2026-07-11 08:00:00

为什么要做这个产品

去年在券商自营工作时，我时常怀疑全球大类资产配置的合理性：所谓「配置」，难道只是给买入持有和不定期调仓披上一层合理化外衣？做过一轮研究后，我得到三条结论：

• 在不考虑极端股债双杀的前提下，配置盘里必须有一定比例的资产，在大部分时间与其余持仓呈零相关或负相关。
• 买入多个波动高度相关的资产，只是形式主义：既没有分散系统性风险，也没有降低集中度，安慰剂效应居多。
• 再平衡调仓不一定带来 Alpha；它本质是风险管理。若不调仓，组合会被动承担比预期更多的风险。

那时我认为，传统四象限风险平价早已过时，更该用《因子投资》里的方法，把宏观、行业、市场预期自上而下映射成因子再回测——详见《浅谈风险平价模型》。今年想法有所修正：很多机构和散户并不执着于资产之间的严格独立性（即对协方差矩阵做极致优化、规避多重共线性）。若目标函数只是「持有一篮子核心资产，并通过组合管理平滑单位净值曲线」，而不再纠结流动性危机、股债双杀等尾部情景，那么这个需求其实有一套相对确定的解法。

身边同事和朋友真正需要的，往往是：能控制最大回撤、追求缓慢而稳健的财富增值、不必盯盘、调仓频率较低的投资组合。市面上几乎没有对症的产品；即便有，也多停留在簿记、风控指标、基金绩效计算等基础功能——毕竟多数工具服务于卖基金场景的财富管理产品，用不上复杂的组合优化。

于是我下定决心：把原本只在 Python 环境里跑的风险平价组合管理与回测程序，做成可交互的 Web 产品。顺带把 Alpha 策略和场外衍生品对冲管理里常看的股指期货年化升贴水，以及场外期权结构化产品定价，一并放进系统，方便投资者和研究者查阅使用。

产品介绍

• 产品官网：https://xushilu.com
• GitHub 仓库：https://github.com/hxlog/balanced-portfolio

Balanced Portfolio 是一套基于桥水基金风险平价思路的投资组合管理与回测系统，同时提供中金所股指期货描述性统计，以及场外自动敲入敲出（autocallables）结构化产品定价。

主要功能：

• 风险平价组合管理与回测：按 GDP 增长 / 通胀二分法划分四象限，在四种经济情景下配置该情景占优的品种。优化算法支持最大化夏普或 Sortino；方法包括象限内最大优化指标 + 象限间等风险贡献、全资产风险平价、全体最大化优化指标、按优化指标分配风险预算共四种。输出含优化权重、净值、调仓记录、风险指标、相关性与绩效归因。
• 中金所股指期货数据看板：跟踪 IF、IH、IC、IM 及对应指数，按同一交易日口径展示收盘快照、期限结构、历史年化升贴水与统计分位。
• 场外结构化产品定价：覆盖雪球、凤凰、气囊与障碍类产品，支持 Monte Carlo、BSM、积分法定价；输出公允价值、PV、PoL、Delta / Gamma / Vega / Theta / Rho，以及存续路径状态。
• 机构级可视化：把常用金融工程方法做成开箱即用、可交互的分析与回测界面。

风险平价管理界面

股指期货界面

场外衍生品定价界面

风险平价方法论

基于桥水基金创始人达利欧（Ray Dalio）的风险平价框架，把全球大类资产按宏观周期放入四象限，以历史波动率与协方差为风险度量，目标是构建长期夏普比率大于 1 的全天候指数组合。

下文按顺序说明：风险平价定义、四象限假设、四种优化方法与求解器、回测与再平衡、交易成本、绩效归因、相关性展示，以及我对模型有效性的看法。

风险平价（Risk Parity）

传统组合常按资金等额或主观比例配置，结果往往是少数高波动资产贡献了组合绝大部分风险——典型的「看似分散、实则集中」。风险平价反其道而行：让每个资产（或每个象限）对组合总波动率的边际贡献尽可能相等，从而在风险维度上真正分散。

形式上，资产 $i$ 的边际风险贡献为

其中 $\Sigma$ 为协方差阵，$w$ 为权重，$\sigma_p$ 为组合波动率。等风险贡献（ERC）即对所有 $i,j$ 有 $\text{MRC}_i = \text{MRC}_j$。

系统用过去 N 个交易日（默认 156）的日收益方差 / 协方差作为风险输入，约覆盖大半年市场状态：既足以估计二阶矩，又尽量避免把过时的相关性、或对近期噪音的过拟合，一并带进决策。

需要强调：风险平价并不以最大化历史收益为目标，而是追求风险调整后收益的稳健性。因此最终优化目标统一落在最大化夏普或 Sortino。象限之间再平衡风险预算，是为了让组合穿越宏观周期，而不是押注单一环境。

经济情景四象限

经济环境沿「增长」与「通胀」两个维度循环，两两组合得到四种宏观象限。不同资产在不同象限表现占优：增长上行利于权益与商品，通胀上行利于商品，通胀下行利于债券与成长股；经济下行时的占优配置缺少统一理论，故因人而异。

在四个象限中各放入一类「在该象限占优」的资产，再用风险平价分配风险预算，即可得到对单一环境不那么敏感的全天候组合。

若你认为债券和黄金应当长期持有，可以在每个象限都加入它们——这通常不会破坏框架。反过来，若象限内样本过少或多重共线性严重，协方差可能退化（破坏正定性），优化器便难以收敛到「权重之和等于 1」的可行解。

同一资产可以出现在多个象限（例如商品同时用于过热与滞胀对冲）。系统允许标的跨象限重复；在象限层面做风险平价时，这种重叠暴露会自然体现。

将哪些占优资产正确地放入四个象限，是该策略最核心的假设与参数。

四种优化方法

每个组合可任选以下四种方法之一；后台异步任务会同时算出四种结果，便于对照。

比率指标可在夏普比率与 Sortino 比率之间切换（默认夏普）。约束统一为长仓 $w \ge 0$、$\sum w = 1$，并可设单资产集中度 max_weight（默认 33%；品种较多时可调至公募常见的 20%）。不建议超过 33%。

为什么要在波动率平价之外引入夏普 / Sortino？因为波动不完全是坏事：拿固收与权益的绝对波动直接比权，往往没有意义——承担风险可能换来更高期望收益。最大化夏普（收益 / 波动）或 Sortino（收益 / 下行波动），是在风险预算与收益质量之间找平衡。

默认的象限内最大指标 + 象限间风险平价优化方法，据我所知在公开工具里并不常见。桥水强调的是：不猜测未来经济落在哪个象限，而是问“不同情景下谁受益、谁被杀估值“。把占优资产放进对应象限后，情景内追求指标最大化，情景间假设四种宏观状态概率相近并做风险平价———请不要尝试当一名经济学家去预测未来。

为避免协方差退化，建议至少输入 5 种以上走势相对独立的品种；否则在权重之和为 1 等约束下，可能找不到最优解。品种越少，回溯窗口（建议超过 1 个月）和回测区间（建议至少 2 年）越应拉长。

求解器实现

• ERC / 风险预算：Spinu 循环坐标下降（CCD）闭式迭代。每次固定其余权重，对单一资产有闭式更新，收敛快、精度高于通用规划器，且无需求逆。
• 最大比率：SLSQP 约束规划；支持热启动（以上一交易日权重作 $x_0$）与预算入参（回测逐日传入预计算的 cov / mean），使逐日调用只需一次热启动求解。
• 比率可选夏普（对称波动）或 Sortino（仅下行波动），影响最大比率目标与单资产风险预算的计算口径。

回测系统

回测采用单位净值法，逐交易日推进，并严格隔离未来信息：

• 决策与结算时序隔离：每个交易日 $t$，先用滚动 156 日窗口（仅使用 $\le t$ 的数据）重算最优目标权重；当日 NAV 用当日收益 $r_t$ 更新；新权重自 $t+1$ 起生效——「今日决策、明日执行」，决策与收益结算不共享未来信息。
• 成分逐步纳入：$effective\_start = \max(\text{用户 start},\ \text{首个} \ge 1\ \text{个资产满足}\ min\_window\ \text{历史的交易日})$。历史不足的品种权重暂为 0，不拖后全体起点；待其历史累积到 min_window（默认 60 日）后自动纳入。
• 再平衡触发：任一品种的实际（漂移）权重与当日最优目标偏离超过 rebalance_band（默认 5 个百分点，绝对值）时，整体再平衡回当日最优，确保调整后无任一品种偏离超过 5%。默认满仓；若有剩余资金按目标补足，分红通过复权序列再投资。
• 性能：用前缀和滚动维护每日窗口的均值 / 协方差（$S_1$、$S_2$ 加减），将逐日成本从 $O(window \cdot n^2)$ 降为 $O(n^2)$；优化器以上一交易日权重热启动，避免重复冷启动。

即使回测结束日之后的未来价格发生变化，也不会改写该日之前的 NAV 与历史权重；日常只需对新增交易日做增量回测。

交易成本

回测可按组合设定三项费率，仅在触发再平衡时扣费，按比例从当日单位净值中扣除：

设再平衡日权重变化 $\Delta w = \text{目标} - \text{漂移}$，记 $turnover = \sum |\Delta w|$（买 + 卖双边绝对值之和）、$sell\_turnover = \sum \max(0, -\Delta w)$（净减仓），则：

即：建仓 / 买入缴手续费 + 滑点；卖出缴手续费 + 滑点 + 印花税。这是比例换手模型，用于研究级摩擦近似，不含印花税分档、最低佣金等非线性规则。

基于 Brinson 思路的绩效归因

Dashboard「绩效归因」将区间总收益拆为四个可加桶。实现受 Brinson 业绩归因启发，但不是经典 Brinson–Fachler 的「相对基准行业配置 / 选股 / 交互」三分法；此处「截面选择」指按组合自身平均权重静态持有时的结构贡献，请勿与研报中的选股 Alpha 划等号。

每个交易日（税前）恒等成立：$\text{Beta} + \text{截面选择} + \text{时序调仓} = \text{组合日收益}$。跨多日用 Carino 对数链接将日度效应累加为几何总收益，使各桶可加且合计贴近区间总收益。若设置了交易成本，残差会明显反映费用；未设成本时残差应接近 0。

Dashboard 图表包括：收益拆解瀑布（四桶逐步累加到组合总收益）；各资产收益贡献拆为静态（选品）与调仓（择时）两列；逐次调仓贡献展示每次再平衡持有区间的几何收益及对总收益的链接贡献。

相关性与协方差矩阵

Dashboard 展示近回溯窗口（默认 156 日）内各成分日收益率的相关系数与年化协方差。相关系数 $\in [-1, 1]$，衡量收益同向或反向程度；分散化时追求低相关或负相关（相关不等于因果）。协方差绝对值越大，共同波动越强；风险平价优化器直接使用协方差阵。成分较多时可勾选子集查看，默认展示跨类别（指数、ETF、债券、商品等）的多样化样本。

