Week 1 周复盘 + Week 2 准备

日期: 2026-05-16 方向: 个人量化交易 / Week 1 复盘 阶段: Phase 1: 基础与工具链 标签: #WeeklyReview #Retrospective #vectorbt #ibkr #FactorInvesting #Week2Prep

---

今日目标

---

一、Week 1 完成度自评

1.1 每日实操产出对照表

把 Day 1-6 应当产生的「实操产出」摆到一起，用最严的标准自评。这是周复盘最有价值的一步——日记式记录天然倾向于自我感觉良好，唯有把六天的产出物码在一张表上，才能看出真实进度。

1.2 完成度评分

应交付物总数：12
已完成：10
部分完成：1（Options Level 卡审批，非我主观能控）
未完成：1（三家回测框架对照）

Week 1 完成度：83% (10/12)
排除外部因素的可控完成度：91% (10/11)

自我评估：可接受。未完成的一项（三家框架对照）不是没时间，是优先级判断——Day 5 当时已经在 vectorbt 上跑通了，我下意识觉得「再装两个框架做同一件事是浪费」，于是跳过了对比环节。这是典型的速度 vs 严谨度权衡，留到 Week 4 之前补做即可。

1.3 文档/代码资产盘点

---

二、Week 1 知识图谱

把 6 天的核心概念串起来，是周复盘第二件有价值的事。孤立的知识点不构成能力，必须看到节点之间的依赖才算「真懂」。

2.1 数据 → 决策的全链路

                   [DAY 1]
              ┌──────────────────┐
              │   IBKR 账户体系   │
              │   Paper Trading  │
              │   Options Level  │
              │   市场数据订阅    │
              └────────┬─────────┘
                       │
                   [DAY 2]
              ┌────────▼─────────┐
              │   ib_insync API  │
              │   ─ 同步/异步     │
              │   ─ Contract 限定 │
              │   ─ 订单/事件     │
              │   ─ 错误码        │
              └────────┬─────────┘
                       │
              ┌────────▼─────────┐               [DAY 3]
              │  Python 工程化   │ ◀─── pandas / numpy / yfinance / matplotlib
              │  ─ venv 隔离      │
              │  ─ 数据源对比     │      数据源坑：
              │  ─ 复权 / 缺失    │      ─ yfinance 复权口径不一致
              │  ─ survivorship  │      ─ 退市股票看不到（survivorship bias）
              └────────┬─────────┘      ─ split/dividend 调整需要 auto_adjust=True
                       │
                   [DAY 4]
              ┌────────▼─────────┐
              │   时序基础       │
              │   ─ simple/log    │
              │   ─ √252 年化     │
              │   ─ Sharpe        │
              │   ─ MaxDD/Calmar  │
              │   ─ Sortino       │
              └────────┬─────────┘
                       │
                   [DAY 5]
              ┌────────▼─────────┐
              │   回测框架选型   │
              │   vectorbt ✓     │
              │   backtrader     │
              │   Lean            │
              └────────┬─────────┘
                       │
                   [DAY 6]
              ┌────────▼─────────┐
              │  端到端回测       │
              │  SPY SMA(20,50)  │
              │  ─ 含真实成本     │
              │  ─ 含滑点         │
              │  ─ 参数扫描       │
              │  → Sharpe ≈ 0     │
              │  → 「没 edge」     │
              └──────────────────┘
                       │
                       ▼
                  [WEEK 2 起点]
                  开始找真正的 alpha：
                  因子 / 事件 / 期权 Theta

2.2 用一个表概括 Week 1 主链路

重点观察：六层每一层都有自己的「失败模式」——任何一层错了，下游所有结论作废。这就是为什么 Day 4 的 MaxDD 公式我会反复 unit test，Day 6 把成本和滑点显式建进去。回测的可信度等于最弱一环的可信度。

---

三、本周三个最重要的认知（思维方式变化）

知识点会忘，但思维方式的变化会留下来。如果一周下来没有 1-3 个「我看世界的方式变了」的瞬间，这一周的学习就停留在「读过」而不是「掌握」。

认知 #1：Paper Trading 不评估盈利能力，只评估流程跑通

来 Week 1 之前我隐约以为 Paper Trading 是个「无风险沙盒」——能在里面赚钱说明实盘也能赚。

Day 1 颠覆了这个直觉。

Paper Trading 的成交模型对用户「过于友好」：

• 默认全成交（实盘可能 partial fill）
• 默认无滑点（实盘 illiquid 期权 bid-ask 能差 20%）
• 默认能借券（实盘热门 short 票可能找不到券）
• 默认数据延迟和实盘一致（其实是的，但 Paper 不会被 HFT 前置）

