阶段1量化全景●●●●●

量化投资的完整工作流是什么？（全局地图）

我的掌握程度：

q-010精讲

先掌握这个答案

量化工作流六大环节（闭环）： ① 数据 → 获取和清洗行情、财务数据（垃圾进=垃圾出） ② 因子 → 从数据中提炼预测信号（Alpha的原料车间） ③ 回测 → 在历史数据上检验策略（产品上市前的"临床试验"） ④ 组合与风控 → 把信号变成持仓，控制风险暴露（质检与安全科） ⑤ 实盘执行 → 算法下单，对抗滑点与冲击（生产线） ⑥ 监控与复盘 → 归因今天的盈亏，改进模型（研发部）复盘的产出回流到①②——循环往复，永不停机。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

本阶段实战方法 · 把行情数字变成可比较的收益

看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。

选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。

使用边界

不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。

不懂的术语：滑点（Slippage）Alpha（阿尔法）因子（Factor）Alpha 信号（Signal）回测（Backtest）

背景 · 从一个困惑说起

新手以为量化就是"一个厉害的公式"。但走进任何一家量化私募：早上8点数据管道自动更新，9点因子重算完毕，10点优化器给出目标持仓，盘中算法拆单执行、风控盯着回撤，盘后复盘归因——赚钱的不是天才公式，而是一条每天循环的流水线。

由此产生的问题

如果量化是一套"生产Alpha的工厂"，它的车间是怎么布置的？原材料从哪进、产品从哪出、质检在哪一环？——先看懂全景，才知道后面9个阶段各自在学工厂的哪个车间。

核心概念

为什么需要它

①地图效应：知道全貌后，每个具体知识都有了坐标——你不会再问"学这个有什么用"，因为你知道它在流水线上的位置；②风险意识：任何一环出错（数据有未来函数、回测没算成本、风控失灵）都会让"好策略"亏真钱——量化工厂的事故往往不是模型不聪明，而是流水线上的一颗螺丝松了；③职业定位：六大环节对应不同岗位（数据研究员/因子研究员/量化开发/交易员/风控），你未来的简历投向哪里，取决于你最爱哪个车间。

实际应用场景

本课程的10个阶段就是这条流水线的展开：阶段2-4=数据车间（工具与编程），阶段5=因子车间，阶段6=回测与组合，阶段7=风控，阶段8=升级版因子车间（机器学习），阶段9-10=实战与上岗。你已完成阶段1——理解了工厂存在的意义：生产Alpha（q-007），并用正期望+大数定律（q-009）把小优势滚成利润。

与之前知识的联系

本题把前面所有概念串成生产线：收益率（q-001）是数据车间的产品度量；指数（q-004）是回测车间里的"对照组"；风险（q-005）是风控车间要控制的对象；Beta/Alpha（q-006/007）是组合车间的核心语言；正期望（q-009）是整条流水线存在的数学理由。恭喜——阶段1毕业，你已拥有整张地图。

⚠ 常见误解

策略=一行神秘公式：公式只是因子车间的一件产品，没有数据/回测/风控/执行支撑，公式一文不值
上线了就一劳永逸：因子会衰减、市场会变化，监控与复盘是永不停机的车间（Alpha的自我毁灭是常态）
先学实盘再说：正确的顺序是数据→因子→回测（先证伪再上真金白银），直接实盘=跳过临床试验的新药

🛠 本题实践任务

画一张属于你的"量化工厂图"：拿一张纸，画出六个车间（数据→因子→回测→组合风控→实盘→监控复盘），在每个车间下写一句话：它做什么+它出错会发生什么。画完后拍照存档，这是你阶段1的毕业证书。

💡 提示（先自己想5分钟再看）

参考本题解释中的六环节，但一定要用自己的话改写。出错案例可以在「误解」栏找灵感（如：数据环节用了未来信息→回测虚高）。

✅ 验收标准

六车间齐全，每车间有"做什么"和"出错后果"两句话。完成后：①去首页把本阶段所有题目标记掌握；②在地图页看看点亮的知识树；③准备进入阶段2（需阶段1掌握80%解锁）。

Python 练习区

在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。

Python · 独立工作线程 · 执行限时10秒
# 用60行以内的伪代码预览整条流水线（阶段6你将亲手写完整版）
import numpy as np
import pandas as pd

# ① 数据（演示用随机数据代替真实行情）
rng = np.random.default_rng(1)
prices = pd.DataFrame(100 + np.cumsum(rng.normal(0, 1, (250, 50))))  # 50只股票250天

# ② 因子：20日反转（跌得多的得分高）
momentum = prices.pct_change(20)
factor = -momentum.iloc[-1]

# ③ 回测：按因子分组看未来10天收益
future_ret = prices.pct_change(10).shift(-10).iloc[-21]  # 未来收益（注意：只能研究用！）
top, bottom = factor.nlargest(10), factor.nsmallest(10)
print(f"多头组未来10天平均收益: {future_ret[top.index].mean():.2%}")
print(f"空头组未来10天平均收益: {future_ret[bottom.index].mean():.2%}")

# ④ 组合与风控 → ⑤ 实盘执行 → ⑥ 监控复盘
# （阶段6-7的内容：成本假设、仓位控制、滑点、归因）
print("\n↑ 这就是流水线的前三环。阶段6见！")

🤖 AI导师

导师会先检查你的前置知识（指数与基准、Alpha、量化交易），再用案例、公式和代码帮助理解。此功能需要先启用服务。