第九章：持续寻找盈利机会：因子研究入门

前面八章，我们从零搭建了一个完整的量化策略——选标的、定仓位、择时买卖、验证有效性、避免过拟合、接入执行、持续迭代。策略跑起来了。

然后呢？

做完一个策略就结束了吗？量化交易员的日常到底在忙什么？

答案是：因子研究。

回头看前面八章的每一个关键决策——用 GDP 选国家、用动量排名买卖——背后都有一个共同的逻辑：找到一个数据指标，用它来做决策。这个数据指标，就是因子（Factor）。

量化交易员的日常工作，就是不断寻找新的因子、评估它们的预测能力、组合成更好的信号、改进策略。这一章，我们就来体验这个过程。

路线图

完整跑通一个策略（第一章）→ 选什么标的（第二章）→ 每个买多少（第三章）→ 什么时候买卖（第四章）→ 怎么验证有效（第五章）→ 如何避免自欺欺人（第六章）→ 怎么真正执行（第七章）→ 如何持续改进（第八章）→ 持续找下一个 alpha（第九章本章）

本章从“回顾已有决策”出发，正式引入因子概念，用三个步骤体验量化研究员的日常工作，三步的问题与方法对照如表 9-1 所示。

表 9-1 第九章三步实验问题与方法对照

步骤	问题	方法
Step 1	前面的决策靠的是什么？	回顾 → 引入因子概念 → IC 评估方法 → GDP 因子实验
Step 2	动量因子到底靠不靠谱？	25 只 ETF × 多个前向窗口 → IC 分析 → 分组诊断
Step 3	因子评估能改进策略吗？	补充因子 → 发现问题 → 波动率过滤 → 回测验证

（操作流程见前言“怎么使用这本书”。）

---

9.1 从直觉到因子

回顾一下前面课程中的两个关键决策，对照如表 9-2 所示。

表 9-2 前面课程中的两个关键决策回顾

章节	决策	用了什么数据	因子名称	因子类别
第二章选什么	选哪个国家的市场	GDP 总量/增速	GDP 因子	宏观因子
第三章买多少	涨的多买、跌的不买	风险调整动量	动量因子	动量因子

你可能没意识到，第二章和第三章里你已经在用因子了。**因子（Factor）**就是你做投资决策时参考的那个数据——GDP 高的国家更值得投、涨得好的多买一点。就像你挑餐厅会看评分、看距离、看价格，这些“参考指标”就是因子。

量化研究的日常工作，就是不断寻找和评估这些因子。

怎么评估一个因子好不好？

一个因子好不好，最直接的检验方式是：它的打分排名，和实际收益排名有多像？

这就是 IC（Information Coefficient，信息系数） 的核心思想。打个比方——IC 就像考试估分准不准：你预估的前 5 名跟实际前 5 名的重合度越高，说明你的判断越靠谱。

计算方法：每一期，把所有标的按因子值排名，再按下一期的实际收益排名，然后算两个排名的 Spearman 相关系数。Spearman 是相关系数的一种，专门看排名而不是数值——就像比较两次考试的“班级第几名”是否一致，而不是看具体分数。相关系数范围从 -1 到 +1：+1 表示因子排名和收益排名完全一致（完美预测），-1 表示完全相反，0 表示毫无关系。

IC 均值是多期 IC 的平均值，反映因子是否长期有效：

• 绝对值 > 0.03：有一定参考价值
• 绝对值 > 0.05：算不错的因子
• 绝对值 > 0.1：非常强的因子（实际中很罕见）

ICIR（IC 信息比率） = IC 均值 / IC 标准差，衡量 IC 的稳定性。不仅要均值高，还要稳定（偶尔猜中一次的因子不算好，每年都稳定有效才算）——类似夏普比率的思路。

动手实验 1：GDP 因子 IC 分析

我们一起把这份 spec 写出来。这次重点看两件新东西：评估工具先讲清楚再用，以及因子计算的关键参数要点名到函数级。

起草上下文 + 任务

这是收官章第一份 spec，承接前八章的所有实验。上下文段把“学员已经在用因子但没意识到”这个起点交代清楚：

上下文：学员已完成第二至八章。本 spec 对应 notebook q9-daily-work.ipynb 的 Step 1，从零引入因子概念和 IC 评估方法，并用 10 国 GDP 数据做第一个因子评估实验。