模型有效性：我怎么看这套假设

若以历史 N 日波动率作为风险，波动低时买更多、波动高时卖出，行为上会接近某种「反波动趋势」：下跌时波动往往比上涨时扩张更快。因此，风险平价更适合具备买入并持有逻辑、呈现慢牛或周期性特征的资产；一句话——尽量避开历史上大部分时间都在阴跌的品种。

N 怎么取？我更推荐中长期用 156 个交易日滚动估计，调到 89 日通常也大差不差。窗口不宜过小（例如 15 日），否则模型容易过拟合近期噪音，而不是刻画样本区间内的统计特征与资产间相关性差异。也可以用机器学习在不同区间搜索「最优 N」，但很容易过拟合，实盘未必更好。

股指期货数据看板

中金所（CFFEX）四大股指期货——IF（沪深 300）、IH（上证 50）、IC（中证 500）、IM（中证 1000）——的收盘监控与历史升贴水分析。

该功能受 Alpha / 多空策略 / 期权对冲管理启发：交易员需要盯基差与贴水，决定交易哪份合约，以降低对冲成本。因此除基本行情外，系统还会计算年化升贴水率、综合升贴水率、分位值等描述性统计。

升贴水率反映期货对现货指数的偏离：

• 正值 = 升水：期货高于现货，常见解读是市场对未来偏乐观。
• 负值 = 贴水：期货低于现货（如 IC、IM 长期深贴水）；持有期货多头可能获得展期收益。

基差（Basis）= 现货指数 − 期货价格，与升贴水率互为相反数。年化升贴水率按剩余天数折年：

为规避当月合约临近交割的价格异常，平台采用加权合成口径：

即只看次月与当季，完全排除当月权重——在保留期限结构信息的同时，削弱到期日前后基差剧烈波动带来的噪声。

数据更新机制

• bp_ingest 调度器每 BP_CFFEX_SYNC_HOURS 小时（默认 2h）通过 akshare get_futures_daily 增量拉取 CFFEX 日行情；有新交易日则落库并重算升贴水，无增量则跳过。
• 前端读取最新交易日收盘快照，标注「已收盘」与数据日期时间；页面挂载时拉取一次，无轮询。
• 后端以 Redis 30min TTL 缓存收盘快照，多客户端并发时只打一次库。
• 前端 ECharts 支持时间轴拖拽缩放，以及叠加指数价格的双轴对比。

场外结构化产品定价

场外期权自动敲入敲出(autocallables)结构化产品定价与簿记模块，覆盖雪球、凤凰、气囊、障碍四类常见结构。

观测与日历

• 敲入（KI）：按 A 股实际交易日路径逐日观测（离散），未来交易日需人工维护，明年的需要等到年底交易所公布节假日安排。
• 敲出（KO）：仅在月度敲出观察日收盘判定，观察日之间上穿敲出线不构成敲出事件，且锁定期内不安排敲出观察。
• 非交易日观察日按下一交易日递延。路径步长按实际交易日（默认252个交易日）折现。

票息与计息

雪球采用双票息约定：

• 敲出票息（coupon_out）：在敲出观察日触发敲出时，按一年365天年化应计支付。
• 红利 / 期末票息（coupon_div）：存续至到期且未敲出、未敲入时支付。

凤凰为条件派息结构；气囊 / 障碍按参与率与障碍类型结算。

估值状态与终止

估值日根据已实现路径判定状态：alive存续 / knocked_in敲入 / knocked_out敲出 / expired到期。

• 已敲出：合约终止，现值记为 0，当前盈亏锁定为已实现敲出票息；示意图截断至敲出观察日。
• 已敲入未敲出：按敲入后条款继续估值。

技术栈与实现故事

系统分四层：

akshare → bp_ingest（落库 / 清洗）→ PostgreSQL 18 + TimescaleDB → bp_api（FastAPI 量化引擎）→ web（Next.js）

我本来就有投资组合管理与风险计量的经验，写博客时也熟悉 Next.js 与 React；今年跳槽后又补上了数据开发、数仓与模型交互。真正吃力的是后端接口层：我把从前做组合优化的 Python 脚本交给 Claude Code + GLM / DeepSeek 协助生成 ORM 与 API，后端仍是 FastAPI。产品原型用 Figma 出图，前后就只花了两周打磨出可用版本。

行情方面，A 股、指数、ETF、全球指数与期货数据主要走 akshare。东方财富反爬较严，优先用新浪与腾讯源；加 Cookie 也未必管用，且有限速。因此产品不会默认拉取全市场品种落库：需管理员在资产管理菜单添加品种，或直接改 bp_index_config 表。仓库 DDL schema 里已预置一批主流指数与 ETF，方便起步。

写在最后

Balanced Portfolio 不是「保证赚钱」的黑箱，而是一套把风险平价假设、优化约束、再平衡与摩擦成本写清楚、跑得出来的工具。我把它开源并写成这篇长文，是希望同样在琢磨配置与回撤的人，能复现、能质疑、能改参数。让更多人了解怎样才算是分散风险，为什么买多个品种不等于分散风险，协方差矩阵什么时候失效。

我选择将它开源并写下这篇长文，是希望所有同样在死磕投资组合优化和资产配置管理的朋友，能够无缝复现、敢于质疑、自由调整参数。

最后，欢迎大家试用产品（测试账号与密码均为：test1）。目前暂不开放注册，主要是因为服务器资源有限，回测任务极度消耗 CPU 和内存。不过产品完全开源，我也在文档中提供了详细的本地部署方案。

Balanced Portfolio 这个产品，是我对毕业后在券商自营工作两年多生涯的一个交代，是阶段性的终点。

• 产品官网：https://xushilu.com
• GitHub 仓库：https://github.com/hxlog/balanced-portfolio

2026-03-07 20:00:00

写在离职前

叔本华认为人生是悲观且虚无的，人生像摆钟，在痛苦与无聊之间摇摆，当欲望得不到满足时就痛苦，当欲望得到满足时就无聊。

我是因为工作过于无聊而选择离职的，无聊比单纯痛苦更折磨人。当我意识到就连时间的流逝都逐渐加快时，就知道这里已经不再有什么新事物值得我投入了。

曾经在大学里熬夜翻文献、写thesis和做presentation slides都没这么感到如此无力，因为在读书期间，目标和方法都是明确的，人只要愿意被规训或服从某种秩序，按照规则工作就能获得奖励。虽然在职场环境里和在学校里一样是处处受限的，但是职场多了选择和放弃的权利，有机会成本就会有遗憾。其实我是不想离开这个给自己有安全感的地方，但我知道时间久了，人是会神奇地适应恶劣的环境，逐渐失去说真话的能力，无法活在真实中，直到认知退化成被人讨厌的老登。

知晓天空之蓝的人大多知晓大海的广阔，但由于各种原因未能亲眼看到宽阔的海洋，但不亲自去尝试一定会留下遗憾。

我从不认为逃离故里这件事是值得赞扬的，因为逃离家乡的人可能无法与原生环境和解，更像是逃难。人会受到家庭、人脉圈子、社会文化等因素影响，生命生而自由，却无往不在枷锁之中，会发现自己不知何时多了这个地方的恶习，如官僚文化常见的改口径、甩锅和撇清责任，所谓融入环境里是非常可怕的事情。

我提辞职是犹豫了大半个月，使我困惑的是对自己想法不自信、做事犹豫不决的自己。我习惯了依靠理性去做决策，因为我是内心软弱和情感敏感的，我永远记得做交易的教训与经验：在交易之前就必须权衡好盈亏比、胜率和频率，并设置好止盈与止损线，有纪律地去执行，因为有了仓位后的交易者是难以保持理性的，这里边有贪婪恐惧的情绪，也有基于过去生活经验固有的认知偏差。

我离开是为了执行止损这一操作，去年就给了自己一个deadline：职场氛围和工作内容没发生本质改变就离开。因为公司是采用类似日本年功序列的制度，所谓资质是靠Title和熬出来的，相对应的是，真有本事的人就不会一直待在这里了。有的同事有才华但得不到重视，熬下来的同事的技能偏好已经和这家公司捆绑，基本不会主动去学新的技能，还有有毒的内部审计、内核管理和风控合规文化。客观来看这是优秀的大企业管理，有标准化的工作流程和高度集中的业务发展，还有一丝不苟的内控管理，只是我自己不喜欢这套制度，把人限制的太死，没有任何创新的空间。

尽管我非常不想承认这两年多的学习与付出都是无意义的，但能做的只有截断亏损，主动做出改变换个环境。到新的领域里相当于转行了，新的工作不再和机构投资工作有关，意味着要放弃这两年多大部分的专业积累。庆幸的是没用上《发布证券研究报告》的资格，不然就是天天生产数字垃圾（指研报）。

放弃是人类的高阶智慧，不因沉没成本而套牢，不被舒适安全感所奴役，不因过去的自己而困惑。

我会把我这两年多学到的所有专业知识和二级市场经验没有一丝保留地记录下来，算是对证券行业祛魅了：二级市场没有秘密，只有信息差和认知差距。

券商自营权益在做什么

券商自营业务在整个“买方”都属于冷门且不入流的角色，一方面隶属于国资委系统，资金风险偏好保守，另一方面因券商有经纪资管等业务带来近乎无风险的收益，内部资金成本（外界可以理解为加权平均资本成本WACC里的税后债务融资成本）一般会比LPR（贷款市场报价利率）高，用自有资金投资追求市场收益，既要吃Beta和Alpha，又要控制波动和最大回撤，是难以权衡资金成本和市场机会的。在这种体系工作过的人都知道，鱼和熊掌都要的管理是非常危险的操作，结果是暴露大量被低估的肥尾风险（在期望分布的曲线中，尾部区域比正态分布更粗长）。

