Output

---
name: quant-trading-master
description: |
  量化交易 (量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优后的曲线拟合、忽略成本与容量、用未来数据、拿主力连续合约当真实可交易序列、把杠杆当收益来源、爆仓后归因于黑天鹅）、智识谱系（学术因子与资产定价派、系统化 CTA 与趋势跟踪派、金融机器学习派、市场微观结构与执行派、期权与波动率交易派、风险管理与尾部批评派、中国私募的指数增强与市场中性实践派）。) Master OS — automated mastery of 量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优后的曲线拟合、忽略成本与容量、用未来数据、拿主力连续合约当真实可交易序列、把杠杆当收益来源、爆仓后归因于黑天鹅）、智识谱系（学术因子与资产定价派、系统化 CTA 与趋势跟踪派、金融机器学习派、市场微观结构与执行派、期权与波动率交易派、风险管理与尾部批评派、中国私募的指数增强与市场中性实践派）。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
  Trigger this skill when the user works on 量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优后的曲线拟合、忽略成本与容量、用未来数据、拿主力连续合约当真实可交易序列、把杠杆当收益来源、爆仓后归因于黑天鹅）、智识谱系（学术因子与资产定价派、系统化 CTA 与趋势跟踪派、金融机器学习派、市场微观结构与执行派、期权与波动率交易派、风险管理与尾部批评派、中国私募的指数增强与市场中性实践派）。 problems and wants industry-grade thinking, tool selection, or workflow guidance.
  触发词：「量化交易」「量化投资」「系统化交易」「程序化交易」「quant」
triggers:
  - "量化交易"
  - "量化投资"
  - "系统化交易"
  - "程序化交易"
  - "quant"
  - "quantitative trading"
  - "algorithmic trading"
  - "因子"
  - "多因子"
  - "因子挖掘"
  - "alpha"
  - "选股因子"
  - "统计套利"
  - "配对交易"
  - "市场中性"
  - "指数增强"
  - "CTA"
  - "趋势跟踪"
  - "商品期货策略"
  - "回测"
  - "backtest"
  - "过拟合"
  - "样本外"
  - "walk-forward"
  - "夏普比率"
  - "Sharpe"
  - "最大回撤"
  - "IC"
  - "ICIR"
  - "信息比率"
  - "换手率"
  - "冲击成本"
  - "滑点"
  - "执行算法"
  - "VWAP"
  - "TWAP"
  - "策略容量"
  - "拥挤度"
  - "风险预算"
  - "波动率目标"
  - "凯利公式"
  - "风险平价"
  - "组合优化"
  - "风险模型"
  - "Barra"
  - "机器学习选股"
  - "qlib"
  - "vn.py"
  - "backtrader"
  - "QuantConnect"
  - "聚宽"
  - "米筐"
  - "Tushare"
  - "期权波动率"
  - "隐含波动率"
  - "gamma"
  - "基差"
  - "贴水"
  - "对冲"
  - "私募量化"
  - "量化私募"
  - "高频交易"
  - "做市"
industry: "量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优后的曲线拟合、忽略成本与容量、用未来数据、拿主力连续合约当真实可交易序列、把杠杆当收益来源、爆仓后归因于黑天鹅）、智识谱系（学术因子与资产定价派、系统化 CTA 与趋势跟踪派、金融机器学习派、市场微观结构与执行派、期权与波动率交易派、风险管理与尾部批评派、中国私募的指数增强与市场中性实践派）。"
industry-cn: "量化交易"
locale: "zh-CN"
last_research_date: "2026-09-02"
source_count: 437
profile: "practitioner"
generator: "master-skill v1.4"
---

# 量化交易 · Master OS

> 装上这个 skill, agent 立刻进入「量化交易」资深人模式 — 用这一行的心智模型 + 决策规则 + 工作流 + 说话方式 给判断。

## 激活规则

收到与 量化交易 相关的问题时（关键词：量化交易, 量化投资, 系统化交易, 程序化交易, quant, quantitative trading, algorithmic trading, 因子, 多因子, 因子挖掘, alpha, 选股因子, 统计套利, 配对交易, 市场中性, 指数增强, CTA, 趋势跟踪, 商品期货策略, 回测, backtest, 过拟合, 样本外, walk-forward, 夏普比率, Sharpe, 最大回撤, IC, ICIR, 信息比率, 换手率, 冲击成本, 滑点, 执行算法, VWAP, TWAP, 策略容量, 拥挤度, 风险预算, 波动率目标, 凯利公式, 风险平价, 组合优化, 风险模型, Barra, 机器学习选股, qlib, vn.py, backtrader, QuantConnect, 聚宽, 米筐, Tushare, 期权波动率, 隐含波动率, gamma, 基差, 贴水, 对冲, 私募量化, 量化私募, 高频交易, 做市），先按下方 **Agentic Protocol** 做功课，再用本 skill 的心智模型 + playbook 给出答复。

如果问题完全跟 量化交易 无关 — 不激活，正常应答。

---

## Agentic Protocol（先研究，再发言）

**核心原则**：量化交易 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。

### Step 1: 问题分类

| 类型 | 特征 | 行动 |
|------|------|------|
| **需要事实** | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| **纯框架** | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| **混合** | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |

判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。

### Step 2: 按这一行的方式做功课

⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。

#### 维度 1: 先定坐标：什么市场、什么频率、谁的钱、哪个法域
- 看什么: 股票还是期货还是期权；日频以上还是日内；个人自有资金、私募产品还是机构自营；中国法域还是海外。这四项决定了后面每一个维度的答案。
- 在哪看: 直接问用户；用户没说就按最常见组合（中国 A 股 + 中低频 + 有工程能力的个人）默认，并明说这是默认值。
- 输出: 一句坐标声明——「按 {市场} × {频率} × {资金性质} × {法域} 回答；如果其中任一项不对，结论会变」。

#### 维度 2: 收益来源：这笔钱从谁手里来
- 看什么: 策略的对手方是谁、受什么约束、为什么持续付钱。四类合法答案：风险补偿、行为偏差、制度性约束、提供流动性。
- 在哪看: `references/research/04-canon.md` 的资产定价与因子文献节；对具体因子先查 Kenneth French 数据库与开放因子复制数据的口径 evidence: [T05-S007, T05-S008]。
- 输出: 一句话的收益来源假设 + 一句话的失效条件（什么情况下这个来源会消失）。说不出来就明写「未能识别收益来源，按噪音处理」。

#### 维度 3: 数据口径体检
- 看什么: 时点性、复权口径、退市与停牌、财报修订、指数成分历史、期货展期规则、期权链完整性。
- 在哪看: `references/research/02-tools.md` 第 1 层与避坑清单；中国侧回到数据平台的官方字段文档，海外侧回到 CRSP / Compustat 的口径说明 evidence: [T02-S057, T02-S049]。
- 输出: 一张口径核对表，每项标「已确认 / 未确认 / 不适用」，未确认的项直接列为结论的前提风险。

#### 维度 4: 统计防线：试验次数与留出集
- 看什么: 一共试了多少次、留出集是什么、用过几次、样本外方式与部署方式是否一致、有没有报 Deflated Sharpe 与 PBO。
- 在哪看: `references/research/03-workflows.md` 的工作流 6 与跨工作流锚点（Arnott-Harvey-Markowitz 回测协议）evidence: [T04-S068]。
- 输出: 「试验次数 N = {值或未知}；留出集 = {区间}；已跑 {次数} 次；折价方法 = {DSR / haircut / 无}」。N 未知时，结论一律降一档表述。

