Ernie Chan《算法交易：制胜策略与原理》第二章读书笔记。

第二章：均值回归与平稳性

一、 核心概念与统计检验

1. 均值回归
   • 定义：价格的变化与“平均价格”和“当前价格”之差成正比。即跌多了会涨，涨多了会跌。
   • 公式：$dY(t) = \lambda (Y_{mean} - Y(t-1)) dt + dW$ （其中 $\lambda$ 为回归速度，$dW$ 为随机噪声）
2. 平稳性
   • 定义：价格序列的统计特性（均值、方差）不随时间漂移。价格离散的速率小于几何随机游走的速率。
3. ADF检验
   • 目的：测试单只股票/资产是否具备均值回归特性。
   • 实战阈值：计算出的ADF统计量需小于临界值（如1%显著性水平下的-3.43），或 P值 < 0.05，才认为序列具备均值回归性。注：单只股票极少通过ADF检验，通常呈现随机游走。
4. 赫斯特指数与方差比率检验
   • 目的：测试平稳性及长期记忆性。
   • 实战阈值：赫斯特指数 $H$。
     • $H = 0.5$：纯随机游走。
     • $H < 0.5$：具备均值回归性（越小越强，实战中寻找 $H$ 在 0.3 - 0.45 之间的标的）。
     • $H > 0.5$：具备动量/趋势延续性。

二、 均值回归的实战指标

1. 半衰期
   • 定义：测定价格向其均值回归的速度有多快（即偏离均值后，回归一半所需的时间）。
   • 实战意义与阈值：半衰期决定了持仓周期。实战中，半衰期通常应在 1 到 50 个交易日之间。若半衰期 < 1，回归太快，多为噪音，交易成本吞噬利润；若半衰期 > 50，回归太慢，资金占用成本过高。
2. 线性交易策略（Z-Score策略）
   • 定义：投资组合的仓位份数与其Z分数的负值成正比。
   • 公式：$Z = \frac{Price - SMA(Price)}{Std(Price)}$
   • 实战阈值：当 $Z > +2$ 时做空（高估），当 $Z < -2$ 时做多（低估），当 $Z$ 回归至 0 附近平仓。

三、 协整：多资产的均值回归

1. 协整
   • 定义：两只（或多只）非平稳的价格序列（如股票A和股票B各自随机游走），如果它们的某种线性组合是平稳的，则称它们协整。这意味着尽管各自价格发散，但它们之间的“价差”会均值回归。
2. 检验方法
   • CADF检验：用于测试两个序列的协整性。
   • 约翰森检验：用于测试三个及以上序列的协整性。
3. 实战应用：特征向量与对冲比例
   • 原理解析：约翰森检验生成的特征向量，即为资产间的对冲比例。将各资产价格乘以对应的特征向量权重，即可合成一条平稳的“价差序列”。
   • 实战阈值：约翰森检验会输出多个特征值和特征向量。应选择最大特征值对应的特征向量，因为最大特征值对应最平稳的组合和最短的半衰期，最适合用于套利交易。