我把券商自营权益类业务分为以下几个核心业务，风险从小到大：

做市业务

一言以蔽之，做市是一门需要特许经营权的牌照业务。竞争者有限，策略与技术要求不高，但和量化交易一样吃机房硬件和交易系统。

对冲管理

在股转、北交所、科创版市场，标的做市难以找到合适衍生品对冲或无法对冲，暴露净多头，本质上是一种主观多头投资，做市赚价差增厚收益。

ETF、LOF基金做市，主要风险在于对冲管理，股指期货IC、IM常年深贴水（IM贴水大部分时间年化8%以上），这里面分为能完全对冲和无法对冲的：

• 近乎或完全对冲的品种，像沪深300、中证500等宽基指数是能直接用股指期货对冲Beta，中证A500约等于沪深30+中证500+（两者都没交集的，占约1%-3%），若无股指期货可用挂钩ETF的期权，根据期权平价公式，卖出N份平值看涨期权 + 买入N份平值看跌合成出来的损益曲线是线性的，和股指期货空头类似，只需要做好组合Delta管理与期权合成基差（升贴水会折算到期权权利金内），这类大部分敞口都能找到合适对冲标的的风险就只有基差，整体做市盈亏 = 价差 + 经手费返还 - 股指期货对冲成本 - 交易费用 + 来自基金公司的流动性收入；
• 不能完全对冲的品种，像各种行业、风格策略类ETF，可能和IC、IH、IF、IM的权重股几乎没交集，只能通过计算相关系数来判断现货与对冲端的相似性，选择过去1-3年行情分别计算Pearson线性和Spearman秩相关性，两者系数在0.7以上被认为是有高相关性，可考虑等额市值对冲。尽管如此，不同ETF与对冲标的的Beta大小不同，Beta = 现货与对冲标的日收益率的协方差 / 对冲标的的方差，Beta越大则对冲越多，按照这个逻辑来对冲，剩下不可对冲的就是Alpha或残差；
• 净敞口动态管理，既然必定存在无法被完全对冲的部分，那么可以利用做市的机制，每天只留存为满足报价义务的持仓量（保守在300-500万之间的持仓市值），将此设为下限，使用多因子模型，目标函数是做市标的与对冲标的相对Alpha收益率，通过调整一篮子基金组合中不同基金的权重，通过日频截面上的选择获取更多的Alpha增厚做市收益；
• 无法对冲的品种，像一些QDII和商品类ETF是T+0机制，有时标的换手率会超200%，只需要通过控制买卖价差尽可能“做平”，控制隔夜敞口，加上场内外申赎套利，理论收益比上述几种都要多。

场外衍生品

互换业务和场外衍生品业务是机构投资者bug级别的工具，券商与同行交易只占用极少的保证金甚至无需缴纳保证金，几乎无资金成本，与同行先后双方信评再授信，以信用换取杠杆，只占用公司负债表和证券公司层面风险指标。

收益互换

• 收益互换卖出方作为融资工具，存续期间内能挪用对方的保证金进行二级市场交易，期末支付约定好的增强收益，如果预期远期市场基差 + 资金成本 < 约定增强收益，那么这笔互换就值得做，所以本质上是在做远期的基差交易。如果卖出名义本金1亿元挂钩中证500的收益互换，大概就用1300万的保证金开IC多头吃贴水，然后留1000万补保证金，剩下的7500万可自由支配；
• 多空收益互换（Direct Market Access简称DMA），做多一篮子股票作为保证金，根据交易对手方的券池选股进行融券并支付券息，采用反向的多因子策略，目标函数是跌幅或跌幅Rank，采用双方授信，几乎不占用资金，做空一篮子股票往往比单纯用IC、IM期货对冲要好；

场外期权

相关书籍：Options, Futures and Other Derivatives 《期权, 期货及其他衍生产品》

相关项目：galatech/pricelib

自动敲入敲出期权产品（Autocallables），主要做雪球、凤凰、FCN、DCN等结构，结构条款有挂钩标的、存续时长、敲入价格、降敲出线（如设置每月敲入线降低1%）、敲出价格、早利票息、红利票息、年化收益率、锁定期、保证金比例、敲出观察日、敲入观察日等要素。

根据Black-Scholes Model期权定价公式，场内外期权的内在价值理论上只由隐含波动率（Implied volatility）决定，因为其他要素都是客观且既定的，二级市场上的IV是由期权价格反推的数值，所以期权交易本质上是对未来波动率进行下注。进而得知，卖空波动率（雪球、卖出跨式期权等）是有限收益、潜在更大损失，反之亦然。

客户下单后，券商交易台要对冲头寸来配平风险敞口，根据雪球产品组合的Delta值用股指期货进行买卖，下跌时逐渐加仓，上涨时逐渐减仓，在敲入价格和敲出价格区间内自动高抛低吸，期初建仓只会用到50%-80%的仓位，接近敲出价格，就要决定是否平仓，若接近敲入价格，就要把仓位加满甚至到达近120%的仓位，由于敲入敲出观察日几乎都是根据交易日收盘价判定，但收盘前流动性稀薄，迅速平仓会承担大量摩擦成本，一般会提前至少半小时根据经验逐步平仓，如果判断错误可能会造成亏损。交易台组合如果遇到组合负Gamma的情况，为了维持组合Delta中性，对冲操作会变得追涨杀跌，不难看出雪球产品是在做多资产的同时做空波动率。

尽管雪球产品提供了一定的安全垫，可以个性化制定敲入价格和敲出价格等条款，但是这些要素都会调整交易台的报价（指票息或年化收益率），场外期权主要用Monte Carlo模拟、PDE有限差分、积分法等方法进行定价。

卖场外衍生品，一般会给客户报更差的票息以留一定的对冲亏损和利润预算，由于个性化的场外衍生品都是非标准化的，它的价格是没有二级市场竞争的，也难以转让。目前券商一级交易商的交易台都有做这个业务提供风险管理服务，也可以给经纪业务定制高风险的结构化理财产品。

如果投资者非常了解以上理论，场外期权是没有必要的存在，散户需要的是交易台承诺的产品票息，但这背后是围绕概率与波动率的游戏，想蹭到交易台的便宜是很难的。

量化多因子策略

相关书籍：石川的《因子投资》

相关项目：微软的Qlib，高盛的gs-quant

简化的业务流程（本人非专职量化开发，仅供参考）：

1. 准备数据：买数据源，接行情接口，检验数据真实性，去NA和null，适当填充，去极值，z-score标准化；
2. 因子挖掘：主要有遗传算法挖因子、基于理论逻辑的表达式两种方法，为了避免泄露未来函数，价格要用后复权（以起始价为基准复权），滚动处理要用rolling()；
3. 因子筛选：预测未来n根K线的收益率或分类结果，与因子值，测Pearson IC、Spaerman IR、IC_IR、单因子回测的夏普比例，然后再测因子间的协方差矩阵剔除共线性的因子，筛选出各自低相关的因子，再用ElasticNet、Ridge岭回归验证因子有效性；
4. 投资组合优化与权重分配：根据因子打分和排序结果选股，根据最大年化夏普、最大Sortino、风险平价、预期波动率、均值-方差优化等方法分配权重；
5. 超参数调整更新因子的权重：用OLS方法分配非线性权重，一般用集成学习（LightGBM、XGboost）会更为稳健，用LSTM（长短期记忆）、TCN（时间卷积网络）等神经网络在大规模复杂数据的处理中表现更好，新兴的端对端学习直接将原始因子作为输入，目标函数是最小化预测误差，因子权重是隐藏在模型参数内，无需人工干预，但需要大量算力、容易过拟合、不可解释，堆砌显卡算力和把数据写进内存（Redis）是为了提高训练和超参的效率，对内存、显存、显卡频率要求高；
6. 反复调整参数、训练、样本外回测；
7. 模拟盘，做上线前的测试，主要解决行情延迟、系统稳定性、控申报速率、信号生成等非策略环节。

Barra风险归因

Barra风险模型（现属MSCI）是量化投资中衡量和管理组合风险的行业标准模型，用于分析量化策略组合的持仓，通过多因子框架将组合收益分解为国家、行业和10种风格因子（如规模、价值、动能等）以及特有风险。

在 Barra 模型中，单一股票 $i$ 的收益率 $r_i$ 表达为：

$$r_i = \sum_{j=1}^{K} X_{ij} f_j + u_i$$

其中：$X_{ij}$：股票 $i$ 在因子 $j$ 上的因子暴露度 (Factor Exposure)；

$f_j$：因子 $j$ 的因子收益率 (Factor Return)；

$u_i$：股票 $i$ 的特异收益率 (Specific Return / Residual Return)。

投资组合的总收益 $R_p$ 是各成分股收益的加权总和，修正后的归因公式如下：

$$R_p = \underbrace{\sum_{j=1}^{K} \left( \sum_{i=1}^{N} w_i X_{ij} \right) f_j}_{\text{因子收益贡献}} + \underbrace{\sum_{i=1}^{N} w_i u_i}_{\text{特异收益贡献}}$$

如米筐提供的CNE5风格因子结构：

通过Barra归因分析，可以将有上百只个股的持仓明细，映射到统一的多因子中。有效拆解基金的收益来源，以及在风格、行业等因子上的风险暴露与偏好，从而将量化这个黑盒的个股变动转化为可解释、可预测的线性回归模型。

委外基金投资

机构和散户有着同样的烦恼，为什么历史业绩优秀的基金（高夏普、Sortino、Calmar比例），钱投进去之后业绩大多都不及预期。

• 首先要搞清楚拟投资基金是什么类型的，这里指的不是股票型、混合型等简单的分类，而是看在做什么市场、品种、行业，具体策略和收益来源是什么（必须要记清楚，它后续如果不按照策略执行就可能有问题）；
• 根据产品说明得到一个相近的业绩参考，例如做指数增强的策略就看挂钩指数的全收益率（含分红再投）；
• 基金经理至少要有3年以上的业绩，一般要求长期年夏普、Sortino、Calmar、信息比例（按策略类型选择指标）等绩效指标大于0.8；

反常识的是，历史业绩不是一个好的绩效指标，公募基金产品介绍底下的风险揭示“历史业绩不代表未来业绩”是客观中立的描述，不只是用来撇清风险揭示的责任。如果投资经理只是抄作业或复制指数，碰上行情好，各种绩效指标也可以看起来不错，所以要通过调研弄清楚历史基金运作多次调仓、选股、择时的依据，判断这一逻辑是否可复用到以后的市场环境中，基金经理是否按照这套方法论严格执行，历史有没有出现过风格飘逸，再看基金的风险管理措施（VaR、波动率、集中度等）。由于大部分基金都不会向投资者披露季频、月频率以下的持仓明细，如果基金换手率较高（年换手率超300%），基于月度、季度的Brinson收益拆解很可能没意义。量化基金做基于Barra模型的因子归因，套利类、CTA、衍生品类的基金重点关注每次净值回撤的特征以及回撤修复周期。

主观多头基金

大部分人评估主观投资经理业绩的方法论都有问题，都在看年化收益率和夏普比例，我认为只有衡量相较市场和行业的Alpha才有意义，不管是Brinson还是Barra或是其他多因子回归模型，把收益拆解出来才是科学的基金研究方法。那靠beta赚钱的投资经理有这么差吗？它是很差，只要买一篮子近期统计上高beta高波动的股票，赶上行情也可以成为炙手可热的爆品，关键在于对历史日收益率序列和持仓明细做归因分析，分为截面上的选股Alpha和时序上的择时能力，这里最重要的是选股。如果基金经理只是抄抄作业，混日子，那为什么不买量化指数增强产品，主观多头基金的投资价值一定要回归到投研上。

