TR Day 29

Phase 1 总结文档 — 30 天全景回顾

2026-06-07

Phase 1: 基础与工具链（收官）

Phase1SummaryRetrospectiveFactorInvestingOptionsRiskControlLearningJourney

日期: 2026-06-07 方向: Phase 1 综合总结阶段: Phase 1: 基础与工具链（收官）标签: #Phase1Summary #Retrospective #FactorInvesting #Options #RiskControl #LearningJourney

今日目标

类型	内容
复盘	Phase 1 (Day 1-28) 四周内容全景回顾、完成度自评、知识图谱重建
反思	五个最重要的认知变化、最大坑总结、能力矩阵自评、ROI 反思
产出	TR-DAY29 笔记（Phase 1 总结） + Phase 2 启动准备 + 作品集 inventory

引子：为什么写这一篇

90 天计划走到 Day 29 不是终点，而是第一次回头看自己来时路的位置。

按照敏捷里 sprint review 的思路：

Daily 笔记：是 standup（今天做了什么）
Week 复盘：是 sprint retrospective（这周流程上哪里要改）
Phase 总结：是 release retrospective（整个发布周期，方法论上要不要重构）

30 天的密度（每天 2h 学 + 实操 + 写）累计是 ≈60 小时 focused learning，相当于一个全日制集训月。如果不停下来做一次 high-level 抽象，所有零散知识就会在 Phase 2 的复杂度上崩塌——因为 Phase 2 起始就要并行跑三个 paper 策略，再不把基础打实就是在沙地上盖楼。

这一篇的目标不是"列清单"，而是回答四个问题：

学到了什么？（不是覆盖了什么，是 internalize 了什么）
哪里没学到位？（识别 Phase 2 之前必须补的债）
认知发生了什么变化？（mindset shift，比知识更宝贵）
Phase 2 怎么开始？（不是 day-by-day plan，是 strategic shift）

一、Phase 1 完成度自评（按周拆解）

四周分别覆盖了工具链 → 因子 → 期权 → 风控+实战四大主题。下面按周列出 7 项交付物对照表。

1.1 Week 1（Day 1-7）：基础与工具链

维度	计划交付	实际状态	评分
实操	IBKR Paper Trading 启用 + Options Level 申请 + W-8BEN 表	✅ Paper + L2 通过，L3 还在审	9/10
笔记	TR-DAY1 ~ DAY7 七篇	✅ 全部完成（每篇 7-8k 字）	10/10
代码	ib_insync 连接脚本 + Contract / Order / 数据拉取脚本	✅ 都能跑，但还没封装成 lib	8/10
概念掌握	TWS API 模型 / Contract 限定 / Order 类型 / 时序处理	✅ 能讲清楚	9/10
数据栈	pandas / numpy / yfinance / IBKR historical bar 拉取	✅ 熟练	9/10
回测框架选型	backtrader / vectorbt / zipline / bt 对比	✅ 选定 vectorbt 为主	10/10
周复盘 (DAY7)	周交付物 inventory + Week 2 预热	✅ 完成	10/10

Week 1 综合完成度：9.3/10

亮点：选 IBKR + 选 vectorbt + 写 W-8BEN 这几个早期决策非常 path-dependent，做对了。遗憾：ib_insync 的 event handler / async 部分没深挖，Phase 2 paper trade 部署时可能补课。

1.2 Week 2（Day 8-14）：因子投资基础

维度	计划交付	实际状态	评分
实操	跑 FF3 / 跑 IC-IR / 跑动量回测 / 跑价值回测	✅ 四个独立 notebook	9/10
笔记	DAY8 ~ DAY14 七篇	✅ 全部完成	10/10
代码	因子构造库 (factor_builder.py) + IC 计算器	✅ 雏形，未模块化	7/10
概念掌握	FF3 / Carhart / 因子相关性 / 因子衰减	✅ 能讲，能算	9/10
数据栈	Ken French 数据 + CRSP-like 数据替代	△ 用了 yfinance 替代 CRSP（精度有限）	6/10
单因子回测	动量 / 价值 / 低波动 / 质量四个独立回测	✅ 完成	9/10
周复盘 (DAY14)	四因子相关性矩阵 + Week 3 预热	✅ 完成	10/10

