Alpha 从哪来，又到哪去
"在华尔街，有两种钱：一种来自赌博，一种来自创造价值。问题是，大多数人分不清自己赚的是哪一种。" —— 华尔街谚语
2015 年 9 月，一个名为 LSTM 的技术指标策略在私募圈疯传。回测数据显示，在 A 股小市值因子主导的年代，该策略年化收益超过 120%，夏普比率 3.8，最大回撤不足 8%。
到了 2018 年底，同一个策略的年化收益跌至 18%，夏普比率 0.9，最大回撤扩大至 35%。
这不是策略失灵，而是阿尔法死了——或者说，阿尔法被它的发现者和后来者瓜分殆尽。
理解 Alpha 从哪来、为何会衰减、向何处去，是每一个量化从业者的第一性命题。本文从市场微观结构出发，拆解阿尔法的生与死。
一、回到原点：Alpha 到底是什么
在学术语境中，阿尔法（α）指投资组合相对于基准的超额收益：
$$R_p = \alpha + \beta \cdot R_b + \epsilon$$
但这个公式容易让人产生误解——仿佛 Alpha 是某种可以凭空产生的收益。事实恰恰相反：Alpha 是从别人口袋里转移过来的钱。
1.1 零和游戏的数学本质
如果忽略交易成本和市场冲击，股票市场的总收益来自两部分：
- 贝塔收益：承担市场风险获得的平均回报
- 阿尔法收益：从其他参与者那里争夺来的超额回报
换个更清晰的视角：在一个封闭市场（没有新资金流入流出）中，所有参与者的阿尔法之和等于零（忽略交易成本）。
这意味着一个朴素的真理：
你赚的每一分 Alpha，都是某个人亏的。
这不是道德判断，而是数学约束。
1.2 阿尔法的三种来源
理解了零和本质，我们就可以追问：那为什么有人愿意成为"输钱的人"？
阿尔法的来源有三层，分别对应三种不同的信息不对称：
| 来源 | 信息不对称类型 | 典型例子 | 持续性 |
|---|---|---|---|
| 信息优势 | 我知道，你不知道 | 财报提前泄露、政策内幕 | 极短（法律风险+有效传播） |
| 认知优势 | 我们都看到，但你理解错了 | 错误定价、被忽视的因子 | 中等（取决于被发现的速度） |
| 执行优势 | 我们想法相同，但我更快 | 高频交易、co-location | 极短（军备竞赛） |
认知优势是阿尔法最持久、最可规模化的来源。 本文后续讨论将聚焦于此。
二、认知差的生意：因子 Alpha 的生与死
2.1 因子 Alpha 的本质是"错误定价"
当量化研究员说"市值因子有阿尔法"，这句话的完整含义是：
市场对小市值股票的定价系统性地偏高（或偏低），导致做多小市值、做空大市值的策略能够获得超额收益。
这种错误定价可能源于：
- 机构投资者的流动性约束：大资金无法买入小市值股票，导致小市值股票定价偏低
- 散户的行为偏差：追逐热点、炒小炒新
- 市场结构的阶段性特征：IPO 管制、壳资源价值
因子 Alpha 的本质，是市场参与者集体认知偏差的量化表达。
2.2 因子 Alpha 的生命周期：四阶段模型
任何因子的 Alpha 都会经历以下四个阶段：
阶段一：发现期 ──► 阶段二：验证期 ──► 阶段三：拥挤期 ──► 阶段四：失效期
↑ ↑ ↑ ↑
发现者少量测试 同行跟进验证 规模资金涌入 反向套利主导
阶段一：发现期
2012 年前后，A股小市值因子被少数私募基金发现并持续盈利。这一阶段的特点：
- 只有少数人知道并使用
- 因子有效性最强，但资金容量有限
- 回测样本量小，统计显著性低
阶段二：验证期
随着因子被发表在学术期刊或量化社区（JoinQuant、聚宽等），更多研究者开始验证和复现。2013-2015 年是小市值因子最甜蜜的时期：
| 指标 | 2013年 | 2014年 | 2015年 |
|---|---|---|---|
| 小市值因子 IC 均值 | 12.3% | 9.8% | 7.1% |