另一个常见问题是基金经理只擅长或只懂那一两个行业，拜托，这些人不是散户，是每个交易日都要上班的白领，用着天价授权的Bloomberg和Wind终端，采购着各种卖方服务和行业数据库，却不主动去了解市场上未来高景气度或现在被低估的行业，反而把专注于一两个行业当成基金营销的卖点，这就是基金经理和背后团队的无能的直接体现。用电子竞技的话说，就是又菜又不肯学。我敢负责任说大部分人买的主观多头基金，都是把钱给到一群不可救药的老登团队在打理。在信息完备的前提下，基金公司不仅不应该收管理费，还应该倒贴钱给投资者，投资者更不应该为历史业绩负Alpha的基金支付高达1%的年管理费。

常规套利策略

• ETF申购赎回：2026年1月国家队打压降温，华泰柏瑞沪深300ETF盘中价格一度比IOPV低0.5%+，这时买入基金同时一级市场赎回基金，换成一篮子股票，再卖出，注意其套利成功还要求套利的价差区间至少足够覆盖固定成本和冲击成本，由于当时价差较少，无法吸引足够多的资金套利；
• 期现套利：2024年的924行情，宽基指数空头被轧空，市面上的量化中性策略开始放弃中性，市场情绪高涨叠加大量空头仓位回补，当月IC、IF、IM股指期货合约绝对价差都有2%出头，做空股指期货同时做多一篮子股票，注意是有部分股票涨停无法买入或停牌，需充分考虑市场流动性。

套利的核心逻辑根植于“一价定律”，即同一资产在不同市场的定价理论上应当对等。然而，受市场情绪、认知偏差及流动性差异影响，价差空间（Spread）时常出现。ETF套利正是利用其在一级市场（申赎）与二级市场（交易）之间的定价偏差，配合“T+0”循环申赎机制与现金替代规则，捕捉低风险的绝对收益。

在实际操作中，IOPV（基金份额参考净值）是衡量折溢价的关键锚点。交易所依据基金管理人每日披露的申购赎回清单，按成分股最新成交价每15秒更新一次动态净值。需密切关注清单中的最小申购赎回单位（通常达数十万份，对应数百万资金门槛）及成分股构成。为了应对成分股停牌或流动性问题，机制中引入了“现金替代”方案，其具体规则如下表：

对于“允许现金替代”的证券，管理人会预设现金替代溢价比例。该比例用于覆盖管理人代为买入股票时的不确定成本及手续费。清算时，若预收金额高于实际成本则退还差额，反之则要求投资者补足，这种“多退少补”的机制确保了基金持有人利益的公平性。

具体的套利执行路径分为溢价与折价两种模式：

• 溢价套利：当二级市场交易价格 > IOPV时，投资者在二级市场买入一篮子股票，一级市场申购ETF份额，随后在二级市场卖出份额，锁定溢价。

• 折价套利：当二级市场交易价格 < IOPV时，投资者在二级市场买入ETF份额，一级市场赎回得到一篮子股票，随后在二级市场卖出股票，获取折价收益。

尽管套利在理论上风险极低，但实际收益受限于固定成本（佣金、税费）与冲击成本。由于套利机会稍纵即逝，大规模资金的介入会对价格产生冲击，尤其是流动性较差的成分股会拉大风险敞口。因此，成熟的套利策略必须依托专业的交易系统，实现一篮子股票的高速同步下单，以确保在价差收敛前完成头寸闭环。

对散户而言，只需要掌握场内外转托管以及股指期货（50万元门槛）工具做场内外、ETF与期货、股指跨期套利即可，买卖或场内赎回一篮子股票需要接口和工具，资金量门槛较高，券商经纪有严格的异常交易监测与风控，不推荐做。

常见的投资错误

虚伪的Beta投资者

很多人自诩“自上而下的配置盘”方法论，信奉桥水基金CEO Ray Dalio畅销书两册《原则》中的“21条高原则、139条中原则和365条分原则”、债务危机理论、经济上东升西降等观点。例如做主观多头的通过宏观择时来决定开几成仓，很容易捕捉市场噪音来做非理性的交易，喜欢抄作业（券商研究所的主流观点），高度依赖市场叙事，买近10个高度相关的国内A股宽基和行业ETF品种。因为他们在行业研究方面“深度的几乎啥都不懂，但表面的什么都懂一点”（想不到更好的表述），所以要进一步分散风险，殊不知这些ETF拼凑出来的成分和中证A500相似，而回测结果和实盘都没跑赢指数。如果因为自己不懂而刻意分散，必须吃这份“免费的午餐”，结果是没分散到任何市场风险。不敢重仓很可能是投研深度不够，投研够了但不敢重仓就是投资组合没有体现投资经理的观点，所以分散投资在我这里是下下策，大部分买方都忽视了投研过程的价值。而且考虑ETF挂钩的是市值或某种指标加权的指数，在权益投资上理应比只投资个股要下更重的仓位。

既然过去和现在都在赚宽基指数上涨的钱，主动暴露Beta敞口，那么就应该去买近期Beta更大的品种。不要自欺欺人，靠买“一篮子”股票或ETF来分散风险。如果资产间大部分时间都是同起同落（Comovement）的，说明从一开始协方差矩阵或预期波动率没制定好，才有后面择时控制风险敞口、回撤等问题，所以自上而下的配置与主观择时是矛盾的。主观择时的目的是通过仓位大小来调整组合的波动率和预期最大回撤，如果同时择时与配置，说明对资产间相关性的理解与控制风险暴露这两者都没做好。

有个很简单的检验方法，如果按单位净值计算，买一篮子同起同落的ETF一直跑输指数，算上夏普（日收益率均值/波动率），长期年夏普小于0.8，再看下投资期间内不同资产之间的协方差矩阵，如果大部分资产都表现高度相似，那是客观意义的失败。

我的投资理念更倾向格雷厄姆和多德的《证券分析》，坚定做基本面研究，而不是用自上而下的视角去做层层宏观预测、协方差假设、控波动率和行业筛选。

基本面的局限性

不要用基本面去解释既定发生的价格变化，这个错误从我入职到离职，同事们都在不断重复地犯错。从市场参与者的角度来看，价格波动比叙事产生一定来的更早，而不是先有叙事再有价格；其次是基本面只能在未被市场price in消化的时候对未来做出的合理推测，它不能解释为什么价格还未波动，否则进入了自证陷阱。这也是为什么我们看到长期稳定赚钱的投资经理不会把宏观当作重要因素，反而是更注重K线组合、市场资金面、流动性等微观层面，因为大部分共识性的宏观叙事不能作为择时依据。

举个简单的例子，2026年1月底2月初，国内外的黄金都暴跌了，但在暴跌之前，美债危机、美元贬值、全球主权国家债务积累、贸易去美元化、逆全球化等超长期因素都在近1年内在市场里充分交易甚至全球投资者都有这样的共识，而触发回撤的是美联储降息预期下降、下任美联储主席凯文·沃什独立货币政策、美国政府持续停摆抽水等因素带来美元流动性收紧。如果这时还要用以往这些超长期因素去左侧抄底，那要非常谨慎，因为美元流动性、美联储政策都带来了新的变数，如今市场没有明显预期差。我不是说在2026年2月抄底黄金就一定不对，我想表达的是现在左侧买入比起去年底宏观未被过度交易（未完全price in）时的盈亏比、胜率都要差很多。如果之后继续创新高，且还用超长期因素去解释上涨，那就是自我正反馈。这是很危险的，因为全球的投资者都在参与黄金的定价，黄金要么有新的投资逻辑出现，要么继续有全球投资者（包括央行、机构和散户）的共识，才能继续推动价格，但这个时候大家没有任何信息或认知差了，风险和收益可能是对称的甚至风险更大。黄金是有可能进一步突破2026年1月29日的高位，继续新高，我观察到2026年的黄金价格受美元流动性影响很大，呈现风险资产的特征，预计在流动性危机面前黄金是无法避险的，避险只是叙事，黄金品种的交易比较烧脑，需要持续跟踪。

在热门明星股和热门行业赛道中，Price in的意义是，当利好信息被市场消化后，如果没有超预期的业绩或消息出现，价格将回落，因为这个时候价格取决于下一份财报的二阶导数，即财务指标的增长率的变化率，背后的风险不言而喻。

投研的意义

段永平在2025年的一场访谈中表示：

买股票就是买公司，如果能有1%的人真懂这句话就了不起，做到就更难。投资这个东西很有意思，你闭着眼睛买一只股票拿着，100个人里头，可能有50个人可以挣钱，那这50个人就可以出来讲。但是你要让他重复，他就没有那么容易。我可以教大家一个赚钱的办法，你就买标普500指数，你最后总是赚钱，但是这不等于你就懂了，但你要是真的这样做，其实也表示你是懂了。

尽管大部分非证券从业的投资者都知道定投标普500或盈富基金（恒生指数），那是因为结果导向，买入并持有，这么做就盈利了，非常简单的行为正反馈，难的是如何执行，并且把这套模式复现到不同的市场环境中。

指数投资的投研工作是比较简单的，只需要熟悉指数的编制方法、调仓频率、指数基本面情况、指数估值水平等，唯一的缺点是需要投资者超长期的定投和耐心等待，并相信这么做是有用的。很多投资者会遇到短期下跌不定投或在底部砍仓，所以问题回到投研身上，投研像是调查记者去做事实核查（fact check），因为自己对投资品种不了解，对它的内在价值和估值没有理解，因为无知，自然会因恐惧和贪婪影响操作。如果要执行一个交易计划，要么发自心底里相信这么做是对的，要么理解这个决策的前因后果，逻辑假设检验被证伪时果断止损，在到达计划目标后止盈。

我对投研的理解是，假如是行业研究，应把一个行业主要的上市公司近三年所有的公司公告PDF全都下载下来一页页读，读完之后才有可能构成最基本（入门级别）的理解，不然别人用可比公司法估值却不知道和谁比，不知道BioPharma研发成果能资本化与减值，三张表没一张能读的明白，又或者对行业估值一知半解，也不知道自己赚的是周期还是趋势的钱。所以，投资者或基金经理自己一定要懂行业，买方研究员和卖方研究所服务都无法代替自己去理解商业逻辑，更无法给到所谓信心和信念。在一个信息高度发达的时代，大模型token成本极低，投研Agent也很成熟，如果有人不用Agent投研或采购行业数据库，反而去买券商研究所服务或知识付费课程（带单老师悖论），那么这个人自己就是韭菜。

熟读报表和理解财务科目应该是基本功，就像音乐学科里的基础乐理，没有人会说一个人音乐厉害是因为对乐理理解深刻。同理，把一家公司的三张表、综合表、附录明细表都搞明白了，不代表真的懂了，还要看同行公司的财务情况去对比，例如大部分制造业、运输、核电等行业都是重资产，像银行、保险、券商还依赖资产负债表和净资本的扩张来获得增长，有的行业因重资本性支出而产生壁垒，但不能因为其重资产而否定其价值。财务指标是财务报告期内生产活动汇总的结果，应向前推断，搞清楚目前的业务情况和三张表是否匹配。

