feat: add comprehensive guide for personal investors on quantitative trading practices

doc_08_personal_investor_guide.md

@@ -0,0 +1,296 @@
+# 个人投资者量化交易实操指南
+## 从 Demo 到实盘的完整路径
+
+> **定位**：本文档基于对整个 Demo 系列的代码审计和策略评估，为个人投资者回答三个核心问题——做什么策略、怎么做策略、用什么平台做。  
+> **前置阅读**：建议已通读完 7 篇 Demo 后阅读本文。  
+> **目标读者**：有 Python 基础的量化入门者，关注 A 股实操。
+
+---
+
+## 目录
+
+1. [代码库总览与知识体系](#1-代码库总览与知识体系)
+2. [ETF 轮动 Demo 深度评估](#2-etf-轮动-demo-深度评估)
+3. [个人投资者的现实策略频谱](#3-个人投资者的现实策略频谱)
+4. [中低频策略的核心范式](#4-中低频策略的核心范式)
+5. [情绪因子与突发事件量化](#5-情绪因子与突发事件量化)
+6. [从 Demo 到实盘：平台与工具链](#6-从-demo-到实盘平台与工具链)
+7. [推荐学习与实践路径](#7-推荐学习与实践路径)
+
+---
+
+## 1. 代码库总览与知识体系
+
+### 1.1 项目定位
+
+这是一个**A 股量化交易教学 Demo 项目**，定位为零基础入门到中级的渐进式学习系列。项目以纯 Python + numpy/pandas/scipy/matplotlib 构建，通过合成模拟数据演示完整的量化投研工作流。
+
+### 1.2 七篇递进式模块
+
+| 序号 | 文件 | 主题 | 核心技能 |
+|------|------|------|----------|
+| 1 | `quant_data_pipeline_demo.py` (920行) | 数据管道 | 价格复权、收益计算、缺失值处理、异常值检测(MAD/Z-score/Winsorize)、涨跌停标记、交易日历对齐、DataPipeline 类 |
+| 2 | `quant_strategy_backtest_demo.py` (912行) | 策略回测 | SMA/EMA/RSI/MACD/Bollinger Band 技术指标、双均线策略、RSI 均值回归、向量化回测引擎、绩效指标(Sharpe/Sortino/Calmar/Win Rate/Profit Factor)、滚动前向验证 |
+| 3 | `quant_event_driven_backtest_demo.py` (1532行) | 事件驱动回测 | 事件队列架构(Market/Signal/Order/Fill 四事件)、五大组件解耦(DataHandler/Strategy/Portfolio/SimulatedBroker/BacktestEngine)、滑点+佣金+最低佣金模型、与向量化回测的精确对比 |
+| 4 | `quant_alpha_factor_demo.py` (1023行) | Alpha 因子研究 | 隐藏因子生成模型、5 因子构建(MOM/REV/LVOL/BAB/ILLIQ)、三段预处理(去极值→Z-score→市值中性化)、IC/ICIR 分析、五分位分层回测、等权与 IC 加权因子合成、多空组合 |
+| 5 | `quant_portfolio_optimization_demo.py` (950行) | 组合优化 | Ledoit-Wolf 收缩协方差、有效前沿、5 策略对比(等权/MinVar/MaxSharpe/RiskParity/Black-Litterman)、带行业约束+换手率约束的优化、滚动回测 |
+| 6 | `doc_06_astock_practice_guide.md` | A 股实盘指南 | Demo 到实盘的差距清单、A 股特殊规则(涨跌停/T+1/融券限制/印花税)、回测七大陷阱(前视偏差/幸存者偏差/过拟合等)、风险管理、工具推荐 |
