量化金融与量化行业（Quantitative Finance and Quant Industry）

先修：初等代数、百分数与基础逻辑推理能力。编程部分可先读逻辑，第 2 章再系统练习环境与语法。

1. 本章目标

完成本章，你应能区分量化金融（Quantitative Finance）、金融工程（Financial Engineering）、系统化交易（Systematic Trading）与算法交易（Algorithmic Trading）；说明研究、交易、开发、风险、衍生品和执行岗位各自解决什么问题。你还要能画出一个策略从假设到结论的流程，并指出每一步依赖哪些信息、输出什么对象、怎样发生错误。

具体验收有三项：给定一个“过去表现分化的资产未来收益存在持续性”的经济想法，写出可检验假设；把特征、信号、预测、目标权重、订单、成交、实际持仓和损益（Profit and Loss, PnL）分别记录；在含交易成本的两资产例子中核对损益。职业名称只是入口，能把工作对象分清才算掌握。

2. 为什么 Quant 需要它

你看到一张历史净值曲线，夏普比率（Sharpe Ratio）很高。曲线本身没有告诉你研究员在买入前知道什么，也没有告诉你该价格是否可成交、是否把退市公司删掉，或者研究员试过多少方案。你需要先理解曲线背后的生产过程，再判断结果。

本章示例用一个构造研究解释工作对象。你应把待检验假设、计算规则与市场证据分开；一个技术指标可以是待检验输入，但仅凭它的名称或图形不能得出有效性结论。

Princeton ORFE 的官方本科介绍把概率、统计与随机过程、优化列为共同核心，并把金融、计量经济学和计算方法列为应用方向。这对应一个很实用的训练顺序：先学如何表示不确定性、如何估计、如何在约束下决策，再讨论策略。在岗位上，你可能只负责其中一段；在研究报告中，你仍应解释其他段的假设。Princeton ORFE

证券交易委员会（Securities and Exchange Commission, SEC）的算法交易报告同时讨论投资决策、订单大小、报价和交易风险等算法用途。因此，“程序自动下单”只是算法应用的一类，不能据此推断研究员是否找到了新的预期收益。SEC 算法交易报告

3. 直觉

从权利、数量和报价开始

金融工具（Financial Instrument）约定持有人与对手方的权利和义务。对持有人有经济价值的现金、证券或合约权利，可以构成金融资产（Financial Asset）。资产和工具不是两套互斥分类：一只股票既是一种工具，也可以是账户中的资产。下面只建立计算需要的背景；具体交易机制见第10章。

价格（Price）是特定时点、币种和报价单位下的数值；成交价、买方报价、卖方报价与估值价各有用途，不能互换。持有数量 $q$ 股、每股估值 $P$ 元时，市值 $qP$ 的单位才是元。单价100元不能告诉你账户投入多少，也不能单独表示便宜或昂贵。

收益（Return）把财富变化除以起始财富，便于比较不同投入。无现金流、数量不变时，100元变102元：先算增加2元，再算 $2/100=0.02=2\%$。持100股的货币损益是200元，百分比仍为2%。风险（Risk）涉及这些结果的不确定性和损失可能性，也涉及需要卖出时能否成交；后文的贝塔只计量一种线性敏感度。

多头（Long）在本章现货例中指持有正数量，价格上涨使市值增加。空头（Short）的简化股票例先借券卖出，形成归还证券的义务；价格上涨会提高买回成本。真实借券、担保与融资另有条件。本章先用正负权重计算方向，不能据此推定现金可自由使用。

考虑一个教学想法：资产在宏观需求与基本面冲击下的信息扩散存在时滞，过去表现相对较好的资产可能在下一期继续相对较好。你不能直接把这句话当买入指令。先要确定“表现”用哪种收益计算，“过去”指几个月，“继续”指下一天还是下一个月，以及股票池是否包含后来退市的公司。

随后，你在每个决策日计算历史收益。这个数是特征（Feature）。按特征把资产排序后，你得到一个信号（Signal）；把排序映射成对未来收益的估计，才得到预测（Forecast）。再考虑风险、交易成本和持仓限制，你决定目标权重；目标权重是决策，不是已经发送或成交的订单。执行将目标转成订单，实际成交（Fill）会记录成交数量、价格和时点；实际持仓（Position）由成交后数量形成。持仓经历价格和现金流变化，才产生损益（Profit and Loss, PnL）。

一项研究可以在任意步骤失败：规律不存在，数据无法支持假设，信号预测能力太弱，成本吃掉收益，风险太集中，或成交比回测假设困难。记录失败点能帮助你选择下一项工作。增加模型复杂度并不会自动修复这些问题。

一条完整生命周期

flowchart LR
  I[Idea 想法] --> D[Data 数据]
  D --> Fe[Feature 特征]
  Fe --> S[Signal 信号]
  S --> F[Forecast 预测]
  F --> W[Target Weight 目标权重]
  W --> O[Order 订单]
  O --> X[Fill 成交]
  X --> Pos[Position 实际持仓]
  Pos --> N[PnL 损益]
  N --> R[Risk 风险]
  R --> V[Evaluation 评价]
  V -. 修订假设并登记新试验 .-> I

