传统量化研究学习路径

传统量化研究：机构级知识体系

0. 文档说明

这份文档整合了两部分内容：

1. 图片中整理出的 传统量化机构级知识全景

2. 基于实战研究视角做的 补充解释、优先级重构与方法论延伸

这不是一份单纯的”课程目录”，而是一份更接近 机构传统量化知识地图 + 实战研究路线图 的合并版文档。

1. 总览：传统量化 vs ML 量化

传统量化与 ML 量化的核心差异在于：

传统量化更依赖数理推导、金融理论与统计严谨性，而非数据驱动的黑箱。
机构里的传统量化研究员，往往是这套体系的顶尖人才。

从机构视角看，传统量化的核心不是“会跑模型”，而是：

• 能从金融问题中抽象出数学表达

• 能从数学表达中构造可检验假设

• 能用严谨统计方法进行验证

• 能把信号落到组合、执行和风险约束上

• 能明确知道每个模型的假设、适用条件和失效边界

一句话说：

传统量化不是“会很多模型”，而是能把“金融直觉 → 数学表达 → 统计验证 → 组合实现 → 风险约束”连成闭环。

---

2. 传统量化：机构级知识全景

数理金融 ─────┐
计量经济学 ───┼──→ 传统量化（机构级研究员）
统计套利理论 ─┘
 
因子投资理论 ─────────→ 传统量化
传统量化 ───────────→ 组合管理理论
传统量化 ───────────→ 衍生品定价
 
因子投资理论 ─────────→ 衍生品定价
组合管理理论 ─────────→ 风险模型体系

七大模块

1. 数理金融

2. 计量经济学

3. 统计套利理论

4. 因子投资理论

5. 衍生品定价

6. 高频交易 & 市场微观结构

7. 组合管理 & 风险模型

---

3. 数理金融（传统量化的理论基石）

这是传统量化与 ML 量化最大的分野。

ML 量化可以不懂随机微积分，传统量化通常不行。

3.1 随机微积分

• 测度论基础（σ-代数、测度）

• 布朗运动的性质与构造

• 伊藤积分定义与计算

• 伊藤引理（多维形式）

• 随机微分方程（SDE）求解

• Girsanov 定理（测度变换）

• Feynman-Kac 公式

• 停时理论

3.2 无套利定价理论

• 无套利条件（FTAP 第一 / 第二）

• 风险中性测度（Q 测度）

• 等价鞅测度存在性

• 复制组合 & 完备市场

• 风险中性定价公式

• 远期测度 & T 远期中性

• 换元测度技巧

3.3 资产价格模型

• 几何布朗运动（GBM）

• Heston 随机波动率模型

• SABR 模型

• 跳跃扩散（Merton / Kou）

• 方差 Gamma 模型

• Vasicek / CIR 利率模型

• HJM 利率框架

• 多因子利率模型

3.4 我的补充理解

这一部分更像传统金融工程、衍生品 desk、利率 desk、结构化产品 desk 的数学地基。

如果你的目标主要是：

• 中低频方向性策略

• 截面多空

• crypto 因子研究

• 永续合约时序 / 截面策略

那么这部分不是最先投入最大精力的地方。
但如果你要进入：

• 期权

• 波动率交易

• 利率衍生品

• 信用结构化

• 做市定价引擎

那这部分就是硬门槛。

---

4. 计量经济学（传统量化的统计基础）

这是传统量化区别于纯工程师的核心竞争力之一：

知道如何正确地从数据中得出可信的统计推断，而不是跑出一堆数字就信以为真。

4.1 经典回归理论

• OLS 假设（Gauss-Markov 定理）

• 异方差性（Heteroskedasticity）检验与修正

• 自相关检验（Durbin-Watson / LM 检验）