| IC 胜率 | 78% | 71% | 65% |
| 因子分组回测收益差 | 45% | 38% | 29% |
（数据来源：某量化私募内部研究，2016）
阶段三：拥挤期
当因子被广泛认知，涌入的资金超过因子能够承载的容量边界，Alpha 开始快速衰减。典型信号：
- 因子 IC 胜率下降
- 因子换手率被迫提高（大家都在抢同样的机会）
- 冲击成本显著上升
2016 年，A股小市值因子开始显著衰退。背后的原因包括 IPO 加速（壳资源价值下降）和机构化程度提升（散户减少）。
阶段四：失效期
最终，因子可能被完全定价，或者市场结构发生根本性变化，小市值因子彻底失效。
三、谁在亏钱：市场参与者的生态图谱
理解了阿尔法的来源，我们需要追问：谁在为量化交易者"付账"？
3.1 散户：最大的 Alpha 供给方
行为金融学研究表明，散户是量化阿尔法最主要的来源。以下是散户典型行为偏差及其量化表达：
| 行为偏差 | 量化表现 | 量化策略的利润来源 |
|---|---|---|
| 处置效应 | 盈利股票过早卖出，亏损股票死扛 | 趋势跟踪、动量策略 |
| 过度自信 | 交易频率过高，忽视风险 | 高频量价策略 |
| 羊群效应 | 追涨杀跌，追逐热点 | 反转策略、事件驱动 |
| 本土偏好 | 过度持有本国资产 | 跨境套利、全球配置 |
| 锚定效应 | 股价围绕买入价波动 | 均值回归策略 |
以处置效应为例：投资者倾向于卖出盈利股票而保留亏损股票。这种行为导致盈利股票被低估（因为卖得太快），亏损股票被高估（因为持有太久）。
量化策略如何从中获利：
- 趋势跟踪：利用"盈利卖、亏钱持"形成的动量
- 反转策略：当涨势过度时做空（因为处置效应投资者迟早会获利了结）
3.2 其他量化基金：因子拥挤的囚徒困境
当多个量化基金使用相似的因子，它们之间的关系从"猎手与猎物"变成"互相收割"。
经典的囚徒困境场景：
因子 Alpha 为 10%，单只基金使用可获 8%（扣除成本后）。
但当 10 只基金同时使用：
- 冲击成本上升，每家实际 Alpha 降至 3%
- 部分基金试图高频交易抢跑，又推高成本
- 最终均衡：大家都没赚到超额收益
因子拥挤的本质是公地悲剧（Tragedy of the Commons）：因子是公共资源，每个参与者都理性地最大化自己的利益，但集体理性被破坏。
3.3 高频与低频的食物链
在执行速度维度上，量化交易形成了一条食物链：
超高频 (微秒级) ──► 高频 (毫秒级) ──► 低频 (日级) ──► 基本面 (季度)
│ │ │ │
▼ ▼ ▼ ▼
吃散户订单流 吃 ETF 套利 吃因子 Alpha 吃盈利增长
每一层的"食物"来自上一层：超高频吃掉的是散户市价单的冲击成本；高频吃掉的是 ETF 的人为错误定价；低频因子策略吃掉的是散户的行为偏差。
这解释了为什么巴菲特的超额收益来源不是高频交易，而是公司基本面驱动的价值创造——那是真正非零和的收益。
四、Alpha 为什么会衰减：四种核心机制
4.1 信息扩散：从"我知道"到"大家都知道"
当一个错误定价被发现，信息开始扩散。扩散速度取决于：
- 信息披露程度：学术发表、社区讨论、媒体报道
- 执行门槛：策略需要多少资金、技术、人才才能复制
- 市场效率：有多少聪明人在观察同一个机会
典型的信息扩散曲线：
| 阶段 | 时间 | 知道的人 | Alpha 损耗 |
|---|---|---|---|
| 暗知识 | 0-2年 | 少数发明者 | 0-20% |
| 半透明 | 2-5年 | 学术圈+私募 | 20-50% |
| 公开知识 | 5-10年 | 散户+公募+私募 | 50-80% |
| 常识 | 10年+ | 所有市场参与者 | 80-100% |
