# 量化研究资料汇编（quantlab 配套知识库）

> 整理时间：2026-10-29 ｜ 用途：支撑本仓库策略生成器的选型依据
> 来源说明：§1 来自 2026-10 联网检索综述（domain_search，非一手来源，规模数字需核实原始统计）；§2-§3 为经典文献地图（引用信息建议核对原文）；§4-§5 为方法论与实务避坑（源自本工程内嵌方法论库）。

---

## 一、量化策略全景（当前行业格局）

按收益来源划分的主流策略谱系：

| 策略类型 | 收益来源 | 典型约束 | 风险收益特征 |
|---|---|---|---|
| 指数增强 | 基准 Beta + 选股 Alpha | 跟踪误差、行业/风格中性 | 年化超额 10%–20%（好年份差异极大） |
| 市场中性 | 纯选股 Alpha（股指期货对冲） | 基差、对冲成本 | 历史夏普高、回撤小，牛市跑不赢指数 |
| CTA / 管理期货 | 时序动量、多空相对价值 | 品种容量、趋势延续性 | 与股市相关性低，组合分散器；无趋势时长期横盘 |
| 套利（ETF/期现/转债/期权） | 定价偏差收敛 | 容量小、拥挤快 | 年化 4%–8%，回撤极小 |

中国市场量化策略规模结构（检索综述，截至 2025 年末，**需核实原始统计**）：指数增强约 1.19 万亿（占量化总规模近 40%）、股票中性约 0.74 万亿、量化选股约 0.54 万亿、CTA 约 0.37 万亿、量化套利约 0.11 万亿、量化期权约 0.03 万亿。

行业方法论骨架仍是 **因子挖掘 → 因子合成 → 组合构建** 三段式，近两年趋势是各环节全面算法化（自动因子挖掘、机器学习合成、组合优化器约束求解）。

## 二、多因子研究方法论（本工程核心实现依据）

### 2.1 因子有效性检验
- **IC（Information Coefficient）**：因子值与后期超额收益的截面相关系数
  - IC > 0.03：基本有预测力；> 0.05：强；> 0.1：先检查是否前向偏差
- **IR = IC 均值 / IC 标准差**：> 0.5 视为稳定有效；> 1.0 极罕见，需复核
- IC 为正比例 > 55%：方向稳定；< 50%：不可用
- **分层回测**：按因子值分 5 组等权持有，观察单调性与长短空差价（spread）

### 2.2 工程红线（本引擎已内置）
- 因子值只用 T 日及之前数据，收益用 T+1 至 T+N 前向收益（杜绝前向偏差）
- 市值/换手类分布偏斜的因子必须先标准化（MAD 去极值 + Z-score）
- 每截面至少 5 个有效标的才有统计意义
- 经典因子有拥挤衰减问题——需定期监测 IC 时序演化

### 2.3 因子组合
- 等权（最简单稳健）、IC 加权、正交化（Gram-Schmidt 去相关）
- 宁用 5–10 个强因子，不用 30 个弱因子（过拟合）

## 三、经典文献地图（按本工程因子对应）

| 因子/方法 | 文献 | 核心结论 |
|---|---|---|
| 三因子模型 | Fama & French (1993), JFE | 市场Beta+规模+价值解释截面收益 |
| 动量 | Jegadeesh & Titman (1993), JF | 过去 3-12 个月赢家延续（本引擎 momentum 因子） |
| 52 周高点动量 | George & Hwang (2004), JF | 接近52周高点本身即动量信号（high_52w 因子） |
| 低波动异象 | Baker, Bradley & Wurgler (2011), FAJ | 低波动组合风险调整后跑赢（low_vol 因子） |
| 非流动性溢价 | Amihud (2002), JFE | 非流动性溢价（liquidity 因子的反面参照） |
| 时序动量/CTA | Moskowitz, Ooi & Pedersen (2012), JFE | 趋势跟踪跨资产有效（trend 因子） |
| 盈利质量 | Novy-Marx (2013), JFE | 毛利率预测收益（基本面扩展点） |
| IC/IR 框架 | Grinold & Kahn, *Active Portfolio Management* | IR ≈ IC × √Breadth（广度定律） |
| 回测过拟合 | Bailey & López de Prado (2014)；López de Prado (2018) *Advances in Financial Machine Learning* | Deflated Sharpe、Purged CV、样本外纪律 |

> 注：以上文献信息为通用学术常识整理，引用细节请以原文为准。

## 四、回测与实盘的差距（避坑清单）

1. **历史回测收益通常过度乐观，实盘按经验打 5–7 折**（滑点模型简化、冲击成本缺失）
2. 不同市场环境（牛/熊/震荡）下策略表现差异极大——必须分年度/分阶段评估
3. 策略拥挤导致快速失效与相互踩踏——经典因子要持续监测
4. 流动性不足标的做空/建仓成本高——本引擎用流动性因子过滤
5. 换手率过高会吃掉超额收益——关注"单次调仓平均换手"指标
6. A 股特有约束：T+1、±10%（主板）涨跌停、卖出印花税 0.05%、风格轮动快
7. 样本外测试（walk-forward）与压力测试必须执行；回测拟合度 80–90% 合理，>95% 警惕过拟合

## 五、本工程实现映射

| 方法论 | 实现位置 |
|---|---|
| 因子库（动量/质量动量/反转/低波/趋势/52周高点/流动性） | `quantlab/factors.py`、`quantlab-php/src/FactorEngine.php` |
| MAD 去极值 + 截面 Z-score + 加权合成 | `factors.py: cross_section_z`、`FactorEngine::crossSectionZ` |
| 偏好参数 → 策略规格推导 | `quantlab/strategy_generator.py`、`StrategyGenerator.php` |
| T+1 执行 + 成本 + 波动率目标 + 回撤降仓 | `quantlab/backtest.py` |
| IC/ICIR 统计 | `backtest.py`（秩相关实现，免 scipy 依赖） |
| 绩效指标（CAGR/夏普/回撤/卡玛/换手/胜率） | `quantlab/metrics.py` |