量化因子平台 · 使用手册

为什么需要因子？

主观选股依赖经验直觉，存在三个硬伤：不可验证（"这只股票近期涨得好"——好到什么程度？和谁比？）、不可复制（今天觉得好和明天觉得好可能标准不同）、不可回测（无法在历史数据上验证逻辑是否有效）。

因子把投资逻辑数字化：MOM20 = (今日收盘价 - 20日前收盘价) / 20日前收盘价。有了精确数值，就能在全市场排序、在历史上回测、在不同股票间横向比较。因子是让投资逻辑从"我感觉"变成"数据说"的第一步。

为什么要预计算而不是用时算？

全市场 5000+ 只股票、35+ 个因子，如果每次选股或回测时实时计算，单次请求需要数分钟。预计算后存入 ClickHouse，查询时直接读取，响应在毫秒级。

更关键的是增量计算：每日收盘后只需计算最新一天的因子值（昨天之前的数据没变）。全量算 3 年数据可能要 30 分钟，增量算 1 天只需几秒。

为什么需要验证？

因子计算涉及多数据源拼接、复权处理、缺失值填充，任何环节出错都会导致因子值异常。比如某只股票 MOM20 突然变为 500%（正常不超过 50%），可能是复权因子错误或除零异常。因子值查看是发现问题最快的方式。

为什么不能"凭经验判断因子有没有用"？

人脑擅长事后解释（"这个因子当然有效，因为它衡量了动量"），但不擅长事前预测。一个因子可能在 2020 年表现极好、2021 年完全失效，如果只看 2020 年的数据就会得出错误结论。

因子测试的核心目标：用统计方法替代主观判断，在足够长的历史区间上验证因子是否有稳定的、统计显著的预测能力。平台用IC 法 + 分组法双重验证，因为两者各有所长、互为补充。

IC 为什么能衡量因子有效性？

IC 本质上回答一个问题："因子值高的股票，下期收益是不是也高？" 如果是，IC 为正且越大越好。

IC 是横截面相关系数——同一天对所有股票，算"因子值排名"和"下期收益排名"的相关性。如果这个相关性在大多数交易日都为正，说明因子确实有预测方向的能力。

但 IC 有三个盲区：

• 只看线性关系：如果因子对 Top 10% 极有效、对中间 80% 完全无效，IC 会把这两部分平均掉，显示"中等有效"——但实际上因子只在极端区域有效
• 不告诉你收益幅度：IC=0.05 意味着有正相关，但不告诉你 Top 组比 Bottom 组多赚多少。可能统计显著但经济无意义（年化多赚 0.1%）
• 不告诉你单调性：因子值从第 1 名到第 10 名的收益是否依次递增？IC 只给一个汇总数字，看不出分布形状

分组法为什么能弥补 IC 的盲区？

分组法直接回答 IC 无法回答的问题："如果我按因子值选股，实际能赚多少？"

• 看分布形状：分组后看每组收益，如果从 Q1 到 Q5 收益依次递增，说明因子在整个分布上都有效（单调性好）。如果只有 Q1 大幅赚钱、Q2-Q5 差不多，说明因子只在极端区域有效——容量有限，只适合小资金
• 看收益幅度：Top 组年化 15%、Bottom 组年化 -5%，多空收益 20%——这是 IC 无法告诉你的经济意义
• 看非线性：如果 Q1 赚钱、Q2 亏钱、Q3 又赚钱，说明因子和收益不是线性关系——IC 值会很低（因为 IC 假设线性），但分组法能清楚看到问题

为什么必须 IC + 分组双重验证？

两者结论可能不一致，而不一致本身就是重要信息：

• IC 显著但分组单调性差：因子整体有方向预测力，但不是"值越高越好"。可能需要做非线性变换（如取绝对值或分段）
• 分组单调但 IC 不显著：因子在极端区域有效（Top 10% 大幅赚钱），但中间区域无效。IC 把大部分权重给了中间区域拉低了平均值。这种因子适合做阈值筛选而非全市场排序
• 两者都显著：因子既方向正确又经济有效，最理想的情况
• 两者都不显著：因子无效，直接弃用

平台判断标准：满足 8 条标准中任意 3 条以上才有参考价值。以分组法为主——因子最终要能选出赚钱的股票。

为什么 |IC| < 0.015 的因子直接剔除而非反转使用？

IC 为负的因子可以反向使用——值越低收益越高，这本身是有价值的信息。但 |IC|<0.015 时，IC 值在统计上不显著——可能是随机波动的噪声，也可能是真实但极弱的信号。

如果对噪声因子做反转，相当于"对随机噪声取反"——结果仍然是随机噪声。更糟糕的是，噪声因子加入多因子组合后会稀释有效因子的信号。所以直接剔除是比反转更安全的选择。

不做正交化会怎样？

假设策略同时用 MOM20 和 MOM60，相关性 0.8。你给它们各 20% 权重，以为动量总权重是 40%。但实际上它们携带的信息有 80% 重叠——实际动量信息权重接近 36%，而非 40%。

更严重的是，如果再加一个 MOM5（与 MOM20 相关 0.9），你以为加了三个不同因子做了分散化，实际上你在同一信息上加了三倍杠杆。一旦动量因子失效，三个因子同时失效，组合遭遇集中打击。

正交化就是：对每个因子，把它能被其他因子解释的部分剥离掉，只保留"其他因子无法解释的独立信息"。正交后因子间相关性为零，每个因子的权重真正代表它对组合的独立贡献。

