15 · 量化交易背景与多因子模型

⏱ 25 分钟 ｜ 🎁 背景章，但看懂它，金融类赛题的特征才不再是天书

🎯 一句话

金融赛题给你 130 个匿名特征让你预测收益，你会觉得毫无头绪。 但如果你知道「多因子模型」是什么，就会明白：那 130 个特征不是随机数，它们大概率是 130 个「因子」——每一个都在回答"这只股票在某个维度上表现如何"。

💰 一、量化交易到底在干什么

   传统交易：人看盘、看新闻、凭经验下单
   量化交易：把「什么情况下该买卖」写成程序，让机器执行

   核心两件事：
   ① 选股 —— 从几千只股票里挑出符合预期的
   ② 策略 —— 什么条件触发买、什么条件触发卖

💡 人话：量化交易 = 把投资经验翻译成 if-else 和数学公式。

三个和你直觉不同的地方：

🔄 二、策略的生命周期（理解这个才懂赛题的性质）

   想法 → 回测验证 → 线上运行 → 【策略失效】→ 想新的
                                      ↑
                              ⭐ 注意这一步是【必然】的

为什么策略必然失效：

🔑 这解释了一件对竞赛很重要的事： 量化领域没有"通用最优解"——美股有效的策略换到 A 股可能完全无效。 🔗 这就是《数学原理》第 11 章 NFL 在金融领域的版本： 算法的"专长"是守恒的，而且这里的"问题分布"还在主动变化。

💡 另一个推论：顶级量化公司（Two Sigma、Jane Street 等）内部策略迭代极快—— 不是因为他们喜欢折腾，而是不迭代就会被市场淘汰。

📐 三、多因子模型：这一章的核心

核心思想（一句话）

一只股票的收益，可以拆解成若干个「因子」的加权和。

$$r_i = \alpha_i + \sum_{k=1}^{K} \beta_{ik} \cdot f_k + \epsilon_i$$

💡 人话翻译：

股票 i 的收益 = 它对每个因子的"敏感度"× 那个因子当期的表现，再加上解释不了的部分。

• $f_k$：第 k 个因子（比如"市值因子""动量因子"）
• $\beta_{ik}$：这只股票对该因子的暴露程度
• $\epsilon_i$：残差——所有因子都解释不了的部分，也是你要预测的"超额收益" ⭐

🔗 看出来了吗：这本质上就是《机器学习基础》第 3 章的线性回归。 只是在金融领域它有个专门的名字叫"多因子模型"。 如果你学过线性回归，这就是同一个东西换了个名字。

常见的因子类型

⚠️ 注意「动量」和「反转」互相矛盾——这不是错误。 短期（几天）常见反转，中期（几个月）常见动量。 这提醒你一件事：同一个特征在不同时间窗口上可能有相反的信号， 所以竞赛里给多个窗口的滚动特征（3日/7日/30日）几乎总是值得的。

🏁 四、竞赛场景下怎么理解这些匿名特征

金融赛题的典型样子（如 Jane Street、Optiver 这类）：

   给你：feature_0, feature_1, ..., feature_129   ← 全是匿名的
        weight, date_id, ts_id
   预测：resp（未来某段时间的收益）

四条能帮你建立直觉的解读：

🔑 最重要的一条实践含义： 既然特征本身已经是因子了，那"再造一堆复杂衍生特征"的收益往往有限—— 主办方的量化团队已经做过这一步了。 更有价值的方向是：时间维度的聚合、特征之间的交互、以及正确的验证策略。

⚠️ 金融赛题最大的坑：验证策略

   ❌ 随机 KFold  → 用未来预测过去 → 【严重泄漏】，CV 虚高，LB 崩

   ✅ 必须按时间切分：
      · TimeSeriesSplit / Purged K-Fold
      · 训练集和验证集之间留【空档期】(embargo) ⭐
        因为收益是"未来一段时间"算的，紧挨着的样本有重叠信息

