量化的合法性红线：什么绝对不能碰
我的掌握程度：
先掌握这个答案
三条高压线：①内幕交易：利用未公开的重大信息交易（包括从数据里「偷看」未披露信息的边缘情形）；②操纵市场：幌骗（挂大单营造假供需再撤单）、抢帽子（先建仓再公开推荐）、自成交（左手倒右手做假量）、频繁撤单干扰市场；③利用未授权数据：爬取违反服务条款的数据、购买非法个人信息。另有一类「灰色但危险」：与合规边界摩擦的行为（如下单速率过快触发监管关注）。
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。
打开术语词典，随时查阅基础概念。
背景 · 从一个困惑说起
2015年「伊世顿」案：境外团队用高频程序化交易操纵股指期货，非法获利20多亿，主犯获刑。2013年光大「乌龙指」后对冲操作被认定内幕交易。技术是中性的，使用方式有法律边界。
由此产生的问题
量化相关的法律红线具体有哪些？「技术无罪」为什么不成立？
核心概念
三条高压线：①内幕交易：利用未公开的重大信息交易（包括从数据里「偷看」未披露信息的边缘情形）；②操纵市场：幌骗（挂大单营造假供需再撤单）、抢帽子（先建仓再公开推荐）、自成交（左手倒右手做假量）、频繁撤单干扰市场；③利用未授权数据：爬取违反服务条款的数据、购买非法个人信息。另有一类「灰色但危险」：与合规边界摩擦的行为（如下单速率过快触发监管关注）。
为什么需要它
①职业生命线：一次违规=终身禁业+刑事责任，量化圈很小、记录很长；②技术不能作为抗辩：幌骗用算法执行依然是幌骗，「程序自动做的」不免责；③监管趋势：程序化交易报备制、异常交易监控常态化（q-074）——懂规则是入行前提而不是选修课。
实际应用场景
实务习惯：策略上线前过合规 checklist（下单频率、撤单率、自成交检测）；数据来源审查（授权、脱敏）；对外表达谨慎（不荐股——「抢帽子」的认定标准比你想象的宽）。
与之前知识的联系
q-008量化定义的法律面。q-070另类数据的爬虫合规在红线框架下审视。下一题看监管如何具体落地为程序化交易规则。
⚠ 常见误解
- 市场操纵离我很远：幌骗的定义看行为不看规模——个人程序化撤单率高同样可能触碰
- 公开推荐股票是言论自由：先买入再推荐（哪怕真诚看好）即构成「抢帽子」违法要件
- 别人都这么爬数据：违反robots/服务条款的爬取在司法实践中有判侵权案例，商用风险更高
🛠 本题实践任务
查一个量化相关处罚案例（证监会官网/新闻：内幕交易、幌骗、操纵市场任一），写100字摘要：谁、做了什么、依据什么条款、后果。
💡 提示（先自己想5分钟再看）
搜索「证监会 程序化 处罚」「幌 Spea 首例」等关键词；伊世顿案、光大案都是经典样本。
✅ 验收标准
一份案例摘要。入行第一课不是怎么赚钱，是什么不能做——这是从业者与赌徒的分界。
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
🤖 AI导师
导师会先检查你的前置知识（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。