为什么因子会衰减？

市场是自适应的——如果一个因子持续有效，越来越多的投资者会发现并使用它，套利行为会逐步消除这个 Alpha。这就是"因子拥挤"的本质。

衰减速度因类型而异：动量因子衰减快（半衰期通常 3-10 天）；价值因子衰减慢（半衰期可达 30-60 天）。

知道衰减速度有什么用？调仓频率必须匹配衰减速度。衰减快的因子如果月频调仓，信号早已过期——你交易的是上个月的动量。衰减慢的因子如果日频调仓，交易成本远超 Alpha 收益——你在为噪声支付佣金。

为什么要先诊断再正交化？

正交化是"治疗"，相关性分析是"诊断"。不诊断就治疗，可能过度处理——把相关性 0.3 的因子也做正交化，反而损失了有用信息。

诊断逻辑：|corr|>0.7 是危险区（信息重叠严重，必须处理）；0.4-0.7 是警戒区（可保留但注意权重）；<0.4 是安全区（可直接使用）。

经验规律：同类技术因子之间天然高相关（MOM5/MOM20/MOM60 都衡量动量，只是窗口不同）；基本面与情绪因子通常低相关，组合使用能获得更好的信息增量。

为什么不等权？

等权（每个因子 1/N）看起来公平，但实际不公平——它假设所有因子同等重要。但 IC=0.06 的因子和 IC=0.01 的因子显然不该有相同权重。等权配置会让弱因子"搭便车"，稀释强因子的贡献。

更隐蔽的问题是：如果某些因子高相关（如三个动量因子），等权配置下动量的总权重 = 3/N，可能远超你预期的配置比例。这本质上是无意中的风险集中。

为什么需要自动监控？

因子不是一劳永逸的——市场环境变化会导致有效因子失效。SIZE 因子在 2017 年小盘行情中表现极好，但在 2021 年大盘蓝筹行情中完全失效。如果系统继续使用已失效的因子，推荐质量会持续恶化。

人工检查 35+ 个因子每天的状态是不现实的。FactorHealthMonitor 每日 22:00 执行，滑动窗口对比近期 IC 均值与历史均值。若近期 IC 显著低于历史均值，因子状态设为 DEGRADED。

降级的效果：DEGRADED 因子在推荐管线 P4 步骤自动被跳过，不再参与选股。这不是删除——如果后续 IC 恢复到阈值以上，因子自动复活为 ACTIVE。这种"弹性降级"避免了"一刀切"的风险：暂时失效不等于永久失效。

为什么要把选股逻辑"正式化"为策略？

"买入盈利能力强、估值低的股票"是一句正确的废话——它无法执行。什么是"盈利能力强"？ROE > 10% 还是 > 15%？选多少只？每只买多少？

策略把模糊逻辑转化为精确配置：因子方向、因子权重、阈值过滤、持仓数量、仓位限制。正式化后，策略变得可回测（在历史数据上验证）、可对比（和基准或其他策略比较）、可优化（调整参数找最优配置）、可复制（明天执行和今天执行结果一致）。

为什么选股不是"算个分数取 Top N"这么简单？

直接用因子原始值加权求和取 Top N，会遇到三个致命问题：

1. 量纲灾难：PE 可以从 5 到 500，ROE 从 0.05 到 0.50。如果不做标准化，PE 的数值范围远大于 ROE，综合得分实际上被 PE 主导——你配置的权重完全失效
2. 极端值污染：某只股票 PE=10000（可能是亏损导致 PE 异常），这个极端值会把整个评分拉偏
3. 趋势盲区：因子只衡量"静态属性"，不衡量"趋势方向"。一只股票可能有极好的基本面因子值，但正处于下跌趋势中——买入后继续跌

所以选股流程需要 6 步处理，每步解决一个具体问题：

为什么要分级，而不是一开始就推满？

一个刚上线的策略没有任何历史表现数据——你不知道它是否真的有效。如果第一天就推荐 20 只股票，等于让用户用真金白银验证一个未经验证的策略。

置信度系统的逻辑是"先验→后验"逐步更新：策略刚开始时用先验中性分（55分，略偏乐观），只推荐少量股票（3-5只）；随着每次推荐的实际表现被追踪回来，系统逐步了解策略的真实水平，推荐数量逐步放开到 Top N。

这样做的好处：如果策略实际效果差，早期推荐的少→损失可控→系统检测到低命中率后自动降级。如果策略效果好，逐步放量→最终达到满仓推荐→同时积累了足够的历史数据支撑这个决策。

为什么参数配置决定了结果的可信度？

回测最大的风险不是"策略不好"，而是"回测好但实盘不行"。这种差距通常来自配置不当引入的偏差——最典型的是未来函数偏差。

未来函数的意思是：你在 t 时刻用了 t 时刻才知道的信息做决策。比如用收盘价作为买入价——你"看到"了收盘价才决定买，但实际操作中你不可能精确地在收盘价成交。这会系统性地高估收益，让一个无效的策略看起来很赚钱。

成交模式为什么是最关键的配置？

CLOSE 模式：用当日收盘价作为成交价。问题在于——收盘价是 t 时刻的最后价格，你用因子值（也是 t 时刻的数据）算出信号，然后在同一个收盘价成交。这意味着你"看到了"收盘价才决定买不买，但实际中你不可能在收盘的瞬间知道收盘价并下单。

NEXT_OPEN 模式：用次日开盘价成交。信号在 t 日收盘后生成，在 t+1 日开盘执行。这模拟了真实操作——你今天收盘后看到信号，明天开盘下单。这是最接近实盘的成交模式。

CLOSE 模式引入的未来函数偏差可能让年化收益虚高 5-15%。一个在 CLOSE 模式下年化 25% 的策略，切到 NEXT_OPEN 可能只有 12%——差距全部来自未来函数偏差。