Week 2 综合完成度：8.6/10

亮点：第一次自己算 IC，亲手看见动量因子 IC 在 2018+ 后衰减，"读论文"变成"信论文"。遗憾：数据精度不够（yfinance 没有股利复权 / 没有摘牌股），所有因子回测都隐含 survivorship bias。

1.3 Week 3（Day 15-21）：期权基础

维度	计划交付	实际状态	评分
实操	第一笔 CSP（cash-secured put）on SPY/AAPL	✅ Paper 卖出 1 张 AAPL CSP	10/10
笔记	DAY15 ~ DAY21 七篇	✅ 全部完成	10/10
代码	BS 定价器 + Greeks 计算器 + IV solver	✅ 都能跑，Greeks 与 IBKR 对齐	9/10
概念掌握	Call/Put 损益 / Greeks 物理含义 / IV vs HV	✅ 能给别人讲清楚	9/10
IV 实战	IV Rank / IV Percentile 计算 + 跨标的扫描	✅ 写了 IV scanner	8/10
波动率结构	Term structure / Skew / Smile 三个维度	△ 概念清楚，没自己画过 surface	6/10
周复盘 (DAY21)	CSP 决策框架 + Week 4 预热	✅ 完成	10/10

Week 3 综合完成度：8.9/10

亮点：从"期权 = 赌博"到"期权 = 定义风险的工具"，认知大跨越。第一笔 CSP 让"卖期权赚 Theta"从纸面变成肌肉记忆。遗憾：vol surface 没自己实操画过；Greeks 的二阶量（Vanna / Charm）只是听过。

1.4 Week 4（Day 22-28）：回测严谨性 + 风控 + 综合实战

维度	计划交付	实际状态	评分
实操	加成本回测 + WFA + 双因子组合	✅ 都做了	9/10
笔记	DAY22 ~ DAY28 七篇	✅ 全部完成	10/10
代码	成本模型 / WFA 框架 / Kelly 仓位计算器 / 交易日志模板	✅ 雏形	8/10
概念掌握	Survivorship/Look-ahead/Selection bias / DSR / WFA	✅ 能讲，能识别	9/10
风控	Half-Kelly + Vol Target + Drawdown 控制	✅ 集成进双因子组合	9/10
综合实战 (DAY28)	双因子组合 v1（动量 + 低波动）含 WFA	✅ 完成	9/10
周复盘	（本篇 DAY29 即是阶段复盘）	✅ 进行中	-

Week 4 综合完成度：9.0/10

亮点：Day 28 的双因子组合实战是 Phase 1 的"集大成"作品——把工具链 + 因子 + 风控全部拉通跑了一遍，发现了 4-5 个之前没意识到的工程坑。遗憾：DSR (Deflated Sharpe Ratio) 概念懂了，但没在 Day 28 双因子组合上实算。

1.5 Phase 1 综合完成度

Week 1 (工具链)         ████████████████████░  93%
Week 2 (因子)           █████████████████░░░  86%
Week 3 (期权)           ██████████████████░░  89%
Week 4 (风控+综合)      █████████████████░░░  90%
————————————————————————————————————
Phase 1 综合            ██████████████████░░  89.5%

