附录D：量化交易常见问题 FAQ
本附录收集了学习者最常见的困惑和误解，帮助你避免典型的认知陷阱。
一、收益与风险
Q1：高夏普比率等于低风险吗？
不完全对。
夏普比率衡量的是风险调整后收益，但它有两个盲区：
- 不反映尾部风险：一个夏普 2.0 的策略可能隐藏着 30% 的最大回撤
- 对杠杆敏感：用杠杆可以人为提高夏普，但风险也同比放大
正确做法：夏普比率要和最大回撤、Calmar Ratio 一起看。
Q2：回测年化 50%，实盘能赚多少？
经验法则：实盘收益 ≈ 回测收益 × 0.3 ~ 0.6
原因：
- 回测假设理想成交，实盘有滑点和冲击成本
- 回测没有情绪干扰，实盘有恐惧和贪婪
- 回测环境稳定，实盘会遇到各种故障
正确做法：如果回测收益减半后仍可接受，再考虑实盘。
Q3：为什么我的策略回测很好，实盘亏钱？
最常见的三个原因：
| 原因 | 表现 | 解决方法 |
|---|---|---|
| Look-Ahead Bias | 用了未来数据 | 检查信号生成时间 vs 执行时间 |
| 过拟合 | 训练集 >> 测试集 | Walk-Forward 验证 |
| 成本低估 | 忽略滑点、冲击 | 用保守成本假设 |
二、策略选择
Q4：趋势策略和均值回归策略哪个更好？
没有"更好"，只有"更适合"。
| 市场状态 | 趋势策略 | 均值回归 |
|---|---|---|
| 趋势市 | 大赚 | 大亏 |
| 震荡市 | 频繁止损 | 稳定盈利 |
正确做法：识别市场状态（Regime Detection），在对的时候用对的策略。
Q5：机器学习能预测股价涨跌吗？
几乎不能。
- 金融数据信噪比极低，顶级模型准确率也只有 52-55%
- 52% 准确率扣除成本后可能净亏损
- 深度学习需要大量数据，量化数据通常不够
正确定位：ML 不是用来"预测涨跌"，而是从噪音中提取微弱但稳健的信号。
Q6：高频策略是不是更容易赚钱？
对机构是，对散户不是。
高频的门槛：
- 硬件：专线、共址服务器（年费数十万美元）
- 软件：亚毫秒级延迟（需要 C++/FPGA）
- 成本：高频被滑点"吃掉"是常态
散户更适合：中低频策略（日级/周级），用认知优势而非速度优势。
三、风险控制
Q7：止损设多少合适？
没有标准答案，但有计算方法：
止损幅度 = k × 波动率
k = 2 ~ 3（太紧容易被震出，太松亏损太大）| 标的类型 | 日波动率 | 建议止损 |
|---|---|---|
| 大盘股 (SPY) | 0.8% | 2-3% |
| 科技股 (TSLA) | 3.5% | 7-10% |
| 加密货币 | 5%+ | 10-15% |
Q8：分散投资能规避风险吗？
正常时可以，危机时失效。
| 时期 | AAPL-MSFT 相关性 | 股票-债券相关性 |
|---|---|---|
| 正常 | 0.7 | -0.3 |
| 危机 | 0.9 | 0.6 或 -0.5 |
LTCM 的教训：他们假设相关性稳定，结果危机时所有资产同跌，分散失效。
正确做法：假设危机时相关性飙升到 0.9，用这个假设做压力测试。
Q9：Kelly 公式能直接用吗？
不能直接用，建议用"半 Kelly"。
原因：
- 胜率和赔率都是估计值，可能不准
- 满 Kelly 的波动太大，心理难承受
- 金融中持仓相关，违反 Kelly 的独立假设
实战建议：Kelly/2 作为仓位上限，再结合其他限制条件。
四、数据与系统
Q10：免费数据够用吗？
开发阶段够，生产阶段看情况。
| 数据类型 | 免费可行性 | 推荐方案 |
|---|---|---|