Ernie Chan《算法交易：制胜策略与原理》第一章读书笔记。

第一章：回测系统的陷阱与统计学应用

一、 回测的核心目的与常见缺陷

回测系统的终极目标是预测未来交易策略的绩效，但过程中潜藏的诸多陷阱会严重削弱其预测能力。常见的缺陷及实战清除策略如下：

1. 前视偏差
   • 原理：使用了回测当时根本无法获取的未来数据。
   • 实战修复：回测生成信号与执行交易的代码逻辑必须完全一致。通常采用“T日收盘生成信号，T+1日开盘执行交易”的严格时序。
2. 数据探测偏差
   • 原理：在大量历史数据中反复测试不同参数，碰巧找到一段表现极佳的参数组合（过度拟合）。
   • 实战修复：
     • 样本外测试（OOS）与交叉验证：将数据分为训练集（如2010-2018）和测试集（如2019-2023），仅在训练集调参。
     • 模型简化原则：参数越少越好，拒绝过度复杂的拟合曲线。
     • Deflated Sharpe Ratio（ deflate 夏普比率）：根据尝试的参数组合数量对夏普比率进行惩罚。
3. 数据质量缺陷（生存者偏差与公司行动）
   • 案例：“为什么2021年7月9日会生成做空THQI的信号？哦，因为忘了按1:10的比例调整历史复权价格。”
   • 实战修复：必须使用后复权价格计算收益率；必须在回测引擎中引入退市、并购、ST特别处理等状态标记，剔除当前已退市的股票会导致回测收益虚高（生存者偏差）。
4. 流动性约束与微观结构缺陷
   • 案例：“回测用收盘价效果很好，但实盘用真实市场数据却大幅缩水。”
   • 实战修复：回测必须考虑滑点和交易佣金。对于容量有限的策略（如小盘股），需设置单笔交易量不超过该标的日均成交量的X%（如5%）的阈值限制。
5. 制度性与规则性限制
   • 案例：“模型在2008年11月做空很多股票表现很好，但当时美国SEC禁止裸卖空。”或“高频交易忽视了涨跌停板限制。”
   • 实战修复：回测引擎必须内置历史交易规则变更（如限制做空名单、涨跌停板限制、T+1制度）。

二、 回测系统的统计学假设检验

仅仅依靠高夏普比率不能证明策略有效，必须通过统计学假设检验（零假设：策略收益率为0）。

1. 夏普比率的T检验
   • 公式：$T = \frac{Mean(R)}{Std(R)} \times \sqrt{N}$ （其中N为交易次数/样本数）
   • 实战阈值：通常要求 $T > 2$（对应95%置信水平），即策略的收益并非随机产生。但若收益率序列存在自相关，需使用Newey-West调整后的标准差，否则会高估夏普比率。
2. 蒙特卡洛模拟与P值检验
   • 场景：策略年化收益10%，如何证明这不是碰运气？
   • 方法一（随机入场法）：保持交易次数和持仓时间不变，但随机改变入场时间，生成10,000次模拟。如果其中只有100次模拟的年化收益大于10%，则P值 = 100/10000 = 1%。
   • 方法二（价格序列重采样法）：对历史价格进行打乱重排，运行策略10,000次。
   • 实战判断：P值必须 < 0.05（甚至<0.01），才能拒绝零假设，证明策略具备真正的Alpha。

Data Wrangler Extension for Visual Studio Code

Data Wrangler is a data viewing and cleaning tool that is integrated into VS Code and VS Code Jupyter Notebooks. It provides a rich user interface to view and analyze your data, show insightful column statistics and visualizations, and can automatically generate Pandas code as you clean and transform the data if that’s your goal.

1. Viewing mode: The viewing mode optimizes the interface for you to quickly view, filter and sort your data. This mode is great for doing initial exploration on the dataset.
2. Editing mode: The Editing mode optimizes the interface for you to apply transformations, cleaning, or modifications to your dataset. As you apply these transformations in the interface, Data Wrangler automatically generates the relevant Pandas code, and this can be exported back into your notebook for reuse.

全球投资行业 2024–2026：现状、历史与派系

一、当下的三维坐标图

用五个维度（回报来源、决策过程、客户交互、资产范围、流动性）来定位每一种投资方法论，可以画出三张互补的地图。

1.1 第一张图：回报来源 × 决策过程（主力资金热力，深色 = 资金密度高）

这张图想说明什么： 资本是双峰的。最深的两块色是：左上角低成本纯 Beta（Vanguard / BlackRock），右下角自由裁量资本配置（私募股权 / 私募信贷）。中间（真 Alpha）是最碎片化、最被压缩费率冲击的。

1.2 回报来源 × 客户层级

这张图想说明什么： 大众零售被结构性切断了对真 Alpha 的直接接触 —— 他们只能通过 40-Act 包装（Interval Fund、BDC、Tender-Offer Fund）以高出底层 5–8% 的价差间接获得。“Alpha 分红”被天然关在 UHNW / 家族办公室 / 机构三层之外。 直接指数化（Direct Indexing）是唯一让大众零售获得”非纯 Beta 回报源”的桥。

1.3 第三张图：流动性 × 客户层级（结构错配地图）

这张图想说明什么： 当下行业最大的张力是大众 × 锁定这一格——目前是空的。正在填它的公司（Blackstone BCRED、Blue Owl、KKR KREST、Apollo、StepStone 旗下的 Interval Fund）正以年化 20–40% 的 AUM 增速扩张，是 2024–2026 年结构性的大赢家。填补这个空白象限，是本轮周期最核心的资本配置故事。

