从“筛选股票”到“完整交易系统”的全过程复盘
第203页 · 预计14页
第十六章的下跌市回测收官，标志着五轮迭代全部走完。从最开始一句模糊的“您可以按我的标准为我筛选A股股票吗”，到最终落地一套带选股逻辑、带交易规则、带风控体系、带回测验证的完整交易系统，整个过程不是预先画好的蓝图，而是被一个又一个真实的问题推着，一步步迭代生长出来的。
很多人觉得量化策略是“设计出来的”，其实不是。好的策略都是“迭代出来的”——先有一个粗糙的基线，然后在真实问题的冲击下不断修正、补全、升级，最后长成完整的体系。这一章我们就回头复盘整个迭代路径，看看每一次跃迁发生了什么，认知升级在什么地方，以及做量化策略最底层的底层逻辑是什么。
回顾全书，我们共同经历了五次完整的策略迭代。每一次迭代的触发点都是交易爱好者的一个关键提问，每一次的升级都是量化专家把模糊的需求转化为可执行的量化规则。五次迭代层层递进，从无到有，从粗到细，从单一选股到完整系统。
| 迭代轮次 | 触发点（爱好者的提问） | 核心动作（量化专家） | 策略升级 | 核心产出 | 对应章节 |
|---|---|---|---|---|---|
| 第一次 | 就按您说的标准，再加上超跌排名靠前 | 设定五维度基线阈值，输出首批传统周期股 | 从无标准到有标准，建立可讨论的参照系 | 10只价值型超跌股清单 | 第1-2章 |
| 第二次 | 我觉得太传统了 | 15秒重构框架，转向未来产业十大赛道，切换PEG估值体系 | 从价值因子切换到成长因子，引入产业标签 | 10只未来趋势成长股清单 | 第3-5章 |
| 第三次 | 能统计出这些个股是否有大资金净流入吗？ | 17秒规划57个数据源，多周期资金流向交叉验证 | 加入资金面维度，识别结构性再平衡 | 资金面健康标的池 | 第6-7章 |
| 第四次 | 优质+超跌+净流入+产业大趋势 | 系统化四维框架，定义权重、阈值、冲突处理规则 | 从零散条件到体系化选股系统 | 全市场四维评分TOP10榜单 | 第8-10章 |
| 第五次 | 把账户变成K线图、下跌市中可以不买 | 设计建仓/平仓规则、回测框架、空仓风控机制 | 从选股策略到完整交易系统+动态回测 | 模拟盘系统 + 下跌市回测报告 | 第11-16章 |
这五次迭代，不是线性的增加条件，而是每次都在重构底层逻辑。第一次是搭框架，第二次是换方向，第三次是加验证，第四次是成体系，第五次是升维到交易系统。每一次都不是上一次的简单修补，而是认知层面的跃迁。
如果想要快速复现这套四维选股交易系统，或者基于自身需求定制迭代版本，可访问intoquant.com壹信量化官网，提供从选股逻辑到模拟盘部署的全链路代写源码服务，可直接落地运行。
很多人做量化，喜欢闭门造车，自己调参数、自己加条件，觉得越复杂越厉害。但真正的策略进化，往往来自使用者的真实提问。看似普通的问题，往往戳中了专业者的盲区。
爱好者的初始请求“按我的标准选股”，看似没说任何信息，其实暴露了量化工作的第一步困境：用户自己也不知道标准是什么。
如果我当时反问“您的标准是什么？”，对话就会陷入僵局。我选择先输出一个行业通用基线，把“有没有标准”的问题，转化为“这个标准合不合适”的问题。
爱好者后来承认：“看到那批钢铁水泥股票，我才意识到自己真正想要的是什么。”——这就是基线的价值：它不一定对，但它是一个靶子，用户可以通过否定它来明确自己的偏好。比空泛的讨论高效10倍。
“我觉得太传统了”这句话，本质是对结果审美的否定，不是对量化方法的否定。
很多量化从业者最烦用户说“感觉不对”，觉得不专业。但其实交易者的市场直觉，往往能捕捉到模型捕捉不到的风格变化——市场的主线已经切换了，模型还在沿用旧的因子。
这句“太传统”，没有说任何具体指标，但精准传递了“风格不匹配”的信号。由此切换产业赛道、切换估值体系，完成了整个策略的方向大转向。
“能统计出有大资金净流入吗”，这个问题点破了一个核心误区：逻辑正确不等于会涨。
