🧠 面试八股文：数学、编程、因子、机器学习（点击展开/收起）
🧠 面试八股文：数学、编程、因子、机器学习
数学与统计基础
概率论
Q1：什么是条件概率？贝叶斯公式的直觉是什么？
标准答案：
条件概率表示在 B 已发生的条件下 A 发生的概率：
$$P(A \mid B) = \frac{P(A \cap B)}{P(B)}$$
贝叶斯公式：
$$P(A \mid B) = \frac{P(B \mid A) \cdot P(A)}{P(B)}$$
直觉：贝叶斯公式是"用新证据更新旧信念"的数学表达。这里 P(A) 是先验（你原来的判断），P(B|A) 是似然（新证据在你判断下出现的可能性），P(A|B) 是后验（看到证据后的新判断）。
量化应用：贝叶斯方法在信号衰减判断、因子择时、Black-Litterman模型中被广泛使用。
Q2：大数定律和中心极限定理的区别是什么？
标准答案：
- 大数定律（LLN）：样本均值随样本量增大而趋近于总体均值。强调的是收敛。
- 中心极限定理（CLT）：无论总体分布如何，样本均值的分布在n足够大时近似正态分布。强调的是分布形态。
关键区别：LLN告诉你"平均值会收敛到真值"，CLT告诉你"收敛过程的波动长什么样"。
量化应用：CLT是计算VaR、构建置信区间、进行策略回测统计检验的理论基础。如果收益率不满足独立同分布假设（如存在自相关或异方差），CLT的收敛速度会变慢，需要用Newey-West等方法修正。
Q3：什么是鞅（Martingale）？它在金融中有什么意义？
标准答案：
鞅是一种随机过程，满足 $E[X_{t+1} | \mathcal{F}_t] = X_t$，即给定当前信息，未来期望等于当前值。
金融意义：
- 在风险中性测度下，折现后的资产价格是鞅——这是期权定价的理论基础
- 如果市场价格是鞅，则不存在趋势性的可预测利润，与有效市场假说一致
- 鞅差分序列（Martingale Difference Sequence）常用于检验收益率的可预测性
Q4：解释常见的概率分布及其在量化中的应用
标准答案：
| 分布 |
特征 |
量化应用 |
| 正态分布 |
均值对称、薄尾 |
收益率建模的基准假设（但实际中有偏度和峰度） |
| 对数正态分布 |
取对数后为正态 |
股票价格建模（GBM中价格服从对数正态） |
| t 分布 |
厚尾 |
更真实地描述收益率尾部风险，小样本推断 |
| 泊松分布 |
离散事件计数 |
跳跃扩散模型中的跳跃次数 |
| 指数分布 |
等待时间 |
订单到达间隔建模（高频） |
延伸：实际收益率分布通常呈现"尖峰厚尾"（leptokurtic），正态假设会低估极端风险。用Student-t、GED或混合正态分布能更好地拟合。
数理统计与推断
Q5：什么是极大似然估计（MLE）？与矩估计（GMM）有什么区别？
标准答案：
MLE：寻找使样本似然函数达到最大值的参数，常写作：
$$L(\theta_{\text{MLE}}) = \max_{\theta} L(\theta)$$
GMM（广义矩估计）：利用总体矩条件与样本矩的匹配来估计参数，不需要假定完整的分布形式
核心区别：MLE需要完整的分布假设，效率高但对错误假设敏感；GMM更灵活，只需要矩条件，是半参数方法。
量化应用：GARCH模型常用MLE估计；资产定价模型（如Fama-French）的参数常用GMM估计；Hansen（1982）提出的GMM框架是实证资产定价的核心方法论。
Q6：假设检验中的 p 值到底是什么？为什么不能说"p值是假设为真的概率"？
标准答案：
p 值是在零假设为真的前提下，观测到当前统计量或更极端值的概率。
不能说"零假设为真的概率"，因为p值是条件概率 $P(\text{data} | H_0)$，而不是 $P(H_0 | \text{data})$。后者需要贝叶斯框架。
量化应用中的陷阱：
- 策略回测中对数百个参数组合做假设检验，会出现多重检验问题（Multiple Testing）
- 一个p < 0.05的策略，如果是从1000个策略中筛选出来的，真实显著性远低于5%
- 修正方法：Bonferroni 校正、Benjamini-Hochberg（FDR 控制）、Bailey-López de Prado-Marcos 的 Haircut（折减）校正
Q7：什么是协方差矩阵？为什么在量化中估计协方差矩阵是困难的？
