金融基础 — Finance Foundations

模块定位: 金融市场运作机制与资产定价理论，为量化机器学习提供必备的领域知识

学习目标

完成本模块后，你将能够：

为什么量化 ML 需要金融基础？

领域知识决定特征设计

机器学习模型的能力上限，很大程度上取决于输入特征的质量。在量化投资中：

              ┌─────────────────┐
              │   真实市场规律   │
              └────────┬────────┘
                       │
                       ▼
         ┌─────────────────────────┐
         │  金融理论 = 领域先验     │
         │  (告诉我们找什么特征)    │
         └────────┬────────────────┘
                       │
                       ▼
         ┌─────────────────────────┐
         │   特征工程 (Feature)     │
         │   - 动量因子            │
         │   - 波动率因子          │
         │   - 流动性因子          │
         └────────┬────────────────┘
                       │
                       ▼
         ┌─────────────────────────┐
         │  ML 模型 (随机森林/NN)   │
         │  (学习特征→收益的映射)   │
         └────────┬────────────────┘
                       │
                       ▼
              ┌─────────────────┐
              │   预测结果       │
              └─────────────────┘

没有金融理论的 ML：你可能发现”开盘价与昨天收盘价的比值”能预测收益，但不知道这是隔夜风险溢价还是均值回归，导致策略在市场制度变化时失效。

有金融理论的 ML：你知道动量效应源自信息扩散缓慢或行为偏差，会主动设计：

• 动量强度特征
• 动量持续时间特征
• 分析师覆盖度作为调节变量
• 在高波动/低流动性环境中降低动量权重

金融理论指导模型选择

文件导航

第 1 部分：资产定价与因子模型

文件: 01-资产定价与因子模型.md

你将学习：

• 为什么市场”有效”但量化策略仍有机会
• CAPM 如何定义风险与收益的关系
• Fama-French 多因子模型的演进逻辑
• Barra 风险模型在业界的应用
• 如何用 Python 从零构建因子投资组合
• 核心问题: ML 模型预测的收益中，有多少是 Alpha（超额收益），有多少是 Beta（市场风险暴露）？

第 2 部分：市场微观结构

文件: 02-市场微观结构.md

你将学习：

• 订单簿如何决定成交价格
• 买卖价差的三个来源（信息不对称、库存风险、订单处理成本）
• 如何用代码计算价格冲击和流动性指标
• VWAP/TWAP 执行算法的实现
• 高频数据的特性与处理方法
• 核心问题: 你的策略信号很好，但实际交易时会不会被买卖价差和价格冲击吃掉利润？

第 3 部分：衍生品与波动率

文件: 03-衍生品与波动率.md

你将学习：

• Black-Scholes 定价公式的推导与假设
• Greeks 如何衡量期权风险暴露
• 为什么波动率会”微笑”
• 如何用期权数据构造波动率因子
• 核心问题: 波动率不仅是风险度量，也是可交易资产类别，如何利用期权数据增强股票预测？

学习路径建议

初学者路径（无金融背景）

1. 阅读 index.md（本文件）→ 建立整体认知
2. 学习 01-资产定价 → 理解什么是"风险溢价"
3. 学习 02-市场微观结构 → 理解真实交易机制
4. 跳过 03-衍生品 → 先掌握股票策略基础

有金融背景者

1. 快速浏览 01 的后半部分（因子投资实践）
2. 重点学习 02 的 Python 实现（订单簿、流动性指标）
3. 学习 03 的波动率曲面与因子构建

量化 ML 从业者

重点阅读：
- 01 中的"你用 ML 预测的到底是什么"
- 02 中的"Order Flow Imbalance""实现波动率"
- 03 中的"隐含波动率""波动率作为因子"

预备知识

数学要求

• 微积分：理解偏导数（用于 Greeks）
• 线性代数：理解矩阵运算（用于因子回归）
• 概率统计：理解期望、方差、回归分析

编程要求

• Python 基础语法
• pandas 数据处理
• numpy 数值计算
• matplotlib 基础绘图

不需要: qlib、回测框架、金融 API 数据

本模块所有示例使用模拟数据，确保代码可独立运行。

模块结构图

金融基础 (Finance Foundations)
│
├── 01-资产定价与因子模型
│   ├── 有效市场假说
│   ├── CAPM 模型
│   ├── Fama-French 多因子模型
│   ├── APT 套利定价理论
│   ├── Barra 风险模型
│   └── 因子投资实践
│
├── 02-市场微观结构
│   ├── 订单簿结构
│   ├── 买卖价差理论
│   ├── 价格冲击模型
│   ├── 执行算法 (VWAP/TWAP)
│   └── 高频数据特征
│
└── 03-衍生品与波动率
    ├── Black-Scholes 模型
    ├── Greeks 风险指标
    ├── 隐含波动率与微笑
    └── 波动率作为因子

估计学习时间

与其他模块的关系

                    ┌─────────────────┐
                    │   金融基础       │ ◄── 你在这里
                    │  (本模块)        │
                    └────────┬─────────┘
                             │
                ┌────────────┼────────────┐
                │            │            │
                ▼            ▼            ▼
        ┌───────────┐ ┌───────────┐ ┌───────────┐
        │ 特征工程   │ │ 模型训练   │ │ 回测评估   │
        │ (因子构造)│ │ (预测收益) │ │ (风险调整)│
        └───────────┘ └───────────┘ └───────────┘
                │            │            │
                └────────────┼────────────┘
                             │
                             ▼
                    ┌─────────────────┐
                    │   完整策略      │
                    └─────────────────┘

本模块是后续模块的基础：

• 特征工程模块会用到因子模型的思路
• 模型训练需要理解风险调整收益
• 回测评估需要知道如何计算 Alpha/Beta

核心概念速查表

常见问题

Q1: 我没有金融背景，能学量化 ML 吗？

A: 可以。本模块假设零金融背景，从最基本的”什么是股票""什么是收益”开始讲解。重点理解风险与收益的关系，这是量化 ML 的核心。

Q2: 为什么不直接用 qlib，要从零写代码？

A: 框架封装了细节，但不利于理解原理。从零写一遍因子回归、流动性指标，你会知道：

• 计算过程中的数值陷阱
• 不同实现方式的性能差异
• 如何根据需求修改算法

Q3: 这些理论在美国市场成熟， A 股适用吗？

A: 核心机制（风险溢价、流动性成本）是普适的，但 A 股有特殊性：

• 散户比例高 → 行为金融现象更明显
• T+1 制度 → 日内策略受限
• 涨跌停板 → 价格发现机制不同

本模块会指出理论假设与 A 股现实的差异。

参考书目（延伸阅读）

开始学习: 请继续阅读 01-资产定价与因子模型.md