量化进阶核心一句话
入门是 “跑通一个回测”；进阶是建立一套可复现、可风控、可迭代的研究 + 交易闭环，学会识别回测幻觉、理解收益来源、控制策略衰减，而不是堆模型、堆因子。
先选路线：个人散户大多走【日线 / 低频多因子、CTA 趋势、事件驱动】；高频、做市、期权波动率对数据、延迟、资金门槛极高，不适合普通进阶。
一、进阶学习路线（顺序）
- 夯实统计 + 金融基础（纠正入门最大短板）
入门很多人只会 pandas 调包，进阶必须懂：
- 统计：假设检验、相关性、多重检验、样本划分、交叉验证、偏差方差、波动率、协方差、IC/IR、信息比率、t 检验
- 时间序列：平稳性、自相关、异方差、GARCH（波动率聚类）
- 组合理论：风险分解、行业 / 市值中性、因子正交、风险预算、跟踪误差、换手、容量、冲击成本
- 市场微观：滑点、盘口、流动性、订单簿、成交规则、A 股 T+1、涨跌停、复权、前视偏差、幸存者偏差
- 策略研究范式升级：从单规则 → 单因子 → 多因子 → 机器学习 Alpha
- 第一阶段进阶：单因子分层测试、计算 IC、IR、单调性、分年度 / 分市场风格稳定性，理解因子什么时候有效、什么时候失效
- 第二阶段：因子清洗、正交、中性化、多因子加权（不是简单相加）
- 第三阶段：金融机器学习（和普通机器学习完全不一样：重点是标签构造、防数据泄露、滚动验证，不是堆 LSTM / 大模型）
- 工程与执行进阶：回测→仿真→实盘链路、监控、运维
很多人卡在这：回测漂亮，实盘持续跑输。进阶重点不是写花哨策略，而是把 “研究代码” 变成 “生产系统”：数据校验、订单状态、成交日志、监控告警、漂移监控、自动熔断、日志回放。
二、进阶资料清单（按阅读顺序，分中文 + 英文经典）
优先中文（先建立 A 股语境）
- 《主动投资组合管理》（格林诺德、卡恩）｜量化组合圣经，进阶必啃，IR、风险模型、因子收益、交易成本、换手率、容量都在这里，机构标准框架
- 《量化投资策略：如何实现超额收益 Alpha》｜国内最适合理解各类 Alpha 来源：量价、基本面、事件、风格
- 《基本面量化投资》｜适配 A 股财报、一致预期、基本面因子，区分海外因子和 A 股水土差异
- 《Python 金融大数据分析》｜工程、数据、回测、时间序列，工具书
- 《算法交易与套利交易》｜订单执行、滑点模型、冲击成本，理解回测和实盘之间的鸿沟
英文硬核（进阶中后期，想做 ML 量化 / 机构路线）
- Advances in Financial Machine Learning（AFML，Marcos López de Prado）｜金融机器学习第一书：三重屏障标签、元标签、时序交叉验证、防数据窥探、回测陷阱；不适合入门，进阶核心
- Machine Learning for Asset Managers（同作者）｜更偏组合与风险
- Analysis of Financial Time Series（Tsay）｜金融时序、波动率建模，CTA、波动率策略必读
- Algorithmic and High-Frequency Trading（Cartea）｜算法执行、最优下单、市场微观（高频方向）
- Quantitative Trading（Ernie Chan）｜《量化交易：如何建立自己的算法交易事业》，个人交易者视角，重点讲回测陷阱、资金管理、策略迭代，非常适合散户进阶
免费持续学习渠道（研报 + 社区）
- 券商金工研报：中信、华泰、海通、国盛金工，重点看因子复盘、因子衰减、风格轮动、事件驱动，不要直接抄因子；学会复现、复现失败再找原因
- 社区：聚宽、米筐、QMT/PTrade 官方文档、GitHub 开源回测框架（backtrader、vectorbt、alphalens）
- 论文：Journal of Finance, Journal of Portfolio Management；arXiv 量化、金融机器学习相关论文（少量精读，不要泛读）
工具库进阶：alphalens（因子分析）、empyrical（绩效指标）、vectorbt（向量化回测）；有精力再学 C++/ 低延迟（高频才需要）
三、进阶必须做的实战项目（按顺序，每一个都要出可复盘产出）