任务：在 notebook 中创建 Step 1 的所有单元格——导入库、因子回顾表、IC 方法说明、GDP 因子 IC 实验、排名对比图、GDP 分析、因子分类全景表。

📌 要点：收官章 spec 把“评估工具”前置于“评估实验”。要求段先单独要求一个 IC 方法说明 markdown（讲 Spearman、阈值、ICIR），再要求 GDP 实验——把全章共用的“测量尺”先建起来，后面所有 spec 都引用同一套语言。

起草要求：函数签名精确 + 参数全显式

要求段是这份 spec 最长的一节（11 条）。两个最关键的细节：

要求（摘要）：前两条规定整体结构，3-5 条是具体的 oxq 模块调用细节。

1. IC 方法说明 markdown 必须放在 GDP 实验之前——先讲 Spearman 相关系数、IC 阈值（0.03 / 0.05 / 0.1）、ICIR 概念
2. GDP 数据下载用 WorldBankFetcher() + FactorDownloader(fetcher, sub="macro") + dl.download("gdp", start="2010", end="2024", countries=countries)
3. ETF 价格用 YFinanceDownloader() + LocalMarketDataProvider().get_bars()，时间范围 2011-01-01 至 2026-12-31
4. IC 计算：每个“因子年→收益年”配对，用 scipy.stats.spearmanr 算相关系数；同时跑 GDP 总量因子和 GDP 增速因子（gdp_df.pct_change()）
5. 视觉契约：1×2 柱状图（figsize 14×5），正相关蓝色、负相关红色，加 IC 均值虚线；slope chart 选 IC 最大那一年，中美红色粗线高亮、其他灰色

📌 要点：量化研究 spec 必须把“算什么”具体到函数。“算 IC”不够——spearmanr 还是 pearsonr？前者看排名相关、后者看数值相关，因子评估默认用 spearman。任何统计计算都要点名具体函数，避免 AI 在等价函数间随机选。

📌 要点：复用现成模块时，spec 第一条要点名所有 import 路径——AI 不知道哪些轮子已经存在，名字写错就重复造轮子。本节涉及 WorldBankFetcher、FactorDownloader、read_factor、Momentum、RollingVolatility 等 7 个模块，全部按官方写法显式列出。

起草结果呈现

结果呈现：GDP 数据表（万亿美元） + 10 国 ETF 覆盖表 + 1×2 IC 柱状图 + IC 均值/ICIR 打印 + 排名对比 slope chart + GDP 分析 markdown + 6 类因子分类全景表 + 过渡文案。

完整 spec 在 specs/spec-01-factor-intro.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了 GDP 数据表、IC 柱状图和排名对比图。

这个实验做了什么？先下载 10 个国家的 GDP 数据和对应的指数 ETF 价格数据，然后分别用两个 GDP 因子（总量和增速）来预测下一年的指数收益排名，计算每一年的 IC。

运行结果

先看两个因子的 IC 对比，如图 9-1 所示。

GDP 总量因子：IC 均值 = 0.1272，ICIR = 0.3158。GDP 增速因子：IC 均值 = -0.0390，ICIR = -0.1177。

GDP 总量因子的 IC 均值为正，说明 GDP 越大的国家，下一年股市表现确实有略好的倾向。虽然很弱、不稳定，但方向是对的。这就呼应了第二章的选择逻辑——我们根据 GDP 总量挑选了最大的两个经济体（中国和美国），用沪深 300 和纳斯达克来构建候选池，背后是有数据支撑的。

而 GDP 增速因子的 IC 更差，说明“增长快”并不能预测“股市涨得好”——经济增速和股市回报的关系比直觉想的要弱得多。

再看 IC 最高那一年的排名对比图，如图 9-2 所示。

左列是 GDP 总量排名，右列是下一年指数收益排名。线越平，说明两个排名越接近（IC 越高）；线交叉越多说明排名差异大（IC 低）。中美两国用红色高亮——你能直观感受到“IC 高”意味着什么。

