国外 Quant 圈不只讲因子了

风控 量化 因子 容量
量化交易
发布日期:   2026-06-11
文章字数:   3.5k
阅读时长:   12 分

国外 Quant 圈不只讲因子了

国外 Quant 圈不只讲因子了封面图

最近刷到一段关于 Man AHL 风控的视频整理，里面有句话很值得单独拎出来：成熟机构看风险，不只是看波动率、VaR、Expected Shortfall，也会看每个市场的流动性、头寸占平均成交量的比例、交易对手、托管银行、地缘政治这些不那么“因子化”的东西。

这件事对很多做量化的人其实挺刺耳。

因为中文量化社区里，讨论最热的仍然是因子：IC 多高、Rank IC 稳不稳定、分层收益漂不漂亮、截面 alpha 有没有衰减。不是说这些不重要，而是如果一个策略最后只能用“因子强度”解释，那它距离真实交易还差一大截。

更成熟的量化系统，关心的问题会更土，也更要命：

  • 这个信号能不能稳定下单？
  • 容量放大以后，收益会不会被冲击成本吃掉？
  • 真出事时，仓位几天能退出来？
  • 交易对手、券商、托管、保证金链条有没有脆弱点？
  • 市场制度变化、地缘事件、流动性断层，会不会让回测里的风险指标失真？

换句话说，因子回答的是“为什么可能赚钱”，风控回答的是“为什么不会死得太快”。

一、AHL 这段视频到底在说什么

Man AHL 是 Man Group 旗下的系统化投资部门。Man Group 官网介绍，AHL 的投资项目基于一个长期理念：市场存在价格趋势、均值回复、carry 等可重复模式，这些模式可以通过系统化研究识别并交易。AHL Explains 系列里有一集专门讲 Risk，官方描述是：视频解释 Value at Risk 和 Expected Shortfall，并进一步讨论风险管理的多面性。

这其实很典型。

散户看风险，常常停在三件事：

  • 最大回撤；
  • 夏普比率；
  • 收益曲线是否平滑。

稍微专业一点，会加上 VaR、Expected Shortfall、波动率目标、杠杆约束。但机构级风控不会停在这些“价格序列里能算出来”的指标上。

因为真正让策略出问题的，经常不是模型里已经定义好的风险，而是模型外面的东西：

  • 流动性突然消失；
  • 成交量不能承接你的仓位；
  • 交易对手信用变差；
  • 托管或清算链条出问题；
  • 某个市场因为监管、战争、制裁、假期或极端事件失去正常交易条件。

这些东西不一定能优雅地进入一个因子回归模型，但它们会非常粗暴地进入你的真实账户。

二、因子 IC 解决不了“能不能退出”的问题

国内量化讨论很喜欢 IC，这很合理。IC 是研究信号预测能力的基础语言。没有 IC，很多截面策略连第一步都站不住。

但 IC 有一个天然局限：它主要描述“排序有没有预测力”，不直接描述“交易能不能完成”。

一个因子可能有不错的 IC，但如果它集中在小票、冷门资产、低成交量合约上，实盘会遇到完全不同的问题：

  • 买入时把价格推上去；
  • 卖出时没人接盘；
  • 回测成交价过于理想；
  • 市场冲击成本随规模非线性上升；
  • 真正需要止损时，退出速度远慢于模型假设。

所以成熟系统会问一个很朴素的问题：

我的头寸，占这个市场平均日成交量的多少？

这不是一个高级公式，但它很有杀伤力。

如果某个头寸已经占到日均成交量的很大比例，那你账面上看到的收益和风险都不是真实的。因为你不是价格接受者，你已经变成了市场本身的一部分。这个时候，回测里“一键平仓”的假设就很危险。

flowchart TD
    A[因子信号有效] --> B[组合开始建仓]
    B --> C[规模继续放大]
    C --> D{头寸占成交量比例}
    D -->|较低| E[交易成本可控]
    D -->|较高| F[冲击成本上升]
    F --> G[退出时间变长]
    G --> H[回撤被放大]
    H --> I[因子收益被风控问题吞掉]

