寒蝉 Hancic
量化概念 13：alpha 与 beta（市场赚的钱，和自己赚的钱）
beta（β）= 持仓对大盘的敏感度，是"在场"的代价；alpha（α）= 扣掉 beta 贡献后自己赚的部分，才是选股/择时的本事。例：大盘涨 20%、策略涨 25%、beta 1.2 → alpha 只有 1%。牛市里的漂亮曲线可能是 beta 撑的，熊市才检验 alpha。
标签：策略
量化概念 06：因子合成（多因子加权 → 单一信号）
把多个因子合成一个选股信号：先各自清洗统一到一把尺子，再按权重（等权或按 IC/ICIR）加总，最后按综合分排序。三个坑：方向、重复、权重过期。
量化数据越多越好吗？精确的模糊与模糊的精确
量化投资的核心是数据加因子加策略：数据是原料，因子是加工，策略是决策。数据越多、类型越丰富，直觉上策略应该越准——信息越全，判断越准，这符合常识。 但常识不等于正确。在量化里，数据多和策略好之间，隔着一道看不见的墙。 精确的模糊 vs 模糊的精确 给一张图片不断加像素，画面越来越清晰，这是分辨率提升
因子为什么能工作——在不确定性中寻找概率优势
量化投资的核心是因子。因子是把选股逻辑翻译成一个可计算的数字，买入因子得分高的，卖出得分低的，回测看结果。这套流程表面上是数学，但背后有个更深层的问题：因子凭什么能工作？ 因子不是真理，是假设 因子有效的前提，是市场存在可以被利用的规律。但如果市场完全有效，所有信息都即时反映在价格里，任何因子都没用
为什么我不推荐个人量化使用自建数据源
量化的本质是数据加因子加策略，数据质量决定策略的下限。但个人量化最容易被忽视的陷阱，是把策略研究变成工程量——建库、爬虫、维护数据源，本末倒置。自建数据源的坑还在其次，数据源怎么选，标准只有一个：这笔钱，赚得回来吗？
量化回测中分组条件的选择
在进行量化回测时，如果对所有股票使用同一套因子组合，不仅意义不大，还会影响策略在单个股票上的表现，毕竟不同的股票有着不同的特点，不应当强行硬套所谓“四海皆准”的策略参数。因此，对股票进行粗筛分组很有必要，但前提是筛选和分组条件应当与后续策略的选择存在因果关系，否则很容易出现样本量太小而没有统计学意义