箭头表示输入依赖，而不是“完成一遍就必然赚钱”。九个环节环环相扣：

1. Idea（投资想法）：基于经济机制（如信息粘性或风险补偿）提出的可证伪假说。
2. Data（数据）：按时点可用信息（Point-in-Time, PIT）契约整理、带时间戳与单位的结构化行情与基本面记录。
3. Signal（信号）：在决策时点 $t-1$ 仅利用已知特征生成的方向或排序评分。
4. Forecast（预测）：将信号映射为下一期收益分布的条件估计值。
5. Portfolio（目标权重）：在资金预算、风险上限和换手约束下求解出的期望持仓比例。
6. Execution（执行与成交）：生成订单，在交易所完成撮合，记录实际成交量价与时间。
7. PnL（损益）：根据生效持仓与实际价格/现金流核算出的货币盈亏与无量纲收益。
8. Risk（风险）：检查组合的因子暴露、尾部损失预算与极端情景压力。
9. Evaluation（评价）：对比基准、扣减摩擦成本、检验统计与经济显著性，并记录实验版本。

你每次根据评价改变设计，都在增加研究自由度；应登记新版本，并保留之前的结果。

4. 数学基础

组合的一个持有区间收益，在不换仓且现金流口径正确时为

$p$表示组合；$n$是风险资产数；$w^{\mathrm{held}}_{i,t-1}$与$w^{\mathrm{held}}_{c,t-1}$分别是收益区间$[t-1,t]$开始时、开盘成交后已实际持有的风险资产和现金权重；$R_c$是同区间现金收益。这里明确按期初实际持仓计收益，不用区间末才知道的目标权重。

例如，你把60%资金配置给收益2%的资产，把20%配置给收益−1%的资产，其余20%留现金且现金收益为零，那么组合毛收益是1%。每项权重的分母都是同一个起始净资产值（Net Asset Value, NAV），所以才能直接相加。

毛收益（Gross Return）减去交易与资金成本，得到净收益（Net Return）。本章采用简化的区间成本比例$c_t$：

成本在区间初始NAV上计量，区间没有外部申购赎回，成本扣除的时点与再投资影响先简化。第29、35章会改用现金账本，避免把不同现金流时点压成一个比例。

5. 正式定义

5.1 四个领域的工作对象

这些领域可以重叠。一个基金用模型挑选股票，再用执行算法成交，既涉及系统化研究，也涉及算法交易。一个衍生品定价模型可以没有主动交易策略，但仍属于量化金融。

高频交易（High-Frequency Trading, HFT）通常涉及短持有期、低延迟基础设施和频繁订单交互。没有统一阈值能把所有机构的HFT划成一类。你应具体描述延迟、订单频率、持有期和策略机制，而不是凭“每秒几次交易”判断研究水平。

基本面量化（Fundamental Quant）把报表、估值、经营和其他基本面信息编码成可检验信号。关键是信息可用时间与会计口径，而不只是把人工选股流程搬进代码。

5.2 岗位划分是一种工作地图

机构可能把这些责任合并或重新命名。表中不是招聘资格或全球统一分类，而是帮助你定义工作边界：谁决定假设，谁保证数据可靠，谁承担实际成交，谁验证风险。

5.3 把容易混淆的对象拆开

阿尔法（Alpha）在回归归因中表示相对指定模型的截距；在研究口语中也可能指预期主动收益或预测信号。你必须说明用的是哪种含义。贝塔（Beta）是对市场或因子的线性敏感度，不是“所有风险”。因子（Factor）既可指用于排序的公司特征，也可指共同收益或可交易组合；“低P/E”与“价值因子组合收益”不是同一个数据对象。

$B$在$B^\top w$中是资产×因子的暴露矩阵，$w$为资产×1权重，所以结果是因子×1。第5、15、21章详细推导。现阶段只需知道：同样的资金权重可能对应不同的市场风险。

6. 推导

6.1 从资金到收益

初始资本为$V_0$。你分给资产$i$的金额是$V_0w_i$，其区间终值是$V_0w_i(1+R_i)$。现金终值为$V_0w_c(1+R_c)$。若预算满足$\sum_iw_i+w_c=1$，合计终值为

两边除以$V_0$再减1，就得到第4节的组合收益公式。这里没有根据区间末价格重新设定权重；计算用的是区间起点已经持有的资金配置。

6.2 从交易量到成本

设再平衡前权重为$w_i^{\mathrm{before}}$，成交后权重为$w_i^{\mathrm{after}}$。本节把风险资产买卖合计、不折半的名义交易总比例定义为

$T$是风险资产买入与卖出名义金额之和相对初始NAV的比例，求和不含现金自身权重变化。若每单位风险资产交易金额支付费率$k$，成本金额为$C=V_0kT$，成本比例为$c=C/V_0=kT$。$k=0.001$表示每单位交易名义金额10个基点（Basis Points, bps），即0.1%，而不是10%。不同资料可能把该总交易量称为换手率或将其折半；比较成本前必须先核对口径。