| 日线 OHLCV | ✅ 足够 | Yahoo Finance、Alpha Vantage |
| 分钟线 | ⚠️ 有限 | 券商 API（需开户） |
| Tick/L2 | ❌ 不可能 | 必须付费（年费数千-数万美元） |
Q11：Python 够快吗？
中低频足够，高频不够。
| 策略频率 | 延迟要求 | Python 适合度 |
|---|---|---|
| 日级/周级 | 秒级 | ✅ 完全足够 |
| 分钟级 | 毫秒级 | ⚠️ 勉强可用 |
| 秒级以下 | 微秒级 | ❌ 必须 C++/FPGA |
Q12：API 限流怎么办？
这是常见问题，需要预先处理。
解决方案：
- 本地缓存：首次获取后存到数据库，减少 API 调用
- 限流器：在代码中加入
time.sleep() - 备用数据源：主数据源限流时切换到备用
- 预加载：非交易时间批量下载
五、多智能体
Q13：为什么需要多智能体？
单一模型无法适应所有市场状态。
| 问题 | 单一模型 | 多智能体 |
|---|---|---|
| 趋势市 → 震荡市 | 策略失效 | Regime Agent 切换专家 |
| 模型过载 | 什么都做，什么都做不好 | 专家分工 |
| 单点故障 | 整个系统崩溃 | 其他 Agent 继续运行 |
Q14：Regime Detection 误判怎么办？
误判是必然的，关键是控制后果。
设计原则：
- 软切换：用概率加权而非 0/1 切换
- 确认延迟：状态连续 N 天才确认切换
- 过渡期保守：不确定时降低仓位
- 危机快响应：宁可误判为危机，也不要漏判
Q15：Risk Agent 能被覆盖吗？
绝对不能。这是系统设计的硬约束。
Risk Agent 的否决权：
- 仓位超限 → 强制缩小
- 回撤触发 → 强制减仓
- 熔断触发 → 禁止开仓
即使 Signal Agent 有"更好的理由"，也不能绕过 Risk Agent。
六、学习路径
Q16：没有编程基础能学量化吗？
可以理解概念，但难以实操。
建议路径：
- 先学 Python 基础（2-4 周）
- 学 pandas/numpy 数据处理（2 周）
- 再学本课程的策略部分
- 边学边写代码验证
Q17：需要多少数学基础？
高中数学 + 统计入门足够入门。
核心概念：
- 均值、标准差、相关性
- 概率分布（正态分布、厚尾）
- 对数收益、复利计算
不需要：
- 高等数学（除非做期权定价）
- 线性代数（除非深入 ML）
Q18：多久能开始实盘？
保守建议：6-12 个月。
| 阶段 | 时间 | 目标 |
|---|---|---|
| 学习基础 | 2-3 月 | 理解概念、跑通回测 |
| 策略开发 | 2-3 月 | 有一个通过 Quality Gate 的策略 |
| 模拟交易 | 2-3 月 | 验证系统稳定性 |
| 小资金实盘 | 持续 | 用 1-5% 资金验证 |
七、常见心态问题
Q19：连续止损 10 次，是不是策略失效了？
不一定。
趋势策略的典型特征：
- 胜率只有 30-40%
- 盈亏比 3:1 以上
- 连续止损 10 次很正常
判断标准：看回撤是否超过历史最大回撤的 1.5 倍。如果没有，继续执行。
Q20：别人的策略能直接用吗？
可以参考，不能照搬。
原因：
- 公开策略已被套利，Alpha 衰减
- 参数可能过拟合到特定时期
- 你不了解策略的风险特征
正确做法：理解逻辑 → 自己回测 → 调整参数 → 小资金验证。
本附录要点
- 没有圣杯：任何策略都有失效的时候
- 风控优先：活下来比赚得多更重要
- 假设会错：模型假设在极端情况下会失效
- 持续学习：市场在变，策略也要跟着进化