为什么不能只看年化收益率？

年化 30% 的策略听起来很好，但如果最大回撤 50% 呢？意味着在某个阶段你的账户从 100 万跌到 50 万——大多数人会在底部割肉出局，根本等不到反弹。

更隐蔽的问题是波动率：两个策略都年化 20%，但一个每月稳定 +1.5%，另一个大起大落（某月 +30%，下月 -20%）。前者可以安心持有，后者你大概率会在某次大跌后恐慌卖出。

所以需要 15 个指标从三个维度交叉评估：收益告诉你"赚了多少"，风险告诉你"受了多少折磨"，风险调整收益告诉你"每承受一单位风险换来了多少收益"。

为什么区分"已实现收益"和"浮动盈亏"？

账户净值 = 已实现盈亏 + 浮动盈亏。浮盈是"还没落袋的利润"——明天可能全部蒸发。回测报告同时展示已实现收益曲线（FIFO 配对），让你区分"纸面富贵"和"真金白银"。

如果一个策略净值持续新高但已实现收益一直为负，说明它完全靠浮盈撑着——一旦趋势反转，利润会迅速消失。这种策略的风险远高于净值曲线所显示的。

为什么需要对比？

单独看一个策略年化 20%、Sharpe 1.2 觉得不错。但如果另一个策略年化 18%、Sharpe 1.8 呢？收益略低但风险调整后收益更好。

更关键的是：不同策略可能在不同市场环境下表现不同。策略 A 在牛市跑赢，策略 B 在熊市跑赢。如果不做对比，你可能选了一个"顺境冠军逆境废柴"的策略——而你自己不知道。

为什么需要网格搜索？为什么又必须检查过拟合？

策略参数（因子权重、调仓频率、持仓数量）有多种组合。网格搜索遍历所有组合，找到使 Sharpe 最大的配置。

但这里有一个致命陷阱：如果你在 1000 种参数组合中找到 1 个 Sharpe=2.5 的，这个"最优"可能是纯粹的运气——就像扔 1000 次硬币总有一次连续 10 次正面。这个参数组合在过去表现极好，但在未来可能完全无效。这就是过拟合。

平台用两种方法识别过拟合：

• 参数敏感性分析：如果最优参数附近的小幅变动导致 Sharpe 大幅下降（如权重从 0.3 变到 0.28，Sharpe 从 2.5 降到 0.8），说明这个"最优"是脆弱的——对参数极其敏感的配置几乎一定是过拟合
• 样本外验证：把数据分为训练集和测试集，用训练集找最优参数，用测试集验证。如果测试集表现大幅下降，就是过拟合。Walk-Forward 验证（5.6 节）是更严格的样本外检验

为什么回测好不等于实盘好？

回测和实盘之间至少存在 4 个系统性差异：

1. 滑点：回测默认采用 VOLUME 成交量模型，交易额越大滑点越高；同时有 8% 最大参与率约束，大额买单自动缩量至当日成交量的 8% 以内。但实盘中极端情况（涨停买不进、跌停卖不出）仍无法完全模拟
2. 流动性约束：回测有容量约束和组合流动性风控，但实盘中涨停股买不进、跌停股卖不出仍是回测无法覆盖的。回测不会告诉你"你想买的时候买不到"
3. 行为偏差：回测中你严格执行策略信号，实盘中你可能在亏损 20% 时恐慌卖出——即使策略说"持有"。行为偏差是最难量化但影响最大的因素
4. 数据延迟：回测用历史数据，实盘数据有延迟。因子计算依赖的收盘价在实盘中可能因为数据源延迟而晚几分钟才可用

经验法则：实盘收益通常是回测的 50-70%。如果回测 Sharpe < 1.0，实盘大概率亏损。在回测 Sharpe > 1.5 时，才值得考虑实盘。

为什么不直接"算个综合分数取 Top N"？为什么要 6 步？

最简单的选股方法：把所有因子加权求和，取分数最高的 N 只股票。这看起来合理，但实际有 6 个致命的失败模式——每一步管线解决其中一个：

1. 噪声因子污染：因子池里有 35+ 个因子，并非全部有效。IC≈0 的因子加入打分等于加入随机噪声，会稀释有效因子的信号
2. 信号过期：因子可能在历史上有效但已经衰减。用已失效的因子选股，等于用昨天的新闻做今天的决策
3. 因子拥挤：一个因子如果被太多人使用，它的 Alpha 会被套利掉。大家都买低 PE 股，低 PE 就不再是 Alpha 来源
4. 数据过期：财务因子季频更新，3 月份用的是去年 12 月的数据。如果不做校正，系统误以为这些数据是"最新"的
5. 不稳定因子：有些因子在某些年份极好、某些年份极差。只用均值 IC 会误判这种因子为"有效"，但实际使用时盈亏交替不可控
6. 权重失衡：如果不用 IC 加权而用等权，弱因子和强因子同等对待。如果不加权重上限，一个因子可能占 80%，一旦失效全盘崩溃

为什么是这个顺序？——漏斗设计原理

6 步管线是一个成本递增、候选递减的漏斗：

• P1 最便宜：只需查 IC 阈值，O(1) 操作。一次剔除 30-50% 的无效因子
• P2 较便宜：需要 IC 历史（P1 已算好），做衰减分析。对存活因子操作，数量已减少
• P3 中等成本：需要因子值分布分析。对更少的存活因子操作
• P4 中等成本：需要财务数据对齐。对更少的存活因子操作
• P5 最昂贵：需要多窗口 IC 计算。但此时候选因子最少（可能只剩 10-15 个），计算量可控
• P6 必须最后：需要前面所有步骤的结果才能算权重