结果解读

GDP 因子的局限很明显：年度数据、10 个国家、十几年样本，IC 估计噪音很大。但这正好说明了 IC 的价值——不是拍脑袋觉得“有道理”就行，要用数据验证。

因子的分类

因子的世界远不止 GDP 和动量。主要的因子类别如表 9-3 所示，也是你未来挖掘新因子的方向。

表 9-3 因子分类全景

因子类别	含义（一句话）	常见例子	数据来源
价值	便不便宜	市盈率、市净率	财报数据
动量	涨跌趋势	N 日收益率、风险调整动量	价格数据
质量	公司好不好	利润率、负债率	财报数据
波动率	稳不稳	历史波动率	价格数据
宏观	大环境	GDP、利率	经济数据
另类	非传统信息	新闻情绪、卫星图像	另类数据

前面课程里我们用过宏观因子（GDP）和动量因子（风险调整动量）。接下来我们重点研究动量因子——因为它用的是每天都有的价格数据，样本量大、更新快，最适合日常研究。

GDP 因子受限于年度频率和小样本，IC 很不稳定。接下来，我们用日频价格数据、更多标的来评估动量因子——这才是量化研究员的日常节奏。

---

9.2 动量因子——涨得好的会继续涨吗？

第三章里我们用动量排名来决定买多少——涨得好的多买，跌的不买。当时在 3 只标的上回测效果不错。

但那只是 3 只标的。动量因子在更大范围内真的有效吗？它在什么环境下会失灵？要回答这些问题，我们需要扩大标的池，用 IC 来严格评估。

动手实验 2：动量因子 IC 分析

我们一起把这份 spec 写出来。这次重点看两件新东西：IC 计算函数的签名要点名到参数，以及最低样本数阈值要写明白。

起草上下文 + 任务

上下文：在 q9-daily-work.ipynb 的 Step 1 中已完成库导入和 GDP 因子 IC 实验。已有变量 downloader（YFinanceDownloader）、provider（LocalMarketDataProvider）。本 spec 对应 Step 2，把标的池从 10 只扩展到 25 只，用日频数据做动量因子的 IC 分析。

任务：在 notebook 中新建 Step 2 的所有单元格——构建 25 只标的池、计算动量因子与前向收益、IC 分析表和图、按波动率分组的 IC 分析、问题总结。

起草要求：函数签名 + 最低样本阈值

要求段的灵魂是把 IC 计算的“工程化模式”用函数签名固化下来——任何新因子来了都按这个模板跑一遍。

要求（摘要）：

1. 25 只标的池：22 国 ETF + 3 个大宗商品（GLD / USO / SLV），时间范围 2015-01-01 至 2025-12-31
2. 因子矩阵：Momentum().compute(df, column="close", period=20)、RollingVolatility().compute(df, column="close", period=20)、RAM = 动量 / 波动率
3. 前向收益窗口 [10, 20, 40] 交易日：df["close"].pct_change(h).shift(-h)
4. 实现 compute_ic_series(factor_df, fwd_df, min_assets=5)：每个交易日取因子值和前向收益的交集标的（至少 min_assets 个），用 Spearman 算 IC
5. 实现 compute_grouped_ic(factor_df, fwd_df, vol_df, min_assets=6)：每天按波动率中位数把标的分高/低两组，组内分别算 Spearman IC；要求交集 ≥12、每组 ≥ min_assets
6. 视觉契约：2×3 子图（figsize 18×8），柱状图 width=2, alpha=0.2, steelblue + 60 日滚动均值 darkblue + IC 均值红色虚线
7. 末尾保留 ic_ts = ic_results["风险调整动量 → 20日"] 和 fwd_df = fwd_dfs[20] 给 spec-03

📌 要点：IC 计算这种“对每天做一次统计、跳过样本不足的天、收集成时间序列”的工程化模式，必须封装成函数——compute_ic_series(factor_df, fwd_df, min_assets=5)。函数签名级精度让 AI 没有自由发挥空间，也让学员未来换标的池时有明确的修改入口。

📌 要点：统计计算的阈值要写明白。min_assets=5（整体 IC）和 min_assets=6（分组 IC，配合交集 ≥12 的额外门槛）不是凭空选——Spearman 在 ≥5 时方差才可控，分组样本减半后 ≥6 才能稳定。任何“最少多少样本”的阈值都要进 spec 的参数清单，否则 AI 可能选 3 也可能选 10。