二、时间演化表（1980 → 2026）

三、当下 18 大派系

四、资金流向（2024–2026）

前 5 大资金趋势：

1. 私募信贷吸收银行放贷——机构端最快增长，~2.1 万亿且上行。
2. 货币市场/现金 sweep 6 万亿——最大单一池，由 5% 收益锚定；降息时压缩。
3. Interval Fund / Evergreen 私募包装——零售可触达的最快增长，~30–40% AUM/年。
4. 直接指数化吞并 SMA 市场——税务 alpha + 定制，3 年 +50% AUM。
5. AI 基础设施资本流——流向数据中心、电力、GPU（实物资产 + 私募信贷 + ETF）。

前 3 大反向运动：

1. 股权集中到现金/短久期——尽管股市上涨，6 万亿仍在货币基金；反”现金是垃圾”共识。
2. 主动股票价值复兴（Baupost、Berkshire、Pershing、JANA）——反”主动全死”叙事；集中深度价值 2024–25 跑赢。
3. 自营宏观回归（Brevan、Caxton、Balyasny Atlas）——反 2010s”宏观已死、量化赢”；利率体制重新货币化 top-down 视角。

五、塑造地图的宏观力量

5.0 AI 成本塌缩：详细展开

六、三个故事

故事一：关于 AUM

1980–2026，全球可投 AUM 从 ~3 万亿增长到 ~140 万亿。三波结构性浪潮解释了这个增长形态：

• 1980–2000（×5）：公开市场牛市 + ETF/发明 → 公开股票机器。Vanguard 是受益者；主动股票是输家。
• 2000–2020（×3）：ZIRP 与”另类”重定价 → 私募市场、HF、因子投资从普通公开 Beta 抢份额。BlackRock 2009 年收购 Barclays Global Investors（iShares 案）是分水岭——让被动从 Vanguard 故事变成 BlackRock 故事。
• 2020–2026（×1.5）：一次再包装浪潮，不是创造浪潮。钱在真值上没怎么涨，但被重新打包进：(a) 5% 收益的货币基金（6 万亿池），(b) 私募信贷包装（2.1 万亿池），(c) 大众市场的 Interval Fund 与 Evergreen 私募基金，(d) HNW 税务 alpha 市场的直接指数化 SMA，(e) 100 万美元以下层级的 AI 投顾平台。

2026–2030 资金将去向何方： 下一波是通道（access），不是阿尔法（alpha）。约 30 万亿+另类资本目前被锁在 UHNW/机构门外。随着 40-Act 包装、BDC、Interval Fund、Tender-Offer Fund、代币化基金规模化，行业下一个 10 万亿的增长在大众零售另类包装里——不在新的投资策略里。单私募信贷到 2028 年预计达到 3 万亿+（高不确定；共识 +12–15% CAGR）。

故事二：关于技能

行业已经两极化为两个不再彼此竞争的费率层。

• 第一层——低费率（≤30 bps）、大规模、不主张技能： Vanguard、BlackRock iShares、SSGA、Schwab、直接指数化平台。它们靠规模、现金 sweep、价差赚钱。它们的”技能”是运营、IT、分销。它们赢在是最低价的水电煤。
• 第二层——高费率（1.0–2.0% mgmt + 15–20% carry）、小规模、主张技能： Pershing、Baupost、Soros、Brevan Howard、AQR、Renaissance、Two Sigma、Citadel（多策略）。它们的护城河是任一：(a) 长期业绩，(b) 容量约束，(c) 机构门槛，(d) 复杂性。它们赢在 LP 不可替代。

正在杀死中间层的是： 传统 100 bps 共同基金管理者、无明显优势，被上方（被动、因子）和下方（主动 ETF、直接指数化）夹击。60/40 平衡基金品类最危险：~30% 共同基金 AUM 但无可防御的技能主张。