如果把昂贵步骤放在前面，会对大量无效因子做无用功。漏斗设计确保每一步只处理"上一步认为值得继续"的因子，计算效率最优。

为什么推荐不能"算完分数就直接发 Top N"？

实测 7600+ 条历史推荐发现：综合分数（final_score）若直接取 Top N，61% 的推荐会落在 0.5–0.7 的"噪声区"——该区间次日超额收益接近 0 甚至为负。真正能跑赢的是 0.7–0.9 高分档（次日超额 +0.71%、胜率 57.5%）。因此管线在输出前做了四件事：

• 分位排名归一化：候选批次内对综合分做分位排名（(i+0.5)/n 映射到 0–1），强制拉开分数分布。修复前 96% 的股票分数挤在 ≥0.70，无法区分；修复后标准差 0.113→0.263，高分档和低分档清晰分离
• 高置信门槛（相对分位）：取当日候选池 final_score 的前 30%（按分数降序取分位值作为门槛）；若筛出的标的少于 5 只，则保底按分数取 Top N（N 为策略配置的推荐数量，已含置信度与命中率动态调整）。注：早期版本使用固定门槛 0.70，但实际分数普遍落在 0.62–0.75（分析侧六维分位偏低），达门槛的常年仅 0–2 只，导致推荐恒为 5 只、topN 配置失效，故改为相对分位门槛。
• 熊市动量反转：行业动量融合改为 Regime 感知——BEAR 市况下不再追高动量行业，改为低动量均值回归（高动量行业融合加成 -0.06、低动量 +0.06）。动量因子 IC 在熊市转负，追高反而踩雷
• 噪声因子清理：VOLUME_RATIO、MA5 等 IC 为负或接近噪声的因子已置 DEPRECATED，自动从推荐管线过滤，不再稀释有效信号
• 连续熊市暂停：当市场体制连续 3 日为 BEAR 时，直接不生成推荐——连熊下行中动量反转和低仓位防守都无法有效止损，空仓是最优策略

实测效果：某主策略（strategy 73）推荐数从 32 只收敛到 5 只，且全部落在盈利档（电池、贵金属、工业金属、消费电子），不再包含噪声区标的。

为什么需要三种模式？

• STATIC（固定等权）：所有因子等权，跳过 IC 修正。用：因子数量少、IC 历史数据不足、或想保持固定配置不受近期 IC 波动影响。优势是简单可控——你知道每个因子的权重是多少
• IC（动态加权）：根据近期 IC 自动调整权重，IC 高的因子获得更高权重。用：有足够 IC 历史数据（至少 60 个交易日），希望系统自适应。代价是波动性——IC 波动会导致权重波动，推荐结果不稳定
• EQW（等权基准）：所有因子权重相等。用途：作为基准——用 IC 模式的推荐结果和 EQW 比较，如果 IC 模式没有明显跑赢 EQW，说明 IC 加权没有带来增量价值，不如用简单的等权

为什么推荐不是"发完就完"？

推荐的质量需要持续验证。如果不追踪推荐实际表现，你永远不知道推荐到底好不好——是赚了还是亏了？命中率多少？哪些策略推荐得好？哪些差？

表现追踪的核心指标是次日超额收益：推荐股票次日收益减去沪深300收益。如果推荐的 20 只股票中 15 只次日跑赢沪深300，命中率 75%——这远超随机水平（50%），说明推荐管线有效。

更重要的是闭环反馈：命中率数据反馈给置信度系统（2.4 节），命中率低的策略推荐数量自动缩减；因子推荐表现反馈给因子健康监控（1.9 节），持续失效的因子被自动降级。整个系统是自我纠错的——不是"设好了就不管"，而是持续追踪、持续优化。

跟踪闭环：为什么周/月收益有时会暂时为空？

推荐表现分三档追踪：次日（约 1 个交易日）、周（约 5 个交易日）、月（约 20 个交易日）。系统在每日收盘后的定时任务里自动回填——判定一条推荐"已跟踪完成"的标志是月收益（next_month_return）已填，而非次日收益。

因此，推荐日期距今不足约 5 个交易日时，周收益客观上还不存在（收益数据尚未发生），会显示为 NULL，这是正常时间窗口限制，不是缺陷。等对应推荐各自满 5 个交易日，定时任务会自动补齐，无需人工干预。若想更早看到周收益，唯一的办法是缩短窗口，但会牺牲收益样本的完整性，不建议。

因子选股 vs 智能推荐的区别

因子选股是手动触发、即时返回，不经过 P1-P6 管线（不做 IC 筛选、拥挤度检测等），直接按策略配置的因子+权重+预处理选项计算。适合快速验证策略配置或做一次性选股。

智能推荐是定时自动执行、经过完整 P1-P6 管线，适合日常运行的全自动选股。两者的关系：因子选股是"手动挡"，智能推荐是"自动挡"——日常用自动挡，需要精确控制时用手动挡。

为什么需要归因？只看超额收益不够吗？

假设你的组合跑赢沪深 300 5%，看起来很厉害。但这 5% 可能来自两种完全不同的路径：

• 路径 A（选股贡献）：你在每个行业里都选了超越行业均值的股票。这证明你的因子模型选股能力有效，策略可持续。
• 路径 B（配置贡献）：你选的股票其实跑输行业均值，但你恰好超配了某几个涨幅大的行业。这本质上是"赌对了行业方向"，不是选股能力。下期如果行业方向判断错了，收益立刻反转。

不归因，你就无法区分这两种情况。把运气当能力继续加注，是量化策略失效的最常见原因。

为什么用单层而非多层 Brinson？交互效应怎么处理？

多层 Brinson（如行业→子行业→个股）理论上更精细，但实务中有两个问题：一是分组越细，组内股票越少，选股效应的统计意义越弱；二是多层拆解后交互效应膨胀，拆出来反而看不清主要矛盾。

