Alpha 策略构建：Alpha 的定义与来源

做量化投资这么多年，我经常被问到同一个问题：Alpha 到底是什么？

很多人以为 Alpha 就是跑赢大盘。其实没那么简单。我习惯把 Alpha 理解成「市场给聪明人的奖励」。你想想看，如果所有人都能轻松跑赢指数，那超额收益就不存在了。

Alpha 的数学定义很直接：

Alpha = 实际收益 - Beta × 市场收益 - 无风险收益

说白了，就是剔除掉市场涨跌的影响后，你凭本事赚到的那部分钱。

Alpha 的三大来源

我在项目中遇到过不少新手，一上来就想着找「圣杯」。其实 Alpha 的来源就三类：

1. 信息优势——你比别人先知道，或者知道得更细
2. 处理优势——同样的数据，你能挖出别人看不到的模式
3. 执行优势——你的交易成本更低，或者速度更快

嗯，这里要注意：信息优势越来越难了。监管严了，市场也变聪明了。我个人更倾向于在「处理优势」上下功夫。

统计套利与预测模型

统计套利，说白了就是找「定价错误」。我刚开始做统计套利时，犯过一个低级错误——用日线数据做配对交易，结果回测漂亮，实盘亏成狗。

为什么会这样？因为统计套利对时间尺度极其敏感。

常见的统计套利策略

预测模型的选择

预测模型这块，我建议分两步走：

• 第一步：用线性模型做 baseline（比如线性回归、逻辑回归）
• 第二步：再上非线性模型（XGBoost、LSTM 等）

你可能会问：为什么不直接上深度学习？

原因很简单——可解释性。我在实盘中吃过亏，一个黑盒模型突然失效，你根本不知道是数据问题还是模型问题。线性模型至少能告诉你「哪个因子在起作用」。

# 一个简单的线性预测模型示例
import statsmodels.api as sm

# X 是因子矩阵，y 是未来收益
X = sm.add_constant(factors)
model = sm.OLS(y, X).fit()

# 看每个因子的显著性
print(model.summary())

信号生成与权重分配

有了预测模型，下一步就是生成交易信号。这一步看似简单，其实坑最多。

信号生成的三原则

1. 信号要稀疏——不是每天都要交易。我习惯让信号频率控制在 20%-30% 左右
2. 信号要稳健——换个参数区间，信号不能大变
3. 信号要可执行——理论上的信号，实盘能不能买到？滑点多少？

举个例子，我做过一个 A 股的日内反转策略。信号生成逻辑很简单：

# 伪代码：日内反转信号
if 今日涨幅 > 3% and 成交量放大:
    信号 = -1  # 卖出
elif 今日跌幅 > 3% and 成交量萎缩:
    信号 = 1   # 买入
else:
    信号 = 0   # 不交易

你看，逻辑简单吧？但实盘时我发现，涨 3% 的股票，第二天可能继续涨。后来我加了「相对强弱」条件，才把信号质量提上来。

权重分配：不是所有信号都平等

权重分配这块，我踩过最大的坑就是「等权配置」。你以为分散风险，其实是在稀释 Alpha。

我个人习惯用以下方法：

• 信号强度加权——预测值越极端，权重越大
• 波动率倒数加权——高波动的品种少配，低波动的多配
• 相关性惩罚——两个高度相关的信号，各砍一半权重

权重 = 信号强度 × (1 / 波动率) × 相关性惩罚因子

本章知识体系

下面这张图，是我做 Alpha 策略时脑子里始终绷着的一根弦：

这张图我每次做策略都会看一遍。它提醒我：Alpha 不是某个环节的功劳，而是整个链条的合力。