市值因子在 A 股从"有效因子"变成"常识"，大约经历了 10 年（2005-2015）。
4.2 资金涌入：容量边界与边际效益递减
当资金涌入同一策略，Alpha 的"蛋糕"被更多人分食。
资金量与 Alpha 衰减的关系可以用以下公式近似表达：
$$\alpha_{实际} = \alpha_{理论} - k \cdot \ln\left(\frac{V}{V_{最优}}\right)$$
其中：
- $\alpha_{理论}$：理论 Alpha（忽略容量）
- $V$：实际管理规模
- $V_{最优}$：策略的最优容量（Alpha 不显著下降的最大规模）
- $k$：衰减系数（取决于市场流动性）
关键洞察：策略容量存在硬边界，超过边界后 Alpha 会快速归零甚至变负。
4.3 市场的自我进化：学习效应
市场参与者会学习，会适应。当足够多的参与者知道"小市值溢价"存在，他们会：
- 提前买入小市值：推高买入价格，降低未来收益
- 延长持有期：减少交易频率，锁定收益
- 开发小市值做空策略：对冲或反向获利
这种适应行为本身会改变市场的微观结构，导致原有因子失效。
一个著名的例子：1960 年代"股价遵循随机游走"的发现，本身就削弱了纯随机游走策略的生存空间——因为当所有人都相信股价不可预测，主动管理型基金减少，被动指数投资的崛起反而创造了新的定价偏差。
4.4 监管与市场结构变迁
外部环境的根本性变化可能导致因子永久失效：
| 事件 | 受影响的因子 | 影响机制 |
|---|---|---|
| 2015 年股灾 + 救市 | 小市值因子、杠杆因子 | 国家队干预改变价格发现机制 |
| 2017 年 IPO 加速 | 壳价值因子 | 壳资源稀缺性下降 |
| 2020 年疫情 | 低波动因子 | 极端事件打破"低波动=高收益"规律 |
| 注册制推行 | 多种套利因子 | 定价效率系统性提升 |
五、Alpha 的未来：三条进化路径
5.1 路径一：因子迭代——从单因子到多因子融合
传统多因子模型（EAPT、CAPM）建立在简化的市场假设上。当单一因子拥挤，研究者开始探索：
- 异质因子：挖掘与传统因子低相关的 Alpha 来源
- 非线性因子：捕捉因子之间的交互效应
- 另类因子：基于卫星数据、NLP 舆情、供应链信息的新因子
核心逻辑：找到还没被"大众化"的认知差。
5.2 路径二：执行进化——从预测到执行的闭环
当 Alpha 预测趋于同质化，执行层面的差异化成为新的竞争点：
| 执行维度 | 传统模式 | 进化方向 |
|---|---|---|
| 订单路由 | 固定券商 | 智能拆单、最小化市场冲击 |
| 时机选择 | 固定时间 | VWAP/TWAP + 盘中信号 |
| 成本控制 | 事后归因 | 实时 TCA (Transaction Cost Analysis) |
执行优化的 Alpha 来源：减少冲击成本、获取流动性回扣、避免信息泄露。
5.3 路径三：规模降维——从"大而全"到"小而美"
当管理规模超过策略容量边界，主动降规模反而是明智选择。
案例：Two Sigma 的旗舰策略在 2018 年限制外部投资者参与，只接受原有客户资金。这一决策背后的逻辑是：容量约束下，保留 Alpha 比管理规模更重要。
对于小型量化团队或个人研究者，聚焦于容量边界内的策略，反而比盲目追求规模更能保持 Alpha 活力。
六、实践框架：如何在 Alpha 衰减中生存
6.1 信号体系：监测因子健康度
建立因子 Alpha 的预警指标体系：
| 指标 | 警戒阈值 | 含义 |
|---|---|---|
| IC 均值（20日移动平均） | < 3% | 因子预测能力下降 |
| IC 胜率（最近60日） | < 55% | 稳定性不足 |
