90 天 Alpha 归因 — 哪部分赚钱 / 哪部分亏

日期: 2026-08-03 方向: Phase 3 / Alpha 归因 阶段: Phase 3: 实盘+规模化+迁移 标签: #AlphaAttribution #90DayPnL #FactorAlpha #ThetaHarvesting #SimToReal #HonestAssessment

---

今日目标

---

一、为什么 Day 86 一定要做这件事

Day 60-85 一路实盘 + paper 跑下来，PnL 数字本身已经在脑子里了——大概是「实盘小赚、paper 也小赚、Iron Condor 财报那笔亏了」。但「赚了多少」≠「为什么赚」，而后者才是决定下一阶段要不要继续、要不要扩规模、要不要换策略的关键。

PM 视角对应一个非常熟悉的场景：MVP launch 后 90 天的 attribution audit。一个产品上线 3 个月，DAU 涨了 30%，老板问「这 30% 是哪来的？」如果你只能说「就是涨了」，那这 30% 是 noise；如果你能拆出「15% 来自付费投放（CAC $4.2）、10% 来自新功能 X、5% 来自 SEO 长尾」，下季度才知道往哪里加预算。

量化的 attribution 也是同一回事。不做归因的 PnL 数字是垃圾数字——你不知道明年它还会不会出现，不知道它来自 skill 还是 luck，不知道规模化后会不会消失。今天就把这个 audit 老老实实做一遍。

1.1 Day 86 在 Phase 3 中的位置

Day 61-75 → 实盘上线 + 高阶期权（Wheel / IC / Vertical）
Day 76-85 → A 股 / 港股迁移 + qlib 因子研究
Day 86    → ★ 90 天 Alpha 归因（今天）
Day 87    → 下阶段 roadmap（基于归因结论）
Day 88-90 → Phase 3 收尾 + Phase 4 启动准备

这个时点选得不是偶然：实盘累计 90 天，刚好够覆盖一个完整的「季度财报周期 + 一次大盘 drawdown + 几次 VIX 抖动」，样本不算充分但够做初步判断。再往后拖归因，sunken cost 偏差会越来越重，越难做诚实评估。

---

二、原始 P&L 数据（90 天合计场景）

先把数字摆出来，不藏不修。

2.1 名义本金构成

注：实盘只跑了 ~25 个交易日（Day 61 到 Day 86 大约 56 个自然日，扣周末和节假日约 38 trading days，但前 13 天在调试参数没满仓），paper 跑了完整 90 天。归因时分别看，合并时用「资金加权」而不是简单平均。

2.2 90 天总 P&L

2.3 这个数字怎么看

先做几个对照：

残酷事实：90 天 portfolio annualized 约 8%，显著跑输 SPY 当期收益。如果你纯持有 SPY 不动，反而能拿到 ~6% 的 90 天回报（年化 25%+，因为 2026 Q3 是大盘反弹期）。

但要先压住「割肉换 SPY」的冲动——这是归因要回答的问题，不是看 absolute return 就拍板的事。关键是回测预期 vs 实际差多少、差在哪里，以及 risk-adjusted 视角下是否 dominated by SPY。

---

三、归因到策略（Strategy Attribution）

按策略横切，看每一条腿赚了/亏了多少。

3.1 三策略 P&L 拆解

注：上一节合计 +$70 是「账面 PnL」（含未实现），按 net 算（扣去佣金 + slippage + 数据费摊销）实际到手 ~$40。这两个数都要看：账面告诉你 strategy edge，net 告诉你工程开销。

3.2 策略层面发现

1. Wheel 是当之无愧的 carry 引擎

• 占 43% 的 PnL 但只占 ~42% 资本——单位资本回报和占比基本对齐
• 实盘 $20 + paper $10 的结构很关键：实盘资本量小所以绝对值小，但单位回报反而比 paper 高（实盘 +2.5% vs paper +0.6%）
• 解读：paper 模拟成交对 short put 太「乐观」（瞬间成交，没 wait），实际实盘选 IV rank > 50 的时候才下单，单笔 premium 更厚

2. 双因子是 market beta 包装

• $15 的 90 天 PnL 在 paper $2.5k 上是 0.6%，同期 SPY 是 6.2%
• 跑得显著差于 SPY —— 这意味着我们的「动量+低波」选股选了一堆 beta < 0.8 的票，反弹时跟不上
• 这不是因子失败，是因子定位错了：我们想要的是 alpha（超额），实际拿到的是 reduced beta + 一点 factor tilt
• 在 Q3 2026 这种「risk-on」窗口里，低波因子是逆风的