• 多重共线性诊断（VIF）

• WLS / GLS 广义最小二乘

• HAC 稳健标准误（Newey-West）

• 工具变量（IV）& 两阶段最小二乘（2SLS）

• 虚假回归问题及处理

4.2 时间序列计量

• 单位根检验（ADF / PP / KPSS）

• 协整检验（Engle-Granger / Johansen）

• 向量自回归（VAR）模型

• 误差修正模型（VECM）

• 结构突变检验（Chow / Bai-Perron）

• ARCH 效应检验 & GARCH 估计

• 脉冲响应函数（IRF）

• 方差分解（Forecast Error Variance Decomposition）

4.3 面板数据方法

• 固定效应（FE）vs 随机效应（RE）

• Hausman 检验（FE vs RE 选择）

• Fama-MacBeth 两步回归（横截面定价）

• 双重差分（DID）

• 面板数据的异方差 & 序列相关处理

• Driscoll-Kraay 标准误

4.4 因果推断（现代计量前沿）

• 潜在结果框架（Rubin Causal Model）

• 断点回归（RDD）

• 合成控制法

• 事件研究法（Event Study）

• 回归不连续设计

• Granger 因果 vs 真实因果的区别

4.5 我的补充理解

如果你是做研究而不是单纯做系统，这一块通常是最值得优先投入的模块之一。

因为大量实战问题，最后真正区分研究水平的不是：

• 会不会调包

• 会不会跑回测

• 会不会堆很多特征

而是：

• 你是否知道检验对象是什么

• 你是否知道该用截面方法还是时间序列方法

• 你是否知道统计显著和经济显著的差别

• 你是否知道样本外是否仍成立

• 你是否知道结果是不是结构变化、数据挖掘或者口径问题造成的假象

对中低频、因子、crypto、CTA、永续合约研究来说，计量能力的重要性极高。

---

5. 统计套利理论（传统量化核心策略）

5.1 配对交易

• 相关性配对 vs 协整配对

• 协整向量估计（Johansen）

• 价差建模（OLS / Kalman）

• 半衰期估计（Ornstein-Uhlenbeck）

• 入场 / 出场阈值设定

• 动态对冲比率（Time-varying hedge ratio）

• 配对筛选与稳定性检验

5.2 均值回归模型

• Ornstein-Uhlenbeck（OU）过程

• OU 参数估计（MLE / 矩估计）

• 最优停时理论（最优入 / 出场）

• 多资产 OU 过程

• 均值回归速度 & 波动率关系

• 均值回归检验（Variance Ratio 检验）

5.3 套利策略类型

• 期现套利（现货 vs 期货定价）

• 跨期套利（近月 vs 远月）

• 跨品种套利（铁矿 vs 螺纹）

• ETF 套利（折溢价套利）

• 可转债套利（转换价值套利）

• ADR 套利（A/H 股溢价）

• 指数成分股套利

5.4 我的补充理解

这部分在很多人理解里容易被误读成“统计套利 = 均值回归”。

其实更准确地说：

• 统计套利是一个更大的框架

• 均值回归是其中一类重要建模方式

• 协整配对、价差回复、残差修复、相对价值、期现偏离修复，都可以落在统计套利的大框架内

对你当前研究很相关的点有几个：

第一，配对不是目的，稳定关系才是目的

真正关键的不是找两个“看起来相关”的资产，而是找：

• 稳定传导关系

• 可解释的相对偏离

• 有交易闭环的价差结构

• 成本后仍存在的修复机制

第二，均值回归不是“价格跌了就会回”

