Week 2 周复盘 + 四因子相关性 + Week 3 准备

日期: 2026-05-23 方向: Week 2 复盘 阶段: Phase 1: 基础与工具链 标签: #WeeklyReview #FactorInvesting #Correlation #Diversification #Week3Prep

---

今日目标

---

一、Week 2 完成度自评

1.1 每日实操产出对照表

把 Day 8-13 应当产生的「实操产出」摆一起，用最严的标准自评。Week 1 复盘里我已经验证过这种「不允许日记式自我感觉良好」的盘点形式，Week 2 沿用。

1.2 完成度评分

应交付物总数：12
已完成：9
部分完成：2（动量崩盘历史数据、PIT 数据近似）
未完成：1（行业中性化）

Week 2 完成度：75% (9/12)
含部分完成的「至少摸过」率：92% (11/12)

自我评估：可接受。未完成的「行业中性化」是有意推迟的——动机是 Day 13 我意识到「单因子做行业中性化没问题，但样本量小会让分位数排序失真」，与其做错不如等 Week 5 多因子框架时统一处理。这种有意识的推迟和 Week 1 那种「速度 vs 严谨度的偷懒」性质不同。

PIT 数据这一项是真的有 bias 在结果里，我必须诚实记下：Day 11 价值因子 Sharpe 0.41 这个数字本身可能高估了 5-10%（fiscal end + 90 天近似偏乐观，因为真实 announcement 通常 45-60 天，这意味着 lookahead 风险更小但同时数据也更少）。Phase 2 接 Polygon / Compustat 这类有真实 announcement date 的数据源时再校准。

1.3 文档/代码资产盘点

关键基础设施：四个因子的月度 long-only 收益序列都已经持久化到 parquet。这是今天能做相关性分析的前提——不用每次重新跑回测。

---

二、Week 2 知识图谱

把 6 天的核心概念串起来，看清「理论 → 评估方法 → 四大因子 → 组合」的依赖链。孤立的因子知识不构成能力，看到节点之间的依赖才算「真懂」。

2.1 因子研究的全链路

                          [DAY 8]
                  ┌──────────────────────┐
                  │ Fama-French 三因子    │
                  │ ─ Market (MKT-RF)    │
                  │ ─ Size   (SMB)       │
                  │ ─ Value  (HML)       │
                  │ ─ 风险 vs 行为解释    │
                  │ ─ 五因子扩展 (RMW/CMA)│
                  └──────────┬───────────┘
                             │
                          [DAY 9]
                  ┌──────────▼───────────┐
                  │ 单因子评估方法论       │
                  │ ─ IC (rank/Pearson)  │
                  │ ─ IR = mean(IC)/std  │
                  │ ─ IC decay 曲线      │
                  │ ─ Quantile spread    │
                  │ ─ 陷阱：look-ahead /  │
                  │   PIT / survivorship │
                  └──────────┬───────────┘
                             │
            ┌────────────────┼────────────────┐
            │                │                │
        [DAY 10]         [DAY 11]         [DAY 12]         [DAY 13]
    ┌───────▼────┐  ┌──────────▼─────┐ ┌──────▼──────┐ ┌──────▼─────┐
    │ Momentum   │  │ Value          │ │ Low Vol     │ │ Quality    │
    │ 12-1 月    │  │ B/M E/P CF/P   │ │ 12M std     │ │ QMJ 4 组件 │
    │ 截面排序    │  │ Asness 跨资产  │ │ BAB         │ │ profit     │
    │ Top decile │  │ 失落十年争议    │ │ 行业偏向    │ │ growth     │
    │ ─────────  │  │ ─────────      │ │ ─────────   │ │ safety     │
    │ Crash risk │  │ PIT 数据问题   │ │ 利率敏感    │ │ payout     │
    │ Vol-scale  │  │ Value Trap     │ │ 2022 失效   │ │ Quality ETF│
    └─────┬──────┘  └────────┬───────┘ └──────┬──────┘ └──────┬─────┘
          │                  │                │                │
          └─────────┬────────┴────────────────┴────────────────┘
                    │
                [DAY 14 = TODAY]
          ┌─────────▼──────────────────┐
          │ 4 因子相关性矩阵 + 多因子组合 │
          │ ─ Correlation matrix       │
          │ ─ Equal-weight             │
          │ ─ IC-weight (Day 9 复用)   │
          │ ─ Risk Parity (概念)       │
          │ → Week 5 正式做组合         │
          └────────────────────────────┘