起草结果呈现

结果呈现：25 只标的覆盖表 + 动量因子矩阵 + 6 组 IC 对比表 + 2×3 IC 时间序列子图 + 分组 IC 表 + 高/低波动 IC 时间序列对比图 + 问题总结 markdown。

完整 spec 在 specs/spec-02-momentum-ic.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了 25 只标的的覆盖表、IC 对比表和多张 IC 时间序列图。

这个实验做了什么？把标的池从 第二、三章 的 3 只扩展到 25 只全球 ETF（22 个国家/地区 + 黄金/原油/白银），用 2015-2025 的日频数据，分别测试两个动量因子（20 日动量和风险调整动量）在三个前向收益窗口（10/20/40 交易日）上的 IC 表现。然后按每只标的自身的波动率分组，看动量因子在高波动和低波动标的上的表现差异。

运行结果

两个动量因子在三个前向窗口上的 IC 对比如表 9-4 所示。

表 9-4 两个动量因子 × 三个前向窗口的 IC 对比

因子 —— 前向窗口	IC 均值	IC 标准差	ICIR	IC>0
20日动量 —— 10日	-0.0263	0.2794	-0.0941	45.7%
20日动量 —— 20日	-0.0290	0.2731	-0.1062	45.7%
20日动量 —— 40日	-0.0436	0.2794	-0.1560	43.4%
风险调整动量 —— 10日	-0.0161	0.2730	-0.0589	46.0%
风险调整动量 —— 20日	-0.0193	0.2705	-0.0714	46.4%
风险调整动量 —— 40日	-0.0335	0.2770	-0.1208	45.7%

两个因子在三个窗口上的 IC 均值都接近零——动量因子的截面预测能力很弱。

2×3 的 IC 时间序列图如图 9-3 所示。

图 9-3 每个格子是一个“因子 × 前向窗口”组合的 IC 随时间变化。蓝色柱子是每日 IC，深蓝线是 60 日滚动均值，红色虚线是 IC 均值。可以看到 IC 在零附近大幅波动，正负交替——说明动量因子的预测能力非常不稳定。

关键发现来自按波动率分组的 IC 分析——按标的自身波动率分组的 IC 表现如表 9-5 所示。

表 9-5 动量因子在高波动 vs 低波动标的上的 IC 表现

因子	整体 IC	高波动组 IC	低波动组 IC	Spread
20日动量	-0.0290	-0.0334	-0.0119	0.0215
风险调整动量	-0.0193	-0.0354	-0.0011	0.0343

直观对比如图 9-4 所示。

结果解读

分组分析揭示了一个重要规律：同一天内，高波动标的的动量 IC 明显差于低波动标的。

波动率大的资产，价格噪音更大，动量信号就更容易被噪音淹没，指错方向。风险调整动量（RAM = 动量 / 波动率）在低波动组表现更好，说明除以波动率确实有帮助——但对高波动标的依然救不了。

结论：一个因子不够。动量因子在高波动环境下失灵，我们需要补充能感知波动率环境的因子，在高波动时调整策略行为。

---

9.3 从因子到策略——让数据说话

我们已经知道了动量因子的弱点。现在的问题是：这个发现能不能帮我们改进策略？

动手实验 3：补充因子 + 策略改进

我们一起把这份 spec 写出来。这次重点看两件新东西：用包装类把因子的弱点翻译成过滤规则，以及教学简化声明——哪些参数是为了演示效果而非工程最优。

起草上下文 + 任务

上下文：在 q9-daily-work.ipynb 的 Step 2 中已完成 25 只标的的动量因子 IC 分析和分组分析。已有变量：all_data、vol_df、fwd_dfs、ic_results、compute_ic_series 函数、downloader。本 spec 对应 Step 3——补充因子、总结发现、改进策略并回测对比。

任务：在 notebook 中新建 Step 3 的所有单元格——补充因子 IC、因子评估发现、策略改进框架、第三章三只标的基准回测、波动率过滤改进、对比分析。

起草要求：包装类 + 教学简化声明

要求段把“研究 → 工程”这条路具象化：因子评估发现“动量在高波动时容易出错”，怎么把这个发现翻译成代码里能跑的过滤规则？答案是包装一个 optimizer——保留原 optimizer 的所有行为，只在末尾“打补丁”。