平台采用等权基准方式简化交互效应——交互效应通常较小且不稳定，将其并入选股效应处理，让归因结果更干净、更可解释。这也是业界主流做法（如 BARRA 模型通常也将交互项归入选股）。

有了 Brinson 为什么还要因子风格归因？

Brinson 按行业拆，因子风格按因子维度拆。两者回答不同问题：

• Brinson：你在"食品饮料"行业选股能力强 → 回答"在哪里赚的"
• 因子风格：你赚的是"小盘因子暴露"的钱 → 回答"凭什么赚的"

同一个组合可能 Brinson 显示选股效应为主，但因子风格归因显示其实是小盘因子暴露——说明你选的股票只是碰巧小盘股多，不是选股能力好。这个洞察 Brinson 给不了。

为什么不用回归法而用因子组合法？

回归法（如时间序列回归 R_portfolio = α + β×F + ε）的问题是：它只能告诉你组合收益和因子收益"相关"，但不能保证这种相关是因果的——可能是巧合。因子组合法直接计算"你持有多少因子暴露 × 该暴露产生了多少收益"，因果关系明确。

另外，回归法在样本量不足时（如回测只有 1 年）参数估计极不稳定，而因子组合法不依赖回归，结果更稳健。

为什么不直接用"超额收益"衡量 Alpha？FF3 有什么额外价值？

超额收益 = 组合收益 - 基准收益。但这忽略了两个系统性风险溢价：

• 规模溢价（SMB）：小盘股长期跑赢大盘股（至少在 A 股的部分历史区间内成立）。如果你的组合恰好小盘股多，超额收益可能只是规模溢价，不是你的选股能力。
• 价值溢价（HML）：高账面市值比股票长期跑赢低账面市值比股票。如果组合偏价值，超额收益可能只是价值溢价。

FF3 把这两个溢价剥离后，剩下的才是"真 Alpha"——不能用已知风险因子解释的那部分收益。FF3 Alpha 为正且显著，说明你的策略确实有信息增量；如果 FF3 Alpha 不显著，你的策略只是承担了已知风险、赚了风险溢价，并非真正的 Alpha。

为什么用 FF3 而不是 FF5？

FF5（五因子模型）在 FF3 基础上加了盈利（RMW）和投资（CMA）因子。理论上更完整，但实务中：

• FF5 的因子之间相关性很高（RMW 和 HML 相关性 >0.5），多元共线性导致系数估计不稳定
• A 股市场的盈利和投资因子有效性不如美股稳定，加入反而增加噪声
• FF3 的三个因子已经能解释大部分系统性风险，多加两个因子边际收益递减但复杂度递增

因此平台选择 FF3 作为主归因模型，在需要时可扩展为 FF5。

为什么不用全样本 Alpha？为什么要滚动？

全样本 Alpha 是整个回测期间的平均值，它掩盖了策略可能存在的时变性问题：

• 策略前期 Alpha=0.1，后期 Alpha=0.01——全样本 Alpha=0.05 看起来还行，但策略实际已经接近失效
• 策略 Alpha 大幅波动（时而 0.2 时而 -0.1）——全样本 Alpha 掩盖了这种不稳定性

滚动 Alpha 像"心电图"——它显示策略是不是在"健康跳动"还是在"逐渐衰竭"。如果滚动 Alpha 持续下行，这是策略失效的早期预警信号，比全样本 Alpha 更早发现问题。

为什么窗口选 60 日？太短和太长各有什么问题？

• 太短（如 20 日）：一个月的数据做回归，参数估计极不稳定。一天异常收益就能让 Alpha 从正变负。信噪比太低，产生太多虚假信号。
• 太长（如 250 日）：一年才更新一次，策略可能已经失效半年了你还没发现。丧失了"早期预警"的价值。
• 60 日：约 3 个月，既能过滤短期噪声，又能在策略失效后 3 个月内发出预警。这是行业常用的"季度体检"周期。

为什么需要蒙特卡洛？回测年化 20% 不就说明策略好吗？

回测年化 20% 可以来自两种截然不同的情况：

• 情况 A（真 Alpha）：策略有稳定的选股逻辑，每月持续产生小额超额收益，日收益分布的均值显著偏正。
• 情况 B（运气）：策略平时不赚不亏，但回测期间恰好抓到了一次大行情（如某次板块暴涨），这一个月的收益贡献了全部超额。换个时间段可能就没了。

蒙特卡洛 Bootstrap 的做法：把回测期间的日超额收益序列拿出来，有放回地随机重采样 10000 次，每次构造一个等长的"伪收益序列"，看有多少比例的伪序列比你真实的收益差。如果 >95% 的随机重排都不如你，说明你的收益不太可能纯靠运气得到。

这解决了一个根本问题："你到底是厉害还是运气好"无法仅靠年化收益回答，需要统计检验。

为什么不直接用 t 检验？Bootstrap 有什么优势？

t 检验假设收益服从正态分布，但金融收益分布通常是"肥尾"的（极端事件比正态分布预测的更频繁）。在肥尾分布下用 t 检验会低估 p 值，高估显著性。

Bootstrap 不需要正态分布假设——它直接从经验分布中采样，天然处理肥尾、偏态等非正态特征。对于金融数据，Bootstrap 比 t 检验更可靠。

另外，Bootstrap 还能计算复杂统计量的置信区间（如夏普比率、Calmar 比率、最大回撤），这些统计量没有解析公式做 t 检验，只能靠 Bootstrap。