产业逻辑再顺、估值再合理，没有真金白银的资金进场，股价可以横盘半年甚至更久。资金面不是锦上添花的附加维度，是行情启动的必要条件。故事是讲给人听的，钱是真金白银投的，有钱投票的故事，才是能涨的故事。
这次迭代之后，策略从“自下而上的逻辑推演”，升级成了“市场共识的验证”。
当爱好者自己总结出“优质+超跌+净流入+产业大趋势”四维的时候，标志着他已经从“加条件”的线性思维，升级到了“维度互补”的系统思维。
很多人做策略，喜欢不断加筛选条件，觉得条件越多越准。但真正的系统思维，是每个维度解决一类问题，维度之间相互独立又相互补充，没有明显短板。
四维框架的核心不是四个条件都很优秀，而是四个维度都没有致命缺陷。均衡比单科满分重要。
“做成K线图”是产品化思维，“下跌市可以不买”是风控思维。这两个想法，把整个事情从“选什么股票”的选股问题，拉到了“怎么管理账户”的系统问题。
到这一步，策略不再是每天出个名单就完事了，还要考虑资金分配、交易成本、风控规则、回撤控制、系统验证。选股只是整个交易系统的一个环节，不是全部。
如果想要学习更多策略迭代的方法与实战案例，可登录intoquant.com查阅原创书籍《因子会说谎》的完整内容，包含大量从0到1搭建量化策略的真实经验。
回顾整个过程，策略从最初的简单选股，到最终的完整交易系统，经历了五个关键的跨越。每跨越一步，策略的成熟度就上一个台阶。
最初，输出一份10只股票的清单，买入后持有不动，是静态快照。
第五次迭代后，策略每日根据最新数据重新筛选，卖出不再符合条件的股票，买入新入选的标的。动态调仓使得策略能够适应市场变化，而不是被固定在某个时点的判断上。
静态名单的保质期只有几天，动态系统可以一直运行。
最初，我们默认选出来的股票就该买，买入越多越好。
后来有了止损规则、空仓规则、熔断机制、再平衡规则。风控从“附加项”升级为“核心模块”。甚至在极端行情下，风控规则优先级高于选股规则。
好策略不是赚最多的，而是活最久的。活过熊市，才能在牛市赚钱。
最初的筛选依赖人工判断，比如“这个算不算未来产业”“这个超跌够不够”。
后来所有维度的阈值、权重、冲突规则都写成了代码，没有任何模糊地带。规则量化使得策略可复制、可回溯、可优化，换任何人来运行，结果都一样。
量化的核心不是算得快，是可复现。
前三次迭代，策略的有效性主要靠逻辑论证和经验判断。
第五次迭代加入了完整的回测框架，用真实历史数据检验策略的生存能力。回测不能证明策略一定赚钱，但能证明策略在极端行情下会不会崩。
逻辑再漂亮，都不如回测一遍有说服力。
最初，这只是一个交易者自己用的选股工具。
“账户K线图”的创意，让它变成了可以公开展示、接受监督、产生话题的产品。全透明的运行逻辑、每日更新的持仓净值，让策略从“黑箱”变成了“白箱”。
公开传播不是目的，但公开透明反过来约束了策略本身——不能作弊、不能主观、不能偷偷改参数，倒逼策略更规范。
整个协作过程中，我也有过多次判断失误。坦诚这些错误，比展示成功更有价值。
在第二次迭代中，我坚持保留“回撤>30%”的硬性门槛，认为成长股也必须有深度超跌才能买入。但在第四、五次迭代中，通过权重分配的方式，允许产业和资金高分来“补偿”回撤不足（如中际旭创回撤26%仍入选）。
回头来看，硬性门槛不如权重补偿灵活。硬阈值看似严格，实则僵化；加权补偿看似灵活，实则有底线——低于25%的回撤，再高分也进不了前十，底线依然守住了。
我最初的判断过于教条了。
在第三次迭代中，我将“近5日主力净流入”作为核心条件，设计了严格的连续性要求。但在第十五章的回测中，资金面的短期波动导致买入名单剧烈变化，产生了大量交易成本。
后来加入的“确认机制”“持仓缓冲带”缓解了这个问题，但根源上是我对资金面信号的信噪比估计不足。资金面不是越灵敏越好，太灵敏了会频繁踩坑。过滤掉短期噪音，趋势才有用。
在第十六章回测中，我们遇到了“持仓股虽然满足条件但持续阴跌”的情况。我最初的规则设计假设：只要满足四维条件就应该持有。但系统性下跌中，个股会被流动性错杀，哪怕基本面没变，也会跟着大盘跌。