要求（摘要）：

1. 补充因子 IC：复用 vol_df（波动率因子）+ 新建 rev_df = -df["close"].pct_change(5)（短期反转因子），用 compute_ic_series 算 20 日前向 IC，三因子对比表
2. 第三章三只标的（510300.SS / 513100.SS / 518880.SS）+ 基准策略：Threshold 信号、TopNRankingOptimizer(score_col="ram", n=3, filter_negative=True)、RebalanceFrequencyRule(interval_days=21)、data_start=“2020-06-01”
3. 实现 VolFilteredOptimizer 包装类：接受 base_optimizer、vol_threshold、market_vol 参数；optimize() 先调用 base 拿到权重、再从 indicators 取最新日期查 market_vol、若 > 阈值则把所有持仓权重减半、多余分配给 CASH；暴露 name 和 required_indicators
4. 阈值取市场平均波动率的中位数（教学场景刻意“过滤狠”——50% 时间减仓，让对比效果显著）
5. 视觉契约：净值曲线对比图（figsize 14×7），基准蓝 #3498DB、过滤橙 #E67E22，归一化到起点 = 100，图例标注夏普比率

📌 要点：把研究发现的因子弱点翻译成代码里的过滤规则时，首选包装一个新类——保留原 optimizer 的所有行为，只在末尾“打补丁”。这样原 optimizer 不动、新行为可插可拔，未来想换过滤逻辑只换包装。

📌 要点：包装类要复用原类的契约接口——VolFilteredOptimizer 接收一个 base_optimizer 引用，复用它的 required_indicators，只在 optimize() 末尾插入波动率检查。这样调用方完全感知不到差别，可以无痛切换。

📌 要点：教学场景的参数选择必须在 spec 里声明“是简化、不是最优”。波动率阈值取中位数（50% 时间减仓）、仓位减半（不是 0.7× 也不是 0.3×）——都是为了让对比效果显著的教学选择。spec 写明这一点，学员仿写时才知道哪些数字可以、应该被改。

起草结果呈现

结果呈现：三因子 IC 对比表 + 因子评估发现 markdown + 策略改进方向 markdown + 第三章三只标的覆盖信息 + 基准回测指标 + 阈值与高波动天数占比 + 过滤策略回测指标 + 指标对比表 + 净值曲线对比图 + 动态分析文本 + 小结 markdown。

完整 spec 在 specs/spec-03-factor-to-strategy.md——复制给 AI，弹窗选「允许」。

AI 助手执行完毕后，你的 notebook 里应该出现了三因子 IC 对比表、基准策略和波动率过滤策略的回测结果，以及净值曲线对比图。

这个实验做了什么？分三步走：

1. 补充因子：在 25 只 ETF 上计算波动率因子和短期反转因子的 IC，与动量因子对比
2. 基准回测：回到第三章的三只标的（沪深300、纳指100、黄金），用 oxq 复刻第三章的动量排名策略作为基准
3. 改进回测：基于因子评估的发现（高波动时动量预测力下降），给策略加上波动率过滤——高波动时自动降低仓位

运行结果

三因子在 25 只 ETF、20 日前向窗口上的 IC 对比如表 9-6 所示。

表 9-6 三因子 IC 对比（25 只 ETF，20 日前向窗口）

因子	IC 均值	IC 标准差	ICIR	IC>0
风险调整动量	-0.0193	0.2705	-0.0714	46.4%
波动率	0.0020	0.2643	0.0076	49.1%
短期反转	0.0183	0.2786	0.0659	52.6%

三个因子各有侧重——动量看趋势、波动率看风险、反转看短期超跌。它们在不同环境下各有优势。

因子评估的发现

关键发现是：动量因子在高波动标的上 IC 为负，在低波动标的上接近零——波动率是动量因子失灵的主要原因。这个发现直接指向一个改进方向：在使用动量因子做决策时，应该考虑波动率环境。

因子评估的发现能改进策略吗？

我们在 25 只 ETF 上做了因子评估，现在回到 第二、三章 的三只标的（沪深300、纳指100、黄金），看看这些发现能不能改进策略。

回顾一下贯穿全书的两层选择框架：

• 第一层：GDP 因子选候选池——在 Step 1 中，GDP 因子帮我们从全球市场中筛出了有潜力的国家/资产类别
• 第二层：动量因子做择时——在候选池内，用动量排名决定买谁、买多少