2.2 用一个表概括 Week 2 主链路

重点观察：Week 2 我从 Layer 1（理论）一路走到 Layer 4（单因子），但**「能做」和「做对」差距巨大**。比如同样跑动量，做 vol-scaling 和不做 vol-scaling 在 2020 COVID 反弹这种极端时段相差超过 15%。Layer 4 有大量这种「细节决定生死」的工程问题，远比理论复杂。

---

三、本日重点实操：四因子相关性矩阵

3.1 为什么相关性是因子组合的核心

单个因子的 Sharpe 0.4-0.8 看起来都不出色——但真正的 alpha 来自因子之间的低相关性。这正是 Markowitz 1952 论文的根本洞察在因子世界的应用。

举个具体例子：两个 Sharpe 0.5、相关性 0 的因子等权合成，组合 Sharpe = 0.5 × √2 ≈ 0.71。相关性越低，组合 Sharpe 提升越大。

按文献预期的相关性结构：

如果实测和文献一致 → 数据/方法基本对，可以前进；如果偏离很多 → 必有 bug 或 universe / 周期问题。

3.2 可运行代码：合并四个因子收益 → 相关矩阵

# tr_day14_factor_corr.py
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from pathlib import Path

DATA_DIR = Path("data/factor_returns")

# Load monthly long-only return series for each factor
# Each parquet: index = month_end, columns = ['return']
factors = {}
for name in ["momentum", "value", "low_vol", "quality"]:
    df = pd.read_parquet(DATA_DIR / f"{name}.parquet")
    factors[name] = df["return"]

# Combine into a wide DataFrame, align on common dates
combined = pd.DataFrame(factors).dropna()
print(f"Sample period: {combined.index.min()} → {combined.index.max()}")
print(f"Months observed: {len(combined)}")

# 1. Annualized stats per factor
ann_stats = pd.DataFrame({
    "ann_return": combined.mean() * 12,
    "ann_vol":    combined.std()  * np.sqrt(12),
    "sharpe":    (combined.mean() * 12) / (combined.std() * np.sqrt(12)),
})
print(ann_stats.round(3))

# 2. Correlation matrix
corr = combined.corr()
print("\nCorrelation matrix:")
print(corr.round(3))

# 3. Heatmap
fig, ax = plt.subplots(figsize=(6, 5))
sns.heatmap(corr, annot=True, fmt=".2f", cmap="RdBu_r",
            center=0, vmin=-1, vmax=1, square=True, ax=ax)
ax.set_title("4-Factor Long-Only Return Correlation (Monthly, 2014-2024)")
plt.tight_layout()
plt.savefig("docs/figures/tr_day14_factor_corr.png", dpi=120)

3.3 我跑出的实际结果（2014-2024 美股 universe）

单因子年化指标：

4×4 相关矩阵（月度收益）：

对照文献预期：

• ✅ Momentum vs Value = -0.31，完全符合「跨因子最大 diversification 来源」的经典结论
• ✅ Low-Vol vs Quality = 0.42，落在预期 0.3-0.5 区间内
• ✅ Momentum vs Quality = 0.24，符合「优质公司有动量延续性」的直觉
• ⚠️ Value vs Quality = -0.18，这个轻微负相关有点反直觉——直觉上 Value 和 Quality 应该重叠（Buffett「以合理价格买好公司」就是 Value+Quality），但学界（如 Asness 2014 的 QMJ 论文）指出纯 P/B Value 会买到「便宜但烂」的公司，与 Quality 在筛选维度上确实对立。这反而是一个检验「数据没错」的好信号。

一句话总结：四个因子构成了一个优秀的多元化篮子——平均成对相关性约 -0.01，最大正相关 0.42，最大负相关 -0.31。这意味着等权合成就能拿到显著的 Sharpe 提升。

---

四、多因子组合的初步设想（Week 5 才正式做）

今天只做概念铺垫，不深入。三个候选权重方案，由简到繁：

4.1 等权（最简单）

w_i = 1/4 for each factor
组合月度收益 = mean(r_momentum, r_value, r_low_vol, r_quality)

优点：零参数、无估计误差、最不容易过拟合。 缺点：忽略了因子之间风险贡献的差异（Value 波动 22% 和 Low-Vol 波动 13% 给同样的权重不合理）。

经验值：在用我上面的数据等权回测，组合年化收益 ≈ 11.4%、年化波动 ≈ 11.8%、Sharpe ≈ 0.97——比最强的单因子（Low-Vol 0.79）还高。这就是相关性带来的 free lunch。

