【 Python 量化交易】第3章：金融基础概念

量化金融基础：先听懂行话 🎯

每个行业都有自己的行话，量化圈尤甚------策略、因子、信号、Alpha、Beta、夏普比率......不懂这些词，看再多的代码也是雾里看花。

文章目录

[量化金融基础：先听懂行话 🎯](#量化金融基础：先听懂行话 🎯)
- [3.1 一笔量化交易的一生 🎬](#3.1 一笔量化交易的一生 🎬)
- [3.2 核心量化术语 📚](#3.2 核心量化术语 📚)
- [3.3 金融基本概念 🏦](#3.3 金融基本概念 🏦)
- - [📈 股票（Stocks）](#📈 股票（Stocks）)
  - [🧺 投资组合（Portfolio）](#🧺 投资组合（Portfolio）)
  - [🛡️ 风险管理（Risk Management）](#🛡️ 风险管理（Risk Management）)
  - [💰 收益（Return）](#💰 收益（Return）)
- [3.4 进阶概念🎓](#3.4 进阶概念🎓)
- [3.5 必会指标的计算 🧮](#3.5 必会指标的计算 🧮)
- - [📊 指标公式速查表](#📊 指标公式速查表)
  - [🐍 Python 一键验证](#🐍 Python 一键验证)
- [3.6 概念之间的关系 🕸️](#3.6 概念之间的关系 🕸️)

3.1 一笔量化交易的一生 🎬

假设要做一个 "茅台均线策略"：

步骤	概念	英文	具体内容	💡 通俗类比
①	因子	Factor	50日均线、200日均线	选股的"参考指标" 📏
②	信号	Signal	短期均线上穿长期均线 → 买入触发	扣动扳机的瞬间 🔫
③	策略	Strategy	金叉买入、死叉卖出（完整买卖规则）	交易的"作战计划" 🗺️
④	模型	Model	均线交叉模型的数学表达	市场的"沙盘模型" 🧩
⑤	回测	Backtesting	用 5 年历史数据验证策略效果	策略的"模拟考" 📝
⑥	上线	Go-live	实盘运行	从考场走向战场 ⚔️
⑦	资金管理	Money Management	控制每笔投入仓位、设定止损线	别把鸡蛋放一个篮子 🧺

解读这条主线：

观察现象 ：我们发现"均线"（一种因子）的交叉似乎预示着趋势变化。
触发条件 ：当"短均线上穿长均线"时，系统发出买入信号（Signal）。
制定规则 ："什么情况下买、什么情况下卖"的完整规则，就是策略（Strategy）。
数学表达 ：这套规则的数学描述，就是模型（Model）。
模拟考 ：策略先在历史数据上"跑一遍"------这叫回测（Backtesting）。
实战：成绩合格后实盘运行，同时用资金管理（Money Management）控制每笔投入多少、何时止损。

🛑 止损（Stop Loss） ：价格跌破预设底线时强制卖出离场，用一笔小额的确定亏损，防止未来可能出现的大额亏损。💡 壮士断腕，保住本金。

🎯 核心链路 ：

因子 → 信号 → 策略 → 模型 → 回测 → 实盘 + 资金管理

------整个量化世界都围绕它展开。

3.2 核心量化术语 📚

术语	英文	解释	类比
策略	Strategy	定义何时、何地、以何种条件买卖的完整系统	交易的"作战计划" 🗺️
因子	Factor	衡量资产/市场特征的数值（价格、均线、市值......）	选股的"参考指标" 📏
信号	Signal	根据策略和因子生成的买入/卖出指令	扣动扳机的瞬间 🔫
模型	Model	用数学表示市场行为，从简单统计到深度学习	市场的"沙盘模型" 🧩
回测	Backtesting	在历史数据上模拟评估策略，需警惕过拟合	策略的"模拟考" 📝
Alpha	α	相对市场基准的超额收益，正值 = 策略比市场强	真本事赚的钱 💰
Beta	β	投资组合相对市场的敏感度：>1 更激进，<1 更保守	跟随大盘的"心跳幅度" ❤️
夏普比率	Sharpe Ratio	（策略收益率 − 无风险利率）/ 策略波动率	每承受一分颠簸换来几分收益 🎢
最大回撤	Max Drawdown	历史上任一时期可能的最大亏损百分比	最惨时亏掉几成 😰
资金管理	Money Mgmt	控制仓位、分散投资以保护本金	别把鸡蛋放一个篮子 🧺