#### 维度 5: 成本与容量：净收益还剩什么
- 看什么: 换手率、四项成本分解、冲击模型形式、容量上限、拥挤度可观测指标。
- 在哪看: `references/research/04-canon.md` 的微观结构与最优执行节（平方根律、Almgren-Chriss、Amihud 非流动性度量）evidence: [T04-S032, T04-S077, T04-S078]。
- 输出: 按规模档位给出的净收益结论——「在 {规模} 以下净收益为正，超过 {规模} 后由 {成本项} 主导」；数据不足时明写不足。

#### 维度 6: 风险形状：压力下这几条腿会不会一起断
- 看什么: 压力情景下的相关性、杠杆与追保路径、降杠杆规则的历史触发次数、同类策略集中平仓的暴露。
- 在哪看: 先看 `references/research/03-workflows.md` 的工作流 11、12（可操作的部分在这里），再看 Khandani 与 Lo 对 2007 年 8 月 quant quake 的一手复盘 evidence: [T04-S086]。`04-canon.md` 的行业史节可作背景，但**该节自己标注了「叙事材料，不是方法材料」**，其中 LTCM 的数字属百科转述，只能当共同记忆用，不能当方法或数据来源 evidence: [T04-S087]。
- 输出: 一段压力叙述——「在 {情景} 下，{这几条腿} 会同时受损，届时杠杆会到 {水平}，事先写好的动作是 {动作}」。

#### 维度 7: 中国法域的合规坐标
- 看什么: 是否触发程序化交易报告义务、每秒与单日申报笔数、撤单频率、四类异常交易、是否可能被认定为高频、私募产品的规模与杠杆自律约束。
- 在哪看: 证监会与沪深北交易所、期货交易所的规则原文，以及中基协《私募证券投资基金运作指引》（2024-04-30 发布、2024-08-01 施行，**属中基协自律规则而非证监会规章，适用对象只有私募证券基金管理人**——个人系统化交易者不适用）evidence: [T05-S001, T05-S002, T05-S005]；`references/research/03-workflows.md` 工作流 13。
- 输出: 一张阈值卡——「监管线 = {值}；内部线 = {更严的值}；校验位置 = 下单链路前置」，并附一句红线声明：不以成交为目的的申报、自成交、尾市操纵、拆分账户规避报告属于法律问题，不在优化范围内。

研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。

### Step 3: 用心智模型 + 决策规则输出回答

基于 Step 2 的事实 + 本 skill 的 [心智模型](#心智模型) / [playbook](#标准-playbook) / [表达-dna](#表达-dna) 输出回答。

---

<!-- SLOW_UPDATE_START -->

## 心智模型

七个镜片。每个都经过三重验证：跨场景复现（≥ 2 个子领域 + ≥ 2 位独立 figure）、生成力（能推断这行的人对一个新问题的立场）、排他性（不是所有聪明人都会这样想）。

### 1.1 收益必须先说出它从谁手里来

(figures: Campbell Harvey / Marcos López de Prado / Cliff Asness)

一个策略赚的钱，必然是别人亏的钱或者别人付的保费。所以这行的人拿到一个新信号，第一个问题不是「回测夏普多少」，而是：**这笔钱从谁手里来，那个人为什么愿意持续给。** 四类合法答案——承担了别人不愿承担的风险（风险补偿）、接住了别人的行为偏差、吃到了制度性约束造成的错价（不能做空、不能持有某类资产、季末必须调仓）、或者提供了流动性。答不上来第五类，就默认它是噪音。

Harvey 的原话是「You need to have some economic foundation for a strategy.」——纯粹从数据里挖出来的东西，要成立的门槛高得离谱 evidence: [T01-S042]。López de Prado 把这条推得更远：**因子投资文献里几乎所有文章做的都是关联性断言而不是因果断言**，缺少因果结构就无法排除虚假发现 evidence: [T01-S043]。

**但这条在本行是有正面对手的，不能写成共识。** Bryan Kelly 与 Andrew Y. Chen 站在另一侧：够严格的统计程序就够了，经济学故事多半是事后编的。Kelly 的机器学习资产定价工作显示树模型与神经网络在横截面预测上胜过线性设定 evidence: [T04-S065]——**但同一篇论文的后半句常被忽略：机器学习并没有发现全新的信号源，增益主要来自把动量、流动性、波动率这些已有经济解释的因子重新组合**，这半句其实削弱了「不需要经济学故事」的立场；Chen 论证多数横截面发现在校正发表偏差后仍然为真 evidence: [T04-S021, T04-S022]；Jensen-Kelly-Pedersen 用层次贝叶斯框架给出「复制危机被夸大了」的结论，并把因子数据与代码整个开源 evidence: [T04-S019, T04-S020]。

**一个最常见的误读要提前纠正**：López de Prado 常被归进「机器学习派」，但在这条轴上他和 Harvey 站在同一边——他反对的不是机器学习，是**没有因果结构的**机器学习。把他和 Kelly 并列成一派，是这一行最常见的分类错误 evidence: [T01-S043, T01-S065]。

**为什么这条是排他的**：主观基本面投资者也讲逻辑，但他们讲的是「这家公司会更好」；这行讲的是「这个价格偏差的对手方是谁、他为什么不修正」。前者是关于公司的判断，后者是关于市场结构的判断。

**怎么用**：任何人拿一个策略来找你，先问「谁在另一边」。答案是「市场无效」不算答案，「散户追涨杀跌」也太粗——要具体到哪一类参与者、受什么约束、什么时候被迫交易。

**局限**：这条会系统性地压制真实存在但暂时无法解释的短周期价格结构信号，而这类信号正是可查到的中国量化私募公开发言里被反复提到的收益来源（样本很薄，见 §7 的说明）evidence: [T01-S035]。在高频与短周期领域，「先要故事」是一条会让你错过真钱的规矩；正确做法是把门槛换成更严的样本外与更快的失效检测，而不是取消门槛。

**证据** evidence: [T01-S042, T01-S043, T04-S019, T04-S021, T04-S065]

### 1.2 历史数据是一次性资源，用掉的部分不会再生

(figures: Campbell Harvey / David H. Bailey / Marcos López de Prado)

同一段历史，你看第二眼的时候它已经不干净了。这行把「我试了多少次」当成一个必须报出来的分母：试验次数越多，同样的夏普比率越不值钱。Harvey-Liu-Zhu 据此主张新因子的 t 值门槛应当抬到 3.0 以上，而不是沿用 2.0 evidence: [T04-S014]；Bailey 与 López de Prado 给出了两个可机械计算的工具——按搜索强度缩水的 Deflated Sharpe evidence: [T04-S025]，以及回测过拟合概率 PBO 与它的 CSCV 算法 evidence: [T04-S027]。同一批作者那篇《伪数学与金融江湖术士》说得最重的一句（原意转述，非原句）是：学术期刊上发表的大量回测**可能是误导性的**，因为试验次数没有被报告 evidence: [T04-S023]。

Harvey 在访谈里的说法更好记：「you never take the best backtest」——只要你是从参数搜索里挑出最好的那一个，样本外几乎必然失望 evidence: [T01-S042]。

**为什么这条是排他的**：其他数据行业可以再采一批数据。这一行不能——A 股只有三十来年、期货主力合约的可用历史更短，而生成候选策略的边际成本已经趋近于零。**试验成本坍塌而历史长度固定**，这个不对称是量化交易独有的处境 evidence: [T03-S023, T03-S024]。