为什么普通回测不够？Walk-Forward 解决什么问题？

普通回测最大的问题是未来信息泄露——你在回测前已经看到了全周期数据，参数优化会不自觉地"拟合"到这些数据上。即使你严格避免未来函数，参数选择本身就是在利用未来信息。

Walk-Forward 的核心思想：每个时间点只能用过去的数据做决策。具体来说：

1. 用 2023-01 到 2023-12 的数据优化参数 → 得到参数集 A
2. 用参数集 A 在 2024-01 到 2024-03 交易（样本外）→ 记录收益
3. 窗口前进：用 2023-04 到 2024-03 的数据重新优化 → 得到参数集 B
4. 用参数集 B 在 2024-04 到 2024-06 交易 → 记录收益
5. ……持续滚动到回测结束

最终把所有"样本外"片段的收益拼接起来，得到 Walk-Forward 收益曲线。如果这条曲线和普通回测曲线接近，说明策略没有过拟合；如果差距巨大，说明你之前的回测收益主要是参数拟合的幻觉。

为什么训练窗口选 12 个月、测试窗口选 3 个月？

训练窗口太短（如 3 个月）：参数估计不稳定，容易被短期行情主导。在牛市期间训练，参数会偏激进；熊市训练，偏保守。3 个月只覆盖一个市场状态，不具备代表性。

训练窗口太长（如 36 个月）：包含了太久远的数据，市场结构可能已经变化。A 股的风格轮动通常 1-2 年一个周期，3 年前的数据可能是完全不同的市场环境。

测试窗口 3 个月：和滚动 Alpha 的窗口一致，每季度重新校验一次。太短（1 个月）噪声太大；太长（6 个月）失去了 Walk-Forward "及时更新"的意义——如果参数在 4 个月后失效了，6 个月的测试窗口会拖累整条曲线。

为什么需要按 Regime 分组？统一回测不够吗？

统一回测告诉你"过去一年策略赚了 15%"，但不告诉你这 15% 是怎么赚的：

• 可能牛市赚了 30%、熊市亏了 15%——这种策略只在牛市有效，碰上熊市就是炸弹
• 可能趋势市赚了 25%、震荡市亏了 10%——这种策略依赖市场趋势性，碰上横盘就失效

Regime 回验把"过去一年"按市场状态切分——牛市 / 熊市 / 震荡市、高波 / 低波、放量 / 缩量——分别看策略在每种环境下的表现。这回答了两个关键问题：

1. 策略在什么环境下有效——告诉你什么时候该用、什么时候不该用
2. 策略在什么环境下会亏钱——告诉你什么时候需要止损或切换策略

不知道策略的环境偏好，就像不知道自己的车在雨天会打滑——晴天开得好好的，一碰雨天就出事。

为什么不做 Regime 切换策略而是只做回验？

Regime 切换（在不同市场状态用不同策略权重）听起来很美——"牛市重动量、熊市重价值"。但实务中有三个陷阱：

• Regime 识别滞后：你确认进入熊市时，可能已经跌了 15%，切换已经晚了
• 切换成本：频繁切换策略意味着频繁调仓，交易成本和冲击成本会吃掉 Alpha
• 过拟合：为每种 Regime 单独优化权重，极易过拟合——你在拟合历史，不是预测未来

平台选择更稳健的方案：不做 Regime 切换，但做 Regime 回验——用统一的权重，但验证它在各种环境下的表现。如果某种环境下确实显著亏损，再针对性地加风控规则（如熊市降低仓位），而非改变策略逻辑。这比 Regime 切换更简单、更不容易过拟合。

为什么回测通过了还需要模拟盘？两者差在哪？

回测和实盘之间有 4 个系统性差异：

1. 交易成本：回测通常只算佣金+印花税，忽略冲击成本。实盘中你买入 1000 万某只小盘股，你的买单本身就推高了价格——这叫冲击成本，回测里不会发生
2. 执行延迟：回测假设你在收盘价精确成交。实盘从信号生成到下单执行有几分钟延迟，价格可能已经变了
3. 数据差异：回测用的是清洗后的历史数据。实盘用的是实时数据，可能有异常值、延迟、缺失
4. 行为偏差：回测里策略铁面无私。实盘里你可能看到跌了就恐慌性手动止损，或者在信号不明确时犹豫不决

模拟盘在真实市场数据下运行策略但不实际交易——它验证了前 3 个差异（交易成本可模拟、执行延迟可模拟、数据差异是真实的），只有行为偏差无法模拟。所以模拟盘通过后，你还需要克服自己的心理偏差，这只有真金白银的实盘才能训练。

为什么单策略风控不够？跨策略风控解决什么问题？

假设你有 3 个策略，每个策略的风控都是"单只持仓 <10%"。看起来每只股票最多 10%，似乎很安全。但：

• 个股集中：策略 A 推荐 600519 占 10%，策略 B 也推荐 600519 占 8%，策略 C 推荐 600519 占 5%——实际合计 23%。三个策略各自看风控都没问题，但组合层面 600519 占了 23%，严重超限。
• 行业集中：策略 A 推荐了 3 只白酒股，策略 B 推荐了 2 只白酒股——组合里白酒行业占 35%。一旦白酒板块回调，整个组合跟着跌。
• 相关性陷阱：策略 A 推荐动量因子强的股，策略 B 推荐低 PE 的股。表面看是不同策略不同逻辑，但这些股票可能是同一批大盘股——因为低 PE 的往往也是大盘股。相关性极高，看似分散实际没分散。