标准答案：
协方差矩阵 $\Sigma$ 的第(i,j)个元素是资产i和资产j收益率的协方差。它是组合优化、风险管理的核心输入。
困难之处：
- 维度灾难：N个资产需要估计 $N(N+1)/2$ 个参数，当N大于样本量T时，样本协方差矩阵奇异
- 噪声放大：样本协方差矩阵中的小特征值会被取逆时放大，导致组合权重极端
- 非平稳性：协方差结构随时间变化
常用解决方案：
- Ledoit-Wolf收缩估计：将样本矩阵向结构化目标（如对角阵）收缩
- 因子模型降维：假设 $\Sigma = B F B^T + D$（因子部分 + 特异性部分）
- 随机矩阵理论（RMT）：用Marchenko-Pastur分布识别并剔除噪声特征值
- DCC-GARCH：建模时变协方差
线性代数
Q8：特征值分解（EVD）和奇异值分解（SVD）有什么区别？在量化中怎么用？
标准答案：
EVD：仅适用于方阵，Λ 是特征值对角阵：
$$A = P \Lambda P^{-1}$$
SVD：适用于任意矩阵，Σ 是奇异值对角阵：
$$A = U \Sigma V^T$$
对于对称半正定的协方差矩阵，EVD和SVD等价。
量化应用：
- PCA（主成分分析）：对收益率协方差矩阵做EVD，前几个主成分通常对应市场、规模、价值等系统性因子
- 降噪：去除小特征值对应的成分
- 正则化：SVD用于病态线性回归（岭回归本质上是对奇异值做收缩）
Q9：什么是正定矩阵？为什么协方差矩阵必须半正定？
标准答案：
正定矩阵满足：对任意非零向量 x，都有
$$x^T A x > 0$$
半正定则要求：
$$x^T A x \ge 0$$
协方差矩阵必须半正定，因为组合方差在物理意义上不能为负：
$$w^T \Sigma w \ge 0$$
如果估计出的协方差矩阵不是半正定的（如用不同时间窗口的数据拼接），需要做"最近半正定矩阵"投影（如Higham算法）。
随机过程与时间序列
Q10：什么是平稳性（Stationarity）？为什么要关心它？
标准答案：
- 严平稳：联合分布不随时间平移改变
- 宽平稳（弱平稳）：均值和自协方差函数不随时间变化
为什么关心：几乎所有时间序列建模方法（ARMA、协整分析等）都假设平稳性。对非平稳序列直接建模会产生伪回归（Spurious Regression），R²虚高但没有真实关系。
检验方法：ADF检验、PP检验、KPSS检验（注意KPSS的零假设是平稳）。
处理方法：差分（I(1)序列差分一次变平稳）、去趋势、对数变换。
Q11：ARIMA 和 GARCH 模型的区别与联系？
标准答案：
- ARIMA(p,d,q)：建模条件均值。描述收益率本身的自回归和移动平均结构。
- GARCH(p,q)：建模条件方差。描述波动率的聚集效应（volatility clustering）。
联系：通常组合使用，ARIMA建模均值方程，GARCH建模残差的方差方程。完整模型：
$$r_t = \mu_t(\text{ARIMA}) + \epsilon_t, \quad \epsilon_t = \sigma_t z_t, \quad \sigma_t^2 = \omega + \alpha \epsilon_{t-1}^2 + \beta \sigma_{t-1}^2$$
量化应用：GARCH族模型广泛用于波动率预测、VaR计算、期权隐含波动率建模。常用扩展包括EGARCH（捕捉杠杆效应）、GJR-GARCH等。
Q12：什么是协整（Cointegration）？和相关性有什么区别？
标准答案：
- 相关性：衡量两个变量线性关联的强度，是静态的
- 协整：两个非平稳序列的某个线性组合是平稳的，是动态的长期均衡关系
经典例子：醉汉和他的狗——各自随机游走（非平稳），但距离围绕某个均值波动（协整）。
量化应用：配对交易（Pairs Trading）的理论基础。找到协整关系后：
- 构建价差 $S_t = Y_t - \beta X_t$
- 当价差偏离均值时建仓，回归时平仓
- 常用Engle-Granger两步法或Johansen检验判断协整关系
注意：高相关不代表协整，协整也不要求高相关。
随机微积分基础
Q13：什么是布朗运动？Itô引理是什么？
标准答案：
布朗运动（维纳过程） $W_t$：
- $W_0 = 0$