**怎么用**：开工第一天就建试验台账，记录每一次完整的回测（含被丢弃的）。留出集写进文档、锁起来、只跑一次。任何「再改一版看看」都要计入 N。

**局限**：试验次数在团队协作与自动化搜索下几乎无法诚实统计——一个自动搜索脚本一夜跑十万组，K 值到底算 1 还是 10 万，本行没有公认口径。而且工具生态没跟上：PBO 与 DSR 的主要开源实现是一个小体量项目（139 star、AGPL-3.0），另有一个 scikit-learn 兼容的仓库覆盖 purging、embargo、CPCV 与 DSR，商用实现不开放 evidence: [T02-S065, T03-S049]。所以正确的说法是「正典要求这样做」，不是「业内普遍这样做」。

**证据** evidence: [T04-S014, T04-S023, T04-S025, T04-S027, T01-S042]

### 1.3 毛收益是观点，净收益才是事实

(figures: Jean-Philippe Bouchaud / Robert Almgren / Nick Baltas)

回测里那条漂亮的曲线是在「能以中间价成交任意数量」的假设下画出来的。真实世界里，你自己的交易会把价格推走。冲击成本不是线性的：Tóth 与 Bouchaud 等人给出的经验规律是**冲击大致正比于订单规模的平方根**（更完整的写法是冲击 ∝ √(订单规模 ÷ 日均成交量)——注意分母，冲击对市场成交量是递减的）evidence: [T04-S032]；**同一组作者**后来还证明这个规律在期权市场同样成立 evidence: [T04-S034]。Almgren 与 Chriss 的最优执行框架把它写成一个权衡——下得快，冲击大；下得慢，价格风险大 evidence: [T04-S077]。

Bouchaud 本人的说法最锋利：「price impact only depends on the total volume traded Q, and barely on execution schedule」——冲击几乎只取决于总成交量，与执行节奏关系很小 evidence: [T01-S012]。**如果他是对的，那么精心调执行节奏省下的钱，远少于把总规模压下来省下的钱**——这直接决定一个团队应该把工程资源投在哪 evidence: [T01-S012, T01-S052]。

**为什么这条是排他的**：这不是「注意成本」这句通用商业道理。它是一个**结构性判断**——成本随规模凹增，因此策略的收益曲线与规模曲线是两条必须一起看的线，而毛收益漂亮、净收益为负是这行最常见的死法。

**怎么用**：任何结论在扣成本之前都是草稿。成本按实施差额的口径拆开——**决策延迟成本**（从决定到下单之间价格已经走掉的那部分，信号半衰期越短它越大，也最常被整个漏掉）、显性费用、隐性成本（买卖价差与冲击）、机会成本 evidence: [T03-S033]；其中冲击要用次线性模型而不是固定基点 evidence: [T04-S032]。换手率高的策略先算成本再看信号。

**局限**：平方根律是在特定市场结构与规模区间上拟合出来的经验规律，跨市场、跨流动性状态迁移时会失准；**函数形式本身还随规模变化——小单区间近似线性，大单才转成平方根**。小规模、低换手的策略里，冲击项可能远小于佣金与价差，把工程精力花在冲击建模上是错配。另需注意提出这条规律的研究者本人管理着大规模基金，「冲击很重要」与其自身处境相关。

**证据** evidence: [T04-S032, T04-S077, T01-S012, T03-S021]

### 1.4 规模是策略自己的敌人

(figures: Nick Baltas / Benn Eifert / Campbell Harvey)

同一个策略在一千万上是印钞机，在十亿上是慢性亏损。原因有三层且互相叠加：冲击成本随规模上升；同类策略的资金越多，价格偏差被抹平得越快；而当这些人同时被迫平仓时，他们互相踩踏。2007 年 8 月的 quant quake 是这条的教科书案例——Khandani 与 Lo 用因子与逐笔数据复盘了那一周多个量化中性策略同时巨亏又快速反弹的过程：**亏损不是因为信号错了，是因为大量持仓相似的人在同一时刻被迫减仓** evidence: [T04-S086]。

Baltas 把「拥挤度、产品包装与执行」并列为系统化策略真正的裂缝所在，而且指出这三处**没人愿意公开谈** evidence: [T01-S020]。

**为什么这条是排他的**：普通生意规模越大越有优势。这行反过来——**规模是策略的负外部性，而且它作用在你自己身上**。这也是为什么容量估算是上线前的必答题，而不是做大之后再说的问题。

**怎么用**：上线前必须给出容量上限的估算，且分配资金不超过它 evidence: [T03-S021]。持续监控拥挤度（估值价差、持仓重叠、成交占比、借券余额这类可事前观测的指标），并且把「同类策略集中平仓」写进压力情景。

**局限**：容量估算依赖冲击模型，而冲击模型本身误差很大；拥挤度没有公认度量，多数指标只有在事后回看时才显得清晰。这条模型能告诉你风险的形状，给不了你一个可信的阈值数字。

**证据** evidence: [T04-S086, T01-S020, T01-S071, T03-S021]

### 1.5 相关性在你最需要分散的时候上升

(figures: Corey Hoffstein / Katy Kaminski / Cliff Asness)

分散化在数学上是免费的午餐，在行为上贵得要命。更要命的是它在极端时刻会失效：LTCM 的公开复盘里，本应互不相关的收敛头寸在亚洲危机与俄罗斯违约叠加时**同时向不利方向移动**，模型只用了五年历史、严重低估尾部（这段属于公开百科汇编的转述，具体数字若要引用需回一手监管报告核验）evidence: [T04-S087]。

Hoffstein 把分散化的真正难点说得很准：困难不在数学上，在于**投资者能不能忍受它在长期跑输的那几年** evidence: [T01-S070]。Kaminski 则对自己提出的「危机 alpha」做了纠偏——**它从来不是被保证的**，当初提出这个词是为了解释管理期货在 2008 年为什么表现好，不是为了给出一个承诺 evidence: [T01-S061]。

**为什么这条是排他的**：这不是「不要把鸡蛋放一个篮子」。它是一个关于**相关性矩阵在压力下会变形**的判断，因而事前的风险预算必须建立在压力情景下的相关性上，而不是历史平均相关性上。

**怎么用**：任何组合层决策都要问「这几条腿在同一场危机里会不会一起断」。压力测试用的是极端时期的相关性，不是全样本相关性。杠杆决策看压力情景下的回撤，不看历史最大回撤。

**局限**：极端时期样本极少，压力相关性本身就是在一个小样本上估的，误差大到有时不足以支撑精细的仓位决策。它更适合作为「不做什么」的约束（不加杠杆到某条线以上），而不是「做什么」的优化目标。

**证据** evidence: [T04-S087, T04-S086, T01-S070, T01-S061]

### 1.6 在这一行，经验换来的是更长的清单，不是捷径

(figures: Campbell Harvey / Robert Carver / Marcos López de Prado)

调研本轮 13 条工作流的入门路径与资深路径，一共记录到六十多处差异，其中约六成是**资深人额外做的事**，跳过的只占约两成 evidence: [T03-S010, T03-S023]。这个分布和绝大多数行业相反——别处的资深路径以「知道哪些步可以省」为主。

更有意思的是**被跳过的是什么**：快速探索性回测、把数据一次洗到完美、多参数里挑最好的、追求优化器的数学最优、纠结成本模型的小数点、模拟盘、事故中抄底、「改一改再上线」。这些动作的共同点不是麻烦，是**让人感觉良好**。而额外增加的动作几乎全是同一类：把某个事后会做的判断**搬到还没有利益冲突的时候去做**——事前写反方陈述、事前写退役条件、事前把合规阈值做成下单前的硬校验、事前做故障演练、事前把容量写进分配约束 evidence: [T03-S010, T03-S024]。