6.3 Alpha与Beta的解释范围

单市场回归可写为

$R_i$是资产收益，$R_f$是同币种同频率无风险收益，$R_m$是市场收益；$\alpha_i$是该样本与模型的截距，$\beta_i$是市场超额收益的敏感度，$\epsilon_i$是未解释部分。所有收益使用小数，不能把日度截距直接当年收益。

这是对回归对象的介绍，不是此处对资本资产定价模型（Capital Asset Pricing Model, CAPM）均衡假设的证明。第8章推导估计，第14、15章讨论定价与实证。即使估计得到正截距，你仍需检验不确定性、其他因子、交易成本和选择偏差。

6.4 部分成交：从数量回到现金

7. 金融解释

你预测到未来收益，并不自动知道应该投入多少资本。持仓取决于预测不确定性、资产相关性、损失预算、交易成本、流动性与可融资性。对两只高度相关股票同时给高权重，可能把一个经济风险集中两次。

Beta说明对风险源的共同敏感度。假设组合的市场Beta为1.5，市场超额收益上升1个百分点时，回归模型对应约1.5个百分点的组合变化，其他因素固定。这个线性条件解释不保证下一次实际变化，尤其在危机和杠杆约束下。

成本后的Alpha才接近你能实施的主动收益讨论，但“净”也需要定义。只扣佣金而没有借券、融资、价差与冲击，仍可能低估实施成本。第35章会展开成本模型；本章先要求报告哪几项已计、哪几项未计。

8. Numerical Example

以下全为教学构造，不是市场观测或策略绩效。我们用一个完整的小研究闭环贯穿 9 个阶段：

所有时刻采用协调世界时（Coordinated Universal Time, UTC），以下为构造时刻，不代表真实日历：D0 16:00前端价格A98、B101；D1 16:00末端价格A100、B100，16:01公开、16:02入库，16:05形成信号。D2 09:30两者以构造价格100成交，收益测量从D2 09:30至D3 16:00，末价A102、B99，无股息。

预测与实现值分列：D1时不能读取最后一行。目标权重0.6/0.2是本例给定的资本规则，未声称从这两个预测唯一推导出最优配置。

1. Idea（想法）：假设两只风险资产 A 与 B 存在宏观行业需求分化，前期景气度高的资产在下期存在信息传导粘性与短期惯性。
2. Data（数据）：前期决策点 $t-1$，获取已入库的资产收盘价与前期收益，保证 available_at 与 ingested_at 均不晚于决策时刻。
3. Signal（信号）：根据前期收益生成横截面强弱信号：A 相对强势（信号为 $+1$），B 相对弱势（信号为 $-1$）。
4. Forecast（预测）：人为指定教学映射 $\widehat{\mu}_i=0.01+0.005s_i$，得到下一持有期收益预测A为1.5%、B为0.5%，现金为0%。常数的单位是每持有期小数收益；这条映射没有拟合或市场证据，排序本身没有收益单位，后面的实际2%与−1%是另外给定的结果。
5. Portfolio（目标权重）：在本例只做多、另留现金的约定下，决定再平衡目标权重：$w_A^{\mathrm{target}} = 0.60$，$w_B^{\mathrm{target}} = 0.20$，留存现金权重 $w_c^{\mathrm{target}} = 0.20$。
6. Execution（执行）：
   • 调仓前持仓权重为 $w_A^{\mathrm{before}} = 0.50$，$w_B^{\mathrm{before}} = 0.30$，现金 $w_c^{\mathrm{before}} = 0.20$；初始 NAV 为 $V_0 = 100{,}000$ 资金单位。
   • 调仓前A500股、B300股、现金20,000；按D2每股100的价格，订单买A100股、卖B100股，买卖各10,000资金单位。构造假设全部成交，实际数量变为A600股、B200股。单位是股和货币，不把“买10,000单位”混作股数。
   • 在收益区间开始时完成成交（Fill），买卖合计不折半的风险资产交易总比例为 $T = |0.60 - 0.50| + |0.20 - 0.30| = 0.20$（交易金额 20,000 资金单位）。
   • 实际持仓生效：$w_A^{\mathrm{held}} = 0.60$，$w_B^{\mathrm{held}} = 0.20$，$w_c^{\mathrm{held}} = 0.20$。
7. PnL（损益计算）：
   • 持有期结束，实现收益：A 为 $+2\%$，B 为 $-1\%$，现金收益为 $0\%$。
   • 毛收益：$R_p^{\mathrm{gross}} = 0.60 \times 0.02 + 0.20 \times (-0.01) + 0.20 \times 0.0 = 0.01$，即 $1.00\%$。
   • 交易成本：费率为每单位风险资产交易名义金额 10 bps（$k = 0.001$）。成本金额为 $C = 100{,}000 \times 0.001 \times 0.20 = 20$ 资金单位，占初始 NAV 的 $0.02\%$。
   • 净收益：$R_p^{\mathrm{net}} = 1.00\% - 0.02\% = 0.98\%$。
   • 期末 NAV：$V_1 = 100{,}000 \times (1 + 0.0098) = 100{,}980$ 资金单位。
   • 净损益：$\text{PnL} = 100{,}980 - 100{,}000 = 980$ 资金单位。
8. Risk（风险检查）：
   • 风险资产总暴露（Gross Exposure）$= 0.60 + 0.20 = 0.80$；净暴露（Net Exposure）$= 0.80$；现金缓冲 $20\%$。
   • 评估集中度：资产 A 占比 60%，若A单独下跌10%、B和现金不变，毛收益为0.6×(−0.10)=−6%；这是构造压力情景，不是发生概率估计。
9. Evaluation（研究评价）：
   • 同期给定的50% A/50% B零现金基准毛收益为0.5%，策略毛差为0.5个百分点；基准费用未给出，不能称净差。一期观察不能检验均值显著性；若未来市场费率上升至 50 bps（成本达 $0.10\%$），净收益将压缩至 $0.90\%$。实验记录冻结，保留参数设置，防止未来反复调试造成过拟合。