- 增量独立且服从 $W_{t+s} - W_t \sim N(0, s)$
- 路径连续但处处不可微
Itô引理：随机微积分的"链式法则"。若 $dX_t = \mu , dt + \sigma , dW_t$，则对 $f(X_t, t)$：
$$df = \left(\frac{\partial f}{\partial t} + \mu \frac{\partial f}{\partial x} + \frac{1}{2}\sigma^2 \frac{\partial^2 f}{\partial x^2}\right)dt + \sigma \frac{\partial f}{\partial x} dW_t$$
比普通链式法则多了 $\frac{1}{2}\sigma^2 f’'$ 项，因为 $(dW_t)^2 = dt$。
量化应用：推导Black-Scholes公式、理解对冲比率（Delta）、推导各种衍生品定价公式。
Q14：几何布朗运动（GBM）的假设和局限是什么？
标准答案：
GBM模型：
$$dS_t = \mu S_t , dt + \sigma S_t , dW_t$$
解为：
$$S_t = S_0 \exp\left[\left(\mu - \frac{\sigma^2}{2}\right)t + \sigma W_t\right]$$
假设：
- 对数收益率独立同分布且服从正态
- 波动率恒定
- 无跳跃
局限：
- 实际中波动率不恒定（波动率微笑/偏斜）
- 收益率有厚尾（极端事件被低估）
- 存在跳跃（如财报发布、政策突变）
- 收益率存在自相关和波动率聚集
改进模型：随机波动率模型（Heston）、跳跃扩散模型（Merton）、局部波动率模型（Dupire）。
编程（Python / C++）
Python基础与数据处理
Q15：Python中 list、tuple、dict、set 的区别与适用场景？
标准答案：
| 类型 |
可变性 |
有序性 |
查找复杂度 |
量化场景 |
| list |
可变 |
有序 |
O(n) |
时间序列存储、策略信号列表 |
| tuple |
不可变 |
有序 |
O(n) |
作为dict的key（如 (date, ticker)）、函数多返回值 |
| dict |
可变 |
有序(3.7+) |
O(1) |
ticker→price映射、参数配置 |
| set |
可变 |
无序 |
O(1) |
股票池去重、集合运算（交集并集求共同持仓） |
面试高频追问：dict的底层实现是哈希表，冲突解决用开放寻址法（CPython）；set也是哈希表。
Q16：深拷贝和浅拷贝的区别？在量化中踩坑的例子？
标准答案：
- 浅拷贝（
copy.copy() 或 list.copy()）：创建新对象，但内部元素仍引用原对象
- 深拷贝（
copy.deepcopy()）：递归复制所有层级的对象
量化踩坑：
# 危险：portfolio_b 和 portfolio_a 共享内部列表
portfolio_a = {'holdings': [{'ticker': 'AAPL', 'weight': 0.5}]}
portfolio_b = portfolio_a.copy() # 浅拷贝
portfolio_b['holdings'][0]['weight'] = 0.3 # portfolio_a 也被修改了！
回测中修改了一个策略的持仓，另一个策略的持仓也被污染——这类bug极其隐蔽。
Q17：Pandas 中 apply、map、vectorized operations 的性能差异？
标准答案：
性能排序（快→慢）：NumPy向量化 > Pandas内置方法 > apply > 纯Python循环
# 最快：向量化
df['ret'] = df['close'].pct_change()
# 较快：内置方法
df['log_ret'] = np.log(df['close'] / df['close'].shift(1))
# 慢：apply（每行调用一次Python函数）
df['signal'] = df.apply(lambda row: my_func(row['a'], row['b']), axis=1)
# 最慢：iterrows
for idx, row in df.iterrows(): ...