3. Iron Condor 是教科书式的 tail risk

• 5 笔交易，4 笔小赚（合计 +$25），1 笔大亏（NFLX -$30）
• 单笔胜率 80%，但 P&L 是负的 —— 这就是 short volatility 策略的本质：win small, lose big
• 我们的 IC 单笔 max loss / max gain 大约是 4:1，所以 4 胜 1 负 = 净亏。要盈利，胜率必须 > 80%（实际行业 IC 胜率天花板大约 70-75%）
• 5 笔样本远远不够下结论，但红灯已经亮了

3.3 策略归因表（直观）

┌─────────────────────────────────────────────────┐
│ 90-Day Strategy P&L Attribution ($40 net)       │
├─────────────────────────────────────────────────┤
│ Wheel        ████████████████████  +$30 (75%)   │
│ Dual-Factor  ██████████            +$15 (38%)   │
│ Iron Condor  ▼▼▼                   -$5 (-13%)   │
├─────────────────────────────────────────────────┤
│ 注：百分比指占净 PnL 比，三者和为 100%          │
└─────────────────────────────────────────────────┘

---

四、归因到「来源」（Source Attribution）

这是更深一层的拆解：钱到底来自什么经济机制？这比按策略归因更重要，因为同一个策略可能混了多种 alpha 源。

4.1 四种 alpha / return 来源

4.2 把 $40 net 拆到四类源头

4.3 这个拆解为什么重要

60% 的钱来自 market β。意思是：如果你把这 $6,000 全扔进 SPY 不动，光 β 这部分就能拿到 $24。而我们费尽心机做了一堆策略，Factor α + Theta + Event 加起来只贡献 $16——其中 Theta 还是最稳的（$12）。

更扎心的是，同期 SPY 单纯 buy-and-hold 在 $6k 上的回报是 $372（6.2% × $6k）。我们做了 90 天「主动管理」，主动部分（α）只贡献了 $16，但因为我们「不全仓 long」，把 market β 的暴露降到了大约 0.4（约 40% 的有效股票暴露），所以损失了约 $200+ 的 β。

翻译成 PM 的话：我们做主动管理付出的「机会成本」是 $200+，换来了 $16 的 α。Active Share 拉满，结果是 underperform。这是给所有量化新手的当头一棒——主动管理的真实成本远比想的高。

4.4 公式化表达

Portfolio Return = β × Market Return + α + ε

实际值代入：
$40 = 0.4 × $372 + α + ε
$40 = $149 + α + ε
=>  α + ε ≈ -$109

换算到比率：
Portfolio Return = 0.67%（90d, on $6k）
SPY Return       = 6.2% × 0.4 = 2.48% （β 暴露下的预期）
=>  实际 - β预期 = 0.67% - 2.48% = -1.81% (α + noise)

所以 α 是负的。但 90 天 noise（ε）也很大，σ 可能就有 ±2%，所以 -1.81% 在统计意义上 跟「零 α」不可区分。

---

五、回测 vs 实际：Sharpe 衰减拆解

这是今天最痛的部分。把 backtest 期望和 90 天实际的差异，按维度拆开。

5.1 回测期望 vs 实际

5.2 Sharpe 从 1.2 掉到 0.6，钱去哪了

把这 0.6 的 Sharpe 衰减按来源拆开：

5.3 滑点拆解（关键）

关键洞察：股票滑点的差距还能接受（1.5-2×），但单股期权滑点是回测假设的 2.7 倍。这就是 Iron Condor 跑得这么烂的工程层原因之一——不是策略错，是回测里给的滑点太理想，实际 spread 在 NFLX 这种 vol-active 标的上动辄宽到 $0.30-$0.50 / leg。

5.4 Paper fill 太乐观

paper 引擎的 fill 逻辑大体是「当前 mid + 0」瞬时成交。实盘世界里你的 limit order 大概率：

• 排队等 mid → ask 那一秒
• 或者 mid 走开了你 chase 半个 spread
• 或者干脆 timeout

这导致 paper 的 PnL 比可执行 PnL 平均高出 15-25 bps / month。Day 86 之后，paper 数据的「乐观偏差」必须在归因里 explicit 扣掉。