不要过度跟踪和解读高频宏观数据，例如在众多物价指标中CPI是最有水分的，美联储政策参考的是PCE（个人消费支出物价指数）年率，而考虑整个经济体的物价水平的是季频的GDP平减指数。中国的CPI数据表里有衣食住行医疗等细分类别，不看总数是因为有一项“其他用品及服务”注水扰动较大。不只是经济，还有行业数据，那些各种未经审计的高频数据只有参考价值，它不能给基本面下定论，因为这些数据代表的可能只是周期或残差噪音，又或是统计口径发生变化。比如美国月度的非农数据频繁“下修”，是因为有年度基期调整、问卷调查反馈延迟等因素造成初版数据失真，加上2025年美国政府停摆多次推迟公布非农报告，这些高时效性的月度数据非常混乱，市场对此的分析方法就是和FOMC利率观察期比对看是否超预期，那怎样才能叫“超预期”？可能美联储主席自己都不知道。过度跟踪和解读高频宏观数据对投资不会有实质性的作用，必须搞清楚是在做基于基本面的投资还是做宏观交易，不要人云亦云。

有人问我之后还是否会从事投资买方工作，我会直接拒绝说不，我不想和这些人一样，从业这么多年，还被困在市场的随机漫步漫步中，用宏观叙事去做短线交易，心态上又非常浮躁，沉不下心去研究一件事物。见过好多个自己从来不用RAG和Vibe Coding的同事，却研究投什么AI应用有关的股票和ETF，自己不尝试去接触新事物，光听别人说，自然是拿不住的，投资经理捕风捉影是有原因的，因为拟投资的行业和赛道太多，自己的专业背景和认知理解无法全部覆盖当下热门景气度高的领域。所以投资业绩是对投研成果的现实检验，应该少看历史和宏大叙事，应用初学者的心态去了解新事物，面向未来，多想投资决策的原因和合理性，了解上市公司的业务在做什么，而不是去问“这个赛道好不好？现在还能投？”

市场韭菜化

市场韭菜化不只是指散户追涨杀跌等非理性行为，而是指全市场参与者的集体降智。虽然二级市场机构中不乏各路专业的名校大佬，但到了这个市场大家都“入乡随俗”，也许他们曾经都有高光时刻，但大多变得犬儒主义，心底里不相信基本面投资，只有写报告和对外交流会讲，实际上是用各种叙事去解释已有的价格变化，当投资经理从用基本面或宏观去解释既定的价格波动时就已经错了。他们大多不会逆向投资，都是群捕风捉影、见风使舵的交易者和赌徒。如果一个市场少数人这么做是不会造成负面影响，甚至会提高市场流动性并抹平价差，大部分资金都这么操作时，就会出现资金抱团少数公司，隔三岔五的行业表现分化现象、市场参与者你追我赶生担心踏空结构化行情，时不时FOMO。如果你不是交易天才，从参与这场愚蠢的游戏时就已经输了。

全市场的集体降智扭曲了市场定价，为量化多因子策略提供了稳定的Alpha来源，投资者的负Alpha等于多因子策略的正Alpha。

年轻人老登化

一些年轻投资者可能曾经在A股市场一度FOMO不幸遭受本金腰斩，得了PTSD，就只敢买老登消费、水电、中特估、央国企红利低波。老登投资不是指价值投资注重安全边际，而是扎堆一些高度确定性、行情处于成熟期甚至衰退期的板块，但他们思想固执，看似风险偏好保守，喜好特许经营权、自由现金流和股息支付，但不看重流动性、相对估值、风险溢价和预期差。

以上两种都是常见的市场参与者使用的策略，这些策略曾经一定是能盈利的，但随着行业环境变化、赛道逐渐拥挤，最终会出现洗盘或踩踏。

市场参与者的思维越来越单极化，机构投资者因考核周期短不得不看长做短，多数散户不愿意主动等待行情，市场环境趋同于韩国和美国那种金融虚无主义，把二级市场当作赌场，平均持股时间越来越短，大概这是所谓新自由主义的弊病。

最后

毕业后花了两年多的时间算是把二级市场给入门了，生活在方寸之地，虽能知晓天空之蓝，但是时候离开了。

后来想了下，是否有下一份工作决定了离职的性质，如果没有下一步的方向，就是所谓裸辞或逃离城市，是完全不同的概念。

说实话，我不怕失业，我更担心的是当前的所作所为都没有意义，尤其是现在大模型与Agent的结合对买方研究员的冲击、我缺少在二级市场上有竞争力的策略等因素。我知道再这样下去迟早都是会被淘汰的，二级市场不如很多人想的光鲜亮丽，大部分证券从业人员都是平庸的，是经不起丛林法则的考验，是因为有了券商各种监管资格和牌照这种特许经营权，才让大家误以为这钱是靠自己能力赚来的，还觉得这行业的各种title有多光鲜亮丽。要是把这些证券从业人员丢到完全市场化竞争的私募基金行业，我的话估计早就饿死了（还是有一定自知之明）。

2025-12-29 08:00:00

工作抉择

尽管今年是在券商自营工作的第二年，但已经进入舒适区，没有更多新事物能让我学，让我感到难受。意识到一旦对工作事项有“非常简单”的感觉，对重复性工作感到厌倦，就可能开始日复一日、年复一年的循环，为了不慢性死亡，我必须做出改变。

投资

今年不少A股和美股里的科技股明显缺乏内在价值或基本面无法支撑当前估值，价格高度依赖流动性支撑的资产和比特币无本质区别，事实证明社会对赌博（Robinhood、彩票、热门股、DraftKings、预测市场polymarket）的需求越来越大。

要做好投资，先从戒赌开始，仓位管理控制最大回撤，就得放弃自上而下的资产配置方法论，回归到基础的行业基本面研究。想好自己要赚哪部分钱，不该赚的一分钱都不要去尝试。有时候自己认知正确就做错，年初中概互联和港股通创新药我就起了个大早，过早止盈。复盘下来，大概是理性的人很可能会认为别人也和自己一样理性，低估了市场的不理性，以至于无法吃到市场带来的溢价，也许这也是基本面的局限性，难以吃到由二阶导超预期和资金驱动的涨幅。

基本面适用于市场未price in的情况，如果基本面已经反应在价格里，未来的价格取决于基本面的二阶导，高风险高波动。基本面只能告诉你过去一段时间行业变化的原因，但价格变化和市场消化基本面变化不是同时发生的，所以市场不一定都一直有效。突发事件和价格变动，对于第三方投资者而言，一定是后者在前，这时价格解释（技术分析）是有效的。记住，基本面只能揭示非常长期的趋势。

我不断问自己，如果回到一年前，根据一年前的公开信息，我还会做出其他改变去买贵金属和美股吗？不会，这些事物超出了一年前我的认知，当时的我只认可被市场低估的CXO生物药和中概互联，再来一次，我也不会把钱投去自己不真正理解的事物，直到我提前做好准备并充分理解投资标的的基本面和风险。

AI

大语言模型不等于人工智能，缺少垂直应用，缺少商业化落地，在C端大模型Token消耗的成本仍然过高。现主力用Github Copilot+Gemini3 Pro，但不认同Vibe Coding的理念，尤其是在开发量化策略时，大模型会丢失部分上下文，在没有额外提示词限制条件下大模型常滥用Emoji、乱加注释以及在Readme.md里写TODO List，也没有学会模仿原有的代码风格和逻辑。

我认为目前阶段的大模型，最佳实践应该是类似NotebookLM的RAG应用，而不是加入工作流程和MCP接口的Agent，我更多把它当作Cookbook去问，配合提示词工程在特定话题做多重问答。

Freqtrade量化策略开发

我对Freqtrade项目又爱又恨，FreqAI提供了多种模型，内嵌CCXT，能对加密货币的截面和时序因子进行训练，但经过无数次写因子、因子筛选、换模型、改训练参数、样本外回测后，我彻底失败了，得到以下结论：

• 加密货币市场7*24h交易，数据信噪比极低，无法通过SVM或PCA等降维方法剔除“异常值”，剔除后大部分数据点还是没价值；
• 缺少长期有效的因子，大部分因子IC不超过0.03，因子长期表现不稳定；
• 截面因子选择有限，合约策略只能添加换手率、方差、资金费率、基差、期权隐含波动率、合约账户多空比、合约未平持仓量/市值等因子、链上资金流入流出交易所地址等，但实际上交易所众多，得到的数据差异很大，光是数据采集、清洗、标准化处理就折腾人；
• 不能滥用技术指标，TA-Lib库里的技术指标很多，但要剔除形态指标（只有0和1，缺少信息量），从不同类型的指标分别只筛选0-2个，尽可能避免多重共线性，最重要的是，技术指标就把时序数据给压缩压扁了；
• 不要用端对端（Transformer、强化学习等）模型，很难从噪音中找到规律，反而用简单的分类器（如XGBoost、CatBoost）和循环神经网络（如LSTM、TCN）比较容易从噪音中学习到规律；
• 筛选因子再合成因子是个不错的方法，超参数调整因子权重，最大日Sortino优化，经样本外回测能构建出一个稳定跑赢资金成本的自动交易bot；
• 经深思熟虑后，加密货币市场的数据中的有效信息比例太低了，从15m到4h的级别都试过了，恐怕不是训练或特征工程方法论上的问题，就是低信噪比数据不适合用传统多因子建模和机器学习训练，币圈量化更适合做中高频的做市和套利。

尽管投入了非常多的时间和精力，最终没有得到自己想要那种理想的策略，这样的策略可能从一开始就不存在吧。

阅读

发展经济学

今年我认识到严重的经济学虚无主义，理解了何为“二手文献之间的循环论证”。2025年的诺贝尔经济学奖论证了技术进步的内生性且制度有效推动经济长期繁荣，讲的都是一些西方经济学的教条——“优秀”制度与文化和经济增长的因果关系，和我在2024年的诺贝尔经济学奖是不值一提的中批评西方制度经济学是同一个弊病：世界的经济不只有西方的经济学史，西方经济学家不尊重也没有看清楚世界上其他地区的经济实况，就像复读机一样对历史进行重复论证，这样的诺奖掩饰了更多当下存在或新的问题，例如AI即将造成又一次大分流加剧不平等的问题，而不是重复和循环论证类似“破坏性创新”这一概念，这是没有建设性意义的。

