量化研究的日常：一条策略从想法走到产品，要经过五道工序

8月末，一位读者问了一个很实在的问题：管理人路演里都说自己“用机器学习做因子”，听起来都差不多，怎么分辨谁是真的在做，谁只是在讲？

这个问题指向一件更基础的事——一套量化策略从想法到产品，中间到底要经过哪几道工序。工序一共五道：挖因子、建模型、做回测、上风控、跑交易。每一道都能省事，但省掉的部分都会在实盘里被翻出来。

第一道工序：因子挖掘

因子是把“什么特征可能预测股价”写成可以被计算的数字。目前行业里的因子体系大致分三层：基本面因子（价值、成长、盈利、质量、社会舆情、分析评级、公司治理、股权结构）、技术面因子（价量关系、资金流向、筹码分布、截面离散度、北向交易、融资融券）、另类数据因子（卫星图像、舆情情绪等）。

三层因子的性格完全不同。基本面因子偏中低频、换手低、衰减慢，适合挖掘低换手条件下相对稳定的超额；量价因子偏高频、容量小、拥挤速度快；另类数据因子信息独特，但样本量小、稳定性差。行业里一种被公开讨论的配比是价量约40%、基本面约30%、另类数据约20%，本质是让不同频率的收益来源互相补位。

但因子多，不等于有用。判断一个因子值不值得用，标准只有一条。

挖出来不等于能用。衡量一个因子的第一组指标是信息系数和它的稳定性：前者看预测方向与实际收益的相关性，后者看这种相关性在不同时间段是否一致。单看信息系数高的因子常常是噪音，尤其在样本量小的另类数据上。近年一个明显的趋势是把基本面因子高频化——用公告文本、财报发布后的市场反应速度去提取短周期信号，让原本慢的因子变得可以用在周频调仓上。

但因子决定的是收益来源，模型决定的是能提取出多少——这两件事经常被混为一谈。

第二道工序：建模型

因子有了，接下来是怎么把它们合成一个信号。传统做法是线性加权，参数少、可解释；现在主流方向是让深度神经网络在基本面、技术面、市场环境等多维信息之间做非线性融合，并对市场结构变化做动态识别。

行业里有一个被公开介绍的架构分层：底层是经遗传算法优化的动态因子库，中层是策略工厂，顶层用条件风险价值模型分配风险预算，单策略连续亏损超过阈值立即熔断；交易端用硬件加速把信号延迟从50微秒压到2微秒。

不过，这里有一道分水岭，几乎所有失败策略都栽在它上面。

这里最容易被忽略的是模型与数据的匹配。机器学习模型参数量大、拟合能力强，如果训练样本里混入了未来信息，回测会很漂亮，实盘会因为“知道得太多”而失效。所以判断一家管理人是否认真，问题不是“你用不用机器学习”，而是“你的样本外验证和训练集划分是怎么做的”。答不出这个问题的，业绩曲线再好看也值得警惕。

但麻烦在于：样本外验证的过程，外部投资者几乎无从核对，只能靠管理人的披露习惯去判断。

第三道工序：做回测，最容易出假货的一段

回测里的收益有两类水分：一类来自过拟合，一类来自成本假设不真实。后者的数据其实很扎实。

一份公开的因子研究给出了成本口径：佣金0.03%（双边）、印花税0.10%（卖出单边）、冲击成本0.20%（双边估算）、滑点0.10%（双边），完整换仓一次的总成本约0.46%。在月度调仓、中等换手（约65%）的假设下，年化成本拖累约3%到4%。这不是小数字——A股指数增强产品今年的平均超额只有个位数。

但真正麻烦的不是这几个百分比，而是它和换手率乘在一起的结果。

换手率对结果的影响更直接。以一组均线策略为例：一年换手约30次时，在万分之十的费率下年损耗约2.82%；改为每周调仓（一年约50次），损耗约4.7%；改为每日调仓（一年约240次），损耗超过20%。更关键的是，成本不仅让你赚得少，还会改变策略之间的排名——零成本回测里选出的“最优参数”，在真实费率下可能根本不是最优的。

所以在看任何回测之前，先问一句：这个收益，是在什么成本假设、多少换手下算出来的？

专业机构会把成本和换手写进约束里。华泰证券的中证1000增强组合是一个可以对照的样本：成分股权重不低于80%，个股权重偏离上限0.8%，风格暴露小于0.3，周双边换手率控制在30%，周频调仓，交易费用按双边千分之四计算。截至8月14日，该组合今年以来超额收益0.71%；自2017年初回测以来，相对中证1000的年化超额收益率20.27%，年化跟踪误差6.57%，信息比率3.09，超额收益最大回撤17.16%。

那么，这一串数字里最该看的是哪个？

这组数字里最该看的是三个：跟踪误差6.57%、信息比率3.09、超额最大回撤17.16%。前两个说明超额是“稳定”赚来的，而不是靠一次赌对方向；后一个提醒你，即便是机构级组合，超额也会出现长达数月甚至更久的回撤——年化20.27%的超额背后，历史最大超额回撤是17.16%。