原则：能向量化就不用apply，能用内置方法就不自己写。处理大型tick数据时，性能差异可达100倍以上。
进阶：对无法向量化的复杂逻辑，考虑用 numba.jit 加速或用 polars 替代Pandas。
Q18：Python GIL是什么？如何在量化中实现真正的并行？
标准答案：
GIL（全局解释器锁）使得CPython中同一时刻只有一个线程执行Python字节码。
影响：CPU密集型任务（如大规模因子计算）无法通过多线程加速。
解决方案：
| 方案 |
适用场景 |
工具 |
| 多进程 |
CPU密集型因子计算 |
multiprocessing, joblib, concurrent.futures.ProcessPoolExecutor |
| 多线程 |
IO密集型（数据下载、API请求） |
threading, asyncio |
| 向量化/C扩展 |
数值计算 |
NumPy, Numba, Cython |
| 分布式计算 |
超大规模回测 |
Dask, Ray, Spark |
Q19：如何避免Pandas中的 “SettingWithCopyWarning”？
标准答案：
这个警告出现在对DataFrame切片的赋值操作中，因为切片可能返回视图（view）而非副本（copy），赋值行为不确定。
# 危险写法：链式索引
df[df['sector'] == 'tech']['weight'] = 0.5 # 可能无效
# 正确写法1：.loc
df.loc[df['sector'] == 'tech', 'weight'] = 0.5
# 正确写法2：显式copy
subset = df[df['sector'] == 'tech'].copy()
subset['weight'] = 0.5
Python进阶
Q20：装饰器（Decorator）的原理？在量化系统中的实际应用？
标准答案：
装饰器本质上是一个接收函数并返回新函数的高阶函数，语法糖 @decorator 等价于 func = decorator(func)。
量化中的实际应用：
import time
import functools
# 1. 计时器：监控因子计算耗时
def timer(func):
@functools.wraps(func)
def wrapper(*args, **kwargs):
start = time.perf_counter()
result = func(*args, **kwargs)
elapsed = time.perf_counter() - start
print(f"{func.__name__} took {elapsed:.4f}s")
return result
return wrapper
# 2. 缓存：避免重复计算（如日频因子值）
from functools import lru_cache
@lru_cache(maxsize=1024)
def get_factor_exposure(ticker, date):
...
# 3. 重试机制：应对数据源不稳定
def retry(max_retries=3, delay=1):
def decorator(func):
@functools.wraps(func)
def wrapper(*args, **kwargs):
for attempt in range(max_retries):
try:
return func(*args, **kwargs)
except Exception as e:
if attempt == max_retries - 1:
raise
time.sleep(delay * (attempt + 1))
return wrapper
return decorator
Q21：Python中的生成器（Generator）是什么？在量化中的应用？
标准答案：
生成器是使用 yield 关键字的函数，它惰性地产生值，不会一次性将所有结果加载到内存。
量化应用：处理大规模tick数据时避免内存溢出。
def read_ticks(filepath):
"""逐行读取数亿行tick数据，内存占用恒定"""
with open(filepath) as f:
header = f.readline().strip().split(',')
for line in f:
values = line.strip().split(',')
yield dict(zip(header, values))
# 流式处理，内存友好
for tick in read_ticks('huge_tick_data.csv'):
process(tick)
也常用于滚动窗口计算、事件驱动回测引擎的信号生成等。
C++ 基础（QR 延伸阅读）
Q22：C++ 中指针和引用的区别？
标准答案：
| 特性 |
指针 |
引用 |
| 可否为空 |
可以为nullptr |
不可以，必须绑定对象 |
| 可否重新绑定 |
可以指向其他对象 |
不可以，绑定后不变 |
| 语法 |
需要 * 解引用 |
直接使用，语法透明 |
| 内存 |
占用空间（存地址） |
通常被编译器优化为别名 |