结论：完成度接近 90%，但剩下的 10% 不是数量上的，而是"未经实盘验证 + 部分概念未消化"的质量缺口。

二、Phase 1 知识图谱（ASCII）

                          ┌─────────────────────────────────┐
                          │     Phase 1 综合作品（顶层）       │
                          │                                  │
                          │   双因子组合 v1（动量 + 低波动）     │
                          │   含 WFA + Half-Kelly + 归因      │
                          └──────────────┬──────────────────┘
                                         │
                  ┌──────────────────────┼──────────────────────┐
                  │                      │                      │
        ┌─────────▼─────────┐  ┌────────▼─────────┐  ┌─────────▼─────────┐
        │   ① 工具链支柱       │  │ ② 因子投资支柱      │  │ ③ 期权基础支柱       │
        │   (Week 1)         │  │ (Week 2)          │  │ (Week 3)          │
        ├───────────────────┤  ├──────────────────┤  ├───────────────────┤
        │ IBKR Paper Trading │  │ FF3 / Carhart    │  │ Call/Put 损益结构  │
        │ ib_insync 连接     │  │ IC / IR 评估     │  │ Greeks (Δ/Γ/Θ/V) │
        │ Python 数据栈      │  │ 动量因子          │  │ BS 定价 + IV 解器  │
        │ 时序与对齐          │  │ 价值因子          │  │ IV Rank / Percentile│
        │ 回测框架选型        │  │ 低波动因子        │  │ 波动率 term/skew  │
        │ vectorbt 完整回测   │  │ 质量因子          │  │ CSP 第一单（Paper）│
        │                    │  │ 四因子相关性矩阵   │  │                  │
        └─────────┬─────────┘  └────────┬─────────┘  └─────────┬─────────┘
                  │                      │                      │
                  └──────────┬───────────┴──────────────────────┘
                             │
                  ┌──────────▼──────────────────────────────────────────┐
                  │   ④ 风控横切层 (Week 4 — 贯穿所有支柱)                  │
                  ├──────────────────────────────────────────────────────┤
                  │ 成本建模：佣金 / 滑点 / spread / W-8BEN 30% 股息税       │
                  │ 三大偏差：Survivorship / Look-ahead / Selection      │
                  │ 过拟合识别：DSR / PBO / 参数稳健性                     │
                  │ Walk-Forward Analysis (WFA): IS/OOS 切分              │
                  │ 仓位管理：Kelly / Half-Kelly / Vol Target            │
                  │ 交易日志：决策理由 / 入场假设 / 退出条件 / 复盘归因      │
                  └──────────────────────────────────────────────────────┘

   认知层（贯穿整个 Phase）
   ┌────────────────────────────────────────────────────────────┐
   │ • 不是 alpha 决定能否赚钱，是流程严谨性决定                       │
   │ • IV/成本/偏差识别是"隐形 alpha"——大多数人不做                  │
   │ • Half-Kelly + Vol Target 比 "找魔法策略" 更值钱                │
   │ • 期权是"定义风险的工具"，不是赌博                              │
   │ • 交易日志比策略代码更重要                                      │
   └────────────────────────────────────────────────────────────┘

图谱要点：

三大支柱并列，不是先后关系，但风控是横切层——任何一个支柱跑回测都需要它。
Day 28 的双因子组合是集成测试，是把三柱+风控拉通跑的"端到端"实证。
最顶层是认知层——这层是 Phase 1 最值钱的东西，比代码和笔记更难得。

三、Phase 1 五个最重要的认知（思维方式变化）

从给定的 5 个候选中选了最 internalize 的 4 个 + 自己额外补 1 个 = 5 个。

3.1 「不是策略 alpha 决定能否长期赚钱，是流程严谨性决定」⭐ Phase 1 最大认知

Day 1 时的我：以为找到一个"年化 30% Sharpe 2" 的策略就赢了。

Day 29 时的我：知道大部分"年化 30% Sharpe 2" 的策略其实是过拟合+survivorship bias+成本未建模+样本期对了模型。真正的 alpha 来自于流程中能够识别并剔除这些 bias 的能力。

举例：Day 22 加成本前，动量策略回测 Sharpe = 1.4。加上 IBKR 真实佣金 + 0.05% 滑点 + bid-ask spread 半价 + 30% 股息税后，Sharpe 跌到 0.6。80% 的 backtest "alpha" 在成本中蒸发。

➡️ 这条认知带来的实操变化：每个回测默认带成本模型，默认带 OOS 切分，默认带 DSR 修正。再也不会单凭 IS Sharpe 兴奋下结论。

3.2 「IV / 成本 / 偏差识别是隐形 alpha — 大部分散户不做」

期权人都看 IV，但 90% 的散户做 IV 时只看绝对值，不看 IV Rank。AAPL 现在 IV = 22% 是高是低？单独看不知道，要和过去 252 天比 → IV Rank。

成本：90% 的散户只算佣金，不算 spread 半价。偏差：90% 的人回测时甚至不知道自己用的 yfinance 数据已经把退市股剔除了。

这些都是 Phase 1 学到的、可立即转化为实盘优势的"非智力 alpha"——不需要更聪明，只需要更严谨。

3.3 「Half Kelly + Vol Target 比 'find magic strategy' 更值钱」

Day 26 学 Kelly。最大震撼是：即便策略 edge 是真的，下注比例错了照样爆仓。

举例：Kelly 公式算出最优仓位 = 25% 投入。但 Kelly 的假设是"已知 edge"，实盘里 edge 是估出来的，有不确定性。用 Full Kelly 等于在估计误差上加杠杆。

