计量经济学：传统量化的统计核心
模块定位：传统量化区别于纯工程师的核心竞争力——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。
总预计学习时间：10-12 小时
为什么量化需要计量经济学？
很多人刚接触量化时会觉得：“我已经会跑回归了，不就是 sklearn.linear_model.LinearRegression().fit() 吗？”
但计量经济学问的完全不是”怎么跑”——它问的是：
- 这个结果可信吗？ 你跑出来的系数是真实的，还是数据噪音的巧合？
- 这个关系是因果还是相关？ 是因子驱动了收益，还是遗漏变量在捣鬼？
- 这个模型的条件满足了吗？ OLS 的假设如果被违反，你的结论可能全部失效。
- 这个策略在结构变化后还成立吗？ 2019 年的有效关系，到 2025 年还有效吗？
一个量化研究员的水平差距，往往不是”会不会调参”，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、数据挖掘或口径问题造成的假象
计量经济学就是回答这些问题的工具箱。
模块导航
01 - 经典回归理论（3-4h）
从最简单的线性关系讲起，建立回归分析的完整认知框架。
| 章节 | 核心内容 |
|---|---|
| OLS 最小二乘法 | ”找一条最贴合所有数据点的线”，数学推导与直觉 |
| Gauss-Markov 定理 | 为什么 OLS 是”最好的”线性估计量 |
| 假设检验 | t 检验、F 检验、R²：模型结果到底能不能信 |
| OLS 假设与诊断 | 异方差、自相关、多重共线性、HAC 稳健标准误 |
| 工具变量（IV） | 内生性问题、2SLS 两阶段最小二乘 |
| 虚假回归 | 两个独立随机游走也可能”相关” |
量化应用场景：因子收益估计、截面回归诊断、策略归因
02 - 时间序列计量（3-4h）
金融数据天然是时间序列。普通回归方法用在时间序列上会出大问题。
| 章节 | 核心内容 |
|---|---|
| 平稳性 | 为什么不平稳的序列分析结果不可信、ADF 检验 |
| 协整 | ”两个不平稳的序列，存在一个平稳的线性组合” |
| VAR 模型 | 多个时间序列互相影响、脉冲响应、方差分解 |
| GARCH | 波动率聚集现象、GARCH(1,1) 完整估计 |
| VECM | 长期关系 vs 短期调整 |
| 结构突变检验 | Chow 检验：关系中是否发生了断裂 |
量化应用场景：配对交易、统计套利、波动率预测、Regime 判断
03 - 面板数据方法（1.5-2h）
当你同时有多个资产和多个时间点时，普通回归会忽略个体差异。
| 章节 | 核心内容 |
|---|---|
| 固定效应 vs 随机效应 | 白话对比、Hausman 检验 |
| Fama-MacBeth 回归 | 量化因子研究的标准方法 |
| 双重差分（DID） | 政策效果评估的白话理解 |
| Driscoll-Kraay 标准误 | 面板数据中的异方差和序列相关处理 |
量化应用场景：横截面因子研究、多资产策略评估、政策事件评估
04 - 因果推断（2-3h）
“相关不等于因果”——但量化中我们经常需要回答因果问题。
| 章节 | 核心内容 |
|---|---|
| 潜在结果框架 | Rubin 因果模型、处理效应、选择偏差 |
| 断点回归（RDD） | 在阈值附近”就像随机分组” |
| 合成控制法 | 为处理组构造一个”合成对照组” |
| 事件研究法 | 围绕事件看累积异常收益，量化实战核心方法 |
| Granger 因果 vs 真实因果 | 常见误区的澄清 |
量化应用场景：财报事件、政策评估、评级变化、因子有效性检验
学习建议
前置知识
- 线性代数基础：矩阵乘法、逆矩阵、特征值
- 概率统计基础：期望、方差、正态分布、假设检验
- Python 基础：numpy、pandas、matplotlib
学习顺序
经典回归理论 → 时间序列计量 → 面板数据方法 → 因果推断
↑ ↑
基础中的基础 量化最常用
不建议跳过 01 直接学后面。经典回归理论中的概念（OLS 假设、t 检验、异方差）在后续所有文件中都会反复出现。
核心原则
- 每个概念先理解直觉，再看公式，最后动手写代码
- 不要背公式，理解”为什么”
- 动手跑代码比看推导更重要——但这些代码要用真实金融数据
- 统计显著不等于经济显著——p 值小不代表策略能赚钱
推荐参考书
| 书名 | 作者 | 特点 |
|---|---|---|
| Econometrics | Hayashi | 理论严谨，适合进阶 |
| The Econometrics of Financial Markets | Campbell, Lo, MacKinlay | 金融计量经典 |
| Introductory Econometrics | Wooldridge | 入门友好，案例丰富 |
| Mostly Harmless Econometrics | Angrist & Pischke | 因果推断必读 |