组合风控解决的就是这个"各自合规但整体违规"的问题。它在策略推荐生成后、落盘前做一道交叉检查，把多个策略的推荐合并后做统一风控。

为什么行业相关性要动态计算？用静态分组不行吗？

行业之间的相关性不是固定的——牛市时各行业齐涨共跌，相关性很高；震荡市时行业分化明显，相关性较低。用静态分组意味着你假设"银行和地产永远相关性 0.7"，但实际上这个相关性可能在 0.3 到 0.9 之间波动。

更关键的是行业之间的相关性会因市场结构性变化而改变——比如某条新政策让新能源和消费的相关性突然升高。静态分组无法捕捉这种变化，动态滚动相关性可以。

平台用 Union-Find 聚类算法把高相关性行业自动归并为"等效行业组"——比如银行+地产+非银金融经常聚为一组，在集中度检查时把它们的总权重合并计算。如果分散投资但实际都是"金融系"，等于没分散。

为什么要用多策略组合？单个策略不够吗？

• 单策略有环境局限性：任何单一策略都有适应/失效的市场环境（比如动量策略在震荡市亏钱、价值策略在成长牛跑输）。多策略组合的核心是「分散」——只要子策略相关性低，组合波动会显著小于单策略，回撤更可控。
• 对比「分别建 3 个模拟盘」：分别建盘等于手管 3 份资金，无法统一看净值、无法做组合层面的再平衡和风控。多策略组合把它们合并为一份——资金、风控、再平衡统一管理。
• 效果可量化：组合详情用「平均相关性」和「分散化比率」两个指标客观衡量分散是否真的生效，而不是凭感觉。

为什么不用单一数据源？多数据源解决什么问题？

A 股数据源各有优劣，没有"万能源"：

• Baostock：沪深 A 股免费、数据质量高、支持前复权，但不支持北交所、有限流（匿名登录按 IP 限流，高频请求会被封 IP）
• 腾讯接口：覆盖沪深+北交所、实时性好，但 PE/PB 只有快照值（非历史序列）、640 日数据上限
• akshare：备选情绪数据源，但 README 限制商用

平台采用"可插拔数据源"架构（data_provider 模块）：Baostock 为主源（沪深），腾讯为辅源（北交所 + 沪深 fallback），akshare 为情绪数据补充。通过 DATA_SOURCE 环境变量切换。当 Baostock 被限流封 IP 时，自动 fallback 到腾讯接口，不中断数据采集。

为什么前复权数据需要"刷新"？不是一次性拉取就够吗？

前复权价格是时点快照——每次股票除权除息时，所有历史 qfq 因子都会被 retroactive 更新。假设：

1. 2025-01-01 你拉取了 600519 的前复权数据，当时没有除权，qfq 因子=1.0
2. 2025-06-01 600519 分红除权，qfq 因子变成 0.95
3. 此时 CH 中 2025-01-01 之前的历史 qfq 数据已经过期了——它们用的是旧因子 1.0，但新因子是 0.95

如果不刷新，你在做回测时用的是过期的前复权价格——回测收益会有一致性偏差。平台通过 refresh_qfq_history.py 在每次除权后自动重拉全历史并覆盖旧数据（refresh_version=True 设置 update_time=now() 确保 ReplacingMergeTree 覆盖旧版本）。

为什么财务因子需要特殊的数据更新逻辑？

行情数据是日频的，每个交易日都更新。但财报数据是季频的，而且有一个特殊的"发布延迟"问题：

• 报告期 vs 发布日：一季报的报告期是 3-31，但实际发布日是 4-30。这意味着在 4-30 之前，你拿不到 Q1 数据，只能用去年 Q4 的
• 修正风险：初步发布的财报数据后续可能被修正。如果你在 4-30 用了初步数据，5-15 公司发布了修正版，你的因子计算结果会变
• TTM 计算：很多财务因子用 TTM（滚动 12 月）数据，需要把最近 4 个季度加起来。这需要确保你有连续 4 个季度的数据，缺一个就计算不了

平台通过季频前向填充解决"发布延迟"问题：在报告发布日前用上一季度的数据，发布后自动切换为新数据。这样因子计算永远有数据可用，不会因为财报未发布而出现空值。

为什么需要研报数据？它和因子有什么关系？

研报数据提供两个独特的量化信号：

• 一致预期（Consensus Estimate）：所有券商对某公司未来 EPS 的预测均值。如果实际 EPS 超过一致预期 → 正面惊喜 → 股价可能上涨。这叫 PEAD（Post-Earnings-Announcement Drift），是学术界证实的持续性异象。
• 分析师情绪：上调评级数量 vs 下调评级数量。如果某公司近期被多家券商上调评级，可能是积极信号。但注意——分析师评级有羊群效应（一个调了其他跟着调），不能简单看绝对数量。

平台将研报数据作为情绪面补充因子使用，不参与主推荐管线（因为数据覆盖不完整、发布日期不确定），但在个股深度分析中作为参考维度展示。

为什么需要行业排行？它和选股有什么关系？

行业排行本身不直接选股，但它提供了两个关键的上下文信息：

1. 风格判断：如果近期涨幅前 5 的行业是"新能源/半导体/军工"，说明市场偏好成长风格；如果是"银行/地产/煤炭"，偏好价值风格。这帮助你判断因子权重是否需要微调——成长市里动量因子更有效，价值市里估值因子更有效。
2. 行业拥挤度：如果某行业连续多日资金净流入且涨幅领先，可能是拥挤信号。在推荐管线 P3 步骤中，拥挤度检查会参考行业资金流数据。

