1. Alpha信号与量化投资概述

做量化投资这些年，我越来越觉得一个道理很朴素——你赚的每一分钱，其实都是你认知的变现。在金融市场里，这个认知具体体现在哪儿？说白了，就是你能不能找到那个叫「Alpha」的东西。

什么是Alpha信号

Alpha这个词，圈外人听着可能有点玄乎。我换个说法你就懂了——Alpha就是超额收益。

举个例子。大盘涨了5%，你的组合涨了8%，那多出来的3%就是Alpha。反过来，大盘跌了5%，你的组合只跌了2%，那跑赢的3%也是Alpha。

那Alpha信号是什么呢？就是那些能帮你预测未来价格走势的因子或特征。比如：

• 市盈率、市净率这类估值指标
• 过去一个月的动量或反转效应
• 成交量、换手率等交易行为指标
• 甚至新闻情绪、社交媒体热度

每个信号就像一块拼图。你拼得越多、越准，Alpha就越大。

传统因子挖掘的局限性

说到因子挖掘，我入行那会儿还是「多因子模型」的天下。大家用线性回归，把几个因子往模型里一塞，跑个IC（信息系数）就完事了。

但做了几年后，我越来越觉得不对劲。问题出在哪儿？

1. 线性假设太强——市场里很多关系根本不是线性的。比如市值因子，小盘股在某些行情下表现好，大盘股在另一些行情下表现好，这哪是一条直线能拟合的？
2. 因子交互被忽略——估值和动量之间有没有交互作用？波动率和流动性之间呢？传统方法基本不考虑这些。
3. 过拟合严重——我记得有一次，团队里一个小伙子在1000多个因子里硬跑回测，结果样本外直接崩了。说白了，那是在拟合噪声，不是信号。
4. 非线性关系无法捕捉——举个简单的例子，换手率极低和极高时，未来收益可能都是负的，中间某个区间才是正的。这种「U型」关系，线性模型根本抓不住。

深度学习为何能挖掘非线性Alpha

那深度学习凭什么能解决这些问题？我个人的理解是——深度学习天生就是为「非线性」而生的。

你想想看，一个简单的神经网络，通过激活函数（比如ReLU、Tanh）就能拟合任意复杂的非线性关系。更别说LSTM能捕捉时间序列里的长期依赖，Transformer能处理多变量之间的交互作用。

具体来说，深度学习在Alpha挖掘上有几个天然优势：

• 自动特征提取——不需要你手动构造因子，模型自己能从原始数据里学到有用的特征
• 非线性建模——可以捕捉市场里那些「拐点」、「阈值」、「交互」等复杂关系
• 端到端学习——从原始数据到预测结果，整个流程可以一起优化
• 处理高维数据——几千只股票、几百个特征、几十年的数据，深度学习能hold住

但这里我要泼一盆冷水——深度学习不是万能药。我见过太多人把LSTM往数据上一扔，就等着赚钱了。结果呢？过拟合、不稳定、实盘跑不动。嗯，这里要注意，深度学习在量化里的应用，核心在于信号的信噪比。金融数据的信噪比极低，模型很容易学到噪声而不是信号。

课程整体框架与学习路径

这个课程一共10章，我把它设计成了一条从「入门」到「实战」的完整路径。你不需要有很深的深度学习背景，但最好懂一点Python和基本的量化知识。

下面是整个课程的知识体系，我画了张图帮你理清思路：

整个课程的设计思路是这样的：

• 前3章打基础——让你理解量化数据和深度学习的基本原理，知道什么是对、什么是错
• 中间4章学模型——LSTM、Transformer、GNN、强化学习，每个模型我都会讲清楚它在量化里的应用场景和坑
• 最后3章做实战——从因子组合到回测框架，再到实盘部署，带你走完一个完整的Alpha挖掘流程

我个人建议的学习路径是：不要跳着看。每一章的内容都是环环相扣的。比如你不理解特征工程，后面LSTM的输入格式你就搞不明白。你不理解过拟合，实盘的时候就会吃大亏。

好了，第一章的内容就到这里。记住一句话——Alpha不是找出来的，是挖出来的。接下来的每一章，我都会带你一步步深入这个「挖掘」的过程。

---

公众号：蓝海数据掘金营 · 微信：deep3321