---

六、这 90 天到底有没有 alpha？诚实回答

6.1 数学回答

α + ε = -1.81% (90d)
σ(90d) ≈ 2-3%
t-stat ≈ -0.6 ~ -0.9
p-value > 0.3

结论：没有显著 α。既不能证明有正 α，也不能证明负 α。α = 0 假设无法被拒绝。

6.2 直觉回答

90 天 = 大约 60 个交易日 = 一个交易周期都不够（一个完整的 vol 周期 + bull/bear 切换通常需要 2-3 年）。用 90 天判断有没有 α 是统计上不可能的。这点要老老实实承认。

6.3 那这 90 天的最大收获是什么

不是 α，是 process：

90 天买的是基础设施 + 认知 + 心态，不是 α。基础设施 + 认知 + 心态正好是后续 3-5 年「持续找 α」的必要前提。这才是 90 天的真实 ROI。

6.4 给类比：α 不是 90 天能验证的东西

• 顶级 quant fund 的 model 也要 1-2 年 burn-in 才有 statistical significance
• RenTec 的 Medallion 上线第一年也有亏损
• AQR / TwoSigma 的因子有几年 underperform 是常事
• 个人量化用 $6k 跑 90 天就想看到 alpha 是数学上不可能的事

承认这一点，是 Day 86 最重要的精神收获。

---

七、Top 3 hot spots 回顾

7.1 最赚钱：Wheel SPY paper

为什么能赢：SPY IV rank 在 Q3 2026 始终在 30-60 区间，每周 short put 都能拿到 $1-2 premium；ETF 不会有「财报黑天鹅」，gap 风险有限。这是结构性 carry，不是 alpha。Theta 收割本质上是 market 给「短期波动卖方」的 risk premium。

7.2 最亏：IC NFLX earnings miss（-$30 in 1 trade）

学到的：earnings IC 是教科书最常给的 example，但实际上真要赚 earnings IV crush 的钱，必须：

1. 标的 IV 必须真的「过度定价」（IV ratio > 1.5×）
2. 财报后 underlying 一定要在区间内（这就是 binary bet）
3. 容量极小，单笔最多 1-2 IC，否则 sample size 不够 + capital at risk 太集中

我们的 NFLX 单上 IC 占 paper 的 10%，违反 risk-per-trade 上限。这不是 alpha 失败，是风控失败。

7.3 最 surprise：双因子在 2024 反弹中跑不赢 SPY

这件事的认知冲击：我们认知里「动量 + 低波 = 防守反击」，结果在 reflexive bull rally 里两个都是反向 factor。Factor 不是永恒的 alpha，是 regime-dependent 的 risk premium。在 risk-on 阶段，β 才是 alpha 的最大来源。

如果再来一次：Q3 风格识别（risk-on / risk-off）应该是因子配置的第一个 gate，而不是死板地 always-on。

---

八、未来 alpha 候选优先级

基于今天的归因，下一阶段的策略优先级：

8.1 优先级表

8.2 优先级决策原则

1. Theta harvesting > Factor α > Event α（按 90 天稳定性排序）
2. Risk-defined > Risk-undefined（IC 减仓，naked option 不碰）
3. High capacity > Low capacity（Wheel 容量大可扩，event trade 容量天花板低）
4. Process maturity weighted：流程跑通的策略优先扩规模，未跑通的先小仓位试

---

九、「我应该继续这条路吗？」

9.1 三个「是」

1. 是 —— 流程跑通 + 心态训练 + 工具栈成熟

• 90 天买到的不是 α，是「能持续做 α」的基础设施。这套东西明年 $50k 资本也能用，跨市场也能用。沉没成本是负的——是已实现的资产。

2. 是 —— 扩规模后 alpha 才能放大

• 当前 $6k 资本下，60 bps/月的 net edge = $36/月 = 不够买杯咖啡。但同一个 edge 在 $50k 上是 $300/月，在 $100k 上是 $600/月。
• 绝对值看着小是因为分母小，不是 strategy 本身的问题。
• 期权策略尤其有「最小有效资本」门槛：Wheel 需要至少能轮 1 张 SPY = $5k+，IC 需要 $20k+ 才能 diversify。$6k 是验证期，$50k 才是执行期。

3. 是 —— 未来 3 年是 compound 关键期

• 我 36 岁，10 年金融背景 + 90 天量化 = 一个非常稀缺的复合简历
• 即便我最终不做职业 quant，这套能力对「PM in fintech / DeFi / RWA」也是绝对加分
• 关键不是「3 年后能不能跑赢 SPY」，是「3 年后我能不能讲清楚一个完整的市场叙事」

