当用户都去问 AI 了，你的品牌为什么没出现在推荐名单里？
2026/9/2 8:01:47
量化金融基础：行话 🎯
每个行业都有自己的行话，量化圈尤甚——策略、因子、信号、Alpha、Beta、夏普比率……不懂这些词，看再多的代码也是雾里看花。
文章目录
- 量化金融基础：行话 🎯
- 3.1 一笔量化交易的一生 🎬
- 3.2 核心量化术语 📚
- 3.3 金融基本概念 🏦
- 📈 股票（Stocks）
- 🧺 投资组合（Portfolio）
- 🛡️ 风险管理（Risk Management）
- 💰 收益（Return）
- 3.4 进阶概念🎓
- 3.5 必会指标的计算 🧮
- 📊 指标公式速查表
- 🐍 Python 一键验证
- 3.6 概念之间的关系 🕸️
3.1 一笔量化交易的一生 🎬
假设要做一个“茅台均线策略”：
| 步骤 | 概念 | 英文 | 具体内容 | 💡 通俗类比 |
|---|---|---|---|---|
| ① | 因子 | Factor | 50日均线、200日均线 | 选股的“参考指标” 📏 |
| ② | 信号 | Signal | 短期均线上穿长期均线 → 买入触发 | 扣动扳机的瞬间 🔫 |
| ③ | 策略 | Strategy | 金叉买入、死叉卖出（完整买卖规则） | 交易的“作战计划” 🗺️ |
| ④ | 模型 | Model | 均线交叉模型的数学表达 | 市场的“沙盘模型” 🧩 |
| ⑤ | 回测 | Backtesting | 用 5 年历史数据验证策略效果 | 策略的“模拟考” 📝 |
| ⑥ | 上线 | Go-live | 实盘运行 | 从考场走向战场 ⚔️ |
| ⑦ | 资金管理 | Money Management | 控制每笔投入仓位、设定止损线 | 别把鸡蛋放一个篮子 🧺 |
解读这条主线：
- 观察现象：我们发现“均线”（一种因子）的交叉似乎预示着趋势变化。
- 触发条件：当“短均线上穿长均线”时，系统发出买入信号（Signal）。
- 制定规则：“什么情况下买、什么情况下卖”的完整规则，就是策略（Strategy）。
- 数学表达：这套规则的数学描述，就是模型（Model）。
- 模拟考：策略先在历史数据上“跑一遍”——这叫回测（Backtesting）。
- 实战：成绩合格后实盘运行，同时用资金管理（Money Management）控制每笔投入多少、何时止损。
🛑止损（Stop Loss）：价格跌破预设底线时强制卖出离场，用一笔小额的确定亏损，防止未来可能出现的大额亏损。💡壮士断腕，保住本金。
🎯核心链路：
因子 → 信号 → 策略 → 模型 → 回测 → 实盘 + 资金管理
——整个量化世界都围绕它展开。
3.2 核心量化术语 📚
| 术语 | 英文 | 解释 | 类比 |
|---|---|---|---|
| 策略 | Strategy | 定义何时、何地、以何种条件买卖的完整系统 | 交易的“作战计划” 🗺️ |
| 因子 | Factor | 衡量资产/市场特征的数值（价格、均线、市值……） | 选股的“参考指标” 📏 |
| 信号 | Signal | 根据策略和因子生成的买入/卖出指令 | 扣动扳机的瞬间 🔫 |
| 模型 | Model | 用数学表示市场行为，从简单统计到深度学习 | 市场的“沙盘模型” 🧩 |
| 回测 | Backtesting | 在历史数据上模拟评估策略，需警惕过拟合 | 策略的“模拟考” 📝 |
| Alpha | α | 相对市场基准的超额收益，正值 = 策略比市场强 | 真本事赚的钱 💰 |
| Beta | β | 投资组合相对市场的敏感度：>1 更激进，<1 更保守 | 跟随大盘的“心跳幅度” ❤️ |
| 夏普比率 | Sharpe Ratio | （策略收益率 − 无风险利率）/ 策略波动率 | 每承受一分颠簸换来几分收益 🎢 |