+| 7 | `quant_etf_rotation_demo.py` (849行) | ETF 轮动 | 相对动量轮动、双动量策略(含国债 ETF 避险)、A 股交易成本模型、持仓热力图、换手率分析 |
+
+### 1.3 架构特点
+
+- **合成数据驱动**：全部使用几何布朗运动/因子模型生成模拟价格，无需外部数据源即可运行
+- **纯数值计算栈**：依赖仅 numpy/pandas/scipy/matplotlib/sklearn，无量化框架依赖
+- **双语教学**：代码注释中英文对照，函数 docstring 包含公式推导和直观解释
+- **可视化输出**：每个脚本生成对应的 PNG 图表，共 6 张（约 3MB）
+- **教学级代码**：结构清晰但非生产级——缺少错误处理、性能优化、模块间复用
+
+---
+
+## 2. ETF 轮动 Demo 深度评估
+
+### 2.1 代码审计结论
+
+`quant_etf_rotation_demo.py` 是系列第 7 篇，定位为"入门者可快速用于 A 股实战的策略模板"。以下是分维度评估：
+
+**做得好的方面**
+
+1. **策略设计务实。** 选择 ETF 轮动而非个股选股——ETF 规避了个股黑天鹅（财务造假、退市等），对个人投资者远比 Alpha 选股更可行。双动量策略在熊市自动切换至国债 ETF 避险，契合 A 股"牛短熊长"的特征。
+
+2. **成本模型贴近 A 股实情。** `AShareCostModel` 区分了买入成本（佣金+滑点）和卖出成本（佣金+滑点+印花税），双边合计约 0.22%，年化约 2.6% 的成本拖拽是实盘中不可忽视的数字。
+
+3. **多窗口动量合成减少过拟合。** 使用 12-1、6-1、3-1 三个月度动量窗口的等权合成，比固定单一窗口更稳健。
+
+4. **持仓热力图信息密度高。** 一眼就能看出策略何时从行业 ETF 切换到国债 ETF（避险阶段），以及哪些行业被频繁选中。
+
+5. **代码结构清晰。** 数据生成、因子计算、回测引擎、绩效评估四个模块分离干净，通过 strategy 参数切换三种策略避免了代码重复。
+
+**需要改进的方面**
+
+| 问题 | 严重程度 | 说明 |
+|------|---------|------|
+| 合成数据过于理想化 | 高 | A 股行业 ETF 普遍成立于 2019 年后，历史不足 6 年。Demo 设定的收益/波动参数与真实情况可能存在大幅偏差。合成数据的回测结果**数字不可直接采信** |
+| 动量崩溃风险未量化 | 中 | 文档提到了动量崩溃，但代码中无专门分析场景。趋势反转当月是最危险的时刻 |
+| top_k=3 缺乏敏感性分析 | 中 | 选 2 只和选 4 只的结果可能差异巨大，未展示参数稳健性 |
+| 再平衡日期未考虑日历效应 | 低 | A 股月末/季末存在基金调仓压力，与月中微观结构不同 |
+| 双动量绝对阈值=0 是最简设定 | 低 | 阈值设为无风险利率或滚动均线可能更优 |
+| 无统计显著性检验 | 低 | 未判断双动量是否显著优于等权基准 |
+
+### 2.2 总体评价
+
+这是一篇**质量不错的 ETF 轮动教学 Demo**——策略逻辑清晰、成本模型务实、图表信息量大。适合作为入门者理解"动量轮动"概念的起点。但它仍然是**教学级而非生产级代码**。
+
+**如果要在 A 股实盘使用这个策略，第一步是用 AKShare/Tushare 拉取真实 ETF 日线数据替换合成数据，重新跑一遍——合成数据给的回测结果，一个字都不要信。**
+
+---
+
+## 3. 个人投资者的现实策略频谱
+
+### 3.1 按交易频率分层的可行性
+
+| 频率 | 持仓周期 | 个人可行性 | 瓶颈 |
+|------|----------|-----------|------|
+| 高频 (HFT) | 毫秒~秒 | **不可行** | 需要 colocation、FPGA、专线，年成本百万级 |
+| 日内短线 | 分钟~小时 | **很难** | 需要极低延迟、全职盯盘、A 股 T+1 限制做空 |
+| **中频** | 天~周 | **可行** | 数据可得，决策时间充裕，成本可控 |
+| **低频** | 月~季度 | **最可行** | 成本极低，逻辑清晰，适合业余管理 |
+