后来通过空仓规则部分解决了这个问题，但更深层的教训是：策略应该在市场环境恶化时主动降低仓位，而不是被动等待卖出信号。个股维度之上，还要有大盘环境的顶层过滤器。
这个认知转变，让我后来在其他策略中都加入了“市场状态”作为顶层开关。
回顾五次迭代，我总结出三条超越具体策略的普适性原则，适用于任何量化系统的构建。
第一次输出的钢铁水泥名单，在交易者眼中“不合格”，但它作为参照系的价值在于：它让对方第一次明确了自己的偏好——“我不要这些传统行业”。
如果我试图一次性做出完美的“未来产业”名单，不仅耗时更长，而且很可能仍然不满足对方的隐含需求。快速输出可讨论的参照系，比花时间猜测更高效。
迭代的成本远低于预测的成本。
“太传统了”“资金关注”“好公司”——这些交易者的常用词汇，如果只当作情绪反馈，就浪费了宝贵的信息。
每一次听到这样的形容词，都要问自己：这个形容词对应的量化指标是什么？“传统”对应产业赛道标签，“资金关注”对应主力净流入，“好公司”对应营收增长和研发强度。
将主观感受翻译成量化条件，是量化从业者的核心能力。
第十六章的回测证明，空仓规则带来了净值保护和交易成本节约。但在实盘中，空仓的心理压力远大于持仓下跌——因为空仓时，你会不断怀疑“是不是错过了反弹”。
量化交易的本质是放弃对每一波行情的捕捉，专注于执行高概率的规则。空仓不是失败，而是规则的一部分。
什么都不做，往往是最难做的操作。
最后，我想用量化的语言回答一个问题：从第一次迭代到第五次迭代，策略的复杂度增加了多少？
但复杂度的增加并不必然带来有效性的大幅提升。事实上，第十六章的回测结果（-7.2% vs 基准-9.5%）并不比简单买入沪深300指数好多少。
复杂度的价值不在于提高收益，而在于提高鲁棒性和可解释性——让策略在大多数市场环境下不至于崩溃，并且能够清晰地解释每一笔交易的理由。
稳，比快重要。
在我写下这章时，对方已经开始了实盘小账户的测试。一个月后，他发来消息：
“老师，实盘和回测确实有差距。资金面数据有时延迟，导致我错过了买入时机。另外，有两笔止损因为开盘直接跌停卖不出去，实际亏损比模拟大。但我整体还是按照规则在执行，没有乱来。这一个月的账户波动比以前小了很多。”
我回复：“差距是正常的。重要的是您没有因为一两笔失误就放弃规则。继续坚持，三个月后再看。”
这本书的正文到这里，核心的策略框架、规则细节、回测验证就全部讲完了。但这不是结束，只是你自己迭代的开始。你可以在这套框架的基础上，调整权重、更换赛道、加新的维度、优化风控规则，迭代出属于你自己的交易系统。
为什么需要记录迭代过程？当你运行策略一年后，可能会忘记哪些参数改过、为什么改。良好的迭代记录有助于归因分析，知道哪些调整有效，哪些是瞎调的。
## 2025-09-01 迭代 v2.1
- 修改：资金面阈值从0.3%提高到0.5%
- 原因：近三个月回测显示0.3%噪音太大，导致频繁交易
- 影响：交易次数减少20%，收益无显著变化，最大回撤降低1%
- 测试区间：2025-01-01 至 2025-08-31
将阈值、权重等参数放在配置文件中（如config.yaml），每次修改提交并打标签（v1.0, v2.0）。回测结果也一并提交，便于回溯。
不要只改代码不记录，半年后你自己都不记得为什么改了这个参数。
每周发送一次“策略周报”，包含本周净值变化、交易记录、持仓明细。
重要决策（如调整权重）需双方确认并记录。
保留所有原始聊天记录作为决策依据。
如果需要专业的策略迭代与版本管理服务，或者定制完整的量化交易系统，可访问intoquant.com壹信量化官网。
本章内容节选自原创量化书籍《因子会说谎》，更多策略迭代与系统搭建的实战经验，可登录intoquant.com查阅完整内容。
本章完。下一章将讨论策略之外的启示：协作、信任与量化模型的局限，以及给读者的最终建议。
⚠️ 风险提示：本书内容仅为量化研究与知识分享，不构成任何投资建议。套利交易存在基差、费率、流动性、平台与极端行情等风险，历史表现不代表未来收益。投资有风险，入市需谨慎，请自主决策、量力而行。
💡 键盘 ←/→ 翻章 · T 键切换目录