而是：

• 存在一个相对稳定的均衡关系

• 偏离出现后，未来偏离有向均值收敛的统计倾向

• 这种倾向在交易成本、延迟、风控约束后仍可获利

第三，统计套利对“失效机制”非常敏感

最常见的失效来源包括：

• 结构断裂

• 关系切换

• regime 变化

• 市场流动性变化

• 拥挤交易

• 成本和冲击吞噬微弱 edge

---

6. 因子投资理论（传统量化的主战场）

这是传统量化研究员最核心的竞争力之一：

不是用 ML 挖因子，而是从理论出发理解为什么某个因子会有风险溢价。

6.1 经典因子体系（必须精通）

• 价值因子：B/P、E/P、CF/P、S/P

• 规模因子：市值、自由流通市值

• 动量因子：12-1 月动量、短期反转

• 质量因子：ROE、毛利率、应计项

• 低波动因子：Beta 异象、特异波动

• 流动性因子：Amihud、换手率

• 盈利因子：RMW（Fama-French 五因子）

• 投资因子：CMA（资产增长率）

6.2 因子溢价的来源理论

• 风险补偿理论（理性定价）

• 行为金融解释（投资者偏差）

• 市场摩擦（流动性溢价）

• 数据挖掘 vs 真实 Alpha 区分

• 经济周期与因子轮动关系

• 因子拥挤（Crowding）风险

• 跨市场因子可移植性检验

6.3 因子研究方法论

• Fama-MacBeth 横截面回归

• 分组（Quintile / Decile）分析

• IC / ICIR 评价体系

• 因子 t 统计量 & 多空组合

• 特征 vs 协方差风险辨析

• 因子正交化（施密特 / 回归残差）

• 因子衰减曲线分析

• 样本外检验的严格方法

6.4 Barra 风险模型深度

• 结构化风险模型框架

• 因子收益率估计（WLS 横截面）

• 特异性风险估计（EWMA）

• 协方差矩阵收缩处理

• CNE6 / GEM3 模型理解

• 组合风险归因（因子 vs 特异）

• Alpha 对齐问题（Alpha Alignment）

6.5 我的补充理解

这一块对你非常重要。

因为你现在一直在思考的很多问题，本质上都落在这一层：

• 截面打分和排序的区别

• IC / ICIR 的使用边界

• 一个方向到底适合做截面、时间序列还是规则触发

• 因子是不是只是状态变量 / 过滤变量

• 单个 idea 如何推进到 mandate / signal ready / backtest ready

因子投资理论真正重要的，不只是“因子有哪些”，而是下面这几件事：

6.5.1 因子不是特征堆砌，而是风险溢价假说

好的传统量化研究会先问：

• 这个因子为什么应该有效？

• 它补偿了什么风险？

• 它对应什么行为偏差？

• 它在什么市场阶段应更强 / 更弱？

• 它为什么不会立刻被套利掉？

6.5.2 因子研究的关键不是高 IC，而是稳健可组合

一个因子最终是否有价值，要看：

• 稳定性

• 容量

• 成本后收益

• 与已有因子的相关性

• 在组合中的边际贡献

• 回撤性质

• regime 敏感性

6.5.3 传统量化里，因子研究本质上是“横截面资产定价”