因子研究关心的是 alpha；容量管理关心的是 alpha 能不能被你拿到手。

三、为什么海外量化社区更爱聊仓位和风控

这几年如果你看英文量化论坛、CTA 讨论、系统化交易播客，会发现一个很明显的差异：成熟交易者很少只围绕“神奇因子”打转。他们更愿意聊：

  • volatility targeting；
  • position sizing；
  • risk parity；
  • portfolio construction；
  • trend following 的危机 alpha；
  • turnover 和 transaction cost；
  • execution 与 slippage；
  • capacity、liquidity、crowding。

原因也不复杂：很多成熟策略的信号本身并不神秘。

趋势跟踪并不神秘，均线、突破、动量都很老。横截面动量、carry、价值、质量也早就被研究烂了。但为什么不同团队最后表现差很多？差异往往不在“是否知道这个因子”，而在：

  • 如何组合多个弱信号；
  • 如何动态分配风险预算；
  • 如何控制换手和成本；
  • 如何在极端行情里降杠杆；
  • 如何避免同一类风险在组合里重复暴露；
  • 如何识别策略容量已经接近上限。

也就是说，海外讨论不是“不讲因子”，而是已经默认因子只是起点。

一个因子从研究到实盘，中间至少要经过四层翻译。

graph LR
    A[研究信号] --> B[可交易规则]
    B --> C[组合权重]
    C --> D[执行算法]
    D --> E[风险监控]
    E --> F[真实收益]

    A -.IC / Rank IC.-> A1[预测力]
    C -.风险预算.-> C1[仓位]
    D -.冲击成本.-> D1[成交]
    E -.流动性 / 对手方 / 极端事件.-> E1[生存]

很多人卡在第一层，就误以为自己已经在做量化交易。

四、散户也需要机构式风控吗？需要，但要简化

有人可能会说：机构资金大，才需要看流动性和交易对手；散户资金小，没必要搞这么复杂。

这句话只对一半。

如果你只交易大市值股票、主流 ETF、主力期货合约，资金体量也很小，那确实不需要把风控系统搞成机构版。但散户量化最容易踩坑的地方，恰恰不是这些最深的市场，而是：

  • 小市值股票；
  • 冷门行业 ETF；
  • 山寨币和新币；
  • 小交易所合约；
  • 低流动性期权；
  • 某些盘中成交稀疏的套利标的。

这些市场里，散户虽然资金小，但市场也更脆。你以为自己是小资金，实际上对某个具体盘口来说，已经不小了。

散户不需要复制 Man AHL 的完整系统，但至少应该加一个轻量版风控清单。

1. 流动性检查

每个标的至少看：

  • 平均日成交额；
  • 买卖价差；
  • 盘口深度；
  • 你的单笔订单占盘口深度比例；
  • 你的总仓位占日均成交量比例。

一个很实用的原则是：不要只问“今天能不能买进去”，还要问“最差的时候能不能卖出来”。

2. 容量检查

策略收益通常不是线性可放大的。

资金从 10 万到 100 万，可能还正常；从 100 万到 1000 万，换手、冲击、滑点就开始吞噬收益；再往上，原本漂亮的因子可能直接变成交易成本生产机。

所以回测时至少要做三组规模敏感性测试：

  • 当前资金规模；
  • 预期放大 3 倍；
  • 预期放大 10 倍。

如果策略一放大就崩，说明它不是不能用，而是容量很小。容量小不是罪，误把小容量策略当大容量策略才是问题。

3. 退出时间检查

可以给每个标的估一个粗糙的退出天数：

比如你持有 100 万股，标的日均成交量 500 万股，你最多愿意占当天成交量的 10%，那理论退出时间就是：

这还是正常市场条件下。极端行情里，成交量可能虚高但盘口质量变差，退出时间还会更长。

4. 对手方与平台风险

如果你做的是股票和期货，主要关注券商、期货公司、托管、保证金和交易权限。如果你做的是 crypto，还要额外关注：

  • 交易所储备和提现状态；
  • 合约资金费率异常；
  • API 稳定性；
  • 强平规则；
  • 单一平台资产集中度；
  • 稳定币、跨链桥、托管钱包风险。