本例假定成交在收益区间开始时按约定价格完成、没有额外冲击或外部资金流、成本按初始NAV另扣且不影响资产资金配置。正式自融资账本会把成本资金来源与实际数量计清；本例用来核对单位与对象，不是交易引擎。

如果在区间结束后才看到A涨2%、B跌1%，再把权重改成0.6、0.2并用于这个已经结束的区间，就发生前视偏差（Look-ahead Bias）。相同数字、相同乘法，也可以表达错误实验。

9. Python Implementation

本读者版的默认运行入口

本样章共享I3已接受读者包的实现。从克隆后的仓库根目录（quantweft/）建立环境，再运行：

.venv/bin/python run_notebook.py notebooks/ch01_lifecycle.ipynb

默认构造Notebook不读取未随包提供的French数据、不下载数据；新输出写入唯一runs/子目录。以下历史CLI、测试和数据路径以课程根为工作目录；其中French路线须自备符合授权与manifest契约的输入，本批未运行。I3可搬移CLI默认写入新UUID的runs目录、拒绝覆盖；已位于读者根时不再执行cd quantweft。安装与可选数据说明见接受读者安装入口和可选数据契约。构造检查通过不代表真实市场计算已重新执行。

本章脚本为code/ch01_lifecycle.py，Notebook为ch01_lifecycle.ipynb。运行环境和步骤见环境说明。脚本明确记录教学构造与资金口径，不发出交易指令。

cd quantweft
.venv/bin/python code/ch01_lifecycle.py

下列小程序可以独立运行，帮助你先理解计算；公共函数的测试与其他章的复用由src完成。

from math import isclose

def one_period_net_return(
    weights: tuple[float, ...],
    returns: tuple[float, ...],
    prior_weights: tuple[float, ...],
    cost_rate: float,
) -> tuple[float, float, float]:
    if not (len(weights) == len(returns) == len(prior_weights)):
        raise ValueError("weights and returns must have the same length")
    if cost_rate < 0:
        raise ValueError("cost_rate must be nonnegative")
    gross_return = sum(w * r for w, r in zip(weights, returns))
    turnover = sum(abs(w - old) for w, old in zip(weights, prior_weights))
    cost = cost_rate * turnover
    return gross_return, cost, gross_return - cost

gross, cost, net = one_period_net_return(
    weights=(0.6, 0.2), returns=(0.02, -0.01),
    prior_weights=(0.5, 0.3), cost_rate=0.001,
)
assert isclose(gross, 0.01)
assert isclose(cost, 0.0002)
assert isclose(net, 0.0098)
print({"gross": gross, "cost": cost, "net": net})

浮点计算可能显示0.009800000000000001；这不是经济差异。你用容差检查，而不是字符串比对。该局部函数假设现金收益为零，不能直接用于融资空头或复杂再平衡；第29章会用账本替代。

以下自包含片段按本例简化口径核账：成交后资金配置先给定，20单位费用在终点另扣，忽略扣费时点对再投资的影响。第29章再处理自融资约束。

from math import isclose
initial_nav = 100000.0
stock_end = 600 * 102.0 + 200 * 99.0
trade_amount = 100 * 100.0 + 100 * 100.0
cost_currency = trade_amount * 0.001
cash_end = 20000.0 - cost_currency
ending_nav = stock_end + cash_end
pnl_currency = ending_nav - initial_nav
assert isclose(stock_end, 81000.0)
assert isclose(cost_currency, 20.0)
assert isclose(ending_nav, 100980.0)
assert isclose(pnl_currency / initial_nav, 0.0098)
print(stock_end, cash_end, ending_nav, pnl_currency)

时间契约

假设用周一收盘之前的历史信息形成特征，信号在周一收盘之后产生，周二交易开始时成交。你只能对周二成交后到持有区间结束的价格变化计收益。周一收盘到周二开盘的跳空，不属于“周二才买入”的持仓收益。

