量化交易 · 核心子模块

策略与因子

从单因子构建到多因子体系，从择时策略到选股模型，建立可以持续迭代的量化研究框架。

3核心主题

8+收录文章

持续更新中

Alpha = IC × Vol
Ret_t = β·F_t + ε
IC_IR = E[IC] / σ(IC)
Score = Σ wᵢ · factor_i

数学算法策略&因子 Python基础数据处理遗传编程回测优化实盘接入新手历程

三大主题

策略与因子的知识分三个维度展开，从底层逻辑到实战构建。

精选 📐 因子构建 从原始数据到标准化因子，设计有信息量的 Alpha 信号，包括动量、价值、质量与另类因子。

🎯 选股策略 截面多因子选股、机器学习打分模型、组合构建与因子合成方法。

⏱ 择时策略 宏观周期、情绪指标、技术信号到机器学习择时，控制组合整体的市场暴露。

📊 绩效评估 IC、ICIR、Sharpe、最大回撤、因子衰减与归因分析，量化策略质量的标准工具箱。

优先阅读，系统构建策略与因子研究能力。

从因子定义、数据清洗、标准化、IC 测试到组合合成，完整走一遍多因子研究流程，理解每一步的设计逻辑。

💡 建议按顺序阅读：先看因子构建基础，再看选股策略，最后研究绩效评估方法。

笔记

--- **版本**：v7.0

2026-04-16

笔记

在讨论"是否引入遗传算法"之前，必须先回答一个更基础的问题： **你希望遗传算法优化什么？**

2026-04-16

按照这条路径学习，能更系统地建立策略与因子的完整认知框架。

理解因子逻辑为什么这个特征能预测收益？背后的经济直觉是什么？

数据清洗与标准化去极值、中性化、截面 Z-score，保证因子可比性。

IC 测试与分组回测分组累计收益、IC 时序分析，验证因子有效性。

因子合成与组合构建等权、IC 加权、风险平价合成，优化组合暴露。

确定策略逻辑与约束选股还是择时？频率、容量、持仓集中度的设计原则。

特征工程与信号生成从原始数据提取有效特征，构建入场信号与仓位信号。

回测验证（→回测优化）走样本外测试，检验参数稳健性，避免过拟合。

绩效归因与迭代定位策略的收益来源，有针对性地优化薄弱环节。