9.2 但要警惕的两点

1. 不要让 sunken cost 套住

• 「我花了 90 天，所以必须继续」是典型的 sunken cost fallacy
• 真正应该问：「假设今天从零开始，知道当前数据，我会做这个决策吗？」
• 答案是 yes —— 但前提是清醒地知道为什么

2. 6 个月内如果 OOS Sharpe < 0.5，考虑切纯被动 SPY

• 给自己一个硬指标：Phase 4 结束（再 90 天）时，扣完所有成本的 Sharpe 必须 ≥ 0.5
• 如果做不到，意味着 active 部分长期负贡献，应该把资本切到 SPY core + 极少 satellite
• 这个 trigger 不能因为「我相信」而推迟。写在 ADR 里，到时候 review

9.3 一个 PM 的硬决策

IF (Phase 4 末 Sharpe >= 0.5 AND PnL >= +2%):
    继续 active，资本从 $6k → $20k → $50k 三档放大
ELIF (Phase 4 末 Sharpe in [0, 0.5]):
    保留 Wheel（最稳的 carry），其它策略 sunset
ELSE (Sharpe < 0):
    完全转 SPY core + 5% satellite for fun，停止 active

这就是产品 KPI 思维——预设 success / failure criteria，避免事后找理由。

---

十、PM 视角：90 天归因 = MVP launch 后的 attribution audit

整理一下今天的整体思考框架。

10.1 直接迁移：产品 attribution audit 怎么做

核心方法论一致：任何 launch 之后 90 天都要做 audit；audit 必须区分 noise / luck / skill；audit 结论决定下一阶段资源配置。

10.2 三个产品 attribution 的反面教材

1. 「DAU 涨了，原因是新版本」 —— 没有 control group，可能是季节性
2. 「次留 30% 算不错」 —— 没和上次 cohort 对比
3. 「LTV $50 看起来 OK」 —— 没扣除 CAC 通道差异

对应量化：「PnL +$70 看起来 OK」—— 没和 SPY 对比 / 没扣除 β / 没看 Sharpe / 没考虑样本噪声。坑是同一个。

10.3 给自己 / 给团队的 attribution checklist

□ 总值（absolute）拆出来
□ 跟自然对照（β / baseline）对比
□ 跟预期（backtest / OKR）对比
□ 拆到「来源」级别（不是只看「what」也要看「why」）
□ 评估样本是否足够下结论
□ 区分 skill / luck / noise / regime
□ 列出下阶段决策（continue / scale / kill）
□ 写 ADR：什么条件下 revisit

这套 checklist Day 86 用在量化，Phase 4 用在 A 股策略 audit，Phase 5 还能用在职业生涯 audit。通用的 mental model 就是这八条。

---

十一、明日预告

Day 87: 下阶段 Roadmap — Phase 4 启动准备 + 90 天 lessons 落到执行

• Phase 4 的三大目标（基于今天归因结论）
  • 1. Wheel 实盘从 $1k → $3k，加 IV-rank trigger 和 regime filter
  • 1. 双因子加 VIX-based regime switch，目标在 risk-on 阶段降低 active share
  • 1. qlib A 股因子从研究跑到 paper deploy（不上实盘）
• 暂停 / sunset 的策略：Iron Condor earnings（除非 sample > 50）
• 新增探索：vol arb（VIX futures + UVXY）准备工作
• Sharpe ≥ 0.5 的硬 trigger 落到 monitoring dashboard
• Phase 4 时间表（Day 91-180）粗稿
• 写 Phase 3 retro ADR：把今天的归因结论 codify 进决策记录

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 把 90 天所有 trade 从 IBKR + paper 导出 CSV
• [hh:mm] 按策略归因表跑通（pandas pivot）
• [hh:mm] 按 alpha 源归因表跑通（回归 SPY 拆 β）
• [hh:mm] 滑点 vs 回测假设 diff 算出来
• [hh:mm] 把表和图存到 docs/daily/attribution/day86/
• [hh:mm] 写 Phase 3 retro ADR 草稿
• 卡点 / 学到的：
  • 最难诚实承认的一点：
  • 最 surprise 的归因结果：
  • Phase 4 一定要保留的策略：
  • Phase 4 一定要 kill 的策略：

---

总字数：约 6,300 字 今日完成度：归因 ✓ / 反思 ✓ / 下阶段优先级 ✓