🧠 Alpha 与 Beta 的直觉理解 ：基金今年赚了 15%，大盘涨了 10% ------ 那么约 10% 是"随大盘水涨船高"的 Beta 收益，剩下约 5% 才是策略真正的 Alpha 收益。量化的终极追求就是：最大化 Alpha，控制 Beta。

3.3 金融基本概念 🏦

📈 股票（Stocks）

股票是公司的所有权证券，代表对公司一部分所有权。购买股票意味着成为公司的股东，并有权分享公司的利润（分红）。

🧺 投资组合（Portfolio）

由多种不同资产（股票、债券、期货等）构成的一揽子投资。通过构建组合，投资者可以分散风险、提高收益潜力 ------ 单只股票暴雷，对整体组合的冲击有限。

🛡️ 风险管理（Risk Management）

通过识别、衡量和控制潜在风险来保护投资的方法。在量化金融中，常用统计学和数学模型来评估和管理组合风险（如计算 VaR 、设定止损线、控制仓位）。

💡 仓位（Position Sizing） ：投入市场的资金占总资金的比例。买多少永远和买什么一样重要，仓位管理是风控的第一道闸门。

💰 收益（Return）

投资的盈利，通常以百分比表示。投资者追求最大化收益，但必须同时考虑风险 ------ 收益与风险永远是一枚硬币的两面。

3.4 进阶概念🎓

概念	英文	核心思想
算法交易	Algorithmic Trading	用预定规则和数学模型交易，程序高速高效执行
量化模型	Quantitative Models	基于历史数据/技术面/基本面分析预测市场的数学模型
高频交易	High-Frequency Trading	以极快速度交易，赚取极短时间内微小利润
套利	Arbitrage	同时买卖同一/相似资产，利用价格差获得低风险利润
蒙特卡洛模拟	Monte Carlo Simulation	生成大量随机样本模拟市场不确定性，评估组合的风险与收益

💡 蒙特卡洛模拟

就像让计算机把未来市场"重演"一万遍 ------ 每一遍随机走出一条不同的路径 ------ 然后统计：最坏情况亏多少？最好情况赚多少？从而对不确定性心中有数。

3.5 必会指标的计算 🧮

📊 指标公式速查表

🐍 Python 一键验证

python 复制代码

# ② 年化收益率：3 个月（90 天）赚 5%
annualized = (1 + 0.05) ** (365 / 90) - 1
print(f"年化收益率 = {annualized:.1%}   # (1.05)^(365/90) - 1")

# ③ 夏普比率：策略年化 15%，波动率 10%，无风险利率 2%
sharpe = (0.15 - 0.02) / 0.10
print(f"夏普比率   = {sharpe:.1f}     # (15% - 2%) / 10%")

# ④ 最大回撤：净值 100 → 150 → 90
nav = [100, 150, 90]
running_max, mdd = nav[0], 0.0
for v in nav:
    running_max = max(running_max, v)
    mdd = max(mdd, (running_max - v) / running_max)
print(f"最大回撤   = {mdd:.0%}      # (150 - 90) / 150")