时隔一年，2025年中文互联网上对《国家为什么失败》一书的评价越来越高，这可能是人们对宏观通缩环境下的失望反应，像是病急乱投医，

我认为这本书的论证案例是不够充分的，但人们很难去反驳一个拥有真实历史的经济学叙事。我就拿书里开头的美墨边境案例为例子，首先这个案例背后是两个完全不同产业结构和军事实力的国家的局部地区对比，是不能够通过微观低维度的人均GDP的差异去线性外推高维度的经济乃至政治制度的问题。我个人更喜欢用深圳香港边境的案例（书中没有）去解释制度问题，一河之隔，两种不同的制度下的自然实验。最终我们也看到是香港昂贵的土地与人力、有限的土地供给、当地财阀政商垄断等制度性问题使得香港错过回归后的种种机遇。美墨边境的差异不完全是制度和文化造成的，属于论证不充分和遗漏变量偏差，但是深圳和香港的差异，制度变量的可解释性会更高。

• 乔尔·莫基尔《增长的文化：现代经济的起源》，
• 菲利普·阿吉翁 / 史蒂文·杜尔劳夫《增长经济学手册:第2A卷》
• [法] 菲利普·阿吉翁 / [法] 赛利娜·安托南 / [法] 西蒙·比内尔
• 戴维·兰德斯 / 乔尔·莫克 / [美] 威廉·鲍莫尔《历史上的企业家精神：从古代美索不达米亚到现代》

以上书目都不推荐读，读这类文献和书籍的阅读量越多，越会发现他们长篇大论去论证制度经济学，背后的论点是站不住脚的，他们精通计量经济学，模拟估计历史经济数据、跑各种回归模型把理论中的变量都扔进来，在数据+实证的方法论上几乎是完美的，但也因此正确只停留在形式上。这些文献拟合了“大分流”的历史，却苦于找不到中国没有发生工业革命的原因。首要的问题是样本太少，历史时间序列上的真实数据有限，就算得到统计显著的变量也不能说明存在因果关系。其次是围绕华盛顿共识和历史终结论的循环论证，这些观点和建议已经脱离了现实世界。

人们不需要教条式的经济学，也不需要经济学家们去教会人们如何发展经济，更不需要得到类似好的制度或文化是否内生性的无意义结论。

技术书

O'reilly动物书的《生成式深度学习（第二版）》同时包括Transformer、Diffusion、GAN、RNN、LSTM、VAE等模型的理论说明和最佳实践案例，比在网上看二手技术文章更加系统化，内容浅显易懂。

重读

《金融怪杰》再出新版，这书读过不止三遍了。在市场里不应该忘记，除了主流的方法论，市场上长期存活的玩家都有自己的一套交易系统和价值观，不要恪守己见，不妨看下别人是如何看待市场的。每次读都会带来新的灵感，很有趣。总的来说，投资者应时常审视自己的市场观点和交易行为，投资者最大的敌人是自己。

展望

除了Freqtrade量化开发的困难，我也大大低估了MIDI编曲的难度，从补基本乐理到熟悉DAW软件，现在对四件套乐器音源的理解几乎没有，这也是一个时间、金钱和精力上的无底洞，很可能没有任何回报，但我愿意继续投入，但愿明年能持续更新博客，而不是把宝贵的时间浪费在碎片化信息中。

自我认同的意义是没白活着的证明。

2025-08-05 08:00:00

前言

桥水基金创始人达·利欧（Ray Dalio）的《原则：人生与工作》和《原则：应对变化中的世界秩序》两本书是现在的商业畅销书，读书期间被推荐过两三回，每次读后不到半年就忘得差不多，没多少值得再次阅读的价值，印象最为深刻是这两本书都由中信出版出品，定价分别是98元和168元。

一些吐槽：求求了，不要再安利推荐这两本书了，“21条高原则、139条中原则和365条分原则”是什么概念？你家里和在公司里的规则加总起来都没这么多，书中525条碎片化的漂亮话 = 没有原则！第二本原则讲了三大周期，瞎引述中国历史，试图打造一个能解释全世界经济繁荣-萧条周期的理论，借鉴了一大堆主流经济学理论，加上债务危机的缝合怪，读起来感觉什么都对（我说这本书的平价是它和搞星座搞MBTI人格没区别，大搞心理学巴纳姆效应、做事后归因、强调宏观追求模糊笼统的正确，整体理论不可证伪。我真的最讨厌这种赚钱赚的盆满钵满，老了还要出书PUA恶心我们这些没什么钱的年轻人，这种书还卖这么贵收稿费IP费，真是害人不浅。

唯一能直接证伪的是风险平价模型的方法论，在桥水基金全天候策略的基金资料中，把它描述成一个能适应不同经济形式的神奇策略：用预期通胀和预期经济增速划分成四个象限，再把对应象限下的优势资产放入象限，定期调整资产的权重，使得四个象限之间的资产风险贡献度相等。

很多人赞扬这种全天候的投资理念，认为“不预测未来是一种智慧”，然而是谁规定用通胀和GDP增速来区分宏观市场风格是合理的？这是非常反常识的，只有美国这种消费占GDP极大的国家的国内权益资产才会对预期通胀如此敏感，其次是这四种经济情景在未来发生的概率很显然是不相等的，所以这套全天候方法论更像是基金营销的资料，而不是一种严肃的、值得拿真金白银去做的宏观交易或多资产配置策略。

令人大跌眼镜的是，市面上有很多讲关于全天候策略和风险平价模型如何运作的研报，它们大多是在基于不同资产的历史波动率和协方差矩阵的近似实现，使用均值-方差、最小方差、最大夏普等优化方法来调整权重，本文回测这一错误的方法论来揭示协方差矩阵和历史波动率刻画风险的弊端。

回测结果能说明什么？

选取国内A股市场能买到的投资标的，其中大部分标的都使用挂钩指数表示，剔除了分红、管理费、基金折溢价等无关因素，回测结果更保守（黄金ETF可以替代成黄金T+D价格）。

• 数据周期：2020年9月30日-2025年7月31日
• 风险指标：投资品种过去半年的历史波动率和不同资产之间的协方差矩阵
• 三个策略：象限间风险平价、象限间最大化夏普比例、象限内最大夏普+象限间风险平价
• 回测设定：交易费用万分之二，夏普比例的无风险利率是年化1.5%，没有考虑期间内任何分红收益，持仓不超过100%总资产

根据这个协方差我们可以把资产分割成几组相对独立的资产：黄金、国债、商品、红利、国内宽基、海外宽基。

我根据国内资本市场的情况，毕竟基于构建中国版全天候策略的想法，所以在象限设置时候海外宽基更多基于避险和分散的目的，把资产类别添加到四个象限：

• 超预期通胀+超预期增长（过热）：国内宽基、商品
• 超预期通胀+增长不及预期（滞胀）：黄金、商品、海外宽基、红利
• 通胀不及预期+超预期增长：国内宽基、商品、红利、债券
• 通胀不及预期+增长不及预期（衰退）：红利、债券、海外宽基、黄金

（象限内做最大化夏普优化，资产类别选择因人而异；中国作为制造大国自然通缩倾向，对于国内资产通胀是否超预期不是一个很好的分类指标）

最近一期资产配置 (2025-06-30)：

不同时间区间下的收益率：

超额收益分析（相对沪深300）：

夏普比例大于1，年化收益率至少有6%（还不包括分红），最大回撤不超过10%，然而回测结果优秀 ≠ 有资产配置的价值；

为了让历史波动率贡献相等，买入比主观预期更多的债券、商品、黄金头寸，尤其是在不能以较低成本加杠杆的情况下，这么做纯粹是在牺牲潜在收益换取单位净值稳定增长的收益走势图。

风险究竟是什么？

不论在过去还是现在，历史波动率从来不是一个用来刻画“真实存在的风险”的因子，一个资产在过去波动大小和它当下的投资或配置价值没有直接关系。

我是如何看目前资产配置的品种：

• 现在配置债券的目的就是看空长期利率，考虑至少7年以上期限的利率债（政策性金融债和国债），品种选择上无脑买凸性大、久期长的国债，所以这样做的风险是通货膨胀、远端利率上行、主权信用风险、组合持仓久期错配等，由于是配置目的不需要考虑短期流动性问题；
• 配置股票或ETF是为了获得权益资产的beta+alpha收益，在量化策略中个股的风险用历史波动率衡量风险还能说得过去，但一篮子股票（宽基指数）的风险一定来自于未来的宏观和基本面风险，过去的波动率是无意义的，真正需要考虑是有直接因果关系的因素，如ROE、利润率、估值、股权风险溢价变动等指标；
• 不是所有商品都适合做宏观交易，目前谈论的宏观商品品种主要是能源（原油、天然气、煤炭）、金属（黄金、铜）、农产品（大豆、玉米、小麦、棉花等）三大块，而且品种必须是要全球市场定价的，商品流通基本没有障碍的，配置这些品种能一定程度对冲宏观风险。

如果用历史波动率作为风险因子，宽基指数的权重变化必然导致追涨杀跌，大部分历史和隐含波动率上涨是短期极端下跌导致，下一期调仓回测受急跌影响必然减少权重，这样做完全没有意义。它的下跌如果是来自基本面影响那还说的过去，像地缘政治博弈、关税摩擦、金融危机等短期冲突导致的暴跌，在面对巨大的不确定性不论是模型还是人的主观思考，都没有定论，全天候策略在处理危机时不见得就比主观多头策略强，例如1970年代原油危机下美国经济滞胀，股票和债券市场齐跌。为了解决这个问题可以引入目标波动率（认为波动率会收敛回归），主观研判后输入目标波动率，但波动率本身也没办法做合理的预测，用历史模拟法VaR、CVaR可能还有一点点科学性。

还有一个问题是不同宽基指数的历史波动率是不可以直接比的，能直接比沪深300和中证1000、恒生指数的波动率吗？（难道纳斯达克100指数风险就比标普的高30%？）在我看来是需要做波动率标准化处理，Z-Score、百分位rank以及风险贡献度的归一正则化。

是否应该使用协方差矩阵（即考虑不同资产的日收益率序列的相关性）：

• 象限平价≠资产平价。风险平价指的是四个象限中每个经济情景下的组合的风险贡献度相等，不是要求资产间的收益率在过去同一段时间内的相关性较低，也不是求资产组合在历史区间最大化夏普比例；
• 不要忽视资产相关性的真实原因。例如在2022年美联储激进连续加息之前，是长达十余年的量化宽松带动的美债和美股牛市，其次是债券的风险和波动率没有关系，而且是因长期无处安放的货币以及乐观的经济预期，股债一起走牛，协方差矩阵能揭示的信息量太少了（维度低）。

正确的做法：

• 要找出四个象限中，能够表示四种不同经济形势的配置观点相对应的标的资产组合，可以先不用给象限内的资产分配权重，初次回测可以默认等权重；
• 从大类资产映射风险因子，这是构建模型最关键的一步。将资产组合的风险，从资产层面分解到对更底层的宏观因子的风险暴露上：

1. 宏观因子，如GDP预期增速、预期通胀年率、真实利率、信用利差、新兴市场风险；
2. 基本面因子，如市场权益溢价、PE TTM、PB估值、利润率、ROE等；
3. 市场预期因子，远期利率互换、期权隐含波动率、股指期货升贴水等；

