寒蝉 Hancic
量化回测中分组条件的选择
在进行量化回测时，如果对所有股票使用同一套因子组合，不仅意义不大，还会影响策略在单个股票上的表现，毕竟不同的股票有着不同的特点，不应当强行硬套所谓“四海皆准”的策略参数。因此，对股票进行粗筛分组很有必要，但前提是筛选和分组条件应当与后续策略的选择存在因果关系，否则很容易出现样本量太小而没有统计学意义
专栏：量化投资（12 篇）
为什么我选择个人量化
量化私募统治力越来越强，这是不争的事实。头部机构数据源铺到 Level 2、逐笔成交、另类数据，算力堆到几千台机器全天候跑回测，人才库塞满清北复交的数理博士。个人在这些维度上，没有一个能打。 但越是这样，我越要自己做。这笔账不是比谁强，而是算另一条逻辑。 钱在战场上就是生命。不管一个机构多优秀、多规
为什么我不推荐个人量化使用自建数据源
量化的本质是数据加因子加策略，数据质量决定策略的下限。但个人量化最容易被忽视的陷阱，是把策略研究变成工程量——建库、爬虫、维护数据源，本末倒置。自建数据源的坑还在其次，数据源怎么选，标准只有一个：这笔钱，赚得回来吗？
因子为什么能工作——在不确定性中寻找概率优势
量化投资的核心是因子。因子是把选股逻辑翻译成一个可计算的数字，买入因子得分高的，卖出得分低的，回测看结果。这套流程表面上是数学，但背后有个更深层的问题：因子凭什么能工作？ 因子不是真理，是假设 因子有效的前提，是市场存在可以被利用的规律。但如果市场完全有效，所有信息都即时反映在价格里，任何因子都没用
量化数据越多越好吗？精确的模糊与模糊的精确
量化投资的核心是数据加因子加策略：数据是原料，因子是加工，策略是决策。数据越多、类型越丰富，直觉上策略应该越准——信息越全，判断越准，这符合常识。 但常识不等于正确。在量化里，数据多和策略好之间，隔着一道看不见的墙。 精确的模糊 vs 模糊的精确 给一张图片不断加像素，画面越来越清晰，这是分辨率提升
量化概念 01：IC 是什么
IC（信息系数）是什么：因子给股票排的名次，和未来真实涨幅的名次，有多吻合？做量化要搞懂的第一个概念。
量化概念 02：IC 怎么算
IC 怎么算：每天横截面算一次相关，再对时间取平均；Rank IC 只比名次不比分数；0.02~0.05 就算可用。
量化概念 03：IC 怎么用、有什么坑
IC 怎么用：筛因子、比因子、定权重、看衰减、盯失效；以及平均 IC 会说谎、只测排序不测赚钱、历史不等于未来三个坑。
量化概念 04：数据清洗四步（去极值 → 标准化 → 中性化 → 正交化）
因子是数据的加工品，原料里有四类"脏"：极端值、量纲不一、混入他因、重复信息。去极值、标准化、中性化、正交化四步怎么洗，以及清洗里的坑。
量化概念 05：评估体系（ICIR、分层回测、衰减、相关性）
评估一个因子，四个问题：准不准（IC）、稳不稳（ICIR）、单调不单调（分层回测）、能管多久（衰减）、重复不重复（相关性）。