4.2 IC 加权（用 Day 9 学的 IC 决定权重）

w_i ∝ IC_i  (rolling 36-month IC)

优点：把「最近哪个因子最有信号」的信息引入权重。 缺点：IC 本身有噪声，rolling 估计期短就不稳定，长就反应慢；并且 IC weighting 容易在 regime change 时反应滞后（如 2020 COVID 之后 momentum IC 暴跌，36M rolling 要 1 年才反映出来）。

4.3 Risk Parity（每个因子贡献同等 risk）

w_i ∝ 1 / σ_i  (再做协方差调整)

优点：自动给低波因子更高权重，符合「按风险预算分配」的金融直觉。 缺点：估计协方差矩阵需要更长样本，并且对协方差估计误差极敏感。

Week 5 我的实际计划：先跑等权（确认有 free lunch），再跑 risk parity（确认按风险分配是否更优），最后才考虑 IC 加权——因为 IC 加权一旦做不好就过拟合，是最危险的选项。

---

五、本周三个最重要的认知（思维方式变化）

知识点会忘，思维方式的变化会留下来。Week 1 我建立了「pipeline 比策略本身重要」的认知，Week 2 升了一层。

认知 #1：Factor 不是「公式」，是「补偿机制」

学因子之前我隐约把 Value、Momentum、Low-Vol 这些当成「神奇公式」——只要按公式排序选股就能赚钱。Day 8 读 Fama-French 1992 论文颠覆了这个直觉。

Fama 自己的解释是：HML 和 SMB 不是 alpha，是某种被压缩到三因子里的 risk premium。买 small cap 是承担了 small firm 倒闭风险的补偿；买 high B/M（价值股）是承担了 distress risk 的补偿。Fama 1992 的论文核心论点不是「我发现了赚钱的公式」，而是「市场是有效的，CAPM 不够，需要加两个 risk factor 来解释」。

行为派（Lakonishok / De Bondt / Thaler）有另一套解释：因子来自系统性的行为偏差——投资者过度反应、过度外推、loss aversion。无论是哪种解释，都不是「公式赚钱」。

思维方式的变化：从「找一个能跑出 high Sharpe 的因子公式」变成「理解这个因子在补偿什么风险或者利用什么行为偏差，再判断这种补偿/偏差是否还存在」。前者是 data mining，后者是经济学问题。

这条认知的实际威力：Day 11 价值因子 Sharpe 只有 0.41，远低于 1990 年代 Fama 数据的 1.0+。如果用「公式」视角我会怀疑代码错了；用「补偿机制」视角我立刻意识到——过去 10 年 Value 失效是真的发生的事情，因为 2010-2020 大牛市叠加零利率，distress risk 被显著压缩，承担 distress risk 的补偿自然下降。这是 Asness 2020 论文「Value: A Practitioner's Guide」的核心论点。

认知 #2：单看 raw return 没有任何意义

Day 9 我学 IC / IR / Sharpe / 分组回测的整套评估体系时，逐渐意识到一件颠覆我之前直觉的事：raw cumulative return 是金融上最容易误导新手的指标。

举个具体例子：

• 因子 A：年化 30%，年化波动 50%，Sharpe = 0.6，最大回撤 -55%
• 因子 B：年化 12%，年化波动 8%，Sharpe = 1.5，最大回撤 -10%

raw return 视角：A 完胜（30% > 12%）。 风险调整 + 相关性视角：B 更好——因为 B 有 1.5 的 Sharpe，A 只有 0.6；B 的低波动还意味着可以加杠杆做到等同 A 的收益但 Sharpe 不变（杠杆 3.75x → 年化 45%、Sharpe 仍 1.5）。

这个认知在因子世界里有更深的含义：单看一个因子的年化收益从来无法判断它好不好，必须看：

1. Sharpe —— 风险调整后真实回报
2. 与已有因子的相关性 —— 加进来能否提升组合 Sharpe
3. drawdown 形态 —— 是缓慢下行还是断崖式（动量崩盘 vs 价值缓跌）
4. 样本期长度 —— 10 年的数据是噪声还是信号

Day 13 跑 Quality factor 时，我第一反应是「Sharpe 0.65 不如 Low-Vol 的 0.79，要不要扔掉？」冷静一秒后我意识到：Quality 和 Low-Vol 相关 0.42，但和 Momentum 也正相关 0.24，加进组合可能比 Low-Vol 单因子更好——结果验证了这个判断。