第2章将用shift示范索引对齐；一个移位操作仍需建立在相同价格端点上。用日收盘收益去近似开盘成交的持有收益，需要单独披露误差，不能靠“shift过一行”宣称执行完全正确。

10. Visualization

横轴是本例的Gross、Cost、Net三种量，纵轴是收益百分比。Cost柱画成−0.02%，表示从毛收益扣除的贡献；费用本身是正的0.02%。你应检查成本是否与净收益差额一致，并观察0.02个百分点成本与1%毛收益的量级。这张图只解释教学构造的算术，不证明动量或任何策略存在优势。

生命周期图的横向箭头则表示研究对象的依赖。一个节点失败，需要沿输入回查；例如净收益错误可能来自成交价格，也可能来自持仓时点、公司行动或成本单位。

11. Real Market Example

Kenneth French 数据库公开提供行业组合和因子收益。课程保存了真实的10个行业组合数据快照，来源为10 Industry Portfolios，下载与哈希见data manifest。

官方说明在每年6月底按标准行业分类（Standard Industrial Classification, SIC）分配股票，随后计算7月到次年6月的组合收益。你现在看到的是已构造组合的收益序列，不是一份可直接下单的逐股持仓，也不是开盘/最高/最低/收盘价和成交量（Open, High, Low, Close, Volume, OHLCV）记录。这使它适合练习收益面板和后续回归，但不能证明你能复制所有历史股票的成交。

把这一来源映射到生命周期：Idea可以是行业收益差异；Data是官方月度组合收益；Feature是历史行业收益；Signal是行业排序；Portfolio是对这些收益序列的研究权重。然而Execution没有由这个文件提供可成交价格、成分与数量。因此你可以做统计研究，暂不能把结果标为已验证的可投资策略。

本章没有对该真实样本执行动量回测，不报告策略Sharpe。第2章展示读取与单位，第15章完成因子回归；Project 1和后续策略项目分别处理描述与策略验证。官方数据库还会修订历史计算，快照与当前网页不是同一版本。French 数据库与格式变更说明

12. Common Mistakes

错误一：把预测与真实未来收益放在同一列

错误做法是forecast = next_month_return，再根据forecast选股。未来收益可作为标签（Label）用于训练已经完成的历史样本，但不能在预测时作为输入。正确做法是保留三列：signal_time时可得feature、当时产生forecast，以及之后形成的realized_return。即使三列最终按同一日期展示，其可用时间不同。

past_return = -0.02
next_return = 0.03
# 错误：用未来目标作当期决策
wrong_weight = 1.0 if next_return > 0 else 0.0
# 正确的对象关系：历史信息先形成决策，再测量未来
correct_weight = 1.0 if past_return > 0 else 0.0

此段用教学构造定义了输入；编程答案进一步对照实现的收益。真实实验中的next_return和past_return还必须来自明确定义的时间区间。

错误二：把净敞口零称为没有风险

多A50%、空B50%，净敞口（Net Exposure）为零，总敞口（Gross Exposure）为100%。若A上涨10%、B上涨20%，忽略成本时组合收益为$0.5\times0.1-0.5\times0.2=-5\%$。美元中性不是Beta中性，更不是免疫亏损。

错误三：成本费率的单位多乘或少乘100

10bps是$10/10000=0.001$。把10写进公式会算成1000%的费率；把0.1当小数会算成10%。正确做法把费率单位记在配置名称和数据字典里，并用20个资金单位这个手算值测试。

错误四：看到回归Alpha就宣布有优势

一项回归的截距取决于模型、样本、频率、风险因子与估计误差。你还要核查多重检验（Multiple Testing）、成本与样本外。统计显著性（Statistical Significance）与经济显著性（Economic Significance）分开讨论。

错误五：系统每次都给同样结果，所以研究可靠

程序可复现只证明同输入同程序得到同输出。错误数据、未来信息、遗漏退市或错误公式也能被稳定复现。你需要输入有效性和实验设计的检验。

13. Quant Research Application

把初始动量想法写成一个最小研究协议：

1. 经济假设：信息反应可能分步发生；过去相对强势与未来收益可能相关。这是待检验解释，不是已证明机制。
2. 样本：先用真实行业组合练习方法；如果转向逐股策略，重新核验PIT股票池、价格现金流和借券。
3. 形成区间：写出每个信号用了哪些月份、是否跳过最近月。第25章精确讲12-1动量。
4. 决策与成交：历史数据截至t可得；交易在t后的可执行时点；收益端点与成交一致。
5. 对照：比较等权或指定基准，避免只给最佳策略图。
6. 实验冻结：在最终样本外之前确定窗口、权重、成本和评价项，保存所有试验。
7. 评价与限制：报告毛/净收益、风险、暴露、换手、失效窗口、统计不确定性与无法验证的成交假设。

