金融市场基础：股票、期货、期权与微观结构
各位同学，今天我们来聊聊金融市场的基础。说实话，这部分内容看起来有点枯燥，但它是你构建多因子模型的根基。我见过太多人一上来就调参数、跑回测，结果连交易成本都没算清楚——嗯，那基本等于白干。
我个人习惯把金融市场理解成一个「信息与资金的博弈场」。你想想看，每个价格波动背后，都是无数交易者的决策。而我们做量化，就是试图从这些混乱中找到规律。
股票市场基础
股票市场，说白了就是公司拿股权换钱的地方。A股、港股、美股，规则各有不同，但核心逻辑一致：你买的是公司的一部分所有权。
我在项目中遇到过最坑的事，就是有人把A股的涨跌停板机制直接套用到美股上。结果回测曲线漂亮得不行，实盘一跑就崩。为什么？因为美股没有涨跌停限制，波动完全不是一个量级。
这里有几个关键点你要记住：
- 交易时间：A股是9:30-15:00，中午休市；美股是夏令时21:30-次日4:00，连续交易
- T+1 vs T+0：A股当天买入，第二天才能卖；美股可以当天买卖
- 最小变动单位：A股是0.01元，美股是0.0001美元（某些低价股）
重要提醒：做多因子模型时，一定要把交易规则写进代码。我见过有人用美股T+0的规则去回测A股策略，结果胜率虚高30%。
期货与期权市场
期货和期权，很多人觉得复杂。其实没那么玄乎。
期货就是「约定未来某个时间，以某个价格买卖某样东西」。你想想看，一个农民种小麦，他怕6个月后价格跌了亏钱，就现在把小麦「期货」卖出去。这就是最朴素的套期保值。
期权呢？它给你一个「选择权」——你可以选择执行，也可以选择不执行。我刚开始做期权策略时，总觉得这东西跟赌博差不多。后来做了几年才明白，期权其实是「管理不确定性的工具」。
举个例子：
# 一个简单的期权定价模型（Black-Scholes）
import numpy as np
from scipy.stats import norm
def black_scholes(S, K, T, r, sigma, option_type='call'):
d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
d2 = d1 - sigma*np.sqrt(T)
if option_type == 'call':
price = S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
else:
price = K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
return price
# 假设当前股价100，行权价105，剩余30天，无风险利率3%，波动率20%
price = black_scholes(100, 105, 30/365, 0.03, 0.20, 'call')
print(f'看涨期权理论价格: {price:.2f}')这段代码看起来简单，但实际用的时候要注意——波动率σ是唯一需要你「猜」的参数。我曾经因为用了历史波动率，结果期权定价偏差了15%。后来我改用隐含波动率，效果好了很多。
我的经验：做期货多因子时，别忘了考虑「展期收益」。期货合约会到期，你得不断换月。这个换月成本，有时候比交易佣金还高。
市场微观结构
市场微观结构，听起来高大上，其实就是「订单是怎么成交的」。你下了一个买单，它怎么找到卖单？价格怎么确定的？这里面门道很多。
我举个例子你就明白了。假设你想买1000股茅台，当前盘口是这样的：
| 卖五 | 卖四 | 卖三 | 卖二 | 卖一 | 买一 | 买二 | 买三 | 买四 | 买五 |
|---|---|---|---|---|---|---|---|---|---|
| 2000股@180.50 | 1500股@180.40 | 1000股@180.30 | 800股@180.20 | 500股@180.10 | 300股@180.00 | 600股@179.90 | 900股@179.80 | 1200股@179.70 | 1800股@179.60 |
你的1000股买单，会先吃掉卖一的500股（180.10元），再吃掉卖二的500股（180.20元）。最终成交均价是(500*180.10 + 500*180.20)/1000 = 180.15元。这就是「滑点」的来源之一。
我做过一个统计：对于小市值股票，一次中等规模的交易，滑点可能占到交易成本的50%以上。你想想看，如果你的策略年化收益只有10%，滑点吃掉5%，那还玩什么？
避坑指南：我曾经在回测中忽略了「订单簿深度」这个因素。结果策略在模拟中表现完美，实盘一跑就亏。后来我加了一个「流动性过滤器」，只交易日均成交额在1亿以上的股票，情况才好转。
交易成本与滑点
交易成本，不只是佣金。它包括：
- 显性成本：佣金、印花税、过户费、交易所规费
- 隐性成本：滑点、市场冲击、延迟成本
我建议你做一个「成本计算器」，把每笔交易的成本算清楚。下面是我常用的一个模板：
def calculate_trading_cost(price, shares, commission_rate=0.0003,
stamp_tax_rate=0.001, slippage_rate=0.001):
"""
计算单笔交易成本
price: 成交价格
shares: 成交股数
commission_rate: 佣金费率（默认万三）
stamp_tax_rate: 印花税率（默认千一，仅卖出）
slippage_rate: 滑点率（默认千一）
"""
turnover = price * shares
commission = turnover * commission_rate
stamp_tax = turnover * stamp_tax_rate # 仅卖出时收取
slippage = turnover * slippage_rate
total_cost = commission + stamp_tax + slippage
cost_per_share = total_cost / shares
return {
'total_cost': total_cost,
'cost_per_share': cost_per_share,
'commission': commission,
'stamp_tax': stamp_tax,
'slippage': slippage
}
# 示例：买入1000股，每股50元
cost = calculate_trading_cost(50, 1000)
print(f'总成本: {cost["total_cost"]:.2f}元')
print(f'每股成本: {cost["cost_per_share"]:.4f}元')你看，光是滑点一项，1000股就吃掉50元。如果你的策略是高频交易，一天做几十次，那成本就非常可观了。
核心观点：多因子模型的收益，往往只有几个百分点。如果交易成本控制不好，策略很容易从「盈利」变成「亏损」。我个人习惯在回测中把交易成本设得比实际高20%，给自己留点安全垫。
知识体系总览
下面这张图，是我自己总结的金融市场基础框架。你可以把它当成一个「检查清单」——做策略之前，先看看这些要素都考虑到了没有。
这张图把四个核心模块串起来了。你注意看，它们不是孤立的——股票市场的规则会影响微观结构，微观结构又决定了你的交易成本。做多因子模型时，这四个方面都要考虑到。
好了，这一章的内容就到这里。记住一句话：不了解市场规则，就别谈量化交易。下一章我们会讲数据获取与清洗，到时候你会感谢今天打下的基础。
公众号:蓝海资料掘金营，微信deep3321