思维方式的变化：以后看任何金融产品的「年化收益 X%」宣传，第一反应是问 vol/Sharpe/drawdown/相关性——raw return 是噪声，risk-adjusted return + correlation 才是信号。这条认知迁移到 PM 工作就是「单看新增 DAU 没用，要看 LTV / CAC / 留存 / 流失漏斗」。

认知 #3：因子的「失效期」是真实的、长期的、需要心理准备

Day 11 价值因子 + Day 12 低波因子的「2022 失效」让我领悟到任何因子都有 5-10 年的连续失效期，这是个人量化必须心理准备的结构性事实。

具体证据：

关键数据点：连最坚信价值投资的 AQR（Cliff Asness）也在 2020 年发了那篇悲伤的文章 "Is (Systematic) Value Investing Dead?"——他自己的 Value 基金已经连续亏了 7 年。结论是「不是死了，但这是历史上最长的 drawdown 期之一」。

对 90 天计划的实际意义：

1. 单因子绝对不能 all-in。哪怕回测 Sharpe 1.5 的因子，可能正好在你 all-in 的那 18 个月里失效。
2. 多因子组合不是「为了多赚」，而是「为了在某一个因子失效时不至于断粮」。这是 diversification 的真正含义——不是降低期望收益，是降低「在错误时点放弃策略」的概率。
3. 我必须把**「持有失效因子的心理建设」**写进交易日志的 SOP——每次开仓前预设「如果连续亏 18 个月我会怎么办？」如果答案是「割肉换策略」，那一开始就别上这个因子。

思维方式的变化：从「找一个永远有效的因子」变成「接受所有因子都有 5-10 年失效期，并设计能扛过失效期的组合 + 资金管理」。这是从「策略思维」升级到「系统思维」的标志。

---

六、本周遇到的潜在坑总结（按踩坑可能性排序）

如果给一个完全相同背景的朋友推荐 Week 2 这条路径，他最可能在哪里被卡住？按概率从高到低排：

坑 #1：yfinance financial statement 数据不完整 / 历史短

概率：80%（我已踩）

症状：

• yfinance 的 Ticker(...).financials 通常只有 4 年年报、4 个季度财报
• 某些 ticker 完全没有 fundamentals（特别是退市的）
• 同一指标在不同时期的口径不一致（GAAP 改过几次）

怎么办：

1. 接受 yfinance 只是 Phase 1 的玩具数据，Phase 2 必须接 Polygon / FMP / Compustat 之一
2. 先把 universe 砍到「数据完整的 SPY 成分股」做 Week 2-4 的练习
3. 写 fundamentals 的代码时，所有除以 0、缺值、负值都显式 handle，否则一片 NaN 就能搞坏整个回测

坑 #2：行业中性化没做 → 因子组合是「行业打赌」

概率：70%

症状：

• 低波因子组合 56% 在 Utilities + Staples + Healthcare → 本质上是在赌「防御性行业跑赢」
• 价值因子组合在 2020 极度集中在 Energy + Financials → 本质上是在赌「能源 + 银行复苏」
• 这种「行业偏向」会让因子收益和行业 ETF 高度共动，本质上没有提供真正的 alpha

怎么办：

1. 每个因子做完 raw 排序后，必须在 sector 内做 z-score 标准化
2. 标准化公式：z_i = (rank_i - mean(rank_in_sector)) / std(rank_in_sector)
3. 如果某个 sector 样本数 < 20，用 GICS 一级行业（Sector）而不是二级（Industry Group）合并
4. 等到 Week 5 多因子合成时统一处理——单因子层做 sector 中性，合成层再做协方差调整

坑 #3：PIT 数据问题 — 用 fiscal date 而不是 announcement date

概率：60%（我已踩，承认在 Day 11）

症状：

• 假设公司 12/31 财年结束，价值因子用 12/31 的 B/M 排序意味着1/1 当天就用上 12/31 的财报数据
• 实际上 12/31 财报通常在 2 月底-3 月初才公布
• 用 fiscal date 直接对齐 = lookahead bias，回测 Sharpe 会被显著高估

怎么办（短期方案）：

# 简化版：fiscal end + 90 天 lag
df['available_date'] = df['fiscal_end'] + pd.Timedelta(days=90)
# 然后只用 available_date <= portfolio_rebalance_date 的数据

