1. Alpha策略概述：什么是Alpha收益
做量化投资这些年，我经常被问到同一个问题：「Alpha到底是个啥？」
说白了，Alpha就是你的策略跑赢市场的那部分收益。举个例子——
假设今年大盘涨了10%，你的组合赚了15%。那多出来的5%，就是Alpha。听起来简单吧？但实际做起来，这5%背后藏着无数坑。
Beta收益与Alpha收益的区别
先搞清楚两个概念：
| 收益类型 | 来源 | 特征 | 我见过的问题 |
|---|---|---|---|
| Beta收益 | 市场整体波动 | 被动、系统性、不可分散 | 很多人把牛市运气当Alpha |
| Alpha收益 | 选股/择时能力 | 主动、非系统性、可分散 | 过度拟合导致实盘失效 |
Beta收益，你买个指数基金就有了。大盘涨你涨，大盘跌你跌。这是市场的β，你没法躲。
Alpha收益不一样。它来自你的判断——你选的股票比别的涨得多，或者你躲过了某次大跌。这才是真本事。
我记得刚入行时，有个前辈跟我说：「小伙子，别把Beta当Alpha。」当时我不理解。后来自己跑策略，回测漂亮得不行，一上实盘就崩。为什么？因为回测那几年刚好是牛市，我的策略其实就是在赌市场涨。嗯，这就是典型的把Beta当Alpha。
Alpha策略的核心理念
Alpha策略的核心，其实就一句话：找到市场定价错误的机会。
你想想看，如果市场完全有效，所有股票价格都合理，那哪来的超额收益？正因为市场有时候会犯错——有的股票被高估，有的被低估——我们才有机会。
我个人习惯把Alpha策略拆成三个层次：
- 因子挖掘：找到能解释收益的规律。比如低波动、高动量、小市值这些。
- 组合构建：把多个因子组合起来，分散风险。别押单一因子，会死得很惨。
- 风险控制：控制对市场的暴露。你追求的是Alpha，不是Beta。
核心公式：
组合收益 = Alpha + Beta × 市场收益 + 残差
我们的目标：让Alpha > 0，且稳定。
这里有个坑，我踩过好几次——过度优化。回测里参数调得越精细，实盘往往越惨。为什么？因为你把噪音当信号了。
我的经验：
做Alpha策略，先求稳再求高。年化超额5%能持续三年，比年化20%但只撑三个月强一百倍。
Alpha策略的知识体系
下面这张图，是我自己梳理的Alpha策略核心框架。每次做新策略前，我都会对照着过一遍：
⚠️ 避坑指南：
我曾经犯过一个错误——为了追求高Alpha，把风险控制放一边。结果市场风格一切换，回撤直接超过20%。记住：没有风控的Alpha，就是裸奔。
一个简单的Alpha策略示例
光说不练假把式。我写个最简单的Alpha策略框架，帮你理解：
# 伪代码：一个简单的多因子Alpha策略
def alpha_strategy(stock_pool):
# 1. 计算因子
value_factor = calc_pe(stock_pool) # 价值因子
momentum_factor = calc_momentum(stock_pool) # 动量因子
# 2. 因子合成
combined_score = 0.5 * value_factor + 0.5 * momentum_factor
# 3. 选股：取得分最高的前20%
selected = top_k(combined_score, 0.2)
# 4. 风险控制：行业中性化
selected = industry_neutralize(selected)
return selected这段代码虽然简单，但核心逻辑都在了。你想想看，如果只用一个因子，比如只看低市盈率，那万一市场偏好成长股呢？所以多因子合成是必须的。
我个人习惯在因子合成后，再加一道「行业中性化」的工序。为什么？因为不同行业的估值水平天然不同，不中性化的话，你选出来的可能全是银行股。
一个小技巧：
刚开始做Alpha策略时，别追求复杂模型。先跑通最简单的多因子框架，跑顺了再慢慢加东西。我见过太多人一上来就上机器学习，结果连因子IC都不稳定。
好了，这一章就到这里。记住：Alpha不是玄学，是科学。它来自你对市场的理解，来自你找到的那些别人没发现的定价错误。下一章，我们聊聊怎么具体挖掘Alpha因子。