+**结论**：周频或月频换仓的策略是个人投资者的甜点区——交易成本可控，不需要盯盘，决策可以批量处理。
+
+### 3.2 不同资金量级的推荐策略
+
+| 资金量 | 推荐策略 | 标的 | 换仓频率 |
+|--------|---------|------|----------|
+| < 10万 | ETF 轮动（动量+估值）| 行业 ETF + 国债 ETF | 月度 |
+| 10-50万 | ETF 轮动 + 股债配置 | 行业 ETF + 宽基 ETF + 国债 ETF + 可转债 ETF | 月度/季度 |
+| > 50万 | 多因子选股 + 资产配置 + 风控层 | 个股(50-100只池) + ETF + 固收 | 周度/月度 |
+
+---
+
+## 4. 中低频策略的核心范式
+
+中低频策略可以归纳为三类，本项目的 Demo 已经覆盖了其中两类。
+
+### 4.1 因子选股 / ETF 轮动（截面策略）
+
+每月/每周对候选池排序，买入排名最高的 N 只，卖出跌出排名的。信号来源包括：
+
+| 因子类型 | 代表性因子 | A 股有效性证据 |
+|----------|-----------|---------------|
+| 动量 (Momentum) | 过去 12-1 个月收益 | ⭐⭐⭐ 中等，行业层面比个股层面更有效 |
+| 价值 (Value) | PE/PB 分位数 | ⭐⭐⭐⭐ 强，A 股中低 PE 策略长期有效 |
+| 质量 (Quality) | ROE、毛利率稳定性 | ⭐⭐⭐ 中等偏强 |
+| 低波动 (Low Vol) | 60/120 日已实现波动率 | ⭐⭐⭐ 中等，A 股低波异象存在但有争议 |
+| 流动性 (Liquidity) | Amihud 非流动性指标 | ⭐⭐ 较弱，小市值拥挤 |
+
+**实际运行流程**：每月最后一个交易日收盘后 → 计算因子排名 → 生成调仓信号 → 次日开盘执行 → 持有到下次调仓。
+
+### 4.2 资产配置 / 风险平价（时序策略）
+
+不是选哪只股票，而是决定**股票 vs 债券 vs 商品各配多少**。常见做法是每季度再平衡一次，回归目标权重。代表模型：
+- 风险平价 (Risk Parity)：桥水全天候策略的理论基础
+- Black-Litterman：贝叶斯框架混合市场均衡 + 主观观点
+
+### 4.3 宏观择时（时序策略）
+
+根据宏观指标决定整体仓位。几组实用指标：
+- 利率趋势（10 年期国债收益率方向）→ 利率下行利好股票
+- 信贷脉冲（社融增速变化）→ 信贷扩张期股票表现好
+- CPI 方向 → 高通胀环境利好商品/价值股
+
+这类策略一个月看一次数据即可，和日常生活节奏完全兼容。
+
+---
+
+## 5. 情绪因子与突发事件量化
+
+### 5.1 情绪因子：可以量化，而且是重要的 Alpha 来源
+
+Demo 中用的价格/成交量/波动率都是"硬数据"，但"软数据"在很多场景下提供了独立于价格的预测信息。
+
+| 数据源 | 因子示例 | 数据获取 |
+|--------|---------|---------|
+| 北向资金流向 | 每日净买入额及其滚动均值 | 沪深港通公开数据，AKShare 直接获取 |
+| 融资融券余额 | 融资余额变化率（反映散户杠杆情绪） | 交易所每日发布，AKShare 直接获取 |
+| 涨停/跌停家数 | 市场宽度指标（涨跌比） | 全市场统计，可自行计算 |
+| 成交量比率 | 放量/缩量程度，量价背离 | 价格数据可算 |
+| 50ETF 期权隐含波动率 | 中国版 VIX 恐慌指标 | 期权数据 API |
+| 龙虎榜数据 | 机构 vs 游资买卖方向 | 交易所盘后披露 |
+| 股指期货升贴水 | 基差率反映市场多空情绪 | CFFEX 数据 |
+| 新闻文本情绪（进阶） | NLP 对财经新闻标题做情感打分 | 大模型 API / 本地模型 |
+
+**务实建议**：个人投资者从**北向资金流向**和**融资余额变化率**两个情绪因子起步——数据免费、逻辑直观、A 股文献支持多。NLP 新闻分析属于锦上添花，初期不必碰。
+
+### 5.2 突发事件的量化处理
+