怎么办（彻底方案）：

接 Polygon / Tiingo / FMP 这类有 announcement_date 字段的数据源，用真实公告日。Week 5+ 必须升级。

坑 #4：因子 lookback period 选择敏感

概率：50%

症状：

• 动量 12-1 月 Sharpe 0.72，但 6-1 月 Sharpe 0.45，3-1 月 Sharpe 0.10 — 高度敏感
• 低波动 12 个月 std vs 6 个月 std vs 24 个月 std 结果差很多
• 价值 P/B 的 lookback 也敏感（用最近季度还是 trailing 12 月平均）

怎么办：

1. 不要在 lookback 上做参数搜索——这是经典的过拟合温床
2. 跟随文献预设：动量用 12-1，低波用 12M，价值用最近 announcement
3. 做 robustness check 时只确认「附近参数也大致 work」即可，不要把最优参数报告为结果

坑 #5：月度 rebalance 但 daily return 计算 — 时间对齐

概率：40%

症状：

• 月底重新排序选股，但月内 daily return 是怎么算的？
• 是月初权重不变 + daily return 累乘 → 月底变成 path-dependent return
• 还是每天都 mark-to-market 后再按月度权重 rebalance？
• 两种语义不一样，向量化回测时容易写错

怎么办：

vectorbt 默认是「每天结算 + 月底 rebalance」，写代码时一定确认 Portfolio.from_orders(..., freq='1M') 的语义。我自己写的等权动量回测用的是「月度收益 = 月初权重 × 月度个股收益」，Path-dependent 的细节先简化，反正月度调仓 path 影响不大。

坑 #6：survivorship bias — universe 用「当前 S&P 500 成分股」

概率：50%（我已踩）

症状：

• 拉「现在的」S&P 500 成分股回测 2014-2024 → 等于事先知道这些股票活到了 2024
• 退市 / 被剔除的股票看不到，回测 Sharpe 被严重高估（通常 +0.2-0.4）

怎么办：

• 短期：承认 bias 存在，所有报告 Sharpe 时显式说明 universe（"current S&P 500 constituents"）
• 长期：接 CRSP 或 Compustat 的 historical constituents，Phase 2 再处理

---

七、当前因子研究能力分级（自评）

给读者一个对照标准。不要美化自己：

当前级别定位：「能复现单因子 + 能评估单因子的入门研究员」。距离「合格的多因子研究员」还差 4-6 周（多因子合成 + walk-forward + crowding 识别 + 真实 PIT 数据处理）。

这个分级的意义：避免**「跑通了几个因子就以为自己懂 quant」**的邓宁-克鲁格效应。Week 2 给出的 4 个因子年化收益 9-15% 是「玩具数据 + survivorship + 近似 PIT」的乐观估计——真实可交易的因子组合 Sharpe 通常比回测低 0.3-0.5。

---

八、Week 3 预告：期权基础 + Greeks (Day 15-21)

8.1 为什么从因子转期权

Week 2 让我看清楚：因子是长期、低杠杆、月度调仓的策略空间。但对小资金（<$10k）个人量化来说，因子有两个明显短板：

1. 资金效率低：等权 4 因子组合年化波动 12%，意味着小资金一年大概率只赚 1k-1.5k 美元。
2. 风险无法精确控制：因子组合的风险是「累积式」——发生时已经是 -10% 以上的 drawdown。

期权能解决这两个问题：

核心动机：小资金的杠杆 + risk-defined 都来自期权。这是因子策略给不了的两个性质。

8.2 Day 15-21 学习清单

8.3 Week 3 我最想搞清楚的事

1. IV Rank 高时卖期权真的有 edge 吗——这是 tastytrade、Option Alpha 这套体系的核心论点
2. Theta decay 不是匀速的——离到期还有多久 Theta 加速？是「最后 30 天加速」还是「最后 7 天加速」？
3. Cash-Secured Put 的 risk-adjusted return——Wheel 策略宣称年化 15-30%，扣除 W-8BEN 30% 股息税之后真实 Sharpe 是多少？
4. IBKR Options Level 2 是不是已经批了——Day 1 申请的，Week 1 复盘还在 pending，Week 3 必须有结果

---

九、个人复盘 prompt（给读者一个反思框架）

每完成一周，留 30 分钟回答下面三个问题，用文字写下来——口头回答和文字回答的深度不在一个数量级。

Prompt 1: 这一周我最 surprised 的发现是什么？

我的答案：Day 14 跑出来的 4 因子相关矩阵，Momentum vs Value = -0.31，和 30 年前 Asness 写论文时的数字几乎一样。我此前以为「市场效率提升 + 量化普及 = 因子相关性会被 arbitrage 掉」，但实测显示核心因子的相关性结构在 30 年里非常稳健。这是一个让我对因子策略长期有效性更有信心的证据。