因子评估告诉我们，动量在高波动时容易出错。如果我们能让策略在高波动时自动降低仓位，应该能改善表现。

基准策略与改进策略的回测对比如表 9-7 所示。

表 9-7 基准（动量排名）vs 改进（波动率过滤）策略对比

策略	累计收益	年化波动率	最大回撤	夏普比率
基准（动量排名）	+113.36%	15.01%	-13.32%	1.09
改进（波动率过滤）	+92.96%	11.00%	-10.17%	1.25

净值曲线对比如图 9-5 所示。

基准策略夏普 1.09，最大回撤 -13.32%。波动率过滤后夏普 1.25，最大回撤 -10.17%，回撤改善 23.7%。因子评估告诉我们「高波动时动量 IC 翻负」，加上波动率过滤后回撤确实下降了——这就是因子评估带来的 Alpha，不是靠猜，而是靠数据发现问题、改进策略。

结果解读

波动率过滤带来了明显的改善：夏普比率从基准的 1.09 提升到 1.25，最大回撤从 -13.3% 降低到 -10.2%——回撤改善了约 24%。

代价是什么？累计收益从 113% 降到了 93%——高波动时降仓位，自然少赚了一些。但风险调整后的收益（夏普）更好了。这正是因子评估带来的价值：不是让你赚更多，而是让你在承担同样风险的情况下赚得更稳。

这个改进不是靠猜测，而是因子评估告诉我们的——IC 分析发现高波动时动量 IC 翻负，我们据此加了波动率过滤，回测验证了确实有效。这就是因子研究带来的 Alpha。

---

9.4 量化交易员的一周长什么样

到这里你已经掌握了“找因子 → 评估 → 改进策略”的完整流程。但每天打开电脑，到底先做什么、再做什么？光知道“应该会做”还不够，章名《量化交易员的日常工作》得给你一份能打印贴在桌面的作业日历。

把前八章的动作串成一条可执行的研究流——一个量化交易员典型的一周长什么样：

每个交易日（≤ 30 分钟）

开盘前（5 分钟）。 看一眼策略的实盘运行状态。监控仪表盘（第八章 Step 1）告诉你“是不是坏了”——滚动夏普还在 0 以上吗？回撤超过你预设的阈值了吗？相对沪深300超额收益还为正吗？三个指标全绿，今天没事；任意一个亮红灯，列入待诊断清单。

盘后（10-15 分钟）。 拉今日的成交回报，跑一次执行对账（第七章 Step 4）——回测口径下应该成交什么、实盘实际成交了什么、滑点和佣金加起来是不是在你的预算内。差距稳定 = 健康；差距突然放大 → 列入待诊断清单。

晚间（10 分钟）。 把今天的关键事件写进迭代记录表（第八章 Step 3）。“今天恶化时段触发”、“某只 ETF 触发止损”、“市场状态切到高波动”——三个月后这张表是你最值钱的资产。

每周（2-3 小时，建议周末）

周一上午：监控扫描 + 诊断分流。 把过去一周的滚动夏普、回撤、超额收益拉出来，对比上周——稳定还是恶化？如果有恶化时段，跑诊断三问（第八章 Step 2）：先排执行落差（外）、再查市场状态（中）、最后看策略本身（内）。

周末半天：因子探索 / 假设实验。 两种典型节奏二选一：

• 因子探索（第九章流程）：观察市场最近的特征 → 提一个新因子假设 → 跑 IC + 分组分析 → 决定是否纳入策略候选池。
• 假设驱动实验（第八章 Step 3）：写下假设和验证标准 → 跑对照回测 → 看结果确认还是推翻假设。纪律：标准定下来就不能事后改。

每月（半天）

月度复盘。 拉本月的全部迭代记录，问三个问题：①假设确认率多少？②哪些假设被推翻、原因是什么？③下个月的研究方向？复盘的目的不是论功行赏，是让“疑”持续运转——上个月你以为对的东西，本月数据是不是还支持？

工具升级。 数据源更新了吗？open-xquant 有新模块要试吗？哪条 spec 你写第三遍了——可以模板化吗？这一步是给“做”持续松绑——让单位时间能做的实验更多。

