1 阅读
夏普比率的陷阱：为什么 2.0 的策略可能不如 1.0
夏普比率的陷阱：为什么 2.0 的策略可能不如 1.0 > “数字是最容易被操纵的真相——尤其是在你想相信它的时候。” 2019 年，有一只量化基金在私募业绩排行榜上亮瞎了全行业的眼睛：夏普比率 3.2，最大回撤不到 2%。一时间，机构投资者排队进场，管理规模从 2 亿飙升到 50 亿。2020 年 3 月，这只基金单月亏损 34%。净值从 1.23 跌到 0.81。 这不是什么“百年一遇”的黑天
美股
美股市场深度分析，覆盖纳斯达克、纽交所和标普500
0 阅读
拆股前后的价格序列对齐：前复权与后复权的选择陷阱
拆股前后的价格序列对齐：前复权与后复权的选择陷阱 2020 年 8 月，苹果（AAPL）以 1:4 的比例拆股。当日收盘价从约 440 美元跳空至约 110 美元，K 线图上留下一道深深的缺口。 如果你的回测系统从 2015 年开始计算移动平均线，那条从 100 美元附近开始的均线，在 2020 年 8 月之后会突然"跳升"到 400 美元——这显然不是真实的趋势变化，而是数据处理方式造成的假象。
0 阅读
从行情到信号：如何将 TickDB 实时数据接入你的策略引擎
毫秒级响应：实时行情到策略信号的全链路架构设计 数据来了，然后呢？ 这是大多数量化系统最容易被忽视的一环。 你能拿到实时行情——盘口变化、成交推送、K线合成——这些都不难。但数据到了之后，如何让策略在毫秒级别做出反应、如何避免信号抖动导致的频繁开平仓、如何在整个链路中保持稳定性和可观测性，才是真正区分“回测能跑”和“实盘能用”的分水岭。 本文不聊策略本身。我们只讨论一件事：从 TickDB 推送过
2 阅读
算法没有情绪，但写算法的人有：量化交易者的心理陷阱
算法没有情绪，但写算法的人有：量化交易者的心理陷阱 --- > "我知道不该动它，但我就是忍不住。" 说这句话的人，不是第一次入市的散户，而是一位有六年量化经验的老兵。他的趋势策略年化收益 23%，最大回撤控制在 12% 以内——直到他在 2024 年 8 月的某个深夜，手动平掉了三个盈利中的头寸。 理由是"感觉行情要反转"。 三天后，行情确实反转了。但这不重要。重要的是，他的系统在那一刻失效了。
2 阅读
回测第一步：如何高效获取 10 年分钟级美股历史数据
回测第一步：如何高效获取 10 年分钟级美股历史数据 > "回测失败的案例中，80% 不是策略本身的问题，而是数据质量的问题。" > > 这句话在量化社区流传甚广，但多数人只记住了后半句——拼命优化策略，却忽略了一个更前置的问题：你手里的数据是怎么来的？ 2019 年，一位开发者花了整整两周时间下载标普 500 成分股的分钟级数据。结果回测时发现，某些股票的历史数据从 2015 年才完整，早期的数
9 阅读
策略是系统，不是圣杯
策略是系统，不是圣杯 > “在量化交易的漫长职业生涯中，你最大的敌人不是市场，而是你自己构建的那个'完美策略'。” 这是一个几乎每个量化交易者都会经历的心路历程：花费数月研究一个策略，在历史数据上跑出漂亮的夏普比率，上线实盘后却迅速失效。有人怪罪于市场风格的急剧切换，有人归咎于滑点和佣金的吞噬，更多人陷入无尽的自证循环——不断优化参数，不断过拟合，直到彻底失去对策略的信任。 这篇文章不提供“永不失
5 阅读
股债跷跷板监控：用 SPY 和 TLT 的负相关做宏观对冲信号