+突发事件（政策发布会、国际冲突、突发新闻）很难用传统量价因子捕捉，但有三种处理思路：
+
+1. **事后过滤而非事前预测（最务实）**：不试图预测事件发生，而是在事件发生后检测异常波动并自动暂停策略。本项目 `quant_data_pipeline_demo.py` 中的涨跌停标记就是一种"flag and skip"模式——标的触发涨跌停 → 标记 → 策略层跳过该标的。
+
+2. **波动率缩放**：当已实现波动率突然放大（说明有事件冲击），自动降低仓位。实现简单、效果扎实：
+   ```
+   目标仓位 = 基础仓位 × (目标波动率 / 近期已实现波动率)
+   ```
+
+3. **文本情绪监控**：用大模型对财经新闻标题做情感分析，构建日频情绪指数。当前有大模型后门槛大幅降低——可以用本地模型批量打分。属于"另类数据因子"的范畴，初期可选。
+
+---
+
+## 6. 从 Demo 到实盘：平台与工具链
+
+### 6.1 三条实现路径
+
+Demo 代码在本地跑跑看图表是"研究阶段"。实盘涉及三个层次：
+
+```
+┌──────────────┐     ┌──────────────┐     ┌──────────────┐
+│  研究平台     │ ──▶ │  执行平台     │ ──▶ │  券商终端     │
+│  因子→回测    │     │  信号→订单     │     │  成交回报     │
+└──────────────┘     └──────────────┘     └──────────────┘
+```
+
+**路径一：Python 开源框架 + 券商 API（最主流，推荐）**
+
+| 框架 | 定位 | 特点 |
+|------|------|------|
+| **vnpy** | 全栈交易框架 | 对接国内券商 CTP/XTP 接口，支持 A 股/期货/期权实盘，社区活跃 |
+| **Backtrader** | 回测为主 | 灵活的事件驱动架构，实盘对接需自行开发 |
+| **Qlib** (微软) | 因子研究 | AI 驱动的因子挖掘和模型训练，适合因子研究阶段 |
+| **Zipline-Reloaded** | 回测引擎 | 事件驱动架构完善，但 A 股生态较弱 |
+
+典型工作流：
+1. 在 Qlib 或自定义代码中做因子研究 ← **你现在的阶段**
+2. 用 Backtrader 做精细回测（含滑点/冲击成本模型）
+3. 用 vnpy + 券商仿真环境做模拟交易（纸交易，至少跑 1-2 个月）
+4. 确认策略行为正常后，接入小资金实盘（不是全仓！）
+5. 策略稳定运行 3-6 个月后，逐步增加资金
+
+**路径二：在线量化平台（低门槛）**
+
+| 平台 | 特点 |
+|------|------|
+| 聚宽 (JoinQuant) | 网页端写 Python 策略，内置回测 + 模拟交易，社区教程丰富 |
+| 米筐 (RiceQuant) | 类似聚宽，数据质量和覆盖更优但偏机构 |
+| 掘金 (MyQuant) | 支持本地化部署 + 实盘，灵活度更高 |
+| BigQuant | AI 导向，可视化拖拽搭建，适合不想写代码的投资者 |
+
+优点：数据现成、回测环境标准、模拟交易一键启动。  
+缺点：策略代码运行在平台上，灵活性受限；实盘通常走指定券商。
+
+**路径三：券商自带量化终端**
+
+| 券商 | 平台 | 特点 |
+|------|------|------|
+| 华泰证券 | MATIC | 内置因子库 + 策略模板，适合入门 |
+| 中泰证券 | XTP | 极速交易接口，面向程序化交易 |
+| 国信证券 | iQuant | 类似聚宽的在线平台 |
+| 中信建投 | 蜻蜓点金 | 量化策略商城模式 |
+
+### 6.2 Demo 代码到实盘需要增补的模块
+
+以 `quant_etf_rotation_demo.py` 为例，从 Demo 到可实盘运行，至少需要做：
+
+| 步骤 | 内容 | 优先级 |
+|------|------|--------|
+| 1. 替换数据源 | 合成数据 → AKShare/Tushare 真实 ETF 日线 | 必须 |