| 最大回撤 | Max Drawdown | 历史上任一时期可能的最大亏损百分比 | 最惨时亏掉几成 😰 |
| 资金管理 | Money Mgmt | 控制仓位、分散投资以保护本金 | 别把鸡蛋放一个篮子 🧺 |
🧠Alpha 与 Beta 的直觉理解：基金今年赚了 15%，大盘涨了 10% —— 那么约 10% 是“随大盘水涨船高”的 Beta 收益，剩下约 5% 才是策略真正的 Alpha 收益。量化的终极追求就是：最大化 Alpha，控制 Beta。
3.3 金融基本概念 🏦
📈 股票（Stocks）
股票是公司的所有权证券，代表对公司一部分所有权。购买股票意味着成为公司的股东，并有权分享公司的利润（分红）。
🧺 投资组合（Portfolio）
由多种不同资产（股票、债券、期货等）构成的一揽子投资。通过构建组合，投资者可以分散风险、提高收益潜力 —— 单只股票暴雷，对整体组合的冲击有限。
🛡️ 风险管理（Risk Management）
通过识别、衡量和控制潜在风险来保护投资的方法。在量化金融中，常用统计学和数学模型来评估和管理组合风险（如计算VaR、设定止损线、控制仓位）。
💡仓位（Position Sizing）：投入市场的资金占总资金的比例。买多少永远和买什么一样重要，仓位管理是风控的第一道闸门。
💰 收益（Return）
投资的盈利，通常以百分比表示。投资者追求最大化收益，但必须同时考虑风险 ——收益与风险永远是一枚硬币的两面。
3.4 进阶概念🎓
| 概念 | 英文 | 核心思想 |
|---|---|---|
| 算法交易 | Algorithmic Trading | 用预定规则和数学模型交易，程序高速高效执行 |
| 量化模型 | Quantitative Models | 基于历史数据/技术面/基本面分析预测市场的数学模型 |
| 高频交易 | High-Frequency Trading | 以极快速度交易，赚取极短时间内微小利润 |
| 套利 | Arbitrage | 同时买卖同一/相似资产，利用价格差获得低风险利润 |
| 蒙特卡洛模拟 | Monte Carlo Simulation | 生成大量随机样本模拟市场不确定性，评估组合的风险与收益 |
💡蒙特卡洛模拟
就像让计算机把未来市场“重演”一万遍 —— 每一遍随机走出一条不同的路径 —— 然后统计：最坏情况亏多少？最好情况赚多少？从而对不确定性心中有数。
3.5 必会指标的计算 🧮
📊 指标公式速查表
🐍 Python 一键验证
# ② 年化收益率：3 个月（90 天）赚 5%annualized=(1+0.05)**(365/90)-1print(f"年化收益率 ={annualized:.1%}# (1.05)^(365/90) - 1")# ③ 夏普比率：策略年化 15%，波动率 10%，无风险利率 2%sharpe=(0.15-0.02)/0.10print(f"夏普比率 ={sharpe:.1f}# (15% - 2%) / 10%")# ④ 最大回撤：净值 100 → 150 → 90nav=[100,150,90]running_max,mdd=nav[0],0.0forvinnav:running_max=max(running_max,v)mdd=max(mdd,(running_max-v)/running_max)print(f"最大回撤 ={mdd:.0%}# (150 - 90) / 150")运行结果（Python 3.12）：
🐍 完整的 Python 实现函数会在 7.4 节给出，此处先建立直觉。
3.6 概念之间的关系 🕸️
它们不是孤立的，而是相互连接、反馈优化的系统：
- 因子是模型的输入特征（如均线、市值）；
- 模型根据因子生成信号；
- 策略是信号和规则的合集；
- 执行后进入回测，计算绩效指标；
- 绩效反馈给策略和资金管理，形成闭环优化。
💡 量化不是“一次性工程”，而是一个不断迭代、反馈、优化的循环。理解了这个关系网，就掌握了量化研究的全局地图。