实证：把任意 Sharpe = 1 的策略用 Full Kelly 跑 1000 次蒙特卡洛，~40% 的路径上会经历 >50% 回撤。同一策略用 Half Kelly，>50% 回撤的概率降到 ~8%，长期 CAGR 几乎不变。

➡️ 这条认知 = 如果只能给所有量化新手一个建议，就是 Half-Kelly。

3.4 「期权不是赌博，是「定义风险」工具，CSP 是新手最佳起点」

Day 15 之前我对期权的认知是 "Reddit WSB 那种 0DTE call 赌涨跌"。

Week 3 学下来：

买期权：定义最大亏损（= premium），换不对称收益
卖期权：收 Theta，定义最大盈利（= premium），换概率上的小亏
组合：spreads / iron condors / collars 让 payoff 任意定制

CSP（cash-secured put）是新手最佳起点的原因：

现金做担保 → 不会被强平
最坏情况 = 用执行价买入股票（你本来就想买的股票）
Theta 每天衰减帮你
不需要预测方向，只需要 IV 高（IV Rank > 50）

➡️ Day 16 我卖出 1 张 AAPL CSP（执行价 180，30 DTE，IV Rank 65，权利金 $230）。30 天后未被指派，纯赚 $230 - 佣金。这一笔交易把所有理论变成肌肉记忆。

3.5 「交易日志比策略代码更重要」（补充候选 5）

Day 27 强制要求自己开始写交易日志，模板：

入场理由（一句话）
入场假设（如果这个假设错了，立即退出）
目标 + 止损（pre-commit）
复盘归因（赢/输属于策略 / 时机 / 情绪 / 噪声）

写到 Day 28 才意识到：90% 的散户亏损不是因为没策略，是因为不知道自己在哪里亏的。日志让"个人 alpha" 可优化——下次同样情境下你会做不同决定。

策略代码可以从 GitHub 复制，交易日志只能自己写——这才是个人量化真正的护城河。

四、Phase 1 最大坑总结（按概率/严重度排序）

#	坑	概率	严重度	我是否还在踩
1	Survivorship bias 在所有因子回测里都存在（yfinance 没有摘牌股）	100%	★★★★★	⚠️ 还在踩 — Phase 2 必须接 CRSP-like 数据源
2	IBKR Paper Trading 没成交滑点（与实盘差异大）	100%	★★★★	⚠️ 已知，但 Phase 2 仍只能用 Paper
3	月度 rebalance 假设 close 价能成交（实际未必）	80%	★★★	⚠️ Phase 2 需切换到 VWAP 或 next-open 模型
4	没考虑 W-8BEN 30% 股息税	90%	★★★	✅ Day 22 已修正
5	多次试 strategy 没记 N 次，最后看到 best 不会做 DSR 修正	70%	★★★★	⚠️ 还在踩 — Phase 2 必须 log 所有 trial
6	Look-ahead bias 在做事件因子时容易混入（用了发布日 ≠ 用了发布时间）	60%	★★★★	⚠️ Phase 2 财报因子时要重点防
7	把"训练时优秀"当成"未来优秀"（没做 WFA 时）	100%	★★★★★	✅ Day 25 后已修正
8	期权 Greeks 在临近到期时数值不稳定（Gamma 爆炸）	30%	★★	⚠️ Wheel 策略时会遇到
9	Margin / Cash 账户 settlement 周期没建模（资金未到不能复用）	50%	★★★	⚠️ Wheel 策略要遵守 T+1/T+2
10	因子相关性矩阵看的是同期相关，不是滚动相关（动态相关性变化大）	70%	★★★	⚠️ Phase 2 多因子组合时要做滚动 corr