运行结果（Python 3.12） ：

🐍 完整的 Python 实现函数会在 7.4 节给出，此处先建立直觉。

3.6 概念之间的关系 🕸️

它们不是孤立的，而是相互连接、反馈优化的系统：
#mermaid-svg-cwRQN2uDVEM3q41v{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-cwRQN2uDVEM3q41v .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-cwRQN2uDVEM3q41v .error-icon{fill:#552222;}#mermaid-svg-cwRQN2uDVEM3q41v .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-cwRQN2uDVEM3q41v .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-cwRQN2uDVEM3q41v .marker{fill:#333333;stroke:#333333;}#mermaid-svg-cwRQN2uDVEM3q41v .marker.cross{stroke:#333333;}#mermaid-svg-cwRQN2uDVEM3q41v svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-cwRQN2uDVEM3q41v p{margin:0;}#mermaid-svg-cwRQN2uDVEM3q41v .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-cwRQN2uDVEM3q41v .cluster-label text{fill:#333;}#mermaid-svg-cwRQN2uDVEM3q41v .cluster-label span{color:#333;}#mermaid-svg-cwRQN2uDVEM3q41v .cluster-label span p{background-color:transparent;}#mermaid-svg-cwRQN2uDVEM3q41v .label text,#mermaid-svg-cwRQN2uDVEM3q41v span{fill:#333;color:#333;}#mermaid-svg-cwRQN2uDVEM3q41v .node rect,#mermaid-svg-cwRQN2uDVEM3q41v .node circle,#mermaid-svg-cwRQN2uDVEM3q41v .node ellipse,#mermaid-svg-cwRQN2uDVEM3q41v .node polygon,#mermaid-svg-cwRQN2uDVEM3q41v .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-cwRQN2uDVEM3q41v .rough-node .label text,#mermaid-svg-cwRQN2uDVEM3q41v .node .label text,#mermaid-svg-cwRQN2uDVEM3q41v .image-shape .label,#mermaid-svg-cwRQN2uDVEM3q41v .icon-shape .label{text-anchor:middle;}#mermaid-svg-cwRQN2uDVEM3q41v .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-cwRQN2uDVEM3q41v .rough-node .label,#mermaid-svg-cwRQN2uDVEM3q41v .node .label,#mermaid-svg-cwRQN2uDVEM3q41v .image-shape .label,#mermaid-svg-cwRQN2uDVEM3q41v .icon-shape .label{text-align:center;}#mermaid-svg-cwRQN2uDVEM3q41v .node.clickable{cursor:pointer;}#mermaid-svg-cwRQN2uDVEM3q41v .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-cwRQN2uDVEM3q41v .arrowheadPath{fill:#333333;}#mermaid-svg-cwRQN2uDVEM3q41v .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-cwRQN2uDVEM3q41v .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-cwRQN2uDVEM3q41v .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-cwRQN2uDVEM3q41v .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-cwRQN2uDVEM3q41v .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-cwRQN2uDVEM3q41v .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-cwRQN2uDVEM3q41v .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-cwRQN2uDVEM3q41v .cluster text{fill:#333;}#mermaid-svg-cwRQN2uDVEM3q41v .cluster span{color:#333;}#mermaid-svg-cwRQN2uDVEM3q41v div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-cwRQN2uDVEM3q41v .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-cwRQN2uDVEM3q41v rect.text{fill:none;stroke-width:0;}#mermaid-svg-cwRQN2uDVEM3q41v .icon-shape,#mermaid-svg-cwRQN2uDVEM3q41v .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-cwRQN2uDVEM3q41v .icon-shape p,#mermaid-svg-cwRQN2uDVEM3q41v .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-cwRQN2uDVEM3q41v .icon-shape .label rect,#mermaid-svg-cwRQN2uDVEM3q41v .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-cwRQN2uDVEM3q41v .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-cwRQN2uDVEM3q41v .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-cwRQN2uDVEM3q41v :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 验证与优化
核心要素
提供原材料
定义规则
触发动作
支撑
记录交易
计算
反馈
指导
限制仓位
🧠 模型 Model

用数学描述市场
📜 策略 Strategy
🧮 因子 Factor

均线/市值/波动率...
💡 信号 Signal

买/卖/持有
⚡ 执行
⏪ 回测 Backtesting
📊 绩效指标

Alpha / Beta / Sharpe / MDD
🛡️ 资金管理 Money Mgmt

因子是模型的输入特征（如均线、市值）；
模型根据因子生成信号；
策略是信号和规则的合集；
执行后进入回测，计算绩效指标；
绩效反馈给策略和资金管理，形成闭环优化。

💡 量化不是"一次性工程"，而是一个不断迭代、反馈、优化的循环。理解了这个关系网，就掌握了量化研究的全局地图。