从零到系统化交易者

量化交易者用规则、数据和代码——而非直觉——决定买卖。你不需要金融学位，但需要好奇心、基础 Python，以及把每次回测当作研究而非盈利承诺的耐心。

什么是「量化」？

真实示例：把直觉变成规则

假设你观察到：市场往往在已经开始下跌之后跌得最凶。主观交易者据此行动；量化交易者会把它写清楚：只在 SPY 价格高于其 200 日均线时持有 SPY，否则持有短债。这句话现在可以被检验，而所有模糊之处都必须先被消除——用哪个价格（复权收盘价）、哪种均线（200 交易日简单均线）、多久检查一次（每天）、「否则」是什么（100% BIL）。

ASSETS = ["SPY", "BIL"]

def make_on_day(prices):
    close = prices[ASSETS]
    sma200 = close["SPY"].rolling(200, min_periods=200).mean()
    ready = sma200.first_valid_index()   # 200 天数据齐备前不产生信号

    def on_day(engine, dt):
        in_trend = close["SPY"].loc[dt] > sma200.loc[dt]
        engine.set_target_weights(dt, {"SPY": 1.0} if in_trend else {"BIL": 1.0})

    return on_day, ready

这大致就是 Mebane Faber 在 2007 年发表的规则，其历史表现很有教育意义，但绝非神奇。这类趋势规则在 2007 年底至 2008 年初离场，从而避开了标普 500 到 2009 年 3 月约 -57% 的峰谷跌幅；然而在 2009–2019 年，同一规则明显落后——市场稳步上涨，每次短暂回调都触发来回打脸：低卖高买。两种结果来自同一条未变的规则，而这正是系统化交易的核心。

现实中谁在这样交易

Quant Buffet 如何帮助新手

• 策略库 — 有经济逻辑与 Python 代码的同行评议想法。
• 回测 IDE（每个策略页均可用）— 修改代码、浏览器内运行、实时重绘净值曲线。
• API 文档 — ASSETS、make_on_day、引擎与指标的完整参考。
• AI 调试器 — 运行失败时给出行号、原因与可直接粘贴的修复代码。
• 本课程 — 先概念后代码，且与平台真实运行的逻辑一致。

一次研究通常是这样的

1. 阅读策略页：先看经济逻辑，再看代码（5–10 分钟）。
2. 原样运行代码，复现已发布的指标（约 1 分钟）。
3. 只改一处 — 一个回看窗口、一个标的、或一条调仓规则（2 分钟）。
4. 重跑并对比 Sharpe 与最大回撤，而不只看 CAGR（1 分钟）。
5. 在动手改下一处之前，先写下你改了什么、发生了什么。

很少有人提醒新手的失败模式

IDE 让你几秒钟就能重跑一次策略，而这种速度本身是陷阱。如果你尝试 300 个回看窗口并保留最好的那个，你并没有发现信号，只是找到了最贴合这段特定历史的数字。学界称之为回测过拟合：尝试足够多次，一个纯随机策略也能做出 Sharpe 大于 2 的结果。实用的防御是：在看到结果之前先决定参数；优先选用他人也在用的整数（50、100、200 天）；并检查相邻参数值表现是否相似。只在恰好 187 天才有效的信号，只是穿了外衣的噪声。