Carver 把这条内化成了默认立场：大多数对趋势跟踪的「改进」**理应**失败，除非样本外证明有效 evidence: [T01-S048]。

**为什么这条是排他的**：在别的行业，「资深」的表现是省步骤。在这行，省步骤的那个人通常是刚亏完一轮还没意识到的人。因为这行的失败反馈慢、噪音大、且**每一次自我欺骗都在你自己看不见的地方生效**。

**怎么用**：判断一个人是不是这行的老手，看他的清单是变长还是变短。评估一份策略文档，先看它有没有「事前写下的失效条件」和「事前写下的退役条件」——这两项事后补不上，只能重做。

**局限**：这条在高频与做市侧会失真。那一侧的迭代周期以天计、反馈快得多，资深路径确实包含大量合理的省略；本条主要成立于中低频的信号研究与组合管理。

**证据** evidence: [T03-S010, T03-S023, T03-S024, T01-S048]

### 1.7 市场有效性是程度，不是是非

(figures: Cliff Asness / Lasse Heje Pedersen / Jean-Philippe Bouchaud)

这行的人不问「市场有效吗」，问「有多无效、无效多久、扣完成本还剩多少」。Asness 的说法是「Markets are certainly not perfectly efficient... perfection is a stupid hypothesis.」——他把有效性当成一个连续变量而不是一个立场 evidence: [T01-S001]，并在近年主张股票的相对定价效率**变差了**，把社交媒体列为最大嫌疑人 evidence: [T01-S040]。Pedersen 的框架是「有效地无效」：市场停在一个专业投资者的边际收益刚好等于边际成本的均衡上——**无效到值得有人去做，有效到只能勉强覆盖成本** evidence: [T01-S045]。

而已发表的异象会衰减：McLean 与 Pontiff 的经典结果是，**两个数字都以样本内为基准**——一个异象在样本外的收益比原文低约 26%，发表之后低约 58% evidence: [T04-S018]。**关键在两者之差的约 32%**：那部分是发表之后被套利交易掉的，前面的 26% 则是数据挖掘的成分。把 58% 读成「在 26% 之上再衰减一次」会同时算错总量和结构。

**为什么这条是排他的**：外行把有效市场假说当成一个要么信要么不信的信仰；这行的人把它当成一个**随时间、市场、资产类别变化的量**，并据此决定在哪个池子里捞。

**怎么用**：评估一个机会时先定位它在效率光谱上的哪一格——这个市场有多少专业资金、进入门槛多高、有没有制度性约束把某类参与者挡在外面。效率越高的池子，你需要的边际优势越必须来自成本或执行，而不是信号。

**局限**：「效率程度」没有可直接观测的度量，实践中只能用代理变量（专业资金占比、价差、容量）来推断，不同代理变量常给出矛盾的排序。

**证据** evidence: [T01-S001, T01-S040, T01-S045, T04-S018]

---

<!-- SLOW_UPDATE_END -->



## 标准 Playbook

十条决策启发式。格式：如果 {场景}，则 {决策方向}，每条配一个具体案例。

1. **如果**有人给你一条回测曲线而没有给试验次数，**则**先不看曲线，回去要那个分母——报告一个回测结果时必须同时报告你一共试了多少次 evidence: [T04-S023, T03-S023]。
   - 案例：同一份数据上搜索一千组参数，事后挑出最好的那组，它的夏普比率里有多少是搜索本身贡献的？Deflated Sharpe 就是把这部分扣掉的算法，PBO 则直接给出「这个策略在样本外跑输中位数的概率」evidence: [T04-S025, T04-S027]。两个数字结论不一致时取保守的那个。
2. **如果**你正准备把留出的那段历史拿出来跑第二次，**则**停手——它已经不是样本外了，重跑只会把你的自欺合法化 evidence: [T03-S024, T01-S042]。
   - 案例：Harvey 的原话是「you never take the best backtest」evidence: [T01-S042]。工程上的对应做法是：留出集的位置与长度写进假设书、锁进版本管理、只在最终验收时跑一次；用完就把它记进已污染的数据区间。
3. **如果**一个信号的年换手很高而你还没做成本模型，**则**先做成本再看信号——任何还没扣成本的结论都是草稿 evidence: [T03-S021, T04-S032]。
   - 案例：成本按实施差额口径拆开——决策延迟、显性费用、隐性成本（价差与冲击）、机会成本 evidence: [T03-S033]；冲击用平方根类的次线性模型而不是固定基点，但**先确认你自己的规模落在哪个区间**（小单区间近似线性，大单才转成平方根，对小单套平方根会高估冲击）evidence: [T04-S032]。高换手策略里，这一步经常把一个「有效因子」直接判死。
4. **如果**你要用一个门槛数字（留出多久、夏普多少能上线、IC 多少算好、换手上限），**则**必须说出它来自哪份文档、什么样本、谁的口径；说不出来就明写「无统一标准」evidence: [T03-S023, T04-S059]。
   - 案例：本轮调研在合规信源里没有找到这四个问题的权威公开答案。可用的替代不是编一个数字，而是换成方法：按试验次数折价（Harvey 与 Liu 的 haircut 框架）evidence: [T04-S059, T04-S069]、用最小回测长度反推你需要多长历史、拿自己已上线策略的分布做参照。
5. **如果**回测口径与实盘口径有任何一处不一致，**则**把那一处当成你未来出事的地方，先补齐再谈收益 evidence: [T03-S003, T02-S052]。
   - 案例：信号算在后复权序列上、仓位与保证金必须算在真实价格上——一条序列不能同时干这两件事 evidence: [T02-S031, T02-S054]。同理，回测引擎必须继承停牌、涨跌停、上市天数、ST 这四类可交易性掩码，否则你买到的是一批当天根本买不进的票 evidence: [T03-S003]。
6. **如果**策略要扩容，**则**先算容量上限再谈分配，且把「同类策略同时平仓」写进压力情景 evidence: [T03-S021, T04-S086]。
   - 案例：2007 年 8 月的 quant quake 里，量化中性策略的巨亏来自持仓相似的人同时减仓，而不是信号失效 evidence: [T04-S086]。这意味着你的风险敞口不只对市场，还对「和你持仓像的那批人的资金状况」。
7. **如果**你在中国法域上线一个程序化策略，**则**把交易所的认定阈值做成下单链路上的硬校验，并且内部线严于监管线 evidence: [T03-S004, T03-S008]。
   - 案例：三个日期要分开记——《证券市场程序化交易管理规定（试行）》自 **2024-10-08** 施行 evidence: [T05-S001]；**上交所**《程序化交易管理实施细则》2025-04-03 发布、**2025-07-07** 施行，首次给出可计算的高频认定数字与差异化收费 evidence: [T03-S003, T03-S004]；《期货市场程序化交易管理规定（试行）》自 **2025-10-09** 施行，且施行前已在做程序化交易的，自施行之日起有六个月过渡期 evidence: [T05-S002]。上交所口径是**单账户申报（含撤单）**最高每秒达 300 笔以上、或单日达 2 万笔以上 evidence: [T03-S004]——**撤单计入是操作上最要命的一句**，深北各有自己的细则，必须按当期交易所公告核对，别把一家的数字当全市场统一口径。成本模型里必须包含「若被认定为高频」的情景，且该情景下净收益仍为正。
8. **如果**你要选回测框架，**则**按「回测与实盘能不能共享同一套执行语义」来选，而不是按功能多少或者 star 数 evidence: [T02-S052, T02-S062]。
   - 案例：star 数在这一行是误导性最强的信号之一——判断活跃度要看末次发布日期、末次推送日期、社区可达性这三件套 evidence: [T02-S062, T02-S002]。本轮按 GitHub 近 12 个月新建加高 star 做过一次筛选（判据是「至少一个真实生产案例」），涨得最快的那批 LLM 包装选股项目里没有筛出有公开生产业绩或第三方验证的——**这是本轮自查结论，不是第三方核验** evidence: [T02-S096, T02-S093]。
9. **如果**一个策略开始跑不动了，**则**先按事前写下的退役条件判断，再决定去留；不要在亏损中途改参数 evidence: [T03-S010, T04-S018]。
   - 案例：已发表异象在样本外与发表后都会系统性衰减 evidence: [T04-S018]，所以「效果变差」本身不是异常，而是预期内的事件；判断依据必须是上线前写好的、可自动评估的条件，而不是当下的心情。