很多 crypto 策略不是死于信号失效，而是死于平台风险、提现暂停、插针、流动性瞬间消失。

五、一个更完整的量化风控框架

如果把风控从“指标面板”升级成“生存系统”，至少要分五层。

mindmap
  root((量化风控))
    价格风险
      波动率
      最大回撤
      VaR
      Expected Shortfall
    流动性风险
      成交额
      盘口深度
      买卖价差
      退出天数
    组合风险
      行业暴露
      因子暴露
      相关性
      拥挤度
    执行风险
      滑点
      冲击成本
      订单失败
      API延迟
    外部风险
      交易对手
      托管
      监管
      地缘政治

这里最容易被忽略的是后四层。

价格风险最容易量化，所以大家都愿意看；外部风险最难量化，所以大家最容易假装它不存在。但市场不会因为你不好建模，就不发生这些事情。

六、真正的分歧不是国内外，而是研究阶段和实盘阶段

“国外 quant 圈已经不讲因子了”这个说法有传播力，但严格说并不准确。

国外当然还讲因子。AHL 自己也研究 momentum、cross-sectional momentum、signal diversification、volatility scaling、portfolio diversification。学术界和业界也一直在讨论因子拥挤、因子衰减、风险溢价、机器学习信号。

真正的区别不是“讲不讲因子”，而是很多成熟讨论已经越过了最初级的问题：

  • 因子有没有预测力？

然后进入更接近实盘的问题：

  • 预测力能不能交易？
  • 交易成本后还剩多少？
  • 放大后是否还成立？
  • 极端环境下能不能退出？
  • 和组合里其他风险是否重复？
  • 失效时有没有降权和熔断机制？

国内讨论因子多，本身不是坏事。因子研究是量化的基本功。但如果长期停在 IC、分层、多空曲线，就容易把量化误解成“找公式”。

真正的量化交易更像系统工程：研究只是入口，组合、执行、风控、监控、复盘才决定策略能活多久。

七、给散户量化的一张风控清单

如果你已经有一个因子或策略，可以用下面这张清单快速自查。

研究层

  • 信号是否有样本外验证？
  • 是否做过不同市场阶段的稳定性测试？
  • 是否检查过换手率和交易成本敏感性？
  • 是否区分了真实逻辑和数据挖掘幻觉？

组合层

  • 单标的仓位上限是多少？
  • 单行业、单风格、单交易所暴露是否过高？
  • 策略之间是否在同一风险上重复下注？
  • 波动率上升时是否自动降杠杆？

流动性层

  • 单笔订单占盘口深度多少？
  • 总仓位占日均成交量多少？
  • 正常市场下几天能退出？
  • 极端市场下是否有强制降仓规则？

执行层

  • 回测滑点是否过于乐观？
  • 是否统计实盘成交价和理论成交价偏差？
  • API 或交易通道失败时如何处理？
  • 是否有重复下单、漏单、撤单失败保护？

外部层

  • 资金是否过度集中在单一券商或交易所？
  • 是否有提现、托管、保证金、强平规则风险？
  • 是否关注监管、假期、地缘事件对交易的影响？
  • 是否有策略暂停和人工接管预案？

这张清单不会让策略更性感，但会让策略更像真实世界里的东西。

结语：别把量化做成漂亮回测收藏夹

因子研究很迷人，因为它给人一种秩序感：混乱市场里，似乎存在一组可以被发现、被排序、被交易的规律。

但真实交易不只奖励“发现规律”的人，也奖励“知道规律什么时候不能用”的人。

AHL 这类机构的风控提醒我们：量化不是把收益曲线画漂亮，也不是把 IC 表格填满，而是把一个策略放进真实市场里，问它能不能承受交易成本、流动性、容量、对手方、托管、制度和极端事件的共同挤压。

如果一个策略只能在回测里赚钱，不能在压力里退出，那它不是策略，只是一个漂亮故事。

所以，下一次评估策略时，别只问：

这个因子强不强？

还要问：

它能交易多大？出事时几天能跑？谁会在我最需要卖出时接盘？

这几个问题不好看，但很值钱。

参考资料

文章作者: Onefly
文章链接: https://onefly.top/posts/quant-risk-beyond-factors.html
版权声明: 本博客所有文章除特別声明外，均采用 CC BY 4.0 许可协议。转载请注明来源 Onefly !
风控 量化 因子 容量
赏
评论
  目录