价格是结果，相关性才是原因 2018 年 2 月 5 日，道琼斯指数在盘中一度暴跌 1593 点，创下当时史上最大单日点数跌幅。量化交易员陈舟盯着屏幕上跳动的 SPY 行情，条件反射地把手搭在了 TLT（美国 20 年期国债 ETF）的平仓键上——教科书告诉他，股市崩盘时，资金会涌向债券，这是"股债跷跷板"最经典的避险场景。 但那天收盘后他发现，自己亏钱了。 不是亏在股市上，而是亏在债市上。那一天
14 阅读
回测的 7 个致命偏差：你中招了几个
回测的 7 个致命偏差：你中招了几个 > 「我用 5 年数据、20 个因子、15 种机器学习模型，跑出了一个年化 87% 的策略。」 > > 然后，实盘亏光了。 这不是段子。这是无数量化新手真实走过的路。回测时觉得自己找到了圣杯，实盘时发现圣杯是纸糊的。大多数情况下，问题不在策略本身，而在回测过程——那些看起来合理、实则隐蔽的偏差，像白蚁一样从内部瓦解你的策略。 本文系统拆解回测中最常见的 7 种
11 阅读
停牌和缺失值：回测中最容易忽视的数据陷阱
停牌和缺失值：回测中最容易忽视的数据陷阱 价格凝固的那一刻，你以为策略在等待 想象这个场景：你的趋势跟踪策略在过去三年跑出了 23% 的年化收益，夏普比率 1.8。你把这个结果交给老板，准备上线实盘。三个月后，策略亏了 12%。 你开始排查：因子没变，仓位没变，执行没变。问题出在哪？ 你把 K 线数据拉出来仔细看——发现有几只股票在某段时期全是同样的收盘价。你以为是数据 bug，但实际上是：停牌。
29 阅读
做市商与暗池：你看不见的另一半市场
做市商与暗池：你看不见的另一半市场 > “公开市场是舞台，暗池是后台。” 想象这样的场景：你在嘉信理财输入一单买入指令——买进 100 股苹果（AAPL），限价 185.50 美元。订单确认后，你看到"已成交：185.49 美元"。比你的报价好了 1 美分。 你不知道的是：这笔成交可能根本没有发生在纽交所或纳斯达克。它可能发生在某个你从未听说过的交易场所——高盛的暗池、摩根大通的内部撮合系统、或者
10 阅读
美股统计套利：跨标的协整配对交易的完整实现
> "价格总会回归，但关键是找到那个'总会'需要多长时间的均值。" 2010 年 4 月 6 日，伦敦证券交易所开盘后 45 分钟内，一只名为 Navigator Holdings 的英国天然气运输船公司股价从 16 便士瞬间闪崩至 0.01 便士。当普通投资者以为捡到便宜疯狂抄底时，没有人意识到这只是两只高度协整股票间的短暂价差——而高频量化团队早已在 300 毫秒内完成了套利。 这不是故事，而
8 阅读
停牌和缺失值：回测中最容易忽视的数据陷阱
停牌和缺失值：回测中最容易忽视的数据陷阱 > "你的策略在 2020 年 3 月的暴跌中表现如何？" > > "完美。我用日线数据跑的，回测收益 47%。" > > "那你用的是哪只股票？" > > "黑豹平台（BlackBerry）。哦等等，它在 3 月底停牌了整整两周。" 这不是段子。在 2020 年 3 月的市场动荡中，超过 40 只美股因财报、并购消息或异常波动而触发临时停牌。对于使用日线
7 阅读
独立量化交易者的生存法则：不是只有进机构一条路
独立量化交易者的生存法则：不是只有进机构一条路 > “你不需要成为高盛的员工，才能在高盛的游乐场里赢钱。但你得先搞清楚：自己带的本金够不够交学费，以及输光之后还能不能重新站起来的。” 这不是一碗鼓励冒险的鸡汤，也不是一篇劝退指南。这是一份基于真实存活率的冷静分析——关于那些选择脱离机构庇护、独立从事量化交易的从业者，究竟靠什么活下来。 --- 一、残酷的存活率：为什么大多数人在第一年就出局 量化行
6 阅读
美联储决议夜的波动监控：利率决议公布后市场怎么走？