• 添加人为干预条件，代表资产管理者的态度和观点，设置目标波动率、最大回撤容忍程度、特定品种最小持仓比例、CVaR等约束条件；
• 求解风险贡献度相等或最大化夏普比例的最终结果差别不大，后者综合了收益率情况似乎更合理；
• 平滑调仓机制，除了定期调仓，当需调仓规模超过X%时也能触发调仓。

这些所谓宏观和基本面数据都是严重滞后的，它的可信度远远不如多因子中高频量化策略，毕竟拟合非ST、亏损票的小市值微盘是一种风格上的趋势跟踪。

既然要对宏观进行风险计量，需要预测这么多难以预测的数据，或者说模型依赖市场交易出来的数据（隐含波动率、利率期货等），如果市场没有达到“预言自我实现”？

风险平价模型在美股市场有效的“资产配置”之所以有效，除了美股市场定价效率极高和完善的做空机制，不需要把数据拉出来，直接拿出标普或纳斯达克的净值走势图看，它们和国内十年期债券指数是类似的：长牛，小概率闪崩，每个底部都在上个底部之上。这就导致统计上美股市场和国内权益市场的相关性长期较低，但不能说明美国的风险不会传导到国内，只是基于各种市场制度和结构原因导致相关性低。

我认为风险平价模型不适合被看作是量化模型，量化因子不适合解释高维度的复杂世界，而且人的主观认识相较机器学习算法不容易过拟合，我更相信人主观解读宏观的能力。最大的风险是在中港股市放弃择时、选行业选股、做特定风格，不愿意折腾选择懒人方案。而且在A股市场主动承担beta风险是无意义的，收益来自择时和alpha，看下股指期货剔除分红后的年化贴水率，就知道聪明钱就是更加偏好alpha策略。

真正的全天候策略一定不会用简单的历史波动率和协方差矩阵去衡量风险，这是一个常识问题。

2025年8月17日更新：

2025年8月桥水基金清仓中概股转向集中度极高的美股AI巨头。全天候策略不是要分散宏观风险吗？不是应该配置一定和美国本土权益资产收益和风险相关性较低的资产，怎么这就清仓了？是这些中概股本身基本面有严重问题吗？我们也不得而知。

风险平价模型只是噱头，什么穿越不同经济周期，哪有这么简单啊，所以本质上是主观多头策略。策略本身不重要，重要的是每年业绩，大家用钱投票。

散户一不能低成本加杠杆，二没有稳定吃权益beta+alpha的能力，三无法轻易跨市场投资，还想打造“风险平价的全天候投资组合”？散户还是别被这些莫名其妙的名词造成精神污染好些。

2025-04-12 08:00:00

2025 Q1经济杂谈

《娱乐至死》中的政治事务娱乐化是真实的。有一些人已经把聊国家大事当成一种谈资，闲暇时总和别人聊一些耸人听闻的宏大叙事：大棋论、地缘政治战略、金融战等等，左手拿着《货币战争》，右手指点江山，就像是各种媒体的复读机，有反乌托邦小说的元素。

最近听得最多的是人们关于特朗普关税和台海议题的讨论，这种事物一般是不会有对错是非之分，只有如何把握机遇一说。特朗普关税很显然中美是双输的，特朗普政府把关税当作增长国家安全和制造业回流的手段，而中国和欧元区作为乙方试图讨价还价。不理解的是很多人把中国关税反击当作一种胜利，他们知道相互加征关税的后果是什么吗？原产地在美国的一些精密仪器和芯片零件的采购成本暴增，如果人民币不竞争性贬值，对美转口贸易和直接出口可能因此熄火。我们很容易地拿着商务部的统计数据看，中国2023年对美贸易敞口也就不到2成，但问题是转口贸易可能占比多少？美国也对墨西哥加征关税以及取消小额包裹免税，转口贸易和离岸跨境电商的道路已经被堵死了。保守估计，至少也有3成出口是直接或间受特朗普关税影响，所以当下是美国在出口“内需”，拿本国人民对商品的大量需求作为筹码去威胁他国，中国和欧元区如果不去谈妥，降低双方相互增加的关税，就会加剧通缩，被迫去产能，结局是不得不走上通往长期通缩的道路。通缩不一定意味着严重的经济衰退（如GDP负增长），但大部分人的经济生活必然会一塌糊涂。

以上说的只是短期潜在的危机，中长期来看中国还是有足够的内需潜力，关键看国内如何解决收入和分配问题。但各种长期的研究分析是没有意义的，凯恩斯说“长远是对当前事务错误的指导。从长远看，我们都已经死了”。尤其是不能再拿供给侧改革、产业政策、棚改货币化、土地财政等旧发展方法放到现在环境中，不然就会加剧产能过剩和长期通缩。很多事物都在发生变化，中国不得不转换角色，从全球化贸易分工体系中的制造大国变成能内部消化大部分产能的普通发达国家。当我们看到中国第一季度的CPI都没有回升到正，这其实就是通缩危机的前夕，叠加外部关税冲击影响是很容易陷入通缩螺旋的。很多分析师还比较乐观，认为今年经济就能回暖，我们是不能拿长期的基本面假设来推断短期的。现在美联储上半年可能都不会降息，很多人就觉得这是来自美国的“政治霸凌”，但其实这是预期中的预期，是灰犀牛。特朗普上任前就明确把美国定位成一个普通发达国家，不再去维护全球化的秩序，而且要解决贸易逆差和财政赤字的问题。换句话说，在此之前，是发展中国家因加入世界贸易组织获得最惠国待遇而长期受益，特朗普政府正尝试修改全球贸易的游戏规则，然而国内很多分析师就下定论认为美国闭关锁国开倒车什么的，认为大部分贸易顺差经济体都会站在中国这边反击，这是离谱的推断，因为这是囚徒困境，不论其他人选择如何，保守起见会选择和美国妥协谈判。很多人又认为这次关税不如2018年，因为其影响已经被人们充分理解并消化，市场已经priced in了，这些人可能是没充分理解2018年中美贸易战和2025特朗普重构贸易游戏规则的区别，前者还是在全球化框架内，是美国单方面对贸易逆差和知识技术转移进行讨价还价，后者是特朗普试图破坏二战以来的贸易秩序，将美元和内需武器化，放弃美元作为储备资产的地位，它可能最终失败，但美元贸易秩序瓦解所带来的破坏力是不能用线性外推分析得知的。所以这是典型的不确定性问题，特朗普政府哪怕只是尝试游戏规则，这可能也超出了活着的这三代人的经验，市场怎么可能充分消化“已知的未知”。至少特朗普关税造成的影响还没真正开始，如果再跟踪一个季度的经济数据，我们回头看，又可能会得到不一样结论，例如通缩持续、净出口严重拖累GDP等。所以面对这种不确定性问题，应该永远保持开放性态度。

很多人会把特朗普关税当作中国产业转型和国产替代化进程加速的契机，这些看起来都没错，但别忘了这些都是市场炒作的宏大叙事：很多人喜欢说2025年是中国机器人元年，但大多产品都无商业化价值，人形机器人还处于实验室阶段，拿出来玩的不是为了炒作又是为了什么？这条赛道已经过于拥挤，每个人都想投到下一个大疆无人机，结局是历史中无数金融泡沫后的一地鸡毛。至于国产芯片，看到有寒武纪ASIC加速卡、华为昇腾910c等产品不断涌现，想反问一个问题：现在业界里有多少公司用他们的产品来开发和运行大模型。“单纯能用”、“有商业化价值”、“能量产”这三者是完全不同的情境，就当下情境来看，大模型算法是没有相对固定的说法，GPU+汇编/指令集生态仍然是最优解，N卡+CUDA还是有竞争力的，英伟达的商业逻辑绝对没有国内媒体说的这么不堪。很多人拿化学药、电动车、光伏等传统制造业思维代入到芯片IC设计中，认为很快就能完成“独立自主”，这是不现实的：这件事如果放在产业链下游来看，就很可怕了，大量算力中心闲置，H100、H20的算力租赁价格和各大厂商的大模型的每百万tokens API价格也开始降价，在这种环境里上游能过得好吗？可能会有人反驳说这是因为Deepseek V3/R1的强化学习RL算法降低了大模型的运行成本，所以我们现在不需要“性能非常强大的显卡”。这里有个悖论是：部署大模型成本降低了，会有更多人尝试部署，需求量上涨，哪怕摩尔定律失效，也会继续利好显卡厂商。就算没有Deepseek，强化学习或小参数量模型迟早也会到来，Deepseek的横空出世是加速了国产大模型产业的发展速度，我们看到各大互联网厂商甚至是国企央企都争相部署R1趁热度，然后呢？会发现根本没有一个对大模型的硬需求，都是可有可无的软需求，如内部知识库RAG、智能客服、AI笔记等。截至2025年4月，Deepseek R1（671B全量模型）API的价格是16元人民币/百万tokens，晚间打2.5折（4元），这个价格都无法刺激出大量有效需求，真是投资的至暗时刻！投资者之所以能保持乐观，很大程度依赖于对上述各种宏大叙事的信念。

很多时候人们对行业乐观还是悲观，看的是市场估值或价格是在上涨还是下跌。价格上涨就会有人生产舆论和叙事，来实现泡沫的正反馈。在这种环境中，是不太可能有多少内在价值的，这和房地产繁荣期间是类似的：人们为了买一套房能想出一大堆理由和借口。我们在市场中能认知到的大多是幻觉，放到“信息即隐喻”的媒介中，这样的信息已经没有价值，甚至是中文互联网环境都把大模型的联网搜索信息来源给污染了，以至于人们活在一个离原始信息越来越遥远甚至无法直接认知到事物的社会中。

如果把“人们能过上更好的经济生活”当作目标，现在是不需要刻意发展人工智能大模型、机器人具身智能、智能驾驶等技术的，这些技术搞不好还会因替代效应加剧失业和通缩。当下之急，是通过收入、分配、转移支付来实现充分就业，解除通缩危机。现在一不主动创造新岗位（哪怕是没有意义的地铁安检员），二不减少征收企业所得税、降增值税和印花税，三不降LPR。顺便一提，长期特别国债+消费补贴政策本质上是让消费行为提前发生了，政策上还降低了消费贷利率，一度卷到2.5%，我们都嘲笑说政府在发钱和涨工资之间选择了放贷，决策层居然认为经济无法回暖的原因是大家不愿意消费，这些人是没有看经济数据吗？NIFD统计的2024年底居民部门的宏观杠杆率从2024年62.2%下滑至12月61.4%，这衡量的是居民部门债务余额与GDP的比例，美国这个数据是73.1%，这明显是一个常识问题。最近各大银行开始下架所有3%以下的消费贷，朝令夕改，这分明是一场闹剧，当然也有一种说法，说是央行在降息前进行试水测试，看下市场反应。另一个有趣的是，央行年初设立股票回购增持再贷款新型货币工具，引导金融机构向上市公司和主要股东提供贷款，分别支持其回购和增持上市公司股票，年利率还不超过1.8%。问题是现在是规模以上工业企业利润率这个指标数值在下降，随着基本面业绩变差，“杀估值”是可预期的，现在还想打造股市价格高企的假象，粉饰太平。所以年初这一系列财政政策和货币政策都无助于走出通缩危机，这里不是说消费补贴是无用功，参考历史多次消费品、农用机械补贴，第二年的财政支出边际系数都是相比第一年会暴跌的，这个政策究竟有没有必要持续下去都是个值得考量的问题。2025年通缩和关税危机必然是对中国财政政策和货币政策的巨大挑战。