总结：10 个坑里 6 个还在踩。Phase 2 的核心任务之一就是把这 6 个坑闭环掉。

五、当前能力矩阵（详细自评）

按 4 大支柱列出能力项，✓ = 熟练 / △ = 半熟 / ✗ = 知道但不熟。

5.1 工具链（8 项）

能力	状态	说明
IBKR 账户结构 & 权限	✓	Pro vs Lite / Cash vs Margin / Options Level 1-4
ib_insync 同步 API	✓	Connect / Contract / Order / 历史数据
ib_insync async / event handler	△	看过文档，没自己用 event-driven 模式跑过
pandas / numpy 时序处理	✓	DatetimeIndex / resample / merge_asof
数据源对接	△	yfinance 熟，Polygon/CRSP 没接过
vectorbt 回测	✓	单标的 / 多标的 / 参数扫描
backtrader / zipline	✗	概念清楚，没写过
自定义事件驱动回测	✗	Phase 3 才会做

支柱评分：6.5/8 (81%)

5.2 因子投资（8 项）

能力	状态	说明
FF3 / Carhart 模型	✓	能跑回归，能解释 alpha vs beta
因子构造（动量）	✓	12M-1M momentum
因子构造（价值）	✓	E/P, B/P
因子构造（低波动）	✓	252d realized vol
因子构造（质量）	△	ROE / Accruals 概念清楚，数据源差
IC / IR 评估	✓	截面 IC / 时间序列 IC 都算过
因子衰减分析	△	看过图，没自己做过 half-life 估计
多因子合成（IC 加权 / Risk Parity）	✗	Phase 2 Week 5 任务

支柱评分：5.5/8 (69%)

5.3 期权（6 项）

能力	状态	说明
Call / Put 损益结构	✓	单腿 / 多腿组合 payoff
Greeks（Δ/Γ/Θ/V/ρ）	✓	物理含义 + 量级感知
BS 定价 + IV 反解	✓	自己写过
IV Rank / Percentile	✓	跨标的扫描器
Vol surface (term / skew / smile)	△	概念清楚，没自己画过 surface
期权策略（CSP/CC/Vertical/IC）	△	CSP 实操过，其他纸面

支柱评分：4.5/6 (75%)

5.4 风控（6 项）

能力	状态	说明
成本建模（佣金 + 滑点 + spread + 税）	✓	写过完整函数
三大偏差识别	✓	Survivorship / Look-ahead / Selection
Walk-Forward Analysis	✓	滚动 IS/OOS 框架写过
Kelly / Half-Kelly	✓	公式 + 实操
Vol Target 仓位	✓	1/σ 比例 + 上限
DSR / PBO 过拟合修正	△	概念清楚，没在 Day 28 实算

支柱评分：5.5/6 (92%)

5.5 综合能力矩阵

工具链       ████████████████░░░░  81%
因子投资     █████████████░░░░░░░  69%
期权         ███████████████░░░░░  75%
风控         ██████████████████░░  92%
————————————————————————————————
综合         ███████████████░░░░░  79%

洞察：风控最强、因子最弱。这违反了我 Day 1 时的预期（我以为因子会最强，毕竟"研究感"重）。实际上风控之所以最强是因为它的心智模型最简单且最 path-independent——一旦学会就不会忘。因子最弱是因为它和数据质量强耦合，而我的数据栈还不到位。

➡️ Phase 2 的核心补课方向：因子（数据 + 多因子合成）。

六、可向外部展示的「作品集」

Phase 1 沉淀下来的可对外展示的 artifact：

6.1 代码 Repo（GitHub 候选）

项目	描述	求职价值
double-factor-portfolio-v1	Day 28 双因子组合：动量+低波 + WFA + Half-Kelly + 归因	★★★★★ — 端到端最完整
ibkr-paper-connector	Day 1-7 IBKR 连接库（ib_insync 封装）	★★★ — 工程能力
bs-greeks-iv-toolkit	Day 17-19 BS 定价 + Greeks + IV 反解	★★★★ — 期权基本功
iv-rank-scanner	Day 19 跨标的 IV Rank 扫描器	★★★ — 可立即出 demo
backtest-cost-model	Day 22 完整成本建模库	★★★★ — 严谨性体现

➡️ 优先把 double-factor-portfolio-v1 整理出来推 GitHub——README 写清楚 WFA / 成本建模 / Half-Kelly 三个亮点，配一张 OOS 累计收益曲线。

6.2 笔记（个人 site / Mirror 候选）

内容	字数	受众
TR-DAY1 ~ DAY29 共 29 篇	≈17 万字	量化新手 + Web3 PM 同行
筛选精华版：选 7-8 篇最有价值的，组成"30 天量化入门"系列	≈5 万字	公开发表