也就是：

• 研究哪些特征能解释未来截面收益差异

• 研究这些特征是不是带有可持续风险补偿或行为偏差

• 再决定是否可以交易化

---

7. 衍生品定价（传统量化的专属领地）

7.1 期权定价进阶

• Black-Scholes-Merton 推导

• 二叉树模型（CRR / LR）

• 有限差分法（PDE 数值解）

• 蒙特卡洛定价（方差缩减技术）

• 随机波动率模型（Heston / SABR）

• 局部波动率模型（Dupire）

• 波动率曲面校准

• 美式期权提前行权定价

7.2 利率衍生品

• 利率互换（IRS）定价

• 上限 / 下限（Cap / Floor）定价

• Swaption 定价

• 短利率模型（Vasicek / Hull-White）

• LMM / BGM 市场模型

• 利率曲线 Bootstrap 构建

• OIS 折现 & CSA 附件影响

7.3 信用衍生品

• CDS 定价（强度模型）

• 违约概率估计（结构模型 / 简约模型）

• Merton 结构模型

• CDO / CLO 结构化产品定价

• 信用利差建模

• Counterparty 风险（CVA / DVA）

7.4 我的补充理解

这是传统量化中最“硬核金融工程”的部分。

它和很多中低频选股 / 因子策略最大的差别在于：

• 理论约束强

• 无套利约束强

• 需要精确定价和风险对冲

• 对数学、数值方法、校准和 Greeks 理解要求非常高

这一块比较不适合“只追求先做出一个赚钱策略”的早期研究者作为第一优先级，
但如果未来你要做：

• crypto 期权

• 波动率面

• 做市定价

• 结构化产品

• 利率 / 信用产品

那必须系统进入这一层。

---

8. 高频交易 & 市场微观结构（传统量化前沿）

8.1 微观结构理论

• Kyle (1985) 模型：内幕交易定价

• Glosten-Milgrom 模型：价差分解

• Avellaneda-Stoikov 做市模型

• 订单流毒性（VPIN）度量

• 价格冲击的永久 vs 临时分解

• 知情交易概率（PIN）

• 价格发现过程（Hasbrouck 模型）

• 做市商库存模型（Ho-Stoll）

8.2 高频数据分析

• Tick 数据清洗（错误成交过滤）

• 日内波动率模式（U 形曲线）

• 实现波动率与二次变差

• 已实现协方差矩阵估计

• 微观噪声模型（Zhang 两尺度）

• 逐笔成交数据特征分析

• 订单簿重建 & Level-2 分析

8.3 高频策略类型

• 做市策略（Market Making）

• 延迟套利（Latency Arbitrage）

• 统计套利（毫秒级）

• 订单流预测（短期价格方向）

• 冰山单探测策略

• 交易所间套利

• 期现高频套利

8.4 最优执行理论

• Almgren-Chriss 最优执行框架

• 交易前沿（Efficient Trading Frontier）

• 动态规划求解最优策略

• 随机控制在执行中的应用

• 市场冲击的线性 vs 非线性模型

• 回撤成本（Reversion Cost）建模

8.5 我的补充理解

如果说因子投资是机构传统量化的主战场之一，那么微观结构就是机构交易能力和执行能力的深水区。

很多人会把策略研究和执行割裂开来，但实际上：

• 一个信号是否能赚钱，常常不是由预测能力决定

• 而是由执行质量、冲击成本、订单簿状态、容量约束决定

这对 crypto 市场尤其重要，因为：

• 流动性分层明显

• 做市深度经常不稳定

• 交易所结构差异大

• 短时冲击、资金费率、清算机制、maker/taker 结构都会改变 edge 兑现方式

所以即便不是做纯 HFT，理解部分微观结构也很有必要。

---

9. 组合管理 & 风险模型（机构运营核心）

9.1 组合构建理论

• Markowitz 有效前沿（完整推导）

• Black-Litterman 模型

• Michaud 重采样优化

• 风险平价 & 等风险贡献

• 最大分散化（Max Diversification）

• 最小方差组合（GMV）

• 条件 VaR 约束组合优化

• Transaction Cost-Aware 再平衡

9.2 协方差矩阵估计

• 样本协方差矩阵的问题

• Ledoit-Wolf 收缩估计

• 因子模型协方差（Barra 结构）

• 随机矩阵理论（RMT）信号分离

• 指数加权协方差（EWMA）

• DCC-GARCH 动态条件相关

• 高维协方差的非线性收缩

9.3 绩效归因深度

• Brinson-Hood-Beebower 归因

• 因子收益归因（Barra 多因子）

• Alpha 与 Beta 的严格分解

• 交易成本归因（执行质量）

• 主动收益 vs 主动风险（IR）

• 基本法则（Grinold 基本法则）

• 策略容量与 IR 的权衡

9.4 我的补充理解

这是很多个人研究者最容易低估的一层。

很多人会把注意力集中在：

• 想法

• 因子

• 模型

• 回测曲线

但机构真正赚钱，靠的不只是发现信号，更靠：

• 怎样组合多个信号

• 怎样控制风险暴露

• 怎样降低组合层面回撤

• 怎样在容量和换手之间平衡

• 怎样让 Alpha 真正转化成可实现收益

在实际研究里，很多单策略看起来不错，但一进组合就会暴露问题：

• 和已有 alpha 重复

• 风险暴露过高

• 回撤同质化

• 成本太高

• 容量太差

• 对 regime 过于敏感

所以组合管理不是“研究完成后的最后一步”，而应尽早介入研究判断。

---

10. 传统量化 vs ML 量化：核心差异对比

维度	传统量化	ML 量化
理论基础	数理金融 / 计量经济学 / 无套利定价	统计学习理论 / 优化 / 信息论
因子来源	理论驱动，有经济学解释	数据驱动，可解释性弱
核心工具	SDE / 回归 / 优化 / 蒙特卡洛	LightGBM / LSTM / Transformer / RL
过拟合风险	相对较低（参数少，有理论约束）	极高（需要严格的时序验证框架）
擅长资产	衍生品 / 固定收益 / 高频	股票选择 / 因子挖掘 / 中低频
可解释性	强，每个参数都有金融含义	弱，黑箱特性难以向 LP 解释
机构门槛	数学基础极高（博士常见）	工程能力强，数学门槛相对低
融合趋势	用 ML 挖掘信号，用传统框架约束风险和执行	用 ML 挖掘信号，用传统框架约束风险和执行

