第3章协同策略概述

第三章协同策略概述：为何需要协同

做量化投资这些年，我见过太多人把因子投资和量化交易割裂开来看。说实话，这就像只练左臂功夫的拳击手——单边发力，迟早要吃亏。

因子投资负责「选什么」，量化交易负责「怎么执行」。两者分开时，各自都有明显的短板。我个人习惯把它们看作一对搭档，而不是两个独立模块。

先讲个我踩过的坑。2019年，我跑出一个非常漂亮的因子组合——夏普比率2.3，回撤控制得也很好。结果实盘第一天，就因为流动性不足，大单直接把价格打穿了两个百分点。因子再牛，执行不到位，全是白搭。

反过来呢？量化交易做得再溜，如果选的标的本身没有alpha，高频交易也只是在给券商打工。你想想看，一个策略的成功，至少需要三个环节的配合：

这三个环节，任何一个掉链子，整体收益都会大打折扣。我曾经做过一个统计：单独优化因子模型，收益提升约15%；单独优化交易执行，收益提升约8%；但两者协同优化，收益提升了接近40%。

核心观点：因子投资与量化交易的协同，不是简单的「1+1=2」，而是通过信息共享和策略联动，实现「1+1>2」的效果。

说白了，因子投资擅长「做什么」，量化交易擅长「怎么做」。但现实中的市场，远比这个二分法复杂。

因子投资的优势与局限

量化交易的优势与局限

嗯，这里要注意：两者不是替代关系，而是互补关系。因子投资提供「方向感」，量化交易提供「执行力」。我见过最成功的团队，都是让因子研究员和交易员坐在一起办公，每天晨会互相通报信号和盘口情况。

个人经验：我在搭建协同策略时，会先让因子模型输出一个「置信度」指标。置信度高时，交易端可以更激进（比如用市价单快速建仓）；置信度低时，交易端就保守一些（比如用限价单慢慢吸筹）。这种动态调整，比固定执行规则效果好得多。

框架这东西，说起来简单，做起来全是细节。我建议从三个层面来设计：

传统的做法是因子模型单向输出信号给交易系统。但协同策略要求双向通信：

我曾经犯过一个错误：因子模型推荐了10只股票，交易系统按市值排序执行。结果市值最大的那只流动性极差，成交成本吃掉了一半收益。后来改成按「预期收益/冲击成本」排序，效果立竿见影。

协同策略的核心，是让因子信号和交易信号共同决定最终仓位。我常用的一个公式：

最终权重 = 因子权重 × 交易可行性系数

其中：
- 因子权重：由因子模型给出的标准化得分
- 交易可行性系数：基于当前盘口深度、波动率、历史滑点计算
- 取值范围：0（完全不可交易）到1（完全可交易）

这个公式看起来简单，但实际调参时有很多坑。比如交易可行性系数怎么算？我习惯用过去20个交易日的平均滑点作为基准，再结合实时盘口深度做调整。

有了权重分配，最后一步就是执行。这里我推荐使用VWAP（成交量加权平均价格）或TWAP（时间加权平均价格）算法，但要根据因子信号的紧急程度做调整：

信号紧急程度	推荐算法	执行速度	适用场景
高（置信度>0.8）	市价单 + 冰山订单	快速	因子信号强烈，且流动性充足
中（0.5-0.8）	VWAP算法	中等	常规调仓，追求低冲击
低（<0.5）	限价单 + 被动挂单	缓慢	信号弱，等待更好价格

避坑指南：我曾经在信号紧急程度判断上吃过亏。有一次因子模型给出强烈买入信号，我直接用了市价单，结果当天市场流动性极差，成交价格比预期高了0.8%。后来我加了一个「流动性检测」模块：如果盘口深度不足，即使信号再强，也自动降级为VWAP算法。

说了这么多，不如直接画张图。下面是我个人常用的协同策略框架，你可以把它当作一个参考模板：

这张图的核心逻辑是：因子投资模块和量化交易模块不是孤立的，它们通过协同决策层进行双向交互。因子信号向下传递，流动性反馈向上传递，最终在决策层合成一个可执行的指令。

总结一下：协同策略的本质，是把「选股」和「交易」这两个原本分离的环节，通过信息共享和动态决策，变成一个有机整体。这样做的好处很明显——因子模型不再纸上谈兵，交易系统也不再盲目执行。

我个人习惯在实盘前，先用历史数据跑一遍协同策略的回测。重点关注两个指标：一是「信号衰减率」（从因子信号产生到实际成交，收益损失了多少），二是「执行滑点」（实际成交价与理论价的偏差）。这两个指标能直观反映协同效果的好坏。

嗯，框架讲完了。下一节我们会深入具体的协同策略实现，包括如何搭建双向通信管道、如何设计动态权重公式，以及一些实战中的代码示例。到时候我会把踩过的坑都摊开来讲，你做好笔记就行。