第四道工序：风控，把暴露框在可解释范围内

量化里的风控不是“止损”，而是把组合的暴露框在可解释的范围内：行业与风格暴露设上限，个股权重偏离设上限，成分股占比设下限，避免组合在不知不觉中变成了“另一个风格的产品”。上面那套约束就是典型写法。

2026年这一环的重要性被放大了。私募排排网的统计显示，2026年上半年私募指增产品的平均超额降到3.11%，同比下降约78%；规模50亿元以上的管理人指增平均超额6.54个百分点、正超额产品占比76.27%，而规模10亿元以下的管理人平均超额只有0.14个百分点、正超额占比不足五成。开源证券的口径更严格：上半年私募量化中证500增强超额-0.5%、中证1000增强超额+0.02%、量化中性累计收益-0.8%。

为什么风格暴露这么要命？因为过去两年超额里很大一部分来自市值下沉。招商期货的跟踪显示，截至9月11日，年内累计超额最好的三类是中证2000指增（+17.14%）、中证A500指增（+10.32%）和沪深300指增（+7.96%），最弱的三类是中证500指增（+2.58%）、量化选股（+3.84%）和中证1000指增（+6.80%）。

最近一周（截至9月11日），中证A500指增超额+0.34%、沪深300指增+0.33%、中证红利指增+0.23%、中证500指增+0.21%，而中证2000指增为-0.56%。

同一套技术在不同基准上跑出的结果差异这么大，说明决定业绩的往往不是“模型强不强”，而是“暴露在哪”。对小盘暴露的依赖一旦被市场风格反转打断，再好的因子库也救不回当期的超额。

不过，暴露不是唯一的变量，规模是另一个更难对付的约束。

第五道工序：交易执行

一条信号变成一笔成交，中间要过流动性、冲击成本和时点选择。容量是硬约束：策略规模越大，越要往流动性好的股票上走，超额就越接近指数本身。这也是行业里会出现“规模越大超额越低”的原因。

执行环节的细节同样影响业绩：算法拆单、日内节奏、硬件延迟、券商通道。硬件加速从50微秒压到2微秒的差距，对高频策略是生死线，对月度调仓的指数增强产品几乎无意义——这也是为什么“我们用了最快的交易系统”这类说法，需要结合策略频率才有意义。

但容量和执行这件事，是投资人最难验证的一环：它不出现在净值里，只在规模上限和超额斜率上体现。

还有两个容易被跳过的细节

第一个是回测区间的质量。回测的时间长度不等于可信度：同样是五年数据，覆盖过一轮完整牛熊和只覆盖单边上涨行情，结论完全不同。今天被反复提到的“小盘风格依赖”，本质就是回测区间里缺失了几次流动性和风格的反转样本。尽调时值得直接问一句：你的回测区间里，有没有包括今年年初那种小盘流动性冲击？

第二个是五道工序之间不是独立打分项，而是一条流水线：因子再好，模型过拟合就废；模型再稳，回测的成本假设不真实就废；回测再干净，风控放不住暴露，一次风格切换就能把两年超额吐回去。真正拉开管理人差距的，不是某一环做到极致，而是每一环都不留短板。

但这一切有个前提：管理人愿意把工序拆开给你看。

行业整体的难度，数据里写得很清楚

截至2026年6月30日，百亿私募142家，其中百亿量化私募71家，占百亿梯队半数；管理规模50亿元以上的量化私募，资产规模合计超过2.3万亿元；同时，936家管理规模10亿元以下的小型私募，上半年合计只备案了1只产品。资金向头部集中，而超额正在被摊薄——这两件事同时发生，就是当下量化行业的真实处境。

所以回到开头那个问题：分辨一家管理人，重点不在他说了什么模型名词，而在于他愿不愿意把工序拆开给你看。模型可以抄，因子可以买，但成本假设、风控边界和样本外验证是抄不走的。

一句话总结：量化的“怎么做”，本质是把每一个可以省事的环节都变成不能省事的约束；能把这五道工序讲清楚的团队，通常也会把回撤讲清楚。

量化策略与私募配置是我们每周固定更新的栏目。关注「泰然视角」，每周一个主题，把量化这件事拆透。

私募怎么选、怎么买、配多少？加微信 yxxz798，给你按自己的资金情况拆清楚，也可以进高净值投资者交流群。

关注用心小站，获取更多深度分析

风险提示：本文不构成投资建议。文中私募行业数据来自私募排排网、开源证券研究所、招商期货金工周报、华泰证券金工研究等公开报告，统计区间已在正文标注；因子与成本口径来自公开研究文献与行业公开资料；量化私募产品的历史业绩不预示未来表现，超额收益存在衰减、回撤与策略失效风险。投资者应结合自身风险承受能力，审慎评估管理人策略容量、风控约束与信息披露质量，谨慎投资。股市有风险，入市需谨慎。

扫码添加企业微信 · 加入读者交流群

每天一篇深度财经文章 · 了解基金、量化基金选择，欢迎入群交流

扫码添加企业微信

添加微信扫码

（添加企业微信后自动发送入群链接）