10.1 我的补充修正

这张对比图的方向是对的，但略有“二元对立化”，更准确的表达应该是：

传统量化也会过拟合

不是传统量化就不会过拟合，而是：

• 参数通常更少

• 理论约束更强

• 搜索空间更窄

• 所以相对更不容易严重失控

ML 也不一定完全不可解释

不是 ML 一定不可解释，而是：

• 纯黑箱模型可解释性差

• 树模型、稀疏模型、广义加性模型等仍可部分解释

• 真正困难的是“金融因果解释”而不是“普通特征重要性解释”

传统 vs ML 的更本质区别

更本质的区别是：

• 传统量化 更适合强理论约束、强结构、低维、金融解释要求高的问题

• ML 量化 更适合高维弱信号、非线性、多源异构数据的问题

顶级机构的现实做法

现实里，顶级机构不是二选一，而是融合：

• 用传统框架界定研究边界

• 用统计方法控制伪发现

• 用 ML 提升信号提取能力

• 用风险模型和执行模型完成落地

---

11. 推荐书单

书名	作者	方向	重要程度
Stochastic Calculus for Finance I & II	Shreve	数理金融	★★★★★
Options, Futures, and Other Derivatives	John Hull	衍生品定价	★★★★★
Active Portfolio Management	Grinold & Kahn	因子投资	★★★★★
Econometrics	Hayashi	计量经济学	★★★★★
Market Microstructure Theory	O’Hara	微观结构	★★★★☆
The Econometrics of Financial Markets	Campbell, Lo, MacKinlay	金融计量	★★★★★
Interest Rate Models	Brigo & Mercurio	利率衍生品	★★★★☆
Algorithmic and High-Frequency Trading	Cartea, Jaimungal	高频与执行	★★★★★
Expected Returns	Ilmanen	因子溢价	★★★★☆
Efficiently Inefficient	Lasse Pedersen	对冲基金策略	★★★★☆

---

12. 一句话总结

传统量化的壁垒，是你能从第一性原理推出每一个公式，并知道每个假设在什么市场条件下会失效。
ML 量化的壁垒，是工程和数据。
顶级机构最稀缺的是能把两套体系融合的人——用传统金融理论约束 ML 模型的搜索空间，用 ML 方法提升传统因子的信号质量。

---

13. 从实战角度重构：这张图不是“平均学习路线”