| 因子分组收益离散度 | < 0.5% | 分组间差异不显著 |
| 因子换手率变化 | 较上月 +30% | 拥挤信号 |
| 因子相关性（与市场指数） | > 0.7 | 可能已被指数化 |
6.2 策略迭代节奏
根据因子生命周期，制定迭代节奏：
月度：因子 IC 监控 + 参数微调
季度：因子有效性复盘 + 备选因子激活
年度：策略架构评估 + 市场结构研判
6.3 仓位管理与风险控制
当 Alpha 信号减弱，仓位管理是最后的防线：
def dynamic_position_sizing(
base_position: float,
ic_recent: float,
ic_historical_avg: float,
factor_turnover: float,
max_leverage: float = 1.0
) -> float:
"""
基于因子健康度的动态仓位调整
参数:
base_position: 基础仓位（因子 IC 最优时的仓位）
ic_recent: 最近 IC 均值
ic_historical_avg: 历史 IC 均值
factor_turnover: 当前因子换手率
max_leverage: 最大杠杆限制
返回:
调整后的仓位
"""
# IC 衰减系数：IC 下降则降低仓位
ic_ratio = ic_recent / ic_historical_avg if ic_historical_avg > 0 else 0
ic_factor = max(0.0, min(1.0, ic_ratio)) # 限制在 [0, 1]
# 换手率惩罚：换手率过高意味着拥挤，降低仓位
# 正常换手率假设在 50%-100% 之间
turnover_penalty = 1.0 - max(0, (factor_turnover - 0.5) * 0.5)
# 综合调整系数
adjustment = ic_factor * turnover_penalty
# 最终仓位
position = base_position * adjustment
return min(position, max_leverage * base_position)
使用逻辑：
- 当 IC 下降到历史均值的 50%，仓位降至 50%
- 当换手率超过 80%（拥挤信号），再额外惩罚 15%
- 极端情况下（IC 接近 0 或换手率异常高），仓位可降至 10% 以下
七、结语：与 Alpha 共舞
回到开篇的问题：你赚的钱，是谁亏的？
答案是：这是一个动态的答案。Alpha 的来源会随着市场结构变化而迁移——今天的阿尔法可能来自散户的行为偏差，明天可能来自机构投资者的认知局限，后天可能来自市场制度的漏洞。
Alpha 不会消失，但会持续流动。
那些能够持续发现并保护认知差的玩家，会成为阿尔法的供给者；那些反应迟钝、认知固化的玩家，会成为阿尔法的买单者。
这不是零和游戏的诅咒，而是市场效率不断提升的过程。每一个 Alpha 的消亡，都意味着市场向更有效的方向迈进一步——而新的 Alpha，会在新的认知盲区中诞生。
对量化从业者的最终建议：
- 永远不要把 Alpha 当作永久资产：它是有半衰期的，需要持续投入研究和迭代
- 理解你 Alpha 的来源：知道钱是从谁的口袋里来的，才能预判这种转移会持续多久
- 保持研究的多样性：单一因子是脆弱的，多元化的因子组合才能穿越周期
- 敬畏市场容量：知道什么时候该扩张，什么时候该收缩
市场在变，Alpha 在流。唯有持续进化，才能在这场永不休止的认知竞赛中，留在赢家的牌桌上。
风险提示：本文不构成任何投资建议。量化策略存在固有风险，包括但不限于模型过拟合风险、市场结构变化风险、流动性风险及极端行情风险。历史 Alpha 表现不代表未来收益。