Jikipedia
Jikipedia量化聚宽量化课堂（低频量化策略 43 篇）
专题

聚宽量化课堂（低频量化策略 43 篇）

JoinQuant 官方「量化课堂」2016–2017 年低频量化策略系列（postId 1311/1398/1399/1401/1402/…/4351 等），43 篇正文 + 附图，W2–W8 分七批全部编完（01–06 / 07–12 / 13–18 / 19–26 / 27–30 / 31–35 / 36–43）。这是继聚宽新手教程（collections/jq-getting-started，平台 API 地图）之后的策略库主线，两套配合读：平台概念在 jq-getting-started，策略思想在这套。43 篇按「入门策略 → 价值成长 → 择时与对冲 → 组合理论 → 因子研究 → 数学工具 → 机器学习」七个组编排，难度与深度都标 level-0/1（原文标签）。

开始阅读 ↓

第一次来，可以从第一篇开始；也可以在目录中选择感兴趣的主题。正文底部的“下一篇”会沿下方顺序继续。

关于这套内容与阅读提示
量化聚宽量化课堂低频策略量化策略因子趋势跟踪

这是什么

  • 底本：聚宽量化课堂低频策略系列，原为官方社区「量化课堂」专栏（detailMobile 静态页抓取），篇目标题自带序号 01–43 与 .md 后缀。
  • 内容分区：入门策略（均线/海龟/多因子/银行股/羊驼/高息股）→ 价值成长（彼得·林奇 PEG/Foster Friess/PEG 动态）→ 择时与对冲（均值回归进阶、趋势回踩、Hurst、TD 择时、股指期货对冲与套利、手续费）→ 组合与定价理论（CAPM×3/MPT×2/效用/风险/凯利）→ 因子研究四篇 → 数学工具（协整/OLS/数学规划×3）→ 机器学习八篇（信息增益/朴素贝叶斯/kNN×4/神经网络/应用）。
  • 写作特征：正文给出策略思想、参数、回测结论与「函数说明书」，但不少篇目的策略代码不在正文而在附图/规范源码/研究 notebook——本库各篇只保留下文可核实的思想、参数与逻辑，代码细节标 [需要验证] 并指回官方源码。
  • 引用口径：正文以「量化课堂 0N《篇名》（postId=xxxx）」定位出处；原始文本在 原始出处（已归档）（43 个 raw part）。
  • 覆盖状态：43/43 compiled（W8 收官），本页为最终版。

怎么读

按「入门策略 → 价值成长 → 择时与对冲 → 组合理论 → 因子研究 → 数学工具 → 机器学习」七个组渐进，不要跳：

  1. 入门策略 01–06：双均线（趋势信号）、海龟（趋势+波动率仓位）、多因子入门（排名/打分）、银行股搬砖（综合打分+调仓）、羊驼（动量+反转）、高息股（股息率）。
  2. 价值成长 07–09：彼得·林奇 / Foster Friess / PEG 动态——「成长 + 估值」从概念做到 A 股中国化。
  3. 择时与对冲 10–15 + 成本 16：均值回归进阶、多头趋势回踩、Hurst 指数、修正 TD 择时、股指期货对冲与跨期套利、手续费一文——「什么时候买」与「怎么剥掉成本」。
  4. 验证方法 17–18：指标效果的统计分析、多回测运行和参数分析框架——「怎么严谨验证」，与 10/16 直接承接，也是读完全部回测数字后必回来看的方法论。
  5. 组合与风险理论 19–26：CAPM 公式与应用、CAPM+APT 多因子、MPT 及其解析解、效用模型、风险模型、凯利公式——把「超额从哪来、仓位怎么定」理论化。
  6. 因子研究 27–30：估值/资本结构、成长、技术、市值与行业中性化——把入门的多因子升级成严谨的因子研究。
  7. 数学工具 31–35：协整、statsmodels OLS、数学规划简介、无约束非线性规划线搜索、拉格朗日乘子——给前面的模型配求解工具。
  8. 机器学习 36–43：信息增益、朴素贝叶斯、kNN（兔子篇 + kd 树两篇 + sklearn 篇）、神经网络、手把手应用——给策略配一个学习器。

