第一堂课

语言类似于 python, universe 包含的是流动性 top3000 的股票，股票流动性越高，套利机会

越少，流动性越小，套利机会越大。

Delay: T+0 交易和 T+1 交易，前者上一秒买的股票下一秒就可以卖，后者今天买入的股票

必须是明天以后卖

A 股是 9:30 正式开盘，下午 3 点闭市

Truncation: 仓位限制
Sharpe:收益除以收益的标准差

Turnover:换手率，今天和明天股票的平均变化率，24%意味着每隔 4 天完成股票的全部换
手
Returns: 平均年化的收益率

Drawdown: 最 大 回 撤 ， 整 个 pnL 曲 线 中 最 大 的 回 撤 幅 度 ， 如 果 很 高 ， 那 么 不 能 接 受 。
Returns 可以低，但 drawdown 不能高，drawdown 低的 portfolio 可以给你信心，让你坚持很
长时间，哪怕赚不了钱，它也不会给你亏钱。

Sharpe ratio 在每年的值都不一定，意味着有的时候 portfolio 能赚钱，有的时候亏钱。在特

定一年 Sharpe ratio 的高数值可能代表那一年的市场趋势好，不代表 portfolio 有很强盈利能
力。

所以我们要看 alpha correlation.每交新 alpha 的时候，平台都会把它和原来 submitted 的 alpha

进行测试，如果没有足够 correlation 的话，平台不会通过。

交新 alpha 时平台会把新的和旧的进行加权拟合，看看新的 pnL 会是什么样。

Alpha 是一个表达式，会有很多的函数来对 alpha 进行转化

计算利润时是用今天的价格-昨天的价格 * 昨天购买的股票仓位
权重完全有可能是负数
我们实际上是在寻找市场上可能导致股票涨跌的一个具体体征
做空股票的时候需要交保证金，股票涨得越高，你需要交的保证金越多

平仓：把持有的仓位平掉，使仓位的净值为 0

Overfit 过拟合：对历史数据进行太多测试以至于掌握了历史数据的规律，使得 alpha 的 in

sample testing 结果非常好，但 out of sample testing 结果很差
线性递减加权平均值是什么？？？

基本面：从长期来说，股票的价格取决于公司的实际价值，沃伦巴菲特最厉害，财务可以
造假，需要有耐心和信息渠道

股票价格下跌，看是放量大跌还是缩量大跌，股票下跌意味着有人愿意以下跌的价格买，
有人以下跌的价格卖哪怕亏钱，所以股票下跌反映出股票的受欢迎程度

技术面：股票的价格取决于股票的成交量，涨跌等，股票具有商品属性，跟供需相关
另类数据：券商用无人机看工厂开工情况, 这类数据帮助我们预测金融工具的价格走势

Decay 可以降低换手率和增加稳定性

跳空：股票在短时间内大幅度上涨，完全没有上升的过程

Sqrt 是平方根
Turnover 换手率高，频繁换手股票，交易手续费就会高，导致 fitness 变低

流动性决定能否以股票当前价格买入卖出股票
流动性等于一只股票今天在市场上的交易总份额/它在市场上的总份额
流动性越好，股票价格越能反映它的公允价值
但对于量化从业者来说，流动性差的股票 is preferred
滑点

滑点会导致你亏钱
流动性越大，滑点情况越少

中性化就是把股票和市场因素分隔开

Sectional: 选取两个时间点，对所有股票进行比较分析排名
Time series: 选取一个股票，对它进行长期跟踪
Neutralization 之后 alpha 权重加起来的和是 0，对冲市场风险
在市场上有多少多单，也就有多少空单。
市场大跌，我们空头多了 1%，多头亏了 1%，实际上不亏不赚

阿尔法是超额收益，贝塔是市场收益
Quant 是在搏超额收益，对冲市场风险
Book size 就是你的投资规模
好的设置成 1，差的设置为 0
Rate 影响很小

夏 普 等 于 returns/squared root of returns, 有 些 alpha 的 returns 很 高 ， 但 是 squared root of

returns 也很高，证明 returns 的 variability 很大，drawdown 的风险也很大，这种 alpha 不可
取

表现稳定：每年都赚钱，而不是某些年赚钱，某些年亏钱（市场波动）
Lecture 2

自动化代码