你没有学完回归和回测引擎，也能先练习写研究问题与数据契约。复杂工具等到它解决具体问题时再加入。

14. Chapter Summary

研究员把经济问题转成假设和可检验对象；开发人员让数据与计算可重复；交易和执行人员把目标权重转成订单与实际成交；成交更新持仓，风险人员检查资本可能承受什么损失，随后用持仓和现金流计算 PnL。你用生命周期把这些工作接起来。

特征是输入，信号是决策提示，预测是未来目标的条件估计，目标权重是资本配置决策，订单是交易指令，成交是实际执行记录，持仓是成交后资产数量，暴露是风险或资本计量，PnL是之后的货币结果。Alpha和Beta必须附模型与频率。下一章学习实现工具，第3章学习数据何时可用，这两项决定你能否正确记录这条链。

15. Exercises

1-E01：一个程序每隔一分钟把大订单拆成小订单，投资方向由人工给出。它体现哪个领域的工作？还能否称为Quant Research？

1-E02：解释Feature、Signal、Forecast、Target Weight、Order、Fill和Position。给一个历史收益驱动的例子，并分别标注决策、提交订单、实际成交和持仓生效时间。

1-E03：资金多A50%、空B50%是否没有市场风险？说明需知道什么信息。

1-E04：行业组合数据能用于收益回归，却不足以验证逐股订单执行。列三项缺失信息。

1-E05：资金权重0.4、0.4，现金0.2；两资产收益3%、−2%，现金收益0.1%。计算毛收益。

1-E06：风险资产权重从0.3、0.5变到0.5、0.3，费率为每单位风险资产交易名义金额5bps，初始NAV为200,000个资金单位（例如元）。按本章买卖合计、不折半的名义交易总比例计算成本。

1-E07：A收益10%、B收益20%；持仓多A0.5、空B0.5，现金权重1，现金收益0。计算净/总敞口和毛收益。

1-N01（识别）：每股报价100元、持有100股、信号评分+1、预测下一期收益1.5%，分别是哪种对象、用什么单位？信号评分能否直接当1%的预测？订单在哪个阶段产生，何时才更新持仓？

1-N02（单步）：某策略初始 NAV 为 50,000 资金单位。在再平衡时刻，风险资产 A 和 B 的期初持有权重为 $(0.40, 0.40)$，期初现金权重为 $0.20$。假设订单全部成交，成交后实际权重变为 $(0.70, 0.10)$，现金权重保持 $0.20$。费率为每单位风险资产交易名义金额 10 bps。单步计算：

1. 风险资产买卖合计、不折半的名义交易总比例 $T$；
2. 实际交易产生的总名义金额（货币单位）；
3. 应扣除的交易成本金额与成本比例。现金自身权重是否参与交易比例计算？

1-N03（完整演算）：某教学策略初始净资产 $V_0 = 100{,}000$ 资金单位。

• 调仓前持仓权重：A 资产 $0.50$，B 资产 $0.30$，现金 $0.20$。
• 调仓后生效权重：A 资产 $0.60$，B 资产 $0.20$，现金 $0.20$。
• 实现收益：A 资产 $+2.0\%$，B 资产 $-1.0\%$，现金收益 $0.0\%$。
• 费率：每单位风险资产交易金额 10 bps。 完整列出从调仓交易量、成本扣除、毛收益、净收益、期末 NAV 到最终净 PnL 的端到端演算步骤与单位，并给出风险资产总暴露与净暴露。

1-B01（部分成交核账）：按第6.4节成交状态，列成交后现金、数量、NAV及期末净PnL。为什么不能用目标600股计算A的损益？

16. Programming Exercises

1-P01：运行本章脚本，核对gross=0.01、cost=0.0002、net=0.0098。把费率改成50bps，解释结果。

1-P02：使用过去收益−2%及未来收益3%，对照“按未来正负决定是否持仓”和“按过去正负决定是否持仓”的结果。定义所有变量并运行。

1-P03：给定signal_time为某交易日16:05，trade_time为同日16:00，写一个检查函数使其失败；改为下一交易日开盘后通过。时间使用带时区UTC对象。

1-N04（代码诊断）：目标风险资产权重为(0.6,0.2)，原实际持仓为(0.5,0.3)，但订单全部未成交。现金0.2，期间无其他交易，费率只对实际成交金额收费；收益A2%、B−1%、现金0。下面有两处错误，分别是什么？算出按真实持仓的毛/净收益，再修复代码并给断言。

target_weights = (0.6, 0.2)
prior_weights = (0.5, 0.3)
returns = (0.02, -0.01)
cost_rate = 10  # 错误地把10bps当小数
planned_turnover = sum(abs(w - old) for w, old in zip(target_weights, prior_weights))
gross = sum(w * r for w, r in zip(target_weights, returns))
net = gross - cost_rate * planned_turnover
print(gross, net)

17. Challenge Problems

1-C01：设计一个最小动量研究协议。哪些假设能先登记，哪些数据不足使你无法给可投资性结论？提出一个可能推翻初始解释的对照。

1-C02：上述简化成本扣除例子在真实自融资账本中有哪些缺口？说明至少三项，并提出核账等式。

1-N05（研究判断）：一个历史收益排序研究使用今天的证券名单，并在收盘价定稿后形成信号，却按同一收盘价成交；报告只给一个不扣成本的高夏普结果。指出已能确认的时间/样本问题、仍需补的费用和试验范围证据，并说明现有材料能否证明真实净盈利或证明规律不存在。