建议先读 01–06 建立「一个策略有哪些零件」的直觉，再按需要到对应组查。平台 API 不熟先回 聚宽新手入门教程（JoinQuant 平台实操）。想先建立全课骨架的可先读本页「主线」「读完应该记住的」两节。

主线

43 篇收齐后能看出的骨架：策略 = 信号 + 仓位 + 调仓纪律，全课沿「从想法到策略 → 到验证 → 到理论 → 到工具 → 到学习器」一路纵深，每篇都是一次「把一个思路策略化」的示范。

  1. 信号决定买什么，来源一路扩写：趋势信号（双均线 01、唐奇安突破 02、多头回踩 11）→ 反转/动量（羊驼 05、均值回归进阶 10）→ 财务/估值因子（多因子 03、银行股打分 04、股息率 06、PEG 07/09、Foster Friess 08）→ 截面因子家族（27–30）→ ML 特征（36–43 用技术指标预测次日涨跌）。
  2. 仓位不是随便分：海龟用波动率 N 值把每笔风险钉在总资产约 1%（02）；银行股用评分高低给 4:3:2:1 权重（04）；06 篇唯一不设仓位的等权季度调仓恰被点名为短板。19–26 把「买多少」理论化：MPT 给组合配比、效用/风险模型解释为什么风险要补偿、凯利给最优下注比例（26 篇是「仓位数学」的顶点，附用错四连警示）。
  3. 调仓是工程不是信号：03「逐个加因子看效果」、04「高出 3% 才换」、05「每次只换 2 只 + 60 天」、09「卖出后 10 日黑名单」、11「±5% 止盈止损」——都在用规则对抗过度交易与排名噪声。
  4. 「什么时候买」从感觉走向统计：10 用偏离倍数 ρ 的赢/输历史分布选入场区间，11 等强势股回踩均线低吸，12 用 Hurst 判断趋势/回归状态，13 用修正 TD 数转折——四篇是同一条方法线的四种答案；17（指标效果的统计分析）把「历史频次定区间」做成通用工具，10 正是它的应用。
  5. 把风险剥开、把超额理论化（19–26）：CAPM 把收益拆成 β·市场 + α（19），α 当选股信号（20/21，注意两篇对 α 方向口径相反、照录待核）；MPT/有效前沿与解析解（22/23）、效用与风险厌恶（24/25）给了「组合与仓位」的公理化底座；26 凯利是这套理论的落地边界（信号足够多才适用）。
  6. 回测数字要警惕，验证要成方法论（16–18）：手续费一文（16）给成本的精确口径；17 给指标统计检验；18 给参数网格 + 超额评估框架。全库大量漂亮回测（03 的 42 倍、06 的 632%、21 的 545.56%、11 的年化 13%）缺股票池/区间/复权语境，本库统一标 [需要验证]——剥掉大盘 β 看超额是 18 篇教的方法，回测方法论对照 W9 的 QuantStart 批次。
  7. 因子研究是「严格化」的一站（27–30）：单因子两端回测看非线性（27/28/29）、A 股截面动量失效而 1–6 个月反转有效（29）、市值/行业中性化 + 去极值（30）——把 03 的入门多因子升级成「分组研究 + 预处理」的严谨流程，风格轮换（2008/2011 转折）提醒因子会失效。
  8. 数学工具是解法库（31–35）：协整给配对交易的统计底座（31，承接 15 的操作版）、OLS 给回归建模（32）、数学规划与线搜索、拉格朗日乘子给 MPT 解析解的求解路径（33–35 ↔ 22/23）。读 22/23 觉得「解怎么来的」可回这里找工具。
  9. 机器学习是给策略配学习器（36–43）：从「怎么选特征」（36 信息增益）到概率分类器（37 朴素贝叶斯）、非参分类器（38 kNN + 39/40 kd 树加速 + 41 sklearn）、函数逼近器（42 神经网络入门，训练未收录），最后 43 收成完整应用管线（技术指标离散化 ±1 防过拟合 + 每日滚动重训 + SVM/朴素贝叶斯/随机森林）。
  10. 贯穿全课的诚实暗线：反直觉与失败案例被反复点名——海龟的工程两难（02）、PEG 照搬 A 股会栽股灾（09）、α 方向口径两说（20 vs 21）、凯利用错四连（26）、A 股动量失效（29）、1NN 过拟合（41）、「预测对 ≠ 能赚钱」（37/42/43）。ML 八篇全是「算法原理 + 用法演示」，没有一篇给可交易的涨跌策略——这正是量化课堂给 ML 的定位：低频选股里它是个学习器，不是印钞机。

