指数增强策略：从零到实盘

📚 共计 30 章节

什么是指数增强？为什么需要指数增强？收益来源拆解 (Beta + Alpha)

核心概念Beta/Alpha

Python量化生态 (Pandas, NumPy, Matplotlib, Backtrader) 搭建本地研究环境

Python环境配置

沪深300成分股历史数据 (价格、成交量、财务) 数据清洗与对齐

数据清洗沪深300

构建沪深300基准，计算收益率、回撤、波动率等基础指标

基准风险指标

什么是因子？分类 (估值、成长、质量、动量、情绪) 因子与Alpha

因子分类Alpha

单因子分析

计算IC值、IR值，分析因子与未来收益的相关性

因子分组回测

按因子值分组，观察多空组合收益，验证因子有效性

分组回测多空

多因子合成

等权、IC加权、回归合成综合因子，提升选股能力

因子合成加权

Barra风险模型，风格因子暴露 (市值、贝塔、动量) 控制风险

Barra风险暴露

均值-方差、风险平价、Black-Litterman 构建最优权重

优化Black-Litterman

行业中性化、市值中性化、换手率限制、个股权重上限

约束中性化

回测框架搭建

Backtrader / 自建回测引擎，完整回测流程

回测Backtrader

年化收益率、夏普比率、最大回撤、信息比率、胜率

过拟合防范

交叉验证、滚动回测、敏感性分析，检验策略稳健性

过拟合稳健性

佣金、印花税、冲击成本、滑点，模拟真实环境

实盘前准备

从回测到实盘的鸿沟，模拟交易、资金管理、心理建设

模拟交易心理

对接券商API (华泰xtquant、中泰XTP) 程序化下单

低延迟、高可用系统：行情接收、信号生成、订单执行

架构低延迟

仓位监控、异常交易检测、手动熔断机制

Brinson归因、Barra归因，选股还是择时？

基于归因优化因子权重、调整风险模型，持续改进

舆情、新闻情绪、卫星图像，挖掘独特Alpha

另类数据舆情

机器学习因子

线性回归、随机森林、XGBoost、神经网络非线性因子

机器学习XGBoost

深度学习应用

LSTM、Transformer 在股票收益预测中的应用与挑战

LSTMTransformer

高频因子、订单簿分析、T+0策略，提升Alpha频率

行业景气度、资金流向的行业轮动策略，增强指数收益

行业轮动景气度

财报超预期、分析师上调、股东增持等事件驱动策略

事件驱动超预期

多资产配置

扩展至商品、债券、海外市场，分散风险

多资产分散

合规与监管

量化交易合规要点、程序化报备、异常交易监控

量化研究员成长路径、团队协作、策略管理、持续学习