候选精华篇：

DAY1（IBKR 选平台）
DAY8（FF3 模型）
DAY15（期权 payoff）
DAY17（Greeks 物理含义）
DAY22（成本建模）
DAY25（WFA 框架）
DAY26（Kelly / Half-Kelly）
DAY28（双因子组合实战）

6.3 求职话术（核心 elevator pitch）

"过去 30 天我系统学习了量化研究方法论：从 IBKR 平台接入、
Python 数据栈、因子投资 (FF3/动量/价值/低波/质量)、期权基础
(Greeks/IV/CSP) 到回测严谨性 (WFA/DSR/Kelly)，最后做了一个
含 walk-forward analysis + Half-Kelly 仓位 + 成本建模的双因子
组合。所有代码在 GitHub，所有学习过程在 29 篇笔记里。"

PM 视角变形：

"我把它当成一个产品来做：Phase 1 是 MVP（基础工具链能跑），
Phase 2 是 beta（多策略 paper trade 并行 2 周），Phase 3 是 launch
（小资金实盘 + 性能监控）。每一阶段都有明确的退出准则。"

➡️ 这个 pitch 比"我懂 Web3 PM"更有差异化——金融背景 + Web3 + 量化方法论三位一体，是稀缺组合。

七、Phase 2 预告（Day 31-60）

Phase 1 = 单兵作战练基本功。Phase 2 = 把三个独立策略并行跑起来。

7.1 Week 5（Day 31-37）：多因子组合实盘化

主题	关键产出
多因子合成（IC 加权 / Risk Parity）	双因子 → 四因子组合
Walk-forward in production	Rebalance 时自动重训
Paper trade 部署	双因子组合每月初自动 rebalance
监控面板	Streamlit / Dash 跟踪实时持仓和 PnL

出口准则：双因子组合在 IBKR Paper 上自动跑 ≥ 2 周，无 critical bug。

7.2 Week 6（Day 38-44）：期权 Wheel 策略（Theta 收割）

主题	关键产出
Wheel 策略完整循环（CSP → 指派 → CC → 卖出）	流程图 + 决策树
标的筛选（高 IV Rank + 愿意持仓）	候选池脚本
风险管理（roll / take profit / let assign）	决策矩阵
Paper trade 部署	1-2 张 Wheel 同时 active

出口准则：完成至少 1 个完整 Wheel 循环（即至少 1 次被指派 + 1 次卖出）。

7.3 Week 7（Day 45-51）：AI 信号 ★ 关键周

主题	关键产出
LLM 抽财报关键指标（10-K/10-Q）	财报 NLP 管线
XGBoost 排序模型	候选股 → 打分 → 选 Top N
信号融合（AI 信号 + 因子信号）	加权方案
Paper trade 部署	AI 增强组合并行运行

出口准则：AI 信号能稳定输出每日 Top N 候选名单，至少跑 1 周。

为什么是 Phase 2 关键周：这是把"传统量化"升级到"AI 量化"的关键节点。决定后续 Phase 3-4 的方向。

7.4 Week 8（Day 52-60）：组合管理 + 风控升级

主题	关键产出
三策略组合权重分配（Risk Parity / Vol Target）	顶层资金分配器
实时风控（最大回撤 / VaR / 单标的暴露上限）	风控仪表盘
Phase 2 总结（Day 60）	类似 Day 29 的阶段复盘

7.5 Phase 2 出口目标

三个 paper 策略并行运行 ≥ 2 周：
  ① 多因子组合（月度 rebalance）
  ② 期权 Wheel 策略（动态调整）
  ③ AI 增强组合（日度信号）

顶层有一个组合管理器，三个策略不互相冲突，
最大单日回撤 < 3%，运行无 critical bug。

八、「Phase 1 给我最大的 ROI 是什么」（深度反思）

8.1 学了 17 万字 ≠ 学到 17 万字

诚实自评：29 篇笔记加起来 ≈17 万字。但真正 internalize 的核心概念可能只有 5 个。

真正 internalize 的 5 个：

流程严谨性 > 策略 alpha（每天回测前都会本能地问"成本加了吗？OOS 切了吗？"）
Half-Kelly + Vol Target（任何仓位决策都先过这两道关）
CSP 是定义风险的工具（看到 IV Rank > 50 的标的会本能想 CSP 机会）
交易日志比代码重要（每笔交易记四件事：理由/假设/目标/复盘）
WFA 不可省（任何 backtest 不带 OOS 我自己都不信）