行业排行是"宏观视角"——个股分析是"微观视角"。只有两者结合才能避免"选了好股票但选错了行业"的尴尬。

为什么需要依赖链？各自独立执行不行吗？

数据采集和因子计算有严格的时序依赖关系：

1. DAILY（日线采集）：必须最先执行——没有行情数据，后续全部无法进行
2. FACTOR_COMPUTE（因子计算）：依赖 DAILY 完成——因子值需要当日行情数据
3. RECOMMENDATION_TRACK（推荐追踪）：依赖 DAILY——需要计算昨日推荐股票的今日收益
4. BIDASK（盘口快照）：可与 DAILY 并行
5. DAILY_RECOMMENDATION（日推）：依赖 FACTOR_COMPUTE——推荐需要当日因子值
6. FACTOR_HEALTH_CHECK（因子健康检查）：22:00 执行，依赖 DAILY_RECOMMENDATION——检查推荐表现是否异常
7. QFQ_REFRESH（前复权刷新）：除权日触发，依赖 DAILY——需要最新行情数据

如果各自独立执行，FACTOR_COMPUTE 可能在 DAILY 之前跑——此时还没有今天的行情数据，因子计算用的是昨天的数据，结果延迟一天。依赖链确保每个任务在前置任务完成后才执行，避免"垃圾进垃圾出"。

为什么需要专门的数据质量监控？数据采回来不就能用了吗？

数据采集成功 ≠ 数据正确。以下是实际遇到的典型问题：

• 静默缺失：某只股票停牌当天，数据源返回的是前一天的收盘价（而非空值）。程序看到"有数据"就以为正常，实际上这是无效数据
• 单位不一致：Baostock 返回 volume 单位是"股"，腾讯返回的是"手"（非科创板）。如果不统一处理，因子计算中成交量相关因子的值会差 100 倍
• 前复权因子过期：除权后历史数据未刷新，导致跨期回测时前复权价格不一致——回测收益有偏差但不会报错
• 跨源不一致：同一只股票同一日期，Baostock 和腾讯的收盘价可能差 0.5%（前复权因子动态性导致）。这不是错误但需要知晓

这些问题不会导致程序崩溃——程序照常运行并产出结果，但结果可能是错的。质量监控的价值在于在错误传播到下游之前发现它。

为什么要把缠论放进量化平台？它和传统因子有什么不同？

缠论和传统因子的核心区别在于信号类型：

• 传统因子（BUILTIN/SCRIPTED）：输出连续数值（如 ROE=15.2%），用于截面排序——谁高谁低
• 形态因子（PATTERN）：输出离散事件（如"底分型成立"），用于时点判断——此刻是否触发信号

传统因子解决"买什么"的问题（选股），形态因子解决"何时买"的问题（择时）。两者互补：因子选股告诉你 600519 值得持有，缠论筛选告诉你当前是不是好的买入时机。

平台将缠论形态识别封装为 PATTERN 类型因子，融入因子引擎统一管理——这样可以和其他因子一起进入推荐管线，也可以在因子测试中评估其有效性。

为什么需要黑名单机制？因子计算时过滤不行吗？

因子计算时过滤是"被动"的——每次计算都要检查每只股票是否可交易，性能开销大。黑名单是"主动"的——维护一个排除列表，在数据采集和推荐生成的最早阶段就过滤掉，后续流程完全不用处理这些股票。

更重要的是，黑名单不仅是"不可交易"的标记，还包含退市管理：

• 退市股票：从股票池移除，但保留历史数据用于回测（不能因为退市就删除历史——否则回测曲线会出现"幸存者偏差"）
• ST 股票：不推荐但不移除——ST 摘帽后可以恢复推荐，需要保留数据
• 长期停牌：标记并暂停推荐——复牌后自动恢复

黑名单和退市管理的核心价值是避免幸存者偏差——如果你只保留当前还在上市的股票做回测，你的回测收益会系统性偏高（因为表现差的股票已经退市了，不在你的池子里）。保留退市股票的历史数据但排除推荐，是兼顾回测真实性和实盘可行性的最优方案。

为什么用"角色"做中间层，而不是给用户直接配权限？

直接给用户配权限，100 个用户就要配 100 遍，且无法保证一致性。引入角色后，权限只配一次（配给角色），再给用户指派角色即可。新增一类岗位（如"只读研究员"），只需新建一个角色并分配对应菜单，再把人加进去，运维成本从 O(用户数) 降到 O(角色数)。

为什么按钮也要登记成"菜单"节点？

为了让权限可视化、可配置。把"新增用户"这种操作登记为一个 type=2 的按钮节点并挂在其父菜单下，管理员在角色权限树里就能直观勾选"要不要给这个角色开放新增用户按钮"，而不用在代码里硬编码。权限标识（如 system:user:add）则是前后端统一的契约。

为什么 token 不再放在浏览器 localStorage？

早期实现把 token 存在 localStorage，由前端手动塞进请求头。问题是 localStorage 对页面上任意 JavaScript 都是可读的——一旦站内出现 XSS（哪怕是第三方依赖引入的），攻击者一行 localStorage.getItem('token') 就能把登录凭证发走，且窃取到的 token 在有效期内可任意冒用。

改造后 token 只经 httpOnly Cookie 下发与携带：浏览器自动带上，但 JS 读不到，XSS 窃取路径被直接掐断。同时登录、/auth/me 等接口的 响应体里 token 字段一律置 null，避免经日志、代理、埋点二次泄漏。

为什么要 MySQL 和 ClickHouse 两套库？

两类数据的读写特征完全相反：元数据（用户、角色、因子定义、策略配置）量小但要求事务与强一致，是典型 OLTP，MySQL 最合适；行情与因子值动辄数千万行、按列聚合扫描、几乎只追加不更新，是典型 OLAP——用 MySQL 存会让一次因子回测扫表扫到超时，而 ClickHouse 的列存 + 向量化执行能把同样的查询压到秒级。硬塞进一套库，必然在某一侧付出数量级的性能代价。