18. Solutions / Solution Hints

概念与手算答案

1-E01：这是执行算法，也是算法交易的一种。研究执行参数与冲击可能属于Execution Quant研究；仅按既定计划执行不证明进行了Alpha研究。投资方向来自人工并不妨碍执行系统自动化。

1-E02：Feature可为t之前累计收益；Signal是t时据此排名；Forecast是t时对未来区间收益的估计；Target Weight是希望达到的资本比例；Order是提交的交易指令；Fill是实际成交记录；Position是成交后实际持有的股数。排名不是未来收益估计，目标权重或未成交订单都不是持仓。 例如构造D1 16:05决定目标，D2 09:29提交订单，D2 09:30成交回报确认数量；该已成交数量才在D2 09:30生效，收益随后测量。Order、Fill和Position分别记录三个动作，未成交时仍保留原数量。

1-E03：净资金敞口零。若两资产Beta不同，市场Beta不为零；还存在行业、个股、价差扩大、借券与融资风险。需要资产Beta、相关性、因子暴露、交易和资本约束。

1-E04：历史成分/每股数量、可成交报价与深度、借券及融资条件。逐股公司行动、交易日历、成本也需核验。组合收益文件不等于这些资料。

1-E05：$0.4\times0.03+0.4\times(-0.02)+0.2\times0.001=0.0042$，即0.42%。现金收益贡献0.02个百分点。

1-E06：$T=|0.5-0.3|+|0.3-0.5|=0.4$；5bps=0.0005。成本比例0.0002=0.02%，金额40个资金单位。若改用折半交易量定义，费率的计量口径也须同步调整。

1-E07：风险资产net=0.5−0.5=0，gross=1；毛收益=5%−10%=−5%。现金权重1使含现金预算满足1，但不抵消两腿价格变化。真实卖空资金是否可自由使用取决于抵押与融资安排，本题作简化。

1-N01 解答：100元/股是价格，100股是持仓数量；两者相乘才是10,000元市值。+1是本例无量纲信号评分，1.5%是针对下一持有期的收益预测。只有给出映射与条件后，才能把评分转成收益估计。订单在Execution中提交，实际成交Fill才更新Position；未成交订单不增加持仓。

1-N02 解答：

1. 风险资产名义交易总比例（不折半）：

   $$T = |0.70 - 0.40| + |0.10 - 0.40| = 0.30 + 0.30 = 0.60.$$

2. 实际名义交易金额为：$50{,}000 \times 0.60 = 30{,}000$ 资金单位（买入 A 15,000 单位，卖出 B 15,000 单位）。

3. 费率 $k = 10\text{ bps} = 0.001$。成本比例 $c = 0.001 \times 0.60 = 0.0006 = 0.06\%$；成本金额 $C = 50{,}000 \times 0.0006 = 30$ 资金单位。现金自身权重的再平衡（若有）不属于风险资产交易，不计入 $T$。

1-N03 解答：

1. 调仓交易总比例：$T = |0.60 - 0.50| + |0.20 - 0.30| = 0.10 + 0.10 = 0.20$。
2. 交易成本：费率 $k = 10\text{ bps} = 0.001$；成本比例 $c = 0.001 \times 0.20 = 0.0002 = 0.02\%$；成本金额 $C = 100{,}000 \times 0.0002 = 20$ 资金单位。
3. 组合毛收益：$R_p^{\mathrm{gross}} = 0.60 \times 0.02 + 0.20 \times (-0.01) + 0.20 \times 0.0 = 0.012 - 0.002 = 0.010 = 1.00\%$。
4. 组合净收益：$R_p^{\mathrm{net}} = R_p^{\mathrm{gross}} - c = 1.00\% - 0.02\% = 0.98\%$。
5. 期末净资产：$V_1 = 100{,}000 \times (1 + 0.0098) = 100{,}980$ 资金单位。
6. 净 PnL：$\text{PnL} = V_1 - V_0 = 100{,}980 - 100{,}000 = 980$ 资金单位。
7. 暴露指标：总风险敞口（Gross Exposure）$= 0.60 + 0.20 = 0.80$（$80\%$）；净风险敞口（Net Exposure）$= 0.60 + 0.20 = 0.80$（$80\%$）。

1-B01 解答：A540股、B200股；实际交易14,000，费用14，现金25,986；成交后NAV99,986，期末NAV100,866，净PnL866，按初始NAV收益0.866%。价格损益880减费用14为866。目标尚有60股未成交，用600股会多计120的收益。各资产扣费后权重应用99,986作分母，三项金额和为该NAV。

编程参考解

1-P01：50bps=0.005，风险资产交易总比例0.2，成本0.001即0.1%；净收益0.009即0.9%。用第9节函数替换cost_rate=0.005，断言isclose(net, 0.009)。相同毛收益并不保证相同净收益。