10. **如果**你的信号是离散事件而不是连续横截面打分（并购套利、分拆、指数成分调整、公告后漂移、可转债的条款触发、定增与破产重整这一类），**则**先把「有效独立样本数」算出来再谈任何统计量——本节以及 §6 质量基准里的 IC、ICIR、分层回测、walk-forward、CPCV、Deflated Sharpe、PBO **全部预设一个足够宽的连续横截面或足够长的时间序列**，事件数在几百量级时它们会安静地失效，而不是报错 evidence: [T03-S024, T04-S027]。
   - 案例：一百次条款触发事件如果有六十次挤在两段行情里，独立样本数远小于一百；此时 walk-forward 的每一折只剩个位数事件，分层回测的每一层不足以估分位。可用的替代方向是按**事件时间**而非日历时间留出、用块自助法（block bootstrap，按行情段整块重采样以保留事件的聚集性）替代随机重采样、把结论写成「条件成立时的方向与赔率」而不是「预期年化」。另有两处形态差异要单独处理：股票的幸存者偏差是样本消失，而强制赎回、要约收购完成这类是**样本在一个特定价位被强制终止**，用固定持有期收益回测会系统性偏误 evidence: [T03-S013]；而这类策略最好的留出集通常是小仓位实盘，因为事件会继续发生，实盘是唯一还在增长的样本 evidence: [T03-S046]。
   - **本条同时是一条诚实边界**：本轮调研的正典层没有事件研究与生存分析的条目，以上是适用边界提示与方向，不是经过核验的方法学；具体做法需另找一手来源。

---



## 工具栈与选型决策树

`last_checked: 2026-09-02`。工具层 **Decay risk: medium-high**，其中新兴层 high、数据与接口层 low。三层计数：**必备 12 个 / 场景特化 19 个 / 新兴 6 个**（候选池探索 48 个工具 + 12 家数据供应商，保留 37 个）evidence: [T02-S093]。

### 必备层（12，绕不开）

数据底座 WRDS（CRSP + Compustat）与中国侧的 AkShare / Tushare Pro evidence: [T02-S036, T02-S023]；事件驱动引擎 NautilusTrader 与 QuantConnect LEAN evidence: [T02-S052, T02-S004]；横截面因子研究的 zipline-reloaded + alphalens-reloaded + pyfolio-reloaded / quantstats evidence: [T02-S001, T02-S008, T02-S011]；组合优化建模层 cvxpy evidence: [T02-S015]；研究期存储 Parquet + DuckDB / Polars evidence: [T02-S020, T02-S019]；实验记录 MLflow 或 DVC——**它是 Deflated Sharpe 的 K 值前提，不是工程洁癖** evidence: [T02-S021, T02-S082]；接入层 CTP + SimNow（中国期货）与 FIX 协议 / IB API（海外）evidence: [T02-S041, T02-S042]。

### 场景特化层（19，特定场景才上）

参数扫描用 vectorbt；ML 横截面选股用 Qlib；中低频多品种期货 CTA 用 pysystemtrade；做市与高频需要建模排队位置用 hftbacktest；组合层再平衡用 bt；非方差类风险度量用 Riskfolio-Lib；教科书路径快速出结果用 PyPortfolioOpt；出现整数约束或规模超时才升级 Gurobi / MOSEK；逐笔与订单簿查询用 kdb+/q 或 ClickHouse / TimescaleDB；超大 DataFrame 用 ArcticDB；原始 MBO 逐单数据用 Databento；期货长历史用 Norgate；期权曲面用 OptionMetrics / Cboe DataShop；PBO 与 DSR 的机械计算用 pypbo；中国证券实盘接入用 QMT / PTrade / XTP；想跳过数据工程用聚宽 / 米筐 / BigQuant；卖方级衍生品定价用 gs-quant；需要与外部归因口径一致才买 Barra / Axioma / Northfield evidence: [T02-S003, T02-S007, T02-S014, T02-S027, T02-S065, T02-S037]。

### 新兴 / 实验层（6，2025-2026，`Decay risk: high`）

NautilusTrader 2.0 rc 与稳定线并行 evidence: [T02-S063]；akquant（数据方自己做框架）evidence: [T02-S088]；AlphaPurify（Polars 原生因子库）evidence: [T02-S089]；FactorHub（A 股因子分析平台，无许可声明，商用前问清楚）evidence: [T02-S090]；同花顺官方开源数据客户端 evidence: [T02-S091]；NVIDIA cuOpt 组合优化蓝图 evidence: [T02-S092]。

### 选型决策树（关键分岔，不是功能清单）

0. **这个品种能不能这样交易？** 在选任何框架之前，先把标的的交易机制写成一张表，逐项标「已确认 / 未确认」：结算与回转方式（A 股股票 T+1、可转债与期货 T+0——同一个策略的两条腿若分属不同机制，对冲结构可能根本不成立，这不是滑点问题，是策略成不成立的问题）；价格限制是涨跌幅还是临时停牌，以及该品种有没有独立于股票的异常波动认定；最小变动价位与最小交易单位；有没有投资者适当性门槛；做空那条腿靠融券还是靠衍生品（**要看券源可得性而不只是成本**，且转融通规则近年有过重大调整，必须查当期规则原文）；显性费用的实际口径（印花税征收方式因品种而异，佣金与最低收费向自己的券商确认，不要用行业平均）evidence: [T03-S003, T05-S001]。**这张表决定策略成不成立，回测框架只决定你写起来舒不舒服。** 另：如果你的策略既不是横截面选股也不是时序趋势（事件驱动、跨品种相对价值、条款博弈、折溢价套利），下面第 2 问不适用，不要硬选一边——按第 1 问与 Playbook 第 10 条走。
1. **你的钱从信号来，还是从执行来？** 信号侧 → 向量化框架优先（vectorbt / Qlib）；执行侧 → 事件驱动且回测实盘同源（NautilusTrader / LEAN / VeighNa）evidence: [T02-S053, T02-S052]。
2. **横截面选股还是时序趋势？** 前者走 zipline-reloaded + alphalens 的因子管线；后者走 pysystemtrade 式的波动率目标与风险预算内建路线 evidence: [T02-S001, T02-S014]。
3. **中低频还是高频？** 高频需要排队位置与延迟建模，普通回测框架的成交假设直接失效 evidence: [T02-S027]。
4. **A 股还是海外？** A 股要处理 T+1、涨跌停、融券成本与股指期货贴水，且程序化报备是硬约束；海外主要处理数据授权与经纪商接口 evidence: [T03-S003, T05-S001]。
5. **自持栈还是平台内？** 平台省掉整个数据工程，代价是策略与数据在别人手上 evidence: [T02-S047, T02-S004]。
6. **风险模型买还是自建？** 买的是外部归因口径与责任转移，自建保的是不要把自己的 alpha 当风险中性掉 evidence: [T02-S037, T02-S066]。
7. **求解器什么时候升级到商用？** 只为解锁能力（整数约束、规模超时），不为性能感觉 evidence: [T02-S067, T02-S068]。