这张图更像是 机构传统量化知识地图，不是 个人或团队的实战优先级地图。

也就是说，这 7 大模块不是都应该平均投入。

---

14. 按不同 desk / 方向重排优先级

14.1 如果做中低频 Alpha / 因子 / CTA / 永续合约研究

更高优先级通常是：

• 计量经济学

• 因子投资理论

• 组合管理与风险模型

• 部分统计套利理论

• 部分市场微观结构

• 少量 ML 与优化

14.2 如果做做市 / 高频 / 执行

更高优先级通常是：

• 市场微观结构

• 高频数据处理

• 最优执行

• 风险控制

• 工程系统能力

• 做市库存与冲击模型

14.3 如果做期权 / 利率 / 结构化产品

更高优先级通常是：

• 数理金融

• 无套利定价

• PDE / 蒙特卡洛

• 波动率曲面

• 校准与风险对冲

• 利率 / 信用模型

---

15. 对当前你这类研究更相关的主线

结合你当前长期关注的问题，更 relevant 的不是先把所有随机微积分、利率模型、高频微观结构都完整学完，而是先抓住下面这条主线：

15.1 第一层：研究问题分类能力

每个 idea 一上来先问：

• 这是 截面问题 吗？

• 这是 时间序列问题 吗？

• 这是 规则触发问题 吗？

• 这是 预测问题、排序问题，还是 状态过滤问题？

• 这是 独立信号，还是只适合作为 regime filter？

• 这是 单资产逻辑，还是 相对价值逻辑？

15.2 第二层：统计验证能力

• 样本内 vs 样本外

• train / validate / test / holdout 的切分

• 稳健性检验

• 参数扰动检验

• 结构断裂检验

• 多重假设检验

• 成本后是否仍有效

• 是否只是某几个阶段驱动结果

15.3 第三层：组合与落地能力

• 单信号是否能进入组合

• 与已有信号是否高度重复

• 是否有边际贡献

• 容量是否够

• 滑点 / 冲击之后是否还成立

• 风险暴露是否可控

• 是否能与其他策略形成互补

---

16. 图片之外，实战中还缺的一层：研究工程与治理

如果说图片展示的是“知识体系”，那机构真正的壁垒还包括另一层：

八、研究工程与治理（实战极其关键）

16.1 研究命题治理

• Mandate 定义

• 研究边界定义

• 成功标准定义

• 失败标准定义

• 假设拆解与 falsification

16.2 数据治理

• 数据口径统一

• 对齐方式定义

• 缺失处理

• 幸存者偏差控制

• 前视偏差控制

• 时间戳一致性

• 可交易性校验

16.3 特征治理

• 特征定义与版本化

• 滞后规则

• 归一化口径

• 去极值 / 标准化

• 暴露中性化

• 生产可重现性

16.4 回测治理

• 手续费

• 冲击成本

• 融资 / 资金费率

• 杠杆限制

• 换仓约束

• 容量限制

• 流动性过滤

• 执行假设透明化

16.5 实验治理

• train / validate / test / holdout

• 多重检验控制

• 参数扫描约束

• artifact 归档

• 图表 / 日志 / 配置 / 随机种子管理

• 失败实验保留与复用

16.6 阶段 gate 治理

• data ready

• signal ready

• portfolio ready

• shadow ready

• no-go / retry / conditional pass / child lineage

16.7 我的补充理解

很多机构真正的优势，并不只是“知道哪些模型”，而是：

• 研究流程严谨

• 审核机制明确

• 失败研究可复用

• 决策链条透明

• 从 idea 到 shadow 有统一协议

这比单独多学一个模型重要得多。

---

17. 如果压缩成最小可用学习路径

如果把整张图压缩成更适合实战的“最小可用学习路线”，我会这么排：

阶段 1：统计与研究基本功

• 概率统计

• 回归

• 时间序列

• 假设检验

• 回测与样本外验证

阶段 2：因子与组合

• 因子构建

• IC / ICIR / 分组收益

• 风险模型

• 组合优化

• 交易成本与容量

阶段 3：策略专题

• 趋势

• 均值回归

• 套利

• 事件驱动

• 截面多空

• 时序择时

• 执行与风控

阶段 4：高级专题

• 微观结构

• 衍生品定价

• 高频

• 结构化风险模型

• ML / 深度学习融合

---

18. 最终总结：如何正确理解这张图

这张图的价值，不在于告诉你“要学 7 大模块里所有内容”，而在于说明：

1. 传统量化是一套完整体系，不是几种策略技巧

2. 机构研究员的核心优势来自理论、统计、组合、风险、执行的闭环

3. 不同方向需要不同的知识优先级

4. 真正的研究能力，不是只会找信号，而是知道如何把一个 idea 从假设推进到可交易资产

5. 顶级机构稀缺的不是单纯传统派或单纯 ML 派，而是能把两者融合的人

---

19. 最后一句话版本

传统量化的核心，不是“背会模型目录”，而是用理论约束研究、用统计验证假设、用组合和执行把信号变成真正可实现的收益。”

---

如果你要，我下一步可以继续把这份内容改成更规整的 .md 文件格式版本，我会加上更漂亮的标题层级、目录锚点，以及更适合 Obsidian / Typora 直接保存的格式。