：研究和实盘的差距
  → 研究中假设的"完美执行"在实盘中不存在
  → 策略在研究中年化20%，实盘可能只有8%
  → 差距来自：交易成本、滑点、延迟、部分成交

---

七、常见误区

误区1："历史回测好 = 未来一定赚"

过拟合是最大的敌人。一个在历史数据上Sharpe=3.0的策略，很可能只是对历史噪声的完美记忆。越是复杂的策略、越多的参数、越高的历史表现，越需要警惕。

经验法则：如果你的策略在回测中表现"好得难以置信"，那它很可能确实不可信。

误区2："Sharpe 3.0的策略太好了"

在你相信一个SR=3.0的策略之前，先检查：

• 数据期间够长吗？（至少3-5年）
• 交易成本算了吗？（包括滑点和冲击）
• 有前视偏差吗？（你是不是偷看了未来？）
• 试了多少个策略？（有没有数据窥探？）
• 策略容量多大？（能放多少钱？）

大多数宣称SR>2的公开策略，在上述调整后会降到1以下。

误区3："机器学习一定比传统方法好"

金融时间序列有一个根本问题：信噪比极低。

图像识别：信噪比高
  → 猫就是猫，特征明显
  → 深度学习效果远超传统方法

金融预测：信噪比极低
  → 收益率中99%是噪声，1%是信号
  → 复杂模型更容易过拟合噪声
  → 简单的线性模型可能比神经网络更好

正确姿势：
  → 先用简单模型建立基线
  → ML用于特征工程（构造因子）而非直接预测
  → 严格的外样本验证
  → 控制模型复杂度

---

八、DeFi中的统计套利

8.1 跨DEX套利

传统配对交易 → DeFi版本

同一个Token在不同DEX价格不同：
  Uniswap V3：ETH = $3000.50
  SushiSwap：  ETH = $3001.20

  → 在Uniswap买，在Sushi卖，赚$0.70（减去Gas费）
  → 这更接近无风险套利而非统计套利

更像统计套利的DeFi策略：
  → 两个相关Token的价差交易（如stETH vs ETH）
  → 跨链同一Token的价差
  → LP位置的动态调整

8.2 DeFi的特殊挑战

传统市场的优势          DeFi不具备的
──────────────        ──────────────
亚毫秒执行              12秒区块时间
订单可以取消             链上交易不可逆
私密交易                 所有交易公开（被MEV前跑）
稳定的费率               Gas费波动剧烈

---

九、延伸阅读

必读书籍

• 《Advances in Financial Machine Learning》 — Marcos Lopez de Prado

  • 量化策略的"现代圣经"
  • 重点章节：回测过拟合、特征重要性、元标签
  • 适合有编程基础的读者

• 《Algorithmic Trading》 — Ernest Chan

  • 实战导向，代码丰富（Python/MATLAB）
  • 配对交易、均值回复、动量策略

• 《Quantitative Trading》 — Ernest Chan

  • 入门级，适合非量化背景的读者
  • 从开户到策略上线的完整流程

经典论文

• Fama & French (1993) — "Common Risk Factors in the Returns on Stocks and Bonds"

  • 三因子模型的原始论文

• Engle & Granger (1987) — "Co-Integration and Error Correction"

  • 协整检验方法，诺贝尔奖论文

• Lopez de Prado (2018) — "The 10 Reasons Most Machine Learning Funds Fail"

  • 机器学习在金融中失败的原因

在线资源

• QuantConnect / Zipline — 开源回测框架
• Quantopian Lecture Series — YouTube免费课程
• AQR Research Papers — 因子投资的前沿研究

---

十、本章小结

对架构师的核心启示：

1. 回测系统需要支持事件驱动和向量化两种模式
2. 因子库是量化平台的核心资产，要设计好因子的计算、存储、版本管理
3. 研究到实盘的鸿沟是最大的工程挑战——需要严格的一致性保证
4. 策略评估不能只看收益，要看统计显著性——这决定了评估模块的设计
5. DeFi的统计套利面临独特的约束（区块时间、MEV、Gas费），需要专门的架构适配