类比到 PM 工作：这就像「内部 staging 环境压力测试通过 ≠ 生产环境扛得住」。Staging 永远是对自己友好的，因为没有真实流量、没有真实并发、没有真实恶意用户。

思维方式的变化：从「沙盒里跑通 = 行了」变成「沙盒只能否定方案，不能肯定方案」。Paper 跑不通的策略一定不行，但 Paper 跑得通的策略只是「值得进一步真实环境验证」。后者是 Week 5 paper trade 实盘的工作。

认知 #2：单看技术指标没 edge，要找结构性 alpha

Day 6 跑 SMA(20,50) 在 SPY 2014-2024 上，含手续费和滑点，最终 Sharpe = -0.08。12 格参数扫描没有一格 Sharpe > 0.3。

这个结果不是「这个策略是 BUG」，而是「这个策略其实没问题」——它的 Sharpe 接近 0 就是市场充分有效给出的答案。

为什么没 edge：

1. SMA 这种规则信息含量极低，全市场所有人都看得到
2. 2014-2024 是大牛市，「持有不动」就是最强基准——任何择时策略都在和"无风险持有"赛跑
3. 滑点和手续费每年吃 1-2%，需要超过这个数的 alpha 才值得做
4. 技术指标本质是 price 的滞后函数，不带任何外生信息

Week 1 让我把「找 alpha」的搜索空间重新分类：

思维方式的变化：从「找一个能赚钱的指标组合」变成「找一类别人不愿意/不能做的策略空间」。前者是无穷无尽的过拟合，后者是经济学问题。

认知 #3：回测 pipeline 比策略本身重要 10 倍

Day 5-6 让我意识到一件事：任何能在脑子里想出来的策略，都需要一套相同的 pipeline 来验证。

那套 pipeline 包括：

[原始数据] → [清洗（复权、survivorship、缺失值）]
           → [特征构造]
           → [信号生成]
           → [仓位计算]
           → [含成本/滑点的回测引擎]
           → [指标计算（Sharpe/MaxDD/Calmar/Sortino）]
           → [参数扫描 + 鲁棒性检验]
           → [out-of-sample 验证]
           → [walk-forward]
           → [Paper Trade]
           → [小仓位实盘]

只要这套 pipeline 是干净的、可复用的、自动化的，换策略就只是换中间一两个模块。pipeline 的工程质量决定了我能在 90 天里验证多少个 idea。

反过来：如果 pipeline 是手工的、一次性的、夹带未来函数的，测 100 个策略也都是垃圾结论。

类比到 PM 工作：这等同于「实验框架比实验本身重要」——一个支持快速 A/B 的产品平台 > 一个精心设计的单次实验。Booking、Airbnb、Uber 在 PM 圈被反复提及，不是因为他们做了多少聪明的实验，是因为他们一年能跑数千次实验，绝大多数实验本身平平无奇但累积出复利。

思维方式的变化：Week 1 我开始以「我将要测 1000 个策略」的视角写代码，而不是「我现在要测这一个 SMA 策略」。前者要求每个函数都签名清晰、有 unit test、能被 N 个不同策略复用。这会显著拖慢 Week 1 的速度——但 Week 8 之后回报指数级。

---

四、本周潜在坑总结（按踩坑可能性排序）

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

坑 #1：IBKR Options Level 申请被批 Level 1 而非 Level 2/3

概率：60%（包括我）

为什么会发生：

• IBKR 的适当性判定模型偏保守
• 「期权交易经验」一栏如果选 None / Limited 几乎必批 Level 1
• 资金小（<$10k）也会压 level
• 申请节奏太急（开户当天就申请）会被怀疑

怎么办：

1. 先接受 Level 1，开始做 covered call（CC）+ protective put
2. 跑 30 天积累交易记录（哪怕每周只下 1-2 单 CC）
3. 然后向 IBKR 申诉，附上交易记录截图，理由「已展示风险管理能力」
4. 通常二次申请 80% 能拿到 Level 2
5. 不要跳过 Level 2 直接申 Level 3，会被拒得更狠

对学习计划的冲击：Day 49+ 的财报 spread 策略需要 Level 3。如果到 Day 40 还卡在 Level 1，要把 Week 7 的 Wheel 策略提前到 Week 5-6，给 Level 升级留时间。这是 Week 1 就要预判的风险。

坑 #2：yfinance 数据复权不一致 / split 处理错误

概率：50%

症状：

• 同一标的同一日期，今天下载和上周下载的收盘价不一样
• 某些日期出现「价格断崖式下跌 50%」（其实是 stock split 没调整）
• 历史长度对不上（yfinance 偶尔会丢数据）