2024–2026 仍然有防御性的技能主张：

1. 集中公开股票价值（Berkshire、Baupost、Pershing）——活下来靠永久资本和行为纪律。
2. 多策略 pod shop（Millennium、Point72、Citadel）——活下来靠人才集中和基础设施。
3. 私募信贷发起（Ares、Apollo）——活下来靠银行撤退。
4. 基础设施（Brookfield）——活下来靠资产稀缺和笨重。
5. AI 原生投顾——不确定是否可防御；可能，如果数据网络效应锁定。
6. 宏观（Brevan、Soros、桥水）——周期中活下来，低波动震荡中挣扎。

其他一切都在被商品化。

故事三：关于未来 5 年

会上升的派系（2026–2030）：

• 私募信贷（继续）：+12–15% CAGR，保险-LP 模型规模化，零售包装扩展。
• AI 原生投顾（巨大不确定）：可能是 5% 投顾 AUM，也可能是 30%；取决于监管容忍度和 LLM 成本曲线。
• 实物资产/基础设施（继续）：数据中心需求、电力、数字基建。
• 亚洲/中东银行主导私行（复苏）：财富向迪拜、新加坡、香港、利雅得迁移。
• 直接指数化（继续）：税务 alpha + 定制 + AI 叠加。
• 自营宏观（周期）：如果利率体制保持高波动。

会下行的派系：

• 传统长股主动（继续失血）：~5%/年赎回。
• 60/40 平衡基金（加速衰退）：产品类别在被拆解。
• 主题 ETF（继续）：清盘超过发行；ARK 尤其存在风险如果 AI 叙事褪色。
• 中端 PE Buyout（分母效应）：除非分配消化，LP 会重定向到私募信贷和二手份额。
• 券商经纪人（继续）：RIA 整合继续在 ~2000–4000 亿/年。
• 纯动量/趋势 CTA：容量耗尽；无趋势体制惩罚它们。

最有可能被填上的空白格（2026–2030）：

关于未来 5 年最重要的一句话：

投资行业的重心正在从”管理组合”转向”管理通道”——而拥有大众零售另类分销铁轨的公司（Blackstone、KKR、Apollo、Blue Owl、iCapital、CAIS，加上 AI 投顾层）将比所有基本面价值对冲基金加起来捕获更多下一个 10 万亿的增长。

七、Mag-7 集中度风险与被动 / 因子 / 直接指数化的结构性含义

Opencode 原本的UI可以是 opencode web ，这个命令可以打开Opencode原生的Web UI。他还不错，可以完整地展示Agent的交互；不足有两点：1）无法放在手机上使用，无法使用语音输入输出；2）无法打开Agent生成的文件，例如MS Office中的 .xlsx .ppt等文件；3）定时任务，例如每天早上组织早间金融新闻报告。

沿着Opencode 生态 的介绍，可以找到 openchamber - https://openchamber.dev/, MIT license，项目开发/Feature/Roadmap都非常健康。

一、 Desktop (macOS) Version

功能清晰，继承了opencode web 的全部功能。并且增加了1）语音输入输出；2）附件下载的功能；3）定时任务。

和opencode web 或者TUI相对比，使用起来可以扩展到程序员以外的场景，例如金融，医生，等等人员来使用。

二、Web + PWA

电脑网页端不必讲，因为在电脑端已经有上面的Desktop Version。主要的关注点在手机Web端：

1
2
3
4
5
6
7
8
9

npm i -g opencode-ai

npm i -g @openchamber/web , #安装openchaber，https://www.npmjs.com/package/@openchamber/web

openchamber --ui-password be-creative-here ， #初始化网页端密码

brew install cloudflared ， #安装cloudflared - https://docs.openchamber.dev/tunnels/

openchamber tunnel start --provider cloudflare --mode quick , # 启动tunnel, tunnel是通往您 OpenChamber 的公共链接，使您能够通过手机或其他网络对其进行访问。请使用 `openchamber tunnel` 命令，为正在运行的实例创建一个此类链接。

tunnel 启动成功后，如下图:

====视频如下====

此外，其VS Code的插件也很好用。但是通常都已经进入VS Code了，大家应该会更加喜欢 opencode 本身在terminal TUI才是程序员的最爱吧。

Roadmap中，

• Windows and Linux desktop apps
• Mobile app with remote instance and laptop connectivity
  是最让人期待的，Linux desktop app，就意味着机器人可以带着Agent跑起来了哦