QF-02择时
200 日趋势跟踪
200-day Trend
用一条均线决定在不在场，用规则替代预测。
- 年化
- 10.1%
- 夏普
- 0.76
- 最大回撤
- -21.9%
样本外夏普 0.30拆解 →
01 / 结论先行
三个可以复述的结论
所有数字都来自本站在公开学术数据上的复算，区间为 2010-01 至 2026-09。它们不漂亮，但可以被逐条复核。
-1.5%
价值因子（HML）的年化收益。规模因子（SMB）为 -1.4%。2010 年代之后的美国市场，这两个经典因子没有兑现溢价。
-21.9%
200 日趋势跟踪的最大回撤，同期买入持有为 -34.2%。代价是年化收益从 14.2% 降到 10.1%。
0.58
双动量择时的样本外夏普，同期市场基准为 0.48。择时类策略里，它的样本外稳定性最好。
-0.09
把三个失效因子等权组合后的夏普。分散化改善了波动，但没有把负的因子变成正的收益。
读法 这些是历史模拟，不是预测。因子会失效，成本会变化，样本外永远比样本内更接近真实。
02 / 策略库
从基准到机器学习
每一张卡片都可以打开成一页完整档案：假设、规则、数据、成本、失效条件与参考文献。回测策略展示真实结果，文献策略明确标注“未回测”。
QF-04择时
双动量择时
Dual Momentum
相对动量选强，绝对动量决定是否入场。
- 年化
- 10.7%
- 夏普
- 0.62
- 最大回撤
- -34.2%
样本外夏普 0.58拆解 →
QF-05轮动
行业动量轮动
Industry Momentum
行业是动量的更粗颗粒：换手更低、容量更大。
- 年化
- 14.0%
- 夏普
- 0.77
- 最大回撤
- -28.5%
样本外夏普 0.41拆解 →
QF-11组合
行业风险平价
Risk Parity
让每个行业贡献相同的风险，而不是相同的资金。
- 年化
- 13.4%
- 夏普
- 0.76
- 最大回撤
- -33.8%
样本外夏普 0.41拆解 →
QF-07因子
价值因子
Value (HML)
便宜的公司长期跑赢贵的——在 2010–2026 的美股，这个说法没有兑现。
- 年化
- -1.5%
- 夏普
- -0.18
- 最大回撤
- -54.2%
样本外夏普 0.06拆解 →
QF-01基准
市场 Beta
Market Beta
它不是一个策略，而是一把尺子：任何超额收益都必须先跑赢它。
- 年化
- 14.2%
- 夏普
- 0.76
- 最大回撤
- -34.2%
样本外夏普 0.48拆解 →
03 / 方法
四件我们坚持的事
量化研究最容易出错的地方，往往不是模型，而是口径。本站把口径写在结果旁边，而不是藏在脚注里。
01
公开数据。因子与行业收益全部来自 Kenneth French Data Library，可下载、可复算。
02
同一把尺子。所有策略共用同一区间、同一指标定义、同一基准。
03
成本显式。换手成本按策略标注扣除；未计成本的地方会写明“学术口径”。
04
负结果照登。失效的因子不会被移出样本，也不会被重新调参救活。
04 / 幻方观察
一家把研究做成基础设施的公司
幻方量化（High-Flyer）与 DeepSeek 的公开路径，为策略研究提供了三个可迁移的教训。本站与幻方没有任何关联，以下内容均来自公开资料。
LESSON 01
把基础设施当成研究变量
幻方自建萤火集群，不是为了“有算力”，而是为了让实验迭代速度成为竞争力。对策略研究而言，数据管道、回测引擎与实验管理同样是基础设施——它们决定了你能多快证伪一个想法。
LESSON 02
工业化流水线，而非明星研究员
公开资料显示，幻方强调因子挖掘、组合优化、交易执行的流水线协作。这与本站的策略卡结构一致：假设、信号、成本、归因分开写，任何一环都可被复核。
LESSON 03
把研究公开，接受同行检验
DeepSeek 的论文与开源权重，延续了“公开方法、让结果说话”的传统。本站对这个传统的致敬方式是：公开负结果，而不是只展示漂亮的净值曲线。
05 / 学习路径
从第一张净值曲线开始
五条路径，按“数据 → 因子 → 回测工程 → 机器学习 → 实盘”排列。每条都给出可执行的步骤与开源工具。
PATH 01
从数据到第一张净值曲线
- 用 Python 读取日度价格，画一张收盘价图。
- 计算日收益、累计净值、年化收益与最大回撤。
- 用买入持有跑通第一张净值曲线，确认复利与缺失值处理正确。
- 把结果写成一张表：收益、波动、夏普、回撤。
PATH 02
因子、截面与组合
- 理解截面排序、分组与多空组合的构造。
- 复现 SMB、HML、MOM 三个因子的日收益。
- 用 IC、分组收益与换手率评估因子。
- 把多个因子组合起来，观察相关性与风险贡献。