怎么办：

# 1. 永远用 auto_adjust=True
df = yf.download('SPY', start='2014-01-01', end='2024-12-31', auto_adjust=True)

# 2. 下载完立刻持久化到 parquet
df.to_parquet('data/raw/SPY.parquet')

# 3. 后续从 parquet 读，不要重复打 yfinance
# 4. 至少用一个第二源（IBKR Hist / Polygon / Tiingo）做 sanity check

核心策略：数据下载是一次性投资，回测是反复迭代。把数据 cache 住，pipeline 后续就不会被数据源抽风搞坏。

坑 #3：vectorbt API 文档稀缺 + 概念偏离传统回测

概率：50%

为什么会发生：

• vectorbt 文档对入门者不友好（假设你已经会用 numpy）
• 它不是「事件驱动」回测，而是「向量化」回测——所有信号一次性算完再回放
• 路径依赖策略（如 trailing stop）写起来反而比 backtrader 难
• vbt.Portfolio.from_signals vs from_orders vs from_holding 三个入口语义差很多

怎么办：

1. 第一周只用 vbt.Portfolio.from_signals，不要碰 from_orders
2. 看官方 examples 库（github.com/polakowo/vectorbt/tree/master/examples），里面是最完整的代码
3. 搞不定就去 vectorbt PRO 的 Discord，但注意 vectorbt 和 vectorbt PRO 是两个不同的库，PRO 有付费版语法差异
4. 复杂路径依赖策略，直接用 backtrader，不要硬上 vectorbt

坑 #4：metrics 计算口径错（年化、Sharpe、MaxDD）

概率：40%

典型错误：

• 用 simple return 算累积收益时直接相加（应该是 (1+r).cumprod()-1）
• Sharpe 没减无风险利率（小钱影响不大但要意识到）
• 年化用了 365 而不是 252（做美股就是 252，不要拍脑袋）
• MaxDD 用了 return.cummin() 而不是 wealth.cummax() - wealth 的 drawdown 系列

怎么办：

写完 metrics 函数立刻用一个已知答案的样本验证：

# 例如：连续 3 天每天 +1%，第 4 天 -5%
test_returns = [0.01, 0.01, 0.01, -0.05]
# 累积 wealth 应该是 [1.01, 1.0201, 1.030301, 0.978786]
# MaxDD 应该是 (0.978786 - 1.030301) / 1.030301 ≈ -5.00%

不要相信任何「我自己写的 metrics」，必须有 unit test。

坑 #5：venv / 包版本冲突

概率：30%

症状：

• ib_insync 0.9.86 + Python 3.12 → asyncio 兼容性 bug
• vectorbt + numpy 2.x → 部分函数报 deprecation
• pandas 2.x → 一些旧代码 df.append() 用法报错

怎么办：

# 锁版本，写 requirements.txt
python==3.11.9
ib_insync==0.9.86
pandas==2.1.4
numpy==1.26.4
vectorbt==0.26.1
yfinance==0.2.40

进 Day 8 之前把 requirements.txt lockfile 化，免得后面任何升级污染回测结果。

坑 #6：W-8BEN 没填 / 填错

概率：20%（我已避免）

填错的代价：股息 30% 预扣会变成 28%（Backup Withholding）甚至更高，且要补缴。这是 Day 1 就要做对的事，不要拖。

---

五、当前回测能力分级（自评）

给读者一个对照标准。不要美化自己：

当前级别定位：「能跑单标的单策略回测的初学者」。距离「合格的回测工程师」至少还差 4 周（识别过拟合 + walk-forward + 多标的组合 + Monte Carlo）。

这个分级的意义：避免邓宁-克鲁格效应——刚学会跑回测最容易高估自己。SMA 跑出 Sharpe -0.08 不可怕，可怕的是跑出 Sharpe 1.5 还以为是真的（绝对是 overfit / 未来函数 / 数据 leakage）。

---

六、Week 2 预告：因子投资基础

6.1 为什么因子是个人量化的甜点

Week 1 的 Day 6 已经验证了「单一技术指标没 edge」。Week 2 我要回答一个更根本的问题：有没有哪类策略，对个人量化是天然友好的？

答案是：因子投资。

为什么因子对个人友好：

因子策略的核心 alpha 来自风险溢价 + 行为偏差，这两类 alpha 不会因为多了一个个人散户参与就消失。Fama-French 1992 年发的论文，30+ 年后仍然有效——这是策略空间稳健性的极强证据。

6.2 Week 2 学习清单

6.3 Week 2 我最想搞清楚的事

1. 动量是真的吗：12-1 月动量在 2014-2024 美股上还能不能跑出 Sharpe > 1？
2. Value Trap 怎么识别：低 P/B 股票里有真便宜也有要破产的，怎么过滤？
3. 多因子加权的实操方案：等权简单粗暴，IC 加权需要什么数据？
4. 因子衰减：传统三因子在过去 10 年很多研究说 Value 死了，是真的吗？