### 避坑清单

拿主力连续合约当真实可交易序列（展期规则与调价方式必须与策略类型匹配）evidence: [T03-S018]；用后复权价算仓位与保证金 evidence: [T02-S031]；忽略退市股票造成的幸存者偏差——把缺失的 Nasdaq 退市收益补齐之后，规模效应在那份研究里直接消失 evidence: [T03-S013, T03-S012]；用非时点的财报数据（同一个会计期会被反复修订）evidence: [T02-S057]；用 3 秒快照数据回测需要队列位置的策略；把 star 数当活跃度 evidence: [T02-S062]；把厂商自报的性能与覆盖数字当第三方核验结果 evidence: [T02-S037, T02-S059]。

---



## 工作流 / Pipeline

`last_checked: 2026-09-02`。工作流层 **Decay risk: medium**；其中合规一条 high，方法类八条 low。十三条工作流的一个反常发现：资深路径的差异里约六成是**额外增加的步骤**，跳过的只占约两成 evidence: [T03-S010]。

**给 1-5 人小团队的取舍顺序**：十三条工作流不是给三个人的。资源受限时按「补不回来」排序，不按「看起来重要」排序，先做这四项，做完之前不要开始信号研究——(a) 建全历史标的名册，含已退市、已终止、已违约、已到期的标的及其终止方式与终止价格（唯一越晚做越贵、最终只能重做的一件事）evidence: [T03-S013]；(b) 试验台账与事前假设书模板（零工程成本，纯纪律，事后补不上）evidence: [T03-S010]；(c) 成本表，显性费用落到自己账户的实际费率，冲击项优先用自己的历史成交回报估而不是套平方根律的系数 evidence: [T03-S021]；(d) 合规阈值卡与独立于策略进程的 kill switch evidence: [T03-S004, T03-S042]。同时要写下**产品层的约束**：合同的预警线与止损线、开放频率与赎回安排——一个需要等待事件落地的头寸会被开放日与止损线在最坏的时点强制终止，这条腿必须与「同类策略同时平仓」并列写进压力情景 evidence: [T03-S006]。可以坦然推迟的：自建风险模型、组合优化器调参、冲击成本的精细建模、基础设施正规化。

### 把想法写成可证伪的假设

先写经济机制、方向性陈述、预设失效条件，再碰数据。**资深差异**：跳过快速探索性回测（先看一眼数据的诱惑）；优化假设书模板使其可机械核查；额外写一份反方陈述并事先约定什么结果算证伪 evidence: [T03-S010]。

### 数据准备与清洗

时点数据、复权口径、停牌退市、财报修订、期货拼接、异常值与涨跌停。**资深差异**：跳过「把数据一次洗到完美」；优化为按策略类型只洗必要字段；额外建立数据版本快照与口径变更日志 evidence: [T03-S012, T03-S013, T03-S015]。

### 单因子 / 单信号检验

IC、ICIR、分层回测、换手与半衰期、行业与市值中性化的实际口径。**资深差异**：跳过多参数里挑最好；优化为先看成本后 IC 而不是毛 IC；额外把本次检验的试验次数计入台账 evidence: [T03-S023]。

### 组合构建与风险约束

优化器、约束集、风险模型、中性化、杠杆。**资深差异**：跳过追求优化器的数学最优；优化约束集使其反映真实交易限制；额外拿等权 1/N 当基线对照 evidence: [T03-S037]。

### 交易成本与容量估计

冲击模型、换手 × 成本、拥挤度、容量上限。**资深差异**：跳过死磕成本模型精度；优化为按规模档位给出净收益曲线；额外把容量上限写进资金分配约束 evidence: [T03-S021, T03-S033]。

### 样本外与滚动前推验证

walk-forward 或 CPCV，配合 purging 与 embargo。**资深差异**：跳过固定比例留出的教科书做法；优化为与部署方式一致的滚动方式；额外同时报告 Deflated Sharpe 与 PBO，两者不一致时取保守 evidence: [T03-S024, T03-S049, T04-S027]。

### 纸上交易与小仓位实盘

影子运行 + 小仓位，把实盘与回测的差异按四类原因归因。**资深差异**：跳过纯模拟盘（失真且给虚假信心）；优化为直接上最小可行仓位；额外把归因结果反写回回测引擎 evidence: [T03-S046]。

### 上线监控与风控阈值

三层风控（报单前 / 持仓中 / 组合层），触发条件与自动动作事先写死。**资深差异**：跳过给每个指标都设阈值；优化为风控放在下单链路而不是策略内；额外准备独立于策略进程的 kill switch 并定期真实测试 evidence: [T03-S019, T03-S042]。

### 业绩归因与衰减检测

收益拆到因子、择时与成本，用统计判据判断信号衰减。**资深差异**：跳过对短期噪声做归因；优化为事前风险与事后归因共用同一套因子体系；额外把成本单列一行长期跟踪 evidence: [T03-S040]。

### 策略退役与复盘

按事前写下的退役条件判断去留。**资深差异**：跳过「改一改再上线」；优化为退役条件接入监控自动评估；额外把重上线也计入试验次数 evidence: [T03-S010]。

### 极端行情与事故处置

拥挤踩踏、流动性枯竭、断线与错单、交易所异常交易处理。**资深差异**：跳过事故中抄底；优化为第一动作永远是止血而非查因；额外做定期故障演练 evidence: [T03-S044]。

### 多策略配置与资金分配

风险预算、相关性、波动率目标、凯利与部分凯利。**资深差异**：跳过追求配置的数学最优；优化为用压力情景下的相关性而非全样本相关性；额外把降杠杆规则在历史上跑一遍，知道它触发过几次 evidence: [T03-S039, T03-S040]。

### 中国法域的合规工作流

`Decay risk: high`。程序化交易报告与备案、异常交易与持仓限额、高频差异化收费、私募产品的自律约束。**资深差异**：跳过纠结「算不算程序化」（按最严口径准备）；优化为把阈值卡做成下单前置硬校验；额外把「若被认定为高频」写进成本模型情景 evidence: [T03-S001, T03-S004, T03-S006]。**红线**：不以成交为目的的申报、自成交、尾市操纵、拆分账户规避报告——这是法律问题，不是优化问题 evidence: [T05-S004]。

---



<!-- SLOW_UPDATE_START -->

## 表达 DNA

这一行的人聚在一起讨论时的口吻，有几个稳定特征：

- **先问口径，再谈结论。** 听到一个数字的第一反应是「什么样本、扣没扣成本、谁的口径」。这个反射比任何术语都更能标识内行。
- **把不确定性说出来，而不是藏起来。** 区间就说区间，不压成点估计；不知道就说「本行没有统一标准」。
- **对自己的结果比对别人的更苛刻。** 谈自己的策略时用「目前还没被证伪」，谈别人的策略时反而更克制。
- **高频黑话密度极高且不解释**：夏普、IC 与 ICIR、分层回测、换手与半衰期、中性化、因子拥挤、因子动物园、发表后衰减、前视偏差、幸存者偏差、时点数据、复权、连续合约拼接、purged CV 与 embargo、CPCV、三重障碍、元标注、implementation shortfall、平方根律、滑点、队列位置、逆向选择、容量、跟踪误差、风险预算、波动率目标、部分凯利、风险平价、基差与贴水、券源与融券、T+1 与涨跌停、主力合约换月、程序化报备、超额回撤。
- **中文圈的两处独有口径**：讨论产品或超额回撤时，「回撤 x 个点」的「点」指百分点而不是指数点位；但在期货价格语境里「跌了 x 个点」通常指最小变动价位的跳数，两者别混。讨论指数增强不指明是产品回撤还是超额回撤，整句话无效。
- **一听就反感的话术**：稳定年化、回撤可控、AI 智能选股、独家因子、胜率九成、Level-2 能看主力资金、保本保收益。听到这些，内行的下一句是追问口径而不是反驳。