每季度（1-2 天）

季度策略检阅（第五 + 六章工具全用上）。 跑一次完整的策略体检：基准对比、分年拆解、收益分布、参数敏感性、Walk-forward、交叉验证、规则负担——五把铲子（含第五章敏感性）每把都挥一次。任意一项亮红灯，启动重新设计或退役流程。

视野扩展。 读 1-2 篇论文 / 行业报告 / 优秀公开策略——不是为了立刻抄，是为了看看世界变到哪了。一个量化交易员退化的标志，是他几个月没读过任何外部输入。

一张可贴桌面的作业速查

把上面的节奏压成一张速查表，对应飞轮和三字要点的位置如表 9-8 所示。

表 9-8 量化交易员的作业速查

周期	主要动作	飞轮位置	三字要点
每日	监控仪表盘 + 执行对账 + 写迭代记录	归因层 + 执行层	看
每周	监控扫描 + 诊断分流 + 因子/假设实验	归因层 + 候选/组合层	看 + 疑 + 做
每月	月度复盘 + 工具升级	归因层（反哺起点）	疑 + 做
每季度	五把铲子全检阅 + 视野扩展	全飞轮	做 + 看 + 疑

节奏比“努力”重要。 量化不是靠加班赚钱——是靠让飞轮持续转、让坏假设尽早被推翻、让好假设尽快上线。一周一次因子实验、一个月一次复盘、一个季度一次大检阅——只要持续做，三年后的你会让现在的你认不出来。

---

9.5 本章总结

策略进化路径

三步走，每一步都有明确的产出：

• Step 1：因子概念 + IC 评估方法（从直觉到数据验证）
• Step 2：动量因子 IC 分析（发现高波动是弱点）
• Step 3：因子评估改进策略（波动率过滤提升夏普）

概念速查表

本章涉及的核心概念汇总如表 9-9 所示，方便随时回查。

表 9-9 第九章核心概念速查

概念	含义	类比
因子（Factor）	用来预测资产收益的数据指标	挑餐厅时看的评分、距离、价格
IC（信息系数）	因子排名和收益排名的相似度，衡量因子预测能力	考试预测分和实际分的排名对比
ICIR	IC 均值 / IC 标准差，衡量 IC 的稳定性	夏普比率的因子版——不仅要准，还要稳
截面分析	同一时间点比较不同标的	同一次考试比较不同学生的成绩
两层选择框架	GDP 因子选候选池 + 动量因子做择时	先选城市（宏观），再选餐厅（微观）

本章核心认知

走完三个 Step 后，本章最值得带走的三条 q9 独有认知如表 9-10 所示——其余共通认知由 9.6 飞轮 + 三字要点收束。

表 9-10 第九章核心认知

认知	来源
波动率是动量因子的关键弱点——高波动标的的 IC 明显更差	Step 2
动量因子的截面预测力接近零，回测有效不等于因子有效	Step 2
因子评估带来的 Alpha 来自发现因子的弱点，并把弱点转化为过滤规则	Step 3

本章所有代码的可运行版本见 notebooks/q9-daily-work.ipynb

---

9.6 写给未来的你

这是全书的最后一章。回头看看你走过的路——把整本书带给你的东西，浓缩成一张图：飞轮 + 三字要点 + 一句口号。

飞轮的四层你都站过。 候选层（第二章选 ETF）→ 组合层（第三章定仓位 / 第四章加规则）→ 执行层（第七章下单）→ 归因层（第五、六、八章评估 / 防过拟合 / 监控诊断）→ 这一章的因子研究反过来回到候选与组合层，进入下一圈。这就是“飞轮转完一圈”——每转一圈都比上一圈聪明一点。

三字要点你都练过。

• 做 —— 把动作写成 spec，让 AI 把它变成可重复执行的规则。从第一章的均线、第三章的三种信号、第四章的止损止盈、到第八章的对照实验，每一次都是“做”。
• 看 —— 不允许“感觉还行”，所有判断都要落到指标上。年化、波动率、最大回撤、夏普 / 卡玛 / 索提诺、IC、ICIR——你已经收集了一整套尺子。
• 疑 —— 永远怀疑你的指标。第一章撞墙、第六章四把铲子、第八章诊断三问、第九章 IC 分组——你已经把“疑”从感觉训练成了流程。

一句口号你能复述了：「做要规则、看要指标、还要怀疑你的指标。」 会做、会看，但不会疑，最容易在某些时候把赚到的钱加倍还给市场。这正是为什么“疑”和“做”“看”在本书同等重要。