关键概念

43 篇编译期共建 38 个 concept（quant 域 31 + 复用已有页）。按主题分组：

读完应该记住的

  1. 策略 = 信号 + 仓位 + 调仓纪律：43 篇每一篇都在示范这三件套；信号决定买什么，仓位决定买多少，调仓规则决定什么时候动、动多少。
  2. 两种相反的信号哲学都能做出超额：趋势跟踪（顺势：01/02/11）与均值回归/反转（买超跌：05/10/29）——Hurst 指数用 H 值判断当下该用哪套（12）；A 股截面里动量失效、反转 1–6 个月最有效（29）。
  3. 波动率仓位是海龟的灵魂：用 N（≈ATR）把每笔风险钉在总资产约 1%，波动大的少买、波动小的多买，止损 2N 与仓位同源（02）；凯利给「最优下注比例」但要满足信号够多等前提（26）。
  4. 因子选股有通用流程与三档做法：挑因子 → 清洗 → 统一量纲 → 合成总分选股；AND 硬门槛只筛池（08），排名/打分才能排优劣（03/04）；要严谨就上两端回测 + 市值/行业中性化（27–30）。
  5. 给组合上「缓冲」：换仓高出 3% 才动（04）、每次只换 2 只（05）、卖出后 10 日黑名单（09）、止盈止损（07–13）——用阈值挡排名噪声、过拟合与手续费。
  6. 「便宜的成长」要警惕口径与时效：PEG 靠历史增长率，数据一失效策略就失灵；经典 PEG 直接上 A 股回撤奇高，得换利润+营收双因子并加择时止损（09）。
  7. 择时靠历史频率而不是感觉：10 用偏离倍数 ρ 的赢输分布选区间、11 等回踩低吸、12 用 Hurst、13 用 TD 计数——把主观的「何时买」变成可统计可回测的规则；17 给这套的通用工具。
  8. 回测漂亮 ≠ 策略有效：03 的 42 倍、06 的 632%、21 的 545.56% 都缺语境；看策略要剥掉大盘 β 看超额（18），验证方法对照 W9 QuantStart 的回测偏差方法论。
  9. CAPM/MPT 给的是「超额从哪来」的语言：收益拆 β·市场 + α（19），α 是错误定价的尺子（20/21，方向口径两说待核）；有效前沿/市场组合告诉你「分散化 + 无风险资产」的边界（22–25）。数学工具（31–35）是为这些模型配的求解器。
  10. 机器学习八篇的定位是「配一个学习器」，不是印钞机：信息增益告诉你特征怎么选（36）；朴素贝叶斯讲先验主导后验（37，阳性≠确诊）；kNN 靠「近朱者赤」，量纲必须归一、k 是偏差-方差开关（38–41）；神经网络靠隐含层做非线性（42，训练未收录）；43 篇教工程化流程——特征离散化 ±1 防过拟合 + 每天滚动重训。
  11. ML 在低频量号的局限要写实：所有演示篇（37/41/42/43）都明说「不对准确性/收益担保」，toy 的 97% 在真实涨跌达不到；预测对 ≠ 能赚钱，之间还差股票池、仓位、调仓、成本——这正是本库把「策略库」与「回测方法论（W9）」分开收的原因。
  12. 低频、可复现、参数透明是这套量化课堂的共同偏好；大量篇目的完整代码在附图/官方源码/研究 notebook，本库各页已把可核实参数留在「可操作」、实现细节标 [需要验证] 并指回官方 API。

更新 2026-09-06

检索知识库

按标题、类型或正文检索