1-P02：下面可独立运行。错误规则获得3%，历史规则空仓得到0；这个差异来自是否知道未来，不是错误规则更好的预测能力。

past_return = -0.02
next_return = 0.03
wrong_weight = float(next_return > 0.0)
correct_weight = float(past_return > 0.0)
wrong_pnl_fraction = wrong_weight * next_return
correct_pnl_fraction = correct_weight * next_return
assert wrong_pnl_fraction == 0.03
assert correct_pnl_fraction == 0.0
print(wrong_pnl_fraction, correct_pnl_fraction)

1-P03：用有时区对象比较真实时刻，不能比较日期字符串。下面只验证时间先后，不证明交易所那一时刻开放；第3章再引入日历。

from datetime import datetime, timezone

def check_trade_time(signal_time: datetime, trade_time: datetime) -> None:
    if signal_time.tzinfo is None or trade_time.tzinfo is None:
        raise ValueError("timezone required")
    if trade_time <= signal_time:
        raise ValueError("trade must follow signal")

signal = datetime(2026, 6, 1, 16, 5, tzinfo=timezone.utc)
wrong_trade = datetime(2026, 6, 1, 16, 0, tzinfo=timezone.utc)
try:
    check_trade_time(signal, wrong_trade)
except ValueError:
    pass
else:
    raise AssertionError("look-ahead timing was not rejected")
check_trade_time(signal, datetime(2026, 6, 2, 13, 30, tzinfo=timezone.utc))

日历和时刻为教学构造的UTC演示，不声明对应某证券的真实开盘。

1-N04 解答：第一，10bps应为10/10000=0.001；整数10把费率放大10,000倍。第二，目标权重不是实际持仓，计划交易量也不是成交量。全部未成交时持仓保持(0.5,0.3)，本题实际交易量为0，费用为0。毛收益0.5×0.02+0.3×(−0.01)=0.007，净收益同为0.7%。修正为：

from math import isclose
held_weights = (0.5, 0.3)
returns = (0.02, -0.01)
actual_traded_fraction = 0.0
cost_rate = 10 / 10000.0
gross = sum(w * r for w, r in zip(held_weights, returns))
cost = actual_traded_fraction * cost_rate
net = gross - cost
assert isclose(gross, 0.007)
assert cost == 0.0
assert isclose(net, 0.007)
print(gross, cost, net)

本题只演示已给成交状态，不是撮合模型；真实系统还需记录拒单、未成交机会成本与其他可能费用。

挑战题参考与评分

1-C01：可接受协议写清经济逻辑、股票/行业样本、窗口端点、信号和收益区间、基准、成本、验证和搜索范围。反证可比较不同子样本或引入预先指定反转窗口，但对照也要事先记录。行业数据不足以支持逐股借券、冲击和全市场PIT结论。评分：时间与数据范围40%，可证伪假设/对照30%，验证与限制30%；不能按正收益评分。

1-C02：缺口包括成本何时扣、交易后的现金余额、权重与数量换算、未成交、分红/融资、交易间价格漂移。核账可用$NAV_t=CASH_t+\sum_iq_{i,t}P_{i,t}-LIAB_t$，其中CASH为现金，q为实际数量，P为估值价，LIAB为负债；外部净流入和交易现金流另记。每笔买卖的资产与现金变化必须成对记录，成本使净资产下降。评分：明确至少三项缺口50%，有维度一致的核账式和事件顺序50%。

1-N05 解答：最终收盘输入须先到达并处理，信号之后才能提交订单；同一收盘成交没有先后证据。今天的名单不能代表历史成员，需历史成员、退出和可交易状态。应补实际交易量、费率、价差/冲击/融资与成交记录，以及搜索过的方案、基准和样本外设计。高夏普本身既不证明真实净盈利，也不能证明经济规律不存在；目前只能说该回测不足以支持可执行结论。评分10分：时点3、证券池2、费用/试验证据3、结论范围2。

19. Further Reading

• Must Know：Princeton ORFE官方课程概述，了解数学与应用的组织；SEC算法交易报告的定义与交易用途部分。
• Should Know：MIT Finance Theory I课程概览，认识资产估值、投资与风险的主题。MIT OCW
• Optional：阅读机构职位描述时，用本章工作对象比较责任；职位名称随机构不同，不能当统一资格标准。

20. References

1. Princeton ORFE，Undergraduate Program。官方网页，2026-10-05读取课程核心概述。链接。来源键ORFE。
2. SEC，Staff Report on Algorithmic Trading in U.S. Capital Markets，2020。官方PDF，读取算法决策用途；本章没有引用未验证统计数字。链接。来源键SEC_ALGO。
3. Kenneth R. French，Detail for 10 Industry Portfolios。官方组合构造说明及下载数据；本章只解释数据适用范围。链接。来源键FRENCH_10。
4. Kenneth R. French，Data Library。格式和历史计算修订说明。链接。来源键FRENCH。