量化场景：高频交易系统中传递大型订单簿对象时用 const & 避免拷贝开销；智能指针（shared_ptr, unique_ptr）管理行情数据的生命周期。
Q23：C++ 中的虚函数（virtual function）和多态是什么？
标准答案：
虚函数允许通过基类指针/引用调用派生类的重写方法，实现运行时多态。底层通过虚函数表（vtable）实现。
class Strategy {
public:
virtual void on_market_data(const MarketData& md) = 0; // 纯虚函数
virtual ~Strategy() = default; // 虚析构函数（重要！）
};
class MomentumStrategy : public Strategy {
public:
void on_market_data(const MarketData& md) override {
// 动量策略的具体实现
}
};
面试追问：为什么基类析构函数要声明为virtual？——如果不声明，通过基类指针delete派生类对象时只调用基类析构函数，派生类资源不会释放，造成内存泄漏。
Q24：什么是 move 语义和右值引用？在高频系统中的意义？
标准答案：
C++11引入右值引用（&&）和 std::move，允许"窃取"临时对象的资源而非拷贝。
// 拷贝：O(n) —— 分配新内存，逐元素复制
std::vector<Order> orders2 = orders1;
// 移动：O(1) —— 直接接管 orders1 的内存
std::vector<Order> orders3 = std::move(orders1);
// orders1 此后处于"有效但未定义"状态
高频意义：在微秒级延迟的交易系统中，一次不必要的深拷贝可能就是几微秒的延迟。移动语义在订单传递、行情数据转发等热路径上至关重要。
Q25：C++ STL 容器的选择原则？
标准答案：
| 容器 |
底层结构 |
查找 |
插入/删除 |
量化场景 |
vector |
连续数组 |
O(n) |
尾部O(1) |
时间序列、K线存储 |
deque |
分段连续 |
O(n) |
头尾O(1) |
滑动窗口 |
map/set |
红黑树 |
O(log n) |
O(log n) |
有序订单簿 |
unordered_map/set |
哈希表 |
O(1)均摊 |
O(1)均摊 |
ticker→策略映射 |
priority_queue |
堆 |
取极值O(1) |
插入O(log n) |
事件驱动引擎的事件队列 |
高频考虑：vector 因内存连续、缓存友好，在遍历性能上远优于链表。高频系统中优先使用 vector + 排序，而非 map。
Q26：什么是模板（Template）元编程？在量化中有什么用？
标准答案：
模板允许在编译期生成特化代码，实现零开销抽象。
// 编译期计算阶乘
template<int N>
struct Factorial {
static constexpr int value = N * Factorial<N-1>::value;
};
template<>
struct Factorial<0> {
static constexpr int value = 1;
};
量化应用：
- 表达式模板（Expression Templates）：避免临时对象，实现高效矩阵运算（Eigen库的核心技术）
- 策略模式的编译期实现：用模板参数选择不同的执行逻辑，避免虚函数的间接调用开销
- CRTP（Curiously Recurring Template Pattern）：静态多态，高频系统中替代虚函数
NumPy / 数值计算
Q27：NumPy 的广播（Broadcasting）机制是什么？
标准答案：
广播允许不同形状的数组进行运算。规则：
- 从最后一个维度开始对齐
- 每个维度要么相同，要么其中一个为1
- 维度为1的那个轴会被"广播"（逻辑复制）
# 对每只股票的收益率减去其均值（截面去均值）
returns = np.random.randn(252, 500) # (252天, 500只股票)
mean_ret = returns.mean(axis=0) # (500,)
demeaned = returns - mean_ret # 广播：(252, 500) - (500,) → (252, 500)
理解广播是写出高效NumPy代码的关键，避免不必要的循环和内存分配。
Q28：如何用NumPy高效实现滚动窗口计算？
标准答案：
# 方法1：stride_tricks（零拷贝，最高效）
from numpy.lib.stride_tricks import sliding_window_view
windows = sliding_window_view(prices, window_shape=20) # (n-19, 20)
rolling_mean = windows.mean(axis=1)
# 方法2：cumsum技巧（O(n)，适合求和/均值）
cumsum = np.cumsum(np.insert(prices, 0, 0))
