常见问题¶

面向第一次系统学习量化的读者。

我完全不会编程，可以学吗¶

可以。请按第 0 课到第 8 课的顺序学习。前两课先建立量化研究的全貌，第 2 课才解释为什么使用 Python，以及编辑器、终端和文件分别承担什么工作。接下来的课程从数值、文字和变量讲起，浏览器练习场可以直接运行示例，不要求提前安装本地环境。到第 8 课时，你才会第一次读一段完整策略代码，此前学过的每个零件都会在这里重新出现。

需要很强的数学吗¶

入门需要百分比、复利、均值、标准差、相关和简单回归直觉。进阶到组合优化、时间序列和深度学习时再补线性代数、概率和优化。不要因为暂时看不懂推导而跳过概念边界。

代码从什么时候开始用¶

前几课先用纸笔和小表把信息时点、成交与验证讲清，再把已经理解的步骤写成短代码。运行按钮只能告诉我们程序有没有完成，无法说明里面的金融假设是否合理。代码在这本手册中负责重复计算和保存规则，正文与手算负责交代规则从哪里来。

策略库里为什么没有收益排行¶

一条收益数字离不开数据版本、历史股票池、成本、交易明细和样本外边界。缺少这些条件，排名比较的是不同问题。策略库先讲假设、机制、实现和失败条件；毕业研究若要报告结果，要把研究协议、基线和限制一起交代。

回测结果很好，第一步该做什么¶

先找错误，不要先优化。检查股票池、复权、信息可得时间、信号与成交、成本、换手、贡献集中和测试集使用次数。随后与简单基线比较，再做滚动样本外。

夏普高就代表安全吗¶

不代表。夏普依赖样本均值和波动，对尾部、流动性、路径和分布变化表达有限。需要同时看回撤、恢复时间、换手、成本、暴露、容量和压力情景。

参数怎样选择¶

先从机制和交易频率确定少量候选，在训练内部比较，最终测试保持隔离。更重视参数附近是否方向一致，不追求单个历史最高点。

为什么时间序列不能随机切分¶

随机切分会让未来状态和未来统计进入训练，也会把高度相似的相邻样本分到两边。应按时间先后切分，再采用向前滚动验证。它常写作 Walk-Forward，每一轮只用较早历史训练，再检验紧随其后的一小段未来，标签跨越多个交易日时还要留出等待间隔。

机器学习一定比规则策略好吗¶

不一定。模型表达能力更强，同时更容易过拟合。若在相同样本外、成本和风险条件下没有稳定超过线性或规则基线，应选择简单模型。

Transformer 适合日线选股吗¶

可能适合某些高维序列和截面任务，但需要足够数据、严格消融、多随机种子和稳定输入。模型名称不能替代证据。许多日线任务用树模型或线性模型更容易验证。

AI 可以直接替我写策略吗¶

AI 可以整理假设、生成小代码、写测试和寻找反例，但可能编造来源、写未来函数或过度复杂化。人必须冻结研究约束、核对来源和承担最终决定。

可以直接使用网络上的策略代码吗¶

先把代码改写成策略卡，确认市场、数据、信息时点、成交、成本和测试。无法解释的代码不要进入研究，更不要直接接实盘。

免费数据够用吗¶

足够学习基础流程，但可能缺少历史成分、退市、精确公告时间、修订记录和盘口。使用时写数据卡，并把限制放进结论。不要用更复杂模型掩盖数据缺陷。

止损能解决所有风险吗¶

不能。跳空可能越过止损价，相关头寸可能同时触发，流动性危机时无法按预期成交。止损只是一项路径规则，仓位、分散、杠杆和停止机制仍然需要。

模拟盘多久才够¶

没有固定天数。模拟盘首先验证数据、订单、对账和监控，随后观察是否经历了足够调仓和不同市场状态。短期顺利不代表统计结论充分。

研究失败是不是浪费时间¶

不是。排除一个错误假设、发现一条泄漏路径或确认成本过高，都是可积累知识。保留失败报告比只保存赢家更能提高下一次研究质量。