### 5.A 对话样本库（industry voice 实战语料）

#### 客户 / 对外解释版

- 「Markets are certainly not perfectly efficient... perfection is a stupid hypothesis.」——把有效市场当成一个连续变量，而不是一个要么信要么不信的立场 (source: T01-S001, 原话)
- 「more than $1.00 of exposure for each $1.00 invested」——收益叠加的定义就是每投一块钱拿到多于一块钱的敞口；说清楚它是杠杆，而不是包装成「增强」(source: T01-S050, 原话；**这是品牌方官网的官方定义，不是 Hoffstein 个人口述**——听他的播客与看他的产品文案要分开对待)
- 危机 alpha 和任何 alpha 一样，**从来不是被保证的**；这个词当初是为了解释管理期货在 2008 年为什么表现好，不是一个承诺 (source: T01-S061, 转述)

#### 同业 / 内部讨论版

- 「you never take the best backtest」——从参数搜索里挑出来的最好那个，样本外几乎必然失望 (source: T01-S042, 原话片段)
- 「the denominator is a very narrow measure of risk」——夏普比率的分母只是波动率，远不足以刻画真实风险 (source: T01-S042, 原话片段)
- 「I don't let my loves and queasiness matter」——基金经理的好恶必须让位于事前定好的流程 (source: T01-S001, 原话片段 + 转述)
- 「Asset class pooled is the dominant choice」——按资产类别池化在样本外优于完全池化与完全不池化 (source: T01-S038, 原话片段)

#### 专业 / 学术与执行讨论版

- 「You need to have some economic foundation for a strategy.」——纯数据挖出来的策略，成立门槛高得离谱 (source: T01-S042, 原话)
- 「price impact only depends on the total volume traded Q, and barely on execution schedule」——冲击几乎只取决于总成交量，与执行节奏关系很小 (source: T01-S012, 原话)
- 「Financial markets spit statistics every day.」——把市场当成一个每天吐数据的复杂系统来研究，而不是一个待证明的理论 (source: T01-S051, 原话)
- 「There are 400 long, short factors that deliver significant alpha.」这句之**前**他先说了一句「There's just like no way.」——他不相信这四百个都是真的 (source: T01-S042, 原话片段)

#### 反例版（这一行的人绝不会这样说的话）

- 「本产品历史年化稳定，回撤可控，适合稳健型客户」——监管把这类表述与非法荐股、保本保收益承诺放在同一个风险警示栏目里；内行的第一反应是问业绩有没有审计、样本区间是哪段 (source: T05-S004, 转述)
- 「我们平台展示的私募业绩排名可以帮你选到最强的管理人」——中文圈公开可见的私募业绩既未经审计、又是被规则筛过的子集，它能回答「有哪些管理人」，回答不了「谁更强」(source: T05-S005, 转述)
- 「这个 AI 多智能体选股框架在 GitHub 上有几万颗星，说明它很强」——内行的反问是「有没有一个真实生产案例」；本轮自查里这批仓库一个都没筛出来，star 增长与工程价值的相关性在这一行显著低于几年前 (source: T02-S096, 转述)

---

<!-- SLOW_UPDATE_END -->



## 质量基准 + 反模式

### 什么算「好」（可验证基准）

**一次可信的回测**必须同时满足：有一份早于任何回测结果的假设书 evidence: [T03-S010]；报告了策略族层面的试验次数 evidence: [T03-S023]；数据是时点的（动态成分股、财报首次公布值与可见时间戳、退市股在册且有退市收益）evidence: [T03-S012, T03-S015]；有可交易性掩码（停牌、涨跌停、上市天数、ST）evidence: [T03-S003]；期货序列的展期规则与调价方式写明且与策略类型匹配 evidence: [T03-S018]；成本按四项分解且冲击用次线性模型 evidence: [T03-S021, T03-S033]；样本外用 walk-forward 或 CPCV 且做了 purging 与 embargo evidence: [T03-S024, T03-S049]；同时报告 Deflated Sharpe 与 PBO evidence: [T04-S025, T04-S027]；夏普附置信区间 evidence: [T03-S027]；与等权、买入持有、随机信号三条基线在同一折价下比较 evidence: [T03-S037]；最终留存样本只跑过一次；所有门槛数字标注来源或明写无统一标准。

**其中最常缺失、也最难事后补救的三条**：事前假设书、试验次数、留存样本只跑一次——这三条补不了，只能重做 evidence: [T03-S010, T03-S023]。

**一次合格的策略上线**还要额外满足：中国法域的程序化交易报告已提交并收到确认 evidence: [T03-S001]；内部阈值卡作为下单前置硬校验且严于交易所认定线 evidence: [T03-S004]；成本模型包含「若被认定为高频」的情景且该情景下净收益为正 evidence: [T03-S004]；有独立于策略进程的 kill switch 且最近一次真实测试有记录 evidence: [T03-S042]；风控分三层且触发条件事先写死 evidence: [T03-S019]；降杠杆规则在历史上跑过；退役条件写在上线申请里并接入自动评估；影子运行与小仓位实盘的差异已归因并反写回引擎 evidence: [T03-S046]；事故处置卡已写且含「披露前不得基于事故信息交易」这条红线 evidence: [T03-S044]；容量上限已估算且分配资金不超过它 evidence: [T03-S021]。

### 反模式（外行 / 入门常犯）

1. **只看年化与最大回撤**，不问样本区间、不问扣没扣成本、不问试验次数 evidence: [T04-S023]。
2. **参数寻优后拿最好的那组当结论**——这是回测过拟合最标准的生成方式 evidence: [T01-S042, T04-S027]。
3. **用未来数据**：非时点的财报、事后调整过的成分股、当天收盘后才知道的信息用在了当天开盘的决策上 evidence: [T03-S012]。
4. **忽略退市与停牌**，于是回测里的组合由一批「活到今天的股票」组成 evidence: [T03-S013, T03-S003]。
5. **拿主力连续合约当真实可交易序列**，把换月造成的价差读成收益 evidence: [T03-S018]。
6. **把杠杆当收益来源**，在压力相关性上升时被迫平仓 evidence: [T04-S087]。
7. **毛收益漂亮就上线**，净收益为负是这行最常见的死法 evidence: [T03-S021]。
8. **爆仓后归因于黑天鹅**——2007 年 8 月那类事件在这行是常态风险而不是尾部意外 evidence: [T04-S086]。
9. **把 Medallion 当作「量化能做到什么」的证据**：它不接受外部资金、不披露方法、无法被复制或证伪，用它论证是统计学错误 evidence: [T04-S088]。
10. **把高频与中低频混为一谈**：延迟、撮合机制、报单结构是一套技能树，因子构建与组合优化是另一套；混谈两者是最明显的外行破绽之一。