rolling_sum = cumsum[20:] - cumsum[:-20]
rolling_mean = rolling_sum / 20
# 方法3：Pandas（最方便，但慢于纯NumPy）
pd.Series(prices).rolling(20).mean()
在大规模因子计算中，方法1和2比Pandas快3-10倍。
因子与 Alpha 策略
因子投资基础
Q29：什么是因子（Factor）？Alpha 和 Beta 的区别？
标准答案：
因子：能够系统性解释资产收益率截面差异的变量。
Alpha vs Beta：
- Beta（系统性风险暴露）：承担市场、规模、价值等公共因子风险获得的补偿，人人可以获取
- Alpha（超额收益）：在控制所有已知因子暴露后剩余的收益，来自信息优势或更优的执行
$$r_i - r_f = \alpha_i + \beta_{i,MKT} \cdot (r_{MKT} - r_f) + \beta_{i,SMB} \cdot SMB + \beta_{i,HML} \cdot HML + \epsilon_i$$
如果 $\alpha_i$ 显著大于零，说明存在无法被已知因子解释的超额收益。
核心洞察：今天的Alpha可能是明天的Beta——当一个信号被足够多的人知晓和使用后，它就变成了一个定价因子。
Q30：解释 Fama-French 三因子和五因子模型
标准答案：
三因子模型（1993）：
- MKT（市场因子）：市场组合超额收益
- SMB（Small Minus Big）：小盘股超额收益
- HML（High Minus Low）：高B/M（价值股）超额收益
五因子模型（2015）新增：
- RMW（Robust Minus Weak）：高盈利vs低盈利
- CMA（Conservative Minus Aggressive）：低投资vs高投资
核心贡献：建立了因子投资的分析框架。任何策略的收益都应该用这些因子回归分解——如果Alpha不显著，说明你只是在承担已知风险。
争议：HML在五因子模型中可能是冗余的（被RMW和CMA吸收）；动量因子（UMD）未被包含但实证上很强。
Q31：常见的量价因子有哪些？如何构建？
标准答案：
| 因子类别 |
代表因子 |
构建逻辑 |
| 动量 |
12-1月动量 |
过去12个月累计收益（跳过最近1个月） |
| 反转 |
短期反转 |
过去1个月/1周收益取反 |
| 波动率 |
特质波动率 |
回归残差的标准差（IVOL） |
| 流动性 |
Amihud非流动性 |
$|r| / \text{Volume}$ 的均值 |
| 换手率 |
平均换手率 |
日均成交量 / 流通股本 |
| 量价背离 |
价升量缩 |
价格与成交量趋势方向不一致的程度 |
构建流程：
- 原始值计算 → 2. 截面标准化（z-score或排序） → 3. 异常值处理（MAD/Winsorize） → 4. 行业/市值中性化 → 5. 缺失值填充
标准答案：
-
IC：因子值与下期收益率的截面Rank相关系数（Spearman）。衡量因子单期选股能力。
- IC > 0.03 就算不错了
- 更稳健的变体：RankIC、quantile-spread
-
ICIR：IC 均值除以 IC 标准差，衡量因子的稳定性：
$$ICIR = \frac{\overline{IC}}{\sigma_{IC}}$$
-
IR（策略层面）：年化超额收益除以年化跟踪误差，衡量策略承担主动风险的效率：
$$IR = \frac{\text{年化超额收益}}{\text{年化跟踪误差}}$$
基本定律（Fundamental Law of Active Management）：
$$IR \approx IC \times \sqrt{BR}$$
其中 $BR$（Breadth）是独立决策次数。含义：微弱的IC也可以通过大量独立决策积累出好的IR。
Q33：因子的多重共线性问题如何处理？
标准答案：
当多个因子高度相关时（如EP和BP都是价值因子），回归系数不稳定，单因子测试有效但组合后失效。
处理方法：
- 正交化：对因子做Gram-Schmidt正交化或回归取残差
- PCA降维：提取主成分作为合成因子
- 因子分组：同类因子等权合成为一个复合因子
- 弹性网络（Elastic Net）：L1+L2正则化自动处理共线性
- VIF检验：方差膨胀因子 > 10 视为严重共线性
Q34：什么是因子拥挤（Factor Crowding）？如何检测和应对？
标准答案：
因子拥挤：过多资金追逐同一个因子策略，导致因子估值过高、预期收益下降、崩盘风险上升。
检测信号：
- 因子多空组合的估值价差达到历史极端
- 短边借股成本飙升（做空拥挤）
- 同类策略的相关性上升
- 因子回撤加深且恢复变慢
历史案例：2007年8月量化危机——大量统计套利基金同时去杠杆，价值和动量因子在几天内回撤超过20%。
应对：
- 监控因子估值水平和拥挤度指标
- 分散因子来源（基本面+量价+另类数据）
- 动态调整因子暴露
- 保持流动性缓冲
组合优化
Q35：均值-方差优化（MVO）的原理和问题？
标准答案：
原理（Markowitz, 1952）：