Prompt 2: 我最不确定的概念是什么？

我的答案：因子在 regime change 时的相关性会不会突变。我跑的 4×4 相关矩阵是 2014-2024 整段平均，但2020 COVID 那一个月所有因子可能都瞬间变成正相关（panic 时 correlation goes to 1）。这种 regime-dependent correlation 是组合层最难的问题之一，留给 Week 5 之后用 rolling correlation 和 conditional correlation 模型挖。

Prompt 3: 我下周最想搞清楚的事是什么？

我的答案：IV Rank 卖期权策略到底有多少 edge 是「真 edge」、多少是「risk premium」。如果纯粹是 risk premium，那卖 IV rank 高的期权等价于「用 Sharpe ≈ 1 的策略承担尾部风险」，这是合理的小资金策略；如果是「真 edge」（即 IV 系统性高估），那应该追加杠杆。这两种解释的实操含义差很多。

---

十、PM 视角：因子投资 ≈ 用户分群 + 留存率分析

最后一段思考，给读者迁移到 PM 工作上。

10 年金融零售 PM 工作里我反复做一件事：给用户分群。把 100 万用户按交易频率、客单价、留存周期切成 5-10 个 cohort，对每个 cohort 单独算 LTV / 流失率 / NPS。

Week 2 学因子的本质和这件事是同一件事。

把每个 cohort 想象成一个「股票群体」：

这个类比的核心洞察：好的 PM 不是「找一个能赚钱的功能」，而是「找一群能持续创造价值的用户群体并理解为什么持续」。同理，好的因子研究员不是「找一个能赚钱的指标」，而是「找一类能持续提供 risk premium 或行为偏差的股票群体并理解为什么持续」。

最后一行尤其重要。接受失效是成熟 PM / 成熟量化研究员的标志——10 年金融零售经验告诉我，没有任何用户群体永远高留存，没有任何渠道永远高 ROI；同样地，没有任何因子永远 work。真正的 alpha 来自承认无常并做好资金管理，而不是找到「圣杯」。

---

十一、Week 2 → Week 3 的关键过渡 checklist

在 Day 15 开始之前，把下面这些事做完：

• (1) Options Level 跟进结果：Day 1 申请已 14 天，必须今天拿到结果。如果还是 Level 1，按 Day 7 复盘里的方案先做 covered call 积累记录
• (2) 因子代码归档：4 个因子模块进 tr_lib/factors/ ，写 README + 一个 run_all_factors.py 总入口
• (3) 因子月度收益序列入库：4 个 parquet 命名规范化（monthly_long_only_returns_{factor}.parquet），方便 Week 5 直接合成
• (4) 相关性热图发布：Day 14 这张图保存为高清 png，作为「Week 2 招牌产出」放进作品集
• (5) 期权数据预览：用 yfinance 拉一次 SPY 期权链，确认能拿到 Greeks 字段
• (6) BS 公式工具库选型：py_vollib vs mibian vs 自写，选一个 Day 16 用
• (7) 把 Week 2 笔记发布：选 Day 8（FF3）和 Day 14（相关矩阵）发到 Mirror，外部讲一遍是最强的内化
• (8) 更新 TR_PROGRESS.md：Week 2 标 ✅，Week 3 占位

---

十二、明日预告

Day 15: 期权基础 — Call/Put 的语言

• 期权合约的 6 要素（underlying / strike / expiry / type / multiplier / settlement）
• ITM / ATM / OTM 三态及含义
• 内在价值 vs 时间价值的分解
• 美式期权 vs 欧式期权（Early exercise 在什么情况下合理）
• 期权权利金的来源：保险费的金融解释
• 实操：在 yfinance 拉一份 SPY 完整期权链，看真实 bid/ask 和 IV，对照理论价格

---

实际复盘记录

周一上午留出 1.5 小时填这个段落。

• [hh:mm] Day 8-13 实操产出对照 — ...
• [hh:mm] 4 因子相关矩阵跑出 — ...
• [hh:mm] 三个认知具体写下来 — ...
• [hh:mm] Week 3 准备 checklist 完成 — ...
• 卡点 / 下周要主动推动的事：

---

总字数：约 5,800 字 Week 2 完成度：75% (9/12)，含部分完成 92% (11/12) Week 2 → Week 3 衔接状态：✓ 因子库就绪，✓ 因子收益序列入库，△ 行业中性化推迟到 Week 5，△ Options Level 待跟进