+| 2. 接入交易日历 | 使用 `exchange_calendars` 或 A 股专用日历 | 必须 |
+| 3. 信号与执行分离 | `run_rotation_backtest()` 拆成"信号计算"+"订单执行" | 必须 |
+| 4. 仓位校验 | 检查涨跌停、停牌、流动性、最小交易单位 | 必须 |
+| 5. 风控层 | 单只 ETF 最大仓位、最大回撤止损线、连续亏损暂停机制 | 强烈建议 |
+| 6. 日志与告警 | 调仓清单输出、异常情况推送（企业微信/钉钉/邮件） | 强烈建议 |
+| 7. 模拟交易验证 | 在真实券商仿真环境跑 1-2 个月 | 强烈建议 |
+| 8. 参数稳健性检验 | 对 top_k、回望期、再平衡频率做敏感性分析 | 建议 |
+| 9. 绩效归因 | Brinson 归因 / 因子归因，确认收益来源 | 进阶 |
+
+---
+
+## 7. 推荐学习与实践路径
+
+### 7.1 推荐的策略选型（最可行的组合）
+
+```
+核心仓位：月频 ETF 行业轮动
+   ├── 信号：动量 (12-1M) × 估值 (PE 分位数) 双信号过滤
+   ├── 避险：绝对动量为负 → 切换至国债 ETF
+   ├── 增强：北向资金流向 + 融资余额变化作为情绪因子
+   └── 风控：波动率放大时自动减仓（波动率缩放）
+
+再平衡频率：月度（每月最后一个交易日出信号，次日开盘执行）
+预期年换手：6-10 次双边
+预期年化成本：约 1.5%-2.5%（含佣金+印花税+滑点）
+```
+
+### 7.2 分阶段学习路线
+
+| 阶段 | 时间 | 目标 | 对应 Demo |
+|------|------|------|-----------|
+| ① 概念建立 | 1-2 周 | 理解数据→信号→回测→优化的完整链条 | 全部 7 篇 Demo |
+| ② 数据实战 | 1 周 | 用 AKShare 拉取真实 ETF 数据，替换合成数据重新验证 | Demo 1 + 7 |
+| ③ 因子研究 | 2-4 周 | 在真实数据上计算因子 IC，找到有效的因子组合 | Demo 4 |
+| ④ 回测验证 | 2-4 周 | 在 Backtrader/vnpy 中实现完整回测，含交易成本 + 参数敏感性 | Demo 2 + 3 |
+| ⑤ 模拟交易 | 1-2 月 | 在券商仿真环境中每日自动运行，记录所有交易和意外情况 | — |
+| ⑥ 小资金实盘 | 3-6 月 | 用总资金的 10-20% 试跑，严格记录绩效 | — |
+| ⑦ 规模扩大 | 持续 | 策略稳定后逐步加仓，持续监控绩效归因和风格漂移 | — |
+
+### 7.3 最重要的提醒
+
+> **如果一个策略你不能用三句话解释清楚为什么它会赚钱，就不要投钱进去。**
+
+量化策略的核心不是代码有多复杂，而是**你理解策略赚的是谁的钱、在什么市场环境下会失效、最大可能亏损是多少**。
+
+Demo 给你的是知识地图，不是提款机密码。实盘中最重要的是**仓位管理和风险控制**——一个夏普比率一般的策略配合严格的仓位纪律，远好于一个夏普很高的策略加上随意的主观干预。
+
+---
+
+## 附录：关键术语速查
+
+| 术语 | 英文 | 含义 |
+|------|------|------|
+| 截面策略 | Cross-Sectional Strategy | 在同一时间点横跨多只股票比较和选择 |
+| 时序策略 | Time-Series Strategy | 对单一资产做择时（何时进、何时出） |
+| 动量崩溃 | Momentum Crash | 趋势突然逆转导致动量策略大幅亏损 |
+| 换手率 | Turnover | 组合中资产被替换的比例，越高成本越大 |
+| 纸交易 | Paper Trading | 使用真实行情但虚拟资金进行模拟交易 |
+| 前视偏差 | Look-Ahead Bias | 用"未来数据"做回测决策导致的虚假高收益 |
+| 幸存者偏差 | Survivorship Bias | 只用当前存活的股票回测，忽略了已退市的股票 |
+| 风格漂移 | Style Drift | 策略实际持仓偏离了其宣称的投资风格 |