$$\min_w \frac{1}{2} w^T \Sigma w \quad \text{s.t.} \quad w^T \mu = \mu_{\text{target}}, \quad \mathbf{1}^T w = 1$$
求解得到有效前沿上的最优组合。
实践中的问题：
- 对输入极度敏感：期望收益率微小变化会导致权重剧烈变动（“误差最大化器”）
- 估计风险：期望收益率极难准确估计，协方差矩阵含噪
- 集中持仓：最优解常常极度集中在少数资产上
- 忽略交易成本：理论最优组合频繁调仓不现实
改进方法：
-
Black-Litterman模型（融入主观观点）
-
加入正则化约束（如持仓上下限、换手约束）
-
风险平价（Risk Parity）：权重与波动率近似成反比
$$w_i \propto \frac{1}{\sigma_i}$$
-
最小方差组合（不需要估计期望收益率）
-
收缩估计（Ledoit-Wolf）改进协方差矩阵输入
Q36：什么是风险平价（Risk Parity）？和等权有什么区别？
标准答案：
风险平价：使每个资产对组合总风险的贡献相等。
资产 i 的风险贡献：
$$RC_i = w_i \cdot (\Sigma w)_i$$
风险平价要求：
$$RC_1 = RC_2 = \cdots = RC_N = \frac{w^T \Sigma w}{N}$$
vs 等权：等权是 $w_i = 1/N$（权重相等），风险平价是风险贡献相等。在波动率差异大的多资产组合中，等权会让高波动资产主导风险。
典型应用：Bridgewater的All Weather策略。股债配比中，股票波动率远高于债券，等权配比下股票贡献90%+的风险；风险平价下需要大量增配债券（通常加杠杆），使风险贡献均衡。
回测与策略评估
Q37：回测中常见的偏差（Bias）有哪些？
标准答案：
| 偏差 |
描述 |
危害 |
| 前视偏差（Look-ahead Bias） |
使用了回测时刻不可得的未来信息 |
收益虚高，致命 |
| 幸存者偏差（Survivorship Bias） |
只用了存续至今的股票/基金数据 |
高估历史收益 |
| 过拟合偏差 |
参数过度拟合历史数据 |
样本外表现崩塌 |
| 交易成本忽略 |
不考虑滑点、手续费、冲击成本 |
盈利被吃掉 |
| 时间段选择偏差 |
选择有利的回测区间 |
不具代表性 |
如何减轻：
- 严格使用 point-in-time 数据库
- 在回测框架中内置时间戳检查
- 分样本内/样本外/前向验证
- 纸交易（Paper Trading）验证
Q38：常用的策略评估指标有哪些？各自的局限？
标准答案：
| 指标 |
公式/含义 |
局限 |
| 年化收益率 |
$(1+R_{\text{total}})^{252/T} - 1$ |
不反映风险 |
| 夏普比率（Sharpe） |
$\frac{R_p - R_f}{\sigma_p}$ |
假设正态分布，忽略尾部风险 |
| 索提诺比率（Sortino） |
用下行偏差替代标准差 |
更关注下行风险，但对下行的定义依赖阈值 |
| 最大回撤（Max DD） |
峰值到谷底的最大跌幅 |
只描述单次最坏情况 |
| Calmar比率 |
年化收益 / 最大回撤 |
对单一极端事件敏感 |
| 信息比率（IR） |
超额收益 / 跟踪误差 |
依赖于基准选择 |
进阶指标：
Q39：什么是过拟合？如何在策略开发中避免？
标准答案：
过拟合：模型/策略在历史数据上表现优异，但在新数据上表现大幅衰减。本质上是拟合了噪声而非信号。
判断信号：
- 样本内夏普比率远高于样本外
- 策略逻辑过于复杂（大量参数、特殊规则）
- 对参数微调极度敏感
避免方法：
- 数据层面：训练集/验证集/测试集严格分离；使用 Walk-Forward 验证
- 模型层面：限制参数数量；用简单模型作为基线
- 统计层面：对多重测试做校正（Deflated Sharpe Ratio）
- 经济学层面：策略逻辑必须有合理的经济学解释
- 稳健性检验：更换时间窗口、市场、参数范围看策略是否稳定
Marcos López de Prado 的提醒：回测更适合承担验证职责，研究本身应先来自假设与机制。
Q40：什么是交易成本模型？如何估计市场冲击成本？
标准答案：
交易成本构成：
- 显性成本：佣金、印花税、交易所费用
- 隐性成本：买卖价差（bid-ask spread）、市场冲击（market impact）、时机成本
市场冲击模型：
Almgren-Chriss模型（经典）：
$$\text{Impact} = \sigma \cdot \gamma \cdot \left(\frac{V}{ADV}\right)^{\delta}$$
其中 V 是订单量，ADV 是日均成交量，γ 和 δ 是经验参数。
平方根模型（业界常用简化版）：
$$\text{Impact} \approx \sigma \cdot \sqrt{\frac{V}{ADV}}$$
重要性：高换手策略（如短期反转）的收益可能被冲击成本完全吃掉。策略开发时必须将冲击成本纳入回测。
机器学习 / 深度学
README 内容过长，已截取部分内容。完整内容请前往 GitHub 仓库查看。
评论