🔗 这是《机器学习基础》第 5 章数据泄漏在金融场景的最狠版本。 金融赛题里 CV 和 LB 对不上，十次里有八次是验证切分的问题。

💡 另外两个金融特有的现实：

📰 五、外部信息：NLP 能切进来的地方

   量化的本质是【打信息差】：
   谁能更快、更准地把信息变成信号，谁就占优

   而最大的一块未被充分数字化的信息，是【文本】

💡 一个历史案例：Kaggle 曾有过用新闻预测股价的比赛（Two Sigma 主办）， 数据集后来被下架了。但那个思路一直是真实产业里的主流方向之一。

⚠️ 但别高估文本信号：

   · 新闻【发布时】市场往往已经反应过了 → 时效性要求极高
   · 情感分析的粒度太粗（"正面/负面"对交易几乎没用）
   · 需要的是【结构化的事件抽取】：谁、做了什么、影响多大

🧰 六、想自己动手玩的话

建议的上手路径：

   ① 用 Tushare 拉一只股票 5 年的日线数据
   ② 算两个最简单的因子：20日动量、市盈率
   ③ 做一个最笨的策略：因子排名前 20% 就买
   ④ 回测，看收益曲线
   ⑤ ⭐ 然后把手续费和滑点加上，再看一遍

🔑 第 ⑤ 步是整个练习的重点： 很多"回测赚翻了"的策略，加上交易成本后就变成亏损。 这是量化新手最普遍的幻觉，也是"回测和实盘差距"的主要来源之一。 🔗 精神上和《机器学习基础》第 5 章的 "离线好线上崩"完全一致——评估环境和真实环境的差异。

🔀 七、和 NLP / CV 的交叉

💡 对你的实际含义：做金融量化竞赛，不代表你只能学时间序列。 你在 第 6 章文本分类、第 7 章命名实体识别 学的东西，在这里都有用武之地。

🔗 和站里其他章节怎么对上

⭐ 下面这些不是前置要求——读过哪些就从哪些接上，没读过的顺着链接去补也来得及。

✅ 检查点

1. 量化交易的两个核心组成是什么？
2. 为什么说"策略必然失效"？最根本的原因是哪个？
3. 多因子模型的公式在数学上是什么？残差 ε 代表什么？
4. 「动量」和「反转」互相矛盾，这说明了什么？对特征工程有什么启发？
5. 竞赛里那 130 个匿名特征最可能是什么？这对特征工程策略有什么含义？
6. 金融赛题最大的验证坑是什么？为什么需要 embargo？
7. 为什么金融任务的 AUC 0.52 可能就是可用信号？
8. 自己回测时，最容易产生幻觉的一步是什么？

🛑 可以停在这里

⚡ 走神救援

量化 = 把投资经验翻译成程序，两件事：选股 + 策略。⭐策略必然失效（最根本原因是用的人多了超额收益被抹平）→ 所以量化没有通用最优解，这是 NFL 在金融的版本。⭐多因子模型 = 线性回归换了个名字：r = α + Σβ·f + ε，ε 就是你要预测的超额收益。因子类型：价值/规模/动量/反转/质量/波动/宏观/流动性——⚠️动量和反转矛盾是因为时间尺度不同（短期反转、中期动量），所以给多个窗口的滚动特征几乎总是值得的。竞赛解读：⭐130 个匿名特征≈130 个已算好的因子，主办方已经做过特征工程了 → 再造复杂衍生特征收益有限，该把力气花在时间聚合、特征交互和验证策略上。⚠️最大的坑是验证：随机 KFold = 用未来预测过去，必须按时间切 + 留 embargo 空档期（因为标签是用未来一段时间算的，紧邻样本信息重叠）；金融信噪比极低，AUC 0.52 可能就是可用信号。NLP 能切入的是文本信息差（事件抽取比粗粒度情感分析有用）。自己回测时⭐最大的幻觉是忘了加手续费和滑点——很多"回测赚翻"的策略加上成本就亏。