凌晨两点，订单簿在呼吸 "Turbulence ahead." 这是 2023 年 3 月 14 日凌晨 2:02 分，CME 联邦基金期货合约的盘口状态。彼时，距离美联储公布 3 月利率决议还有 13 分钟。买卖价差从盘中的 0.01 扩大至 0.03，深度在 150.00 整数关口堆积了超过 500 万美元的挂单量。 这不是偶发现象。在过去 12 年 67 次 FOMC 决议窗口中，有 58
10 阅读
夏普比率的陷阱：为什么 2.0 的策略可能不如 1.0
夏普比率的陷阱：为什么 2.0 的策略可能不如 1.0 价格是符号，波动是语言，而你的指标可能一直在说谎。 2024 年，一位量化开发者兴奋地发了一条朋友圈：“策略夏普 2.3，最大回撤 18%，终于找到圣杯了。”三个月后，他在群里问：“有没有人做过最大回撤超过 60% 以后的心理建设？”夏普 2.3 的策略在 2024 年 Q4 的极端波动中连续触发止损，最终以 63% 的最大回撤收尾。 这不是
10 阅读
多市场监控的时段感知调度：港股午休、美股盘后如何避免误告警
凌晨 3:17，你的飞书收到了一条告警： > 你从床上弹起来抓过电脑，准备紧急排查。打开监控面板看了一眼——亚太盘正常。刷新一下交易软件——行情在走。告警继续响。你开始怀疑系统，怀疑服务器，怀疑是不是有什么神秘力量在作祟。 然后你想起来了：现在是港股午休时间，12:00-13:00 正好没有数据推送。 这种告警，相信每个做过实盘监控系统的人都不陌生。更糟糕的版本是凌晨 4 点告警美股盘后成交量异
15 阅读
熔断与涨跌停：当市场按下暂停键
当订单簿冻结：熔断机制的本质与量化机会 1987 年 10 月 19 日，道琼斯指数单日暴跌 22.6%。交易所的电话被打爆了——不是投资者在抛售，而是经纪商在问：我们的系统还能接单吗？ 那一天暴露了一个根本性缺陷：当市场崩盘时，最需要流动性的时刻，流动性提供者却率先消失。此后的熔断机制设计，本质上是在回答同一个问题：如何让市场在剧烈波动时保持最基本的交易能力？ 理解熔断，不能只停留在“涨跌幅限制
6 阅读
复权与幸存者偏差：回测前必须做的两项数据修正
复权与幸存者偏差：回测前必须做的两项数据修正 “2008 年金融危机期间倒闭的雷曼兄弟，2010 年退市的安然，以及数千家被收购或破产的企业——它们在你使用的历史数据集中吗？” 如果你用当下的指数成分股名单回测过去 20 年，你的策略已经在悄悄享受一种“上帝视角”的优势：被历史淘汰的公司自动从你的股票池里消失了，只剩下活到今天的赢家。 这不是少数人的问题。2011 年，麻省理工学院和芝加哥大学的研
8 阅读
回测收益为何总在实盘中消失：滑点、延迟与容量
量化交易的幽灵：为什么你的策略在回测里是印钞机，到了实盘就哑火 "年化收益 47%，夏普比率 3.2，最大回撤 8%。" 你盯着屏幕上那份回测报告，心跳加速。这是你花了三个月优化的策略，代码逻辑清晰，因子组合优雅，参数寻优覆盖了五年的历史数据。每一个数字都在告诉你：你找到了一条可持续盈利的路。 三个月后，同样的策略跑在真实账户上。年化收益 23%，夏普比率 1.4，最大回撤 19%。 这不是你的策
10 阅读
相关性不等于因果：冰淇淋销量和溺水人数正相关
开篇 "相关性不是因果性"——这是一句被重复了无数遍的统计学公理。 但讽刺的是，在量化交易的世界里，这句话的教训每隔几年就要被重新领教一遍。2015年A股股灾前夕，无数量化策略基于"M2增速与股指的强相关性"建立了"宽松货币→流入股市→上涨"的预测模型。它们在回测中表现优异，在实盘中灰飞烟灭。 原因很简单：M2、股指、GDP，三者共享同一个驱动力——经济周期。把经济周期的代理变量当成预测因子，本质