你没有写过一行代码——每一步都是通过撰写清晰的任务说明书（spec），让 AI 来执行。这不是偷懒，这是未来量化的工作方式。Spec 写作能力本身就是本书最重要的一份带走品：从第一章的“复制临摹”，到第三、四章的“改参数”，到第六章起的“自己拆四段式”，到第九章的“独立设计研究流程”——你的 spec 能力已经走完了三个台阶。

量化交易的门槛正在快速降低。以前需要金融学位 + 编程能力 + 大量资金，现在你只需要：清晰的思考 + 数据验证的习惯 + 一个好的 AI 助手。

但门槛降低不等于赚钱变容易了。市场不会因为工具变好就多给你钱。真正的竞争力在于：

• 更好的因子（做）：别人没发现的数据关系，让“做什么”持续翻新
• 更快的迭代（看 + 疑）：从假设到验证的周期越短越好，让“看 / 疑”快到几乎和市场同步
• 更强的纪律（疑）：不被情绪左右，按数据做决策，不让“疑”被自己的乐观腐蚀

这三件事，恰好可以交给一个被研究纪律约束好的 AI Agent 去高速放大——具体怎么入门见本章末「拓展阅读」。

飞轮在你手里——下一圈，让它转得更快、更稳、更聪明。 祝你在量化的路上走得远。

---

拓展阅读

让 Agent 替你跑因子研究

整章你做的因子研究流程是高度结构化的——找因子、查 IC、看分组、改策略，每一步做什么、看什么指标都有明确标准。结构化的流程最适合交给 AI Agent 执行。

但通用 Agent（OpenClaw、Cursor Agent 等）什么都能做但什么都做不精——拿来做量化研究容易跳过 IC 评估、用不可复现的方式处理数据、对 IC=0.01 的因子说“还不错”。这些都是研究纪律问题。

Harness Engineering（缰绳工程） —— 给 Agent 装上身份约束、操作流程、工具限制和技能模板，让“什么都能做”变成“按规矩做”。比喻来自驯马：马很强壮但需要缰绳，Agent 能力强但需要研究纪律。

用 open-xquant 让 Agent 接管你的因子研究

open-xquant 在 agent/bootstrap/ 目录提供了一套量化研究专用的 harness：

• SOUL.md —— Agent 的身份和底线。最核心的约束是 “不可复现 = 不可信 = 不可交易”，通用 Agent 不会自带这条量化纪律
• AGENT.md —— 研究 SOP（5 阶段：业务约束 → 目标 → 5 要素假设 → 数据准备 → 逐层构建），每一步都要你确认才推进，不会偷跑
• TOOLS.md —— 工具清单（通过 MCP Server 暴露 62 个 SDK 工具）
• 19 个 skill 文件 —— 覆盖从策略构建、因子评估到实盘交易的全流程

怎么用？ 用 agent/bootstrap/ 覆盖 OpenClaw 默认文件 → 让 Agent 自行安装 open-xquant skills → 配置 MCP Server。然后你用自然语言提研究需求，Agent 按 SOP 引导你完成。具体安装步骤见 open-xquant 仓库。

更多因子、更复杂的组合——机器学习的入口

本课程只用了三个因子做演示。实际的量化研究中，因子数量可能是几十甚至上百个。当因子多了，手工写 if-else 规则来组合就不现实了——阈值怎么定？因子之间的交互关系怎么处理？

这时候就需要机器学习：

• 决策树 / 随机森林：自动学习因子之间的分裂规则，可解释性好
• 梯度提升树（XGBoost / LightGBM）：量化行业最常用的多因子组合方法
• 神经网络：能捕捉更复杂的非线性关系，但需要更多数据

核心思路都一样：把因子当作特征，未来收益当作标签，让模型学出最优的组合方式。这是你未来进入实战后可以深入探索的方向——但本书的主线已经够你跑很久了，先把第八章的迭代闭环跑顺，再考虑加机器学习。

---

反馈与读者群

如果你发现本章有错别字、概念不清或实验结果不一致，欢迎 提交 GitHub Issue。

课程、正式书和后续更新见 xquant.shop/courses。

添加作者微信 xquanter 进入读者群。请备注：XQuant 读者。