---

七、个人复盘 prompt（给读者一个反思框架）

每完成一周，建议留出 30 分钟回答下面三个问题，用文字形式写下来——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 的是什么？

我的答案：Day 6 的 SMA 参数扫描，12 格 heatmap 没有任何一格 Sharpe > 0.3。 我此前隐约以为「至少能找到一组参数让回测看着不错」，结果发现真正高效的市场对最朴素的技术指标毫不留情。这件事让我意识到：之前 90% 的「自媒体技术分析教程」都是事后挑参数的视错觉。

Prompt 2: 我最不确定的概念是什么？

我的答案：vectorbt 的 from_signals 在「同一天既出 entry 又出 exit」时的语义。 官方文档说会按 accumulate 参数决定行为，但我没在测试里完全 reproduce 出来。留到 Week 2 用因子策略时再深挖——因子策略月度调仓，不会出现日内信号冲突，可以先绕开。

Prompt 3: 我下周最想搞清楚的事是什么？

我的答案：动量因子 12-1 月在「2020 COVID + 2022 加息周期」里有没有崩溃。 如果有，这个崩溃是不是可以被低波动 / 质量因子对冲掉。这是 Multi-Factor Combination 的核心动机。

---

八、PM 视角：周复盘是一种「指标驱动的学习」

最后一段思考，给读者迁移到工作上。

PM 工作里有一个反复出现的模式：Week-over-Week Review。 团队每周一花 30-60 分钟看上周的关键指标——DAU、LTV、Funnel Conversion、NPS——和上上周对比，问三个问题：

1. 哪个指标动了？为什么？
2. 哪个指标没动但应该动？为什么没动？
3. 下周我们要主动推动哪个指标？

Week 1 复盘对应到这套框架：

核心迁移性思考：

1. 学习是一个产品，自己是 PM，自己也是用户。每周必须有「产品 metrics」。
2. 过程指标 > 结果指标。Week 1 的结果指标是「Sharpe -0.08」，糟糕；但过程指标是「跑通了完整 pipeline」，优秀。新手前期 100% 看过程指标。
3. 对自己诚实。我 Day 5 跳了三家对照，那一刻我就知道我在偷懒，但当时给自己讲了一个理由（「在 vectorbt 跑通了，没必要重复」）。复盘时必须把这种合理化叙事戳破。
4. 复盘的产出物比复盘本身重要。脑子里想的复盘等于没复盘。这篇 Day 7 笔记本身就是 Week 1 的「Definition of Done」——没有它，前 6 天的学习只是「读过」。

---

九、Week 1 → Week 2 的关键过渡 checklist

在 Day 8 开始之前，把下面这些事做完：

• (1) Options Level 跟进：如果还在 Pending，今天主动给 IBKR 发邮件询问；如果被批 Level 1，开始规划 Wheel 策略提前
• (2) 数据源 lockfile：requirements.txt 锁版本，提交到 repo
• (3) 把 metrics.py 升级：加上 information_ratio、ulcer_index、hit_rate，因子组合复盘需要
• (4) 多标的数据下载：下载 SPY 成分股或 S&P 500 完整列表 2014-2024 数据，因子横截面回测起步
• (5) 三家框架对照（Week 1 留尾）：在 backtrader 里复刻同一个 SMA(20,50)，确认 vectorbt 的结果可信
• (6) Ken French 数据下载：Ken French Library，Day 8 直接用
• (7) 把 Week 1 笔记发布：选 1-2 篇精华（推荐 Day 4 metrics + Day 6 回测）发到 Mirror / 知乎，对外讲一遍是最强的内化
• (8) 更新 TR_PROGRESS.md：Week 1 标 ✅，Week 2 占位

---

十、明日预告

Day 8: 因子投资基础 — Fama-French 三因子模型

• 因子模型的数学骨架（横截面回归 vs 时间序列回归）
• Market / Size / Value 三因子的经济学解释
• Ken French 数据库怎么用
• 用 SMB / HML 数据回归任意标的，得到该标的的因子载荷
• Alpha 的含义：扣除因子贡献后剩下的「真本事」
• 实操：用 Python 复现 Fama-French 1993 论文核心结论

---

实际复盘记录

周一上午留出 1.5 小时填这个段落。

• [hh:mm] Day 1-6 实操产出对照 — ...
• [hh:mm] 三个认知具体写下来 — ...
• [hh:mm] 踩坑总结 — ...
• [hh:mm] Week 2 准备 checklist 完成 — ...
• 卡点 / 下周要主动推动的事：

---

总字数：约 5,400 字 Week 1 完成度：83% (10/12)，可控完成度 91% Week 1 → Week 2 衔接状态：✓ 数据基础设施就绪，✓ 回测框架就绪，△ Options Level 跟进中