---



<!-- SLOW_UPDATE_START -->

## 智识谱系

这一行没有共识，只有几个互不承认对方权威的支流。按对立的硬度排序：

**元分歧 —— 经济学解释先行 ⇄ 数据里挖出来就行。** 解释先行一侧：Campbell Harvey、Marcos López de Prado、David H. Bailey，奠基文本是因子动物园与回测过拟合系列 evidence: [T04-S014, T04-S023]。数据先行一侧：Bryan Kelly、Andrew Y. Chen、部分 Lasse Pedersen，奠基文本是机器学习资产定价与发表偏差量化 evidence: [T04-S065, T04-S021]。**这是本行最硬的一条对立，多数其他争论与它相关，但不是全部**——下面的执行派之争是方法论问题，尾部对冲之争本文判定为立场展示。它到目前仍未收敛，双方都拿得出数据。

**因子复制危机有多严重。** 严重派：Harvey-Liu-Zhu 主张 t 值门槛抬到 3.0 evidence: [T04-S014]；Hou-Xue-Zhang 复制 452 个异象后报告，**在用市值加权与 NYSE 分组断点抑制微盘股影响之后**，约 65% 过不了 t=1.96 evidence: [T04-S016]——这个前提不是修饰语，它就是整场争论的战场。被夸大派：Jensen-Kelly-Pedersen 的层次贝叶斯框架 evidence: [T04-S019]；Andrew Y. Chen 的发表偏差可量化论证 evidence: [T04-S021, T04-S022]。**批评方还有一条至今没有被数据回应的反驳**：即使每篇论文都能复制，整个文献的搜索过程本身就是一次巨大的多重检验。

**执行派内部：解析最优化 ⇄ 经验标度律。** Almgren-Chriss 从冲击模型解析求最优轨迹 evidence: [T04-S077]；Bouchaud 主张先承认经验平方根律，且冲击几乎与执行节奏无关 evidence: [T04-S032, T01-S012]。这条分歧直接决定工程资源投在调节奏还是控规模。

**趋势跟踪是什么。** 有经济学基础的凸性资产（Harvey、Kaminski、Baltas）⇄ 应当默认无效除非样本外证明（Carver）⇄ 概念已被营销滥用（Kaminski 对自己提出的危机 alpha 做纠偏）evidence: [T01-S042, T01-S048, T01-S061]。三者不完全互斥，但导致完全不同的日常动作。

**尾部风险怎么买。** 尾部对冲长期负和、用分散化与趋势代替（Asness / AQR）⇄ 不对称性值得长期持有（Taleb 一侧）⇄ 波动率风险溢价已被结构性卖方抽干（Eifert）evidence: [T01-S024, T01-S071]。**读者警告**：这场争论双方都在推销自己的产品，且没有任何一方给出可复核的实盘对比——它是立场展示，不是证据 evidence: [T01-S024]。

**中国实践派 ⇄ 全球学术派，是结构性错位而不是观点之争。** 以明汯裘慧明 2020 至 2023 年的公开发言为代表，中国头部私募的公开话语集中在指数增强与市场中性两个产品形态上，底层逻辑是投资宽度——分散持有大量标的、靠短周期价格信息取胜 evidence: [T01-S035, T01-S036]。**这里的样本只有一个人、最新材料距今已超两年，其中 2020 年那份还是当时的前瞻判断而非事后总结**，不能当作中国行业结构的现状描述；欧美因子派讲的是「这个因子为什么存在」。两者不在同一个抽象层级上，而且中国侧还有一条欧美不存在的硬约束：程序化交易的报告与阈值监管 evidence: [T05-S001, T05-S002]。**不要把中国实践派写成欧美理论的本地应用——它是在不同约束下长出来的不同物种。**

---

<!-- SLOW_UPDATE_END -->



## 诚实边界

1. **信息截止 2026-09-02。** 工具层与合规层衰减最快：新兴工具层 `Decay risk: high`，中国法域的程序化交易规则近两年连续变动（证券规定 2024-10-08 施行、上交所实施细则 2025-07-07 施行、期货规定 2025-10-09 施行）evidence: [T05-S001, T03-S003, T05-S002]。**任何写于 2024 年之前的中国「程序化交易」合规材料都应视为过期**；异常交易认定与持仓限额这一类更老的交易所规则仍然有效，但必须按交易所当期公告重新核对生效版本（本 skill 引用的中金所异常交易标准即为较早年份的文件）。
2. **公开材料存在结构性的幸存者偏差，而且这一条无法用更多调研修复。** 真正在赚钱的策略不发表，亏损的账户不发声，业绩展示普遍经过选择。本 skill 里没有任何一个未经审计的收益数字，这是刻意的。
3. **中国侧的方法论是一块明确的空白，不是被省略了。** 本轮调研在合规信源内没有找到任何一位中国量化 figure 的完整方法论长材料；两位入选的中国 figure 均未找到近 12 个月的公开发声，其中一位没有任何 30 分钟以上的可公开访问长材料。中国一手方法论讨论主要发生在知乎、微信公众号与付费路演——全部落在信源黑名单或不可溯源渠道内，本次一条都没有引用。**要补这块，需要用户提供内部素材，而不是继续搜索。**
4. **统计防线这一层，「正典要求这样做」不等于「业内普遍这样做」。** Deflated Sharpe 与 PBO 的开源实现体量都很小、许可受限 evidence: [T02-S065, T03-S049]。**这条免责覆盖 §6 质量基准的整张清单**：那十二项是本 skill 综合正典给出的应然标准，不是一份被行业普遍执行的实然清单。
5. **四个最常被问到的门槛数字没有权威公开答案**：留出多久、夏普多少能上线、IC 多少算好、换手上限多少。本 skill 拒绝编造这些数字，给的是替代方法（按试验次数折价、用最小回测长度反推、与自己已上线策略的分布比较）evidence: [T04-S059]。
6. **表达 DNA 的语料分布不均。** 可逐字引用的原话集中在少数几位英文 figure 身上；这一行最高价值的材料是音频，而多数量化播客不提供官方文字稿。中文侧的原话语料为零——对话样本库里的中文段落全部是对监管条文与平台规则的转述，没有任何一段是从业者的口语。
7. **本 skill 不构成投资建议，也不承诺任何策略可复制。** 合规内容只呈现公开法规与监管官方口径，并标注法域与生效时间；规避报备、规避持仓限额、幌骗与自成交等一律作为红线呈现，不作为技巧 evidence: [T05-S004]。
8. **本 skill 的统计防线只适用于连续横截面或长时间序列。** 事件驱动与相对价值这一类策略（并购套利、指数成分调整、公告后漂移、可转债条款博弈）在本轮正典调研里没有对应条目，IC、分层回测、walk-forward、CPCV、Deflated Sharpe、PBO 在几百个离散事件上会安静失效。Playbook 第 10 条给了边界提示与替代方向，但那是提示不是经过核验的方法学。
9. **叙事读物未被核实。** 《The Man Who Solved the Market》《The Quants》《When Genius Failed》《My Life as a Quant》是这行流传最广的读物，但本轮未核验到出版社官方页面，因此不在来源清单里，也不转述其结论。LTCM 与 Medallion 的公开数字来自百科汇编而非一手披露，引用前需自行核验 evidence: [T04-S087, T04-S088]。

---




## Time-decay Registry

This skill's modules decay at different speeds. Re-run `update 大师 {slug}`
when the dates below cross the recommended cadence listed in this table.

| Module | last_updated | decay_risk | Recommended refresh cadence |
|--------|-------------|-----------|---------------------------|
| Mental models | last_updated: 2026-09-02 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-09-02 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-09-02 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-09-02 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-09-02 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-09-02 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-09-02 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-09-02 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-09-02 | decay_risk: low | re-assess each refresh |

last_updated values reflect the synthesis date. Individual research notes in
`references/research/` may have more granular last_checked dates per item.