只是"读过"但没 internalize 的：

DSR（Deflated Sharpe Ratio）— 概念懂，但 Day 28 没实算
波动率 surface — 看过图，没画过
Carhart 四因子的 PR1YR 因子构造细节 — 用过包，没自己写过
ib_insync 的 async / event handler — 跑过 demo，没用在生产逻辑
期权 spread 策略（Vertical / IC / Iron Butterfly）— 纸面知道，没 paper trade 过

8.2 ROI 衡量：30 天 × 2h/天 = 60h 的回报

如果以"未来 5 年个人量化能力"为衡量基准：

投入	产出	ROI
60 h 学习 + 实操	5 个 internalize 的核心心智模型	12 h/模型
60 h 学习 + 实操	1 个端到端可展示的组合 (Day 28)	ROI 极高
60 h 学习 + 实操	29 篇笔记 = 未来回顾资产	长期复利

最大的 ROI：心智模型的迁移性。Half-Kelly 不只适用于量化交易，所有"在不确定性下下注"的场景都适用——包括职业选择、创业、加密投资。这 60h 买到的是一套"在不确定性下决策的框架"，远超量化本身。

8.3 哪些时间花得不值

Day 8 花 3h 找 Ken French 数据并对齐 → 应该直接用 pandas-datareader，省 2h
Day 17 推导 BS 公式手算 → 实际只需要会用库，不需要推导
Day 23 看完一篇完整学术论文 (López de Prado) → 应该看综述

教训：Phase 2 要更主动 "80/20"——优先掌握 80% 用得到的，剩下 20% 用到时再补。

九、下阶段心态准备

9.1 Phase 2 难度跳升

Phase 1 难度：  ░░░░░░░░░░  3/10  (基础概念 + 单兵实操)
Phase 2 难度：  ██████░░░░  6/10  (并行系统 + 实盘 paper + AI)
Phase 3 难度：  ████████░░  8/10  (实盘小钱 + 性能监控)
Phase 4 难度：  ██████████ 10/10  (扩规模 + 组合优化)

Phase 2 难度跳升的来源：

并行运行：3 个策略同时，单点故障风险叠加
AI 信号：LLM + XGBoost 都不是 Phase 1 的工具
Paper 部署：从 notebook 跑回测 → 7x24 后台进程
debugging 复杂度：单策略失败 ≠ 组合失败，要做归因

9.2 心态：accept slow progress

Phase 1 节奏感强是因为每天都有明确单一目标。Phase 2 会有很多天感觉"啥都没做"——因为时间被 debugging / waiting for data / 改 schema 占了。

心态准备：

接受"无产出日"（debug 一天没解决问题也算前进）
不和 Phase 1 节奏比较
每周末做小复盘，每两周做中复盘，Day 60 做 Phase 2 大复盘

9.3 时间：每天 2h 不变，但实操比例上升

阶段	学习理论	实操	写作
Phase 1	50%	30%	20%
Phase 2	20%	65%	15%
Phase 3	10%	80%	10%

Phase 2 的 65% 实操中，约 30% 会是"debugging 部署问题"——属于必要不光鲜的工作。

十、Day 1 → Day 29 的我变了什么

10.1 Day 1 的我

愿景：

"我想用 AI 信号做短线量化，主要在加密，目标是 <$5k 起步赚个零花钱"

心智模型：

量化 ≈ 找一个 magic strategy
风险 = 设个止损就行
期权 = WSB 那种 0DTE 赌涨跌
回测好 = 实盘也好

工具栈：

几乎没有，连 IBKR 都没开

10.2 Day 29 的我

愿景：

"我要建一个含因子组合 + 期权 Wheel + AI 增强信号的三策略组合，在 IBKR Paper 上跑通至少 2 个月，再考虑实盘 $5-10k 小钱试点。长期目标不是赚钱本身，是把量化方法论 internalize，作为 Web3 PM 求职的差异化能力。"