原则：每做完一个项目，留下可复现代码 + 报告，记录失败、失效原因，不要只存盈利曲线；严禁拿着一堆参数暴力搜索调参。
实战 1：因子研究闭环（低频股票 / 期货，优先做）
目标：不再只会写一个金叉死叉策略，学会标准因子研究流程
- 数据准备：全样本、包含退市股、ST，处理前视偏差（财报要使用【公布时间】而不是报告期末时间）
- 单因子：构造一个简单因子（例如动量、反转、质量、波动率），分层回测，计算 IC、IR、分层净值、分年度收益、行业市值暴露
- 因子诊断：什么时候 IC 显著为正 / 负？在小盘 / 大盘、牛市 / 熊市是否稳定？换手多少、容量上限大概多少？
- 因子中性：做市值、行业中性，对比中性前后收益变化（很多 A 股因子本质就是市值 / 行业 bet，不是 Alpha）
- 输出报告：因子收益、风险、衰减特征；结论写清楚：这个因子赚的是什么钱，什么环境会失效
实战 2：多因子组合构建 & 风险预算
- 把 3–5 个低相关因子正交、加权（等权、IC 加权、风险平价）
- 做风险分解：收益来自哪些因子、哪些行业、市值暴露
- 约束：换手率上限、单标的上限、行业上限
- 对比：简单相加 vs 中性多因子，理解分散不是简单堆信号
实战 3：回测陷阱专项实战（非常关键）
主动给自己制造坑，然后定位修复：
- 构造一个带前视偏差的策略（收盘前就用当日收盘价计算信号），观察漂亮曲线；然后修正为真实时点数据，对比崩塌效果
- 幸存者偏差对比：有无退市股数据的回测差异
- 成本敏感性测试：滑点 0.05% / 0.1% / 0.2% 分别跑一遍，看策略是否在更高滑点下直接失效（很多短线策略利润全被滑点吃掉）
实战 4：滚动验证（Walk Forward，滚动回测）
进阶区分 “拟合噪声” 和 “真实 Alpha” 的标准方法：
滚动窗口训练（比如 24 个月训练、下 1 个月预测调仓），逐期外推，全程禁止在未来数据上优化参数；
对比固定参数滚动 vs 定期重估因子权重，观察因子衰减。
实战 5：仿真盘（模拟柜台）连续跑 ≥ 2–3 个月
不要回测完直接上实盘：
- 用券商仿真（QMT/PTrade 模拟），用和未来实盘一模一样的代码、下单逻辑、定时触发
- 每天记录：信号时间、委托时间、成交时间、滑点、未成交、废单、涨跌停无法成交
- 统计：仿真收益和回测收益的差值（这个差值就是你的 “执行折价”）
仿真阶段重点看：代码稳定性、订单逻辑、行情延迟、流动性约束，而不是赚多少钱
实战 6：小资金实盘（最后一步）
- 初始资金小仓位、单策略资金上限隔离，设置策略级最大回撤止损线（比如策略回撤 15% 停止运行，复盘）
- 建立监控看板：每日因子 IC、持仓暴露、换手、盈亏归因、滑点统计、策略衰减告警
- 实盘日志：区分亏损来源：是市场风格切换、因子衰减、执行滑点、bug，还是单纯随机噪声
实战 7（可选高阶）：CTA 时序策略 / 事件驱动 / ML Alpha
- CTA：趋势、布林、 breakout，重点研究波动率目标仓位、趋势跟踪在不同波动率环境下表现，GARCH 波动率建模
- 事件驱动：财报、分红、解禁、回购，构建事件窗口收益、事件超额，注意事件时间对齐
- ML 量化：用 Lopez de Prado 的三重屏障标签，滚动训练，严格做泄露检查；不要上来直接用深度学习预测价格
四、进阶最核心的几个认知（避坑）
- 回测是假设实验，不是收益证明；进阶的核心能力是质疑回测结果，而不是美化曲线
- Alpha 会衰减。所有策略都会慢慢失效，你的工作不是找圣杯，而是监控衰减、迭代、分散策略
- 散户最大优势不是算力，而是策略容量小、可以做机构看不上的小众信号；不要去和机构拼高频、拼盘口
- 风控不是加一个止损，而是四层：标的分散、策略分散、时间分散、资金隔离；策略和策略之间低相关
- 不要沉迷机器学习炼丹：金融里，稳健线性因子往往比复杂模型更适合实盘；ML 是工具，不是魔法
五、进阶成长节奏参考（业余）
- 第 1–2 个月：啃《主动投资组合管理》+ 复现单因子、AlphaLens 分析，搞懂 IC/IR/ 中性
- 第 3–4 个月：搭建滚动回测框架、多因子组合、风险约束
- 第 5–7 个月：仿真连续跑、订单执行日志、滑点模型
- 第 8 个月以后：小资金实盘 + 持续因子监控、策略迭代、研究新信号