通缩有什么不好？大家难道不喜欢物价更便宜吗？

来自WSJ的一篇“小作文”报道

去年底这一名言已经让各大经济学家和分析师大跌眼镜，没想到决策班子如此不重视物价指标，从这一两年来的货币政策和财政政策来看，依靠有严重滞后性的“相机抉择”方法，所以这应该不是空穴来风，也许真是个草台班子😂

至于台海问题，我不擅长军事和政治的分析，但感知上身边大部分人是没有理解到军事行动带来的后果，毕竟嘴上或网上打几个字又不需要到市场上拿钱投票，言论自由的另一面是无需承担言论传播影响带来的后果和责任。

回到最开始的问题，人们真的有很好地理解这些事物发展下去的后果吗？我们是否能承受这样的未来？我也不想在现实中和别人谈论这些问题，有些问题明明是常识就能解决的，是他们主动逃避了自己主动思考这个过程，到社交媒体中听到别人讲的很有道理，就认同部分结论，回来到处传播这些叙事。以前学者批评社交媒体的种种弊病，现在我们都无时不刻深受其害。

2025-02-15 08:00:00

公共产品融资制度

政府是一家经营公共产品的企业，土地财政是公共产品和服务的融资平台。在社会信用扩张和城市间竞争过程中，外地人购房被视为"入股城市"，享受城镇化发展带来的房产衍生价值增长。在政府面前，地方政府从房地产发展商拍地全价中收取较高比例的土地出让金；在房产预售机制下，地产商通过加快项目周期来压缩银行利息成本。这个商业模式看似利润最大化能带来双赢，一旦资金链断裂就必然出现烂尾楼。

土地财政驱动城市发展形成闭环逻辑：基建投资提升城市估值→吸引人口流入→催生房地产需求→创造新财政来源。其中房产还可以衍生作为信用租赁工具，采用"先租后售"租赁房制度（华为从深圳迁移到松山湖案例，人力资本作为信用/抵押价值增加），城投的外部性和不动产价值不断相互影响。

消失的货币

这本质上是一套捆绑在住房体系的土地融资制度，而不动产是直接由货币资本形成的。派生货币并没有流入市场，这也是天量货币流入房地产在过去并没有造成严重通货膨胀的原因。M2增长不造成通胀，原因是M2和社融同步增长。M2货币在房地产行业的传导路径实质上只影响了建筑工人工资、建材采购等固定资产投资，所以危机只会是系统性的通缩。

关于公共物品的外部性和搭便车问题：在外地户籍居民比例占比较高的城市，购房者花的钱很大程度最终用于基础建设支出，而几乎所有人都享受到低廉交通费用的好处。公共产品如果定价不合理——要是价格过低，购房者和公共产品提供者承担这部分成本（房地产溢价较高，就需要土地财政拍地市场保持繁荣，牺牲利润来换取更大的正外部性）；要是价格过高，减少了公共产品的使用次数，无法最大化发挥正外部性——所以公共产品投放非常考验地方政府施政能力，否则整个过程可能是缺乏效率且造成资源浪费的。

很多人喜欢用深圳、上海、杭州等（新）一线城市去证明土地财政的优越性，但这些地方就算没有这套土地财政体系，伴随着人口、地理、城镇化等优势，经济基本面可能不会相差甚远。社会科学是很难做A/B测试的，所以对这种短期内无法被检验的问题，最好使用逻辑推理思考，然后留给时间去用自然实验证明。

公共产品定价困境

随着财政支出边际系数减少，为保持财政预算平衡，公共物品和服务的定价迟早是倾向市场化的。肯定会有狂热的社会主义者称国企的特殊性："国企做大基建本来从来就不是为了盈利，而是为了服务人民。"问题是，就算亏损也是由政府性基金来弥补，社会主义也是不存在免费午餐的。核心问题只有一个：如何以市场公允的价格且高效地投放公共物品和服务。

中国特色的土地财政，虽然表面看似造成了更大的私人效率损失和资源错配，但是放到整个社会看来，政府只要投资还有一定的利润空间，且外部性大于效率损失，债务增长型经济就得以持续。

这背后的代价是，长期可支配收入/人均GDP比例在世界经合组织国家中垫底，提振内需喊了这么多年，储蓄率居高不下，社会福利保障不到位。有人会说为什么不让农民工也享受一样的社保体系？那是因为他们没有缴纳过社保医保和养老金，而且这些群体的平均年龄已接近退休年龄。自然而然，消费意愿较低，投资风险偏好更保守，不能期望他们能有所作为。在功利主义的社会视角他们是多余的，属于农村剩余人口，他们可能最终生一场大病掏空全家储蓄（还顺带缓解了医保基金的压力）。这也是国家资本主义需要面临的道德和伦理的问题之一：是否应该推行全民医保？类似的问题还有失业救济金。

国家资本主义的问题在于：这套制度仅仅改变生产资料和企业组织的所有制形式，将原有私人企业转变成国有企业。如果不解决资本主义的深层生产关系矛盾（例如商品生产、价值规律、雇佣劳动和盲目追求利润的逻辑），那么资本主义的危机就仍然可能发生。回头看，中国经济光明论引以为傲的产业政策带来了什么？不是新结构经济学。看看现实吧：是光伏、电池产业盲目扩大产量赚补贴，加速行业周期，进入价格内卷，企图通过强大的制造业全供应链向海外输出过剩产能。虽然一带一路国家是对政治有利的战略意图，但这显然会遭到西方贸易圈的联合抵制。中国对部分产品进行出口退税或直接补贴，说白了就是不愿意以相对公允的价格把这些产品卖给国人，政策没有及时调整——直到2024年11月15日，光伏和电池等行业的出口退税率将由13%下调至9%（以缓解来自国际贸易摩擦的压力），2025年又延续了超长期特别国债和消费国家补贴政策，才终于开始尝试转向内需推动的消费型社会。

金融创新工具REITs

REITs是中国特色社会主义市场制度下的金融创新工具，它不像其他国家的一样去投向不动产，而是"基础设施证券投资基金"——指依法向社会投资者公开募集资金形成基金财产，通过基础设施资产支持证券等特殊目的载体持有基础设施项目，由基金管理人等主动管理运营上述基础设施项目，并将产生的绝大部分收益分配给投资者的标准化金融产品。如保障性租赁住房REITs就兼具了"保障性"的民生公益属性和"租赁住房"的市场属性。按照合同存续期在10-99年不等（如平安广交广河高速REIT的封闭期长达99年）。翻译一下：现有基础设施在可见的将来回报较低，不容易回本，NPV和IRR都比不上市场平均水平，现在把风险转嫁给愿意承担风险的有志之士，以帮助建设边际效益较低的项目。

在这种社会化的制度下，任何国家资本主义的兴起或官员贪污腐败都会破坏内部团结。市场运作的逻辑必须体现"公平即正义"，才能减少类似恒大、万科、海航事件等道德风险。

制度风险缓释

政府债务可以通过债务置换、展期等方法处理，但是房地产企业却没这么幸运——终究受到第三方信用评级机构和债券市场的定价审判。作为政府白手套和政绩KPI工具，它们理论上也是没有任何继续被利用的价值。它们最好通过破产重组、资产并购的方式，好让房地产行业"软着陆"。恒大、碧桂园和万科等房企先后债务违约，公司高管试图重演美国雷曼"大而不倒"（too big to fail）——就像城投债债权人相信政府"刚性兑付"——他们试图将自身影响力来威胁政府，结局必然是双输的。

彭博社星期三（2月12日）引述知情人士报道，中国监管机构将拨出200亿元的地方政府专项债额度，用于收购万科的待售楼盘和闲置土地，这笔资金将帮助万科偿还今年到期的公共债务和私募债务。……万科最大股东、国资深圳地铁集团上个月已掌控万科的管理权，并将向万科提供28亿元的借款。

对于万科，这应该不是最坏的结局。中国监管部门没有选择权益注资，但还是出了真金白银来偿还债务、做资产剥离、收购优质资产。后续留下无数债务的空壳可能就只能破产重组了。

地租理论与集体意识

如果用马克思地租理论解释，目前的土地公有制和房屋使用权已经消除了绝对意义的地租。如果考虑到户籍制度捆绑的基础设施、教育、医疗、创业资源，土地出让金的存在逐渐形成新的"准地租"。

土地财政作为社会主义初级阶段的过渡性制度安排，通过房地产金融和土地财政将土地点石成金，提取大量剩余价值转移支付到公共事业中。看似违背了把生产资料和资本公有化的初衷，但提取剩余价值的理由是公道的：政府垄断不动产并资本化运作，将城镇化建设成本转嫁给居民，人为制造资源稀缺性，很大程度避免了资本过度累积造成过度金融化的新自由主义倾向。

中国人对房地产市场的"一致预期"，在繁荣期间，社会伴随着FOMO（错失恐惧症）、凑首付、加杠杆等现象，体现了个体意识的相似性。这样的土地财政制度是更倾向于社会主义的，前提是政府支出和投资没有带来浪费。

社会生活有两个来源：一是个人意识的相似性，二是社会劳动分工。在第一种情况下，个人是社会化的，他不具备自身固有的特性，与其同类共同混杂在集体类型里。在第二种情况下，他自身具有了与众不同的特征和活动，但他在与他人互有差异的同时，还在很大程度上依赖他人、依赖社会，因为社会是所有个人联合而成的。意识相似性所产生的法规是受压制手段辖制的，它强迫人们去执行一致的信仰和实践。意识相似性越是显明，社会生活就越会与宗教生活完全混同，经济制度就越接近于共产主义制度。

——涂尔干《社会分工论》

很多普通买家会抱怨人民币市场"没有合适的投资标的"，认为房地产是比较容易接受的标的。相对低估值的A/H股、大宗商品、贵金属、REITs，如此多的品种，人们选择性放弃研究其他更多元的投资标的，把买房当成懒人方案。个人是否应该投资房地产是没有一个标准答案的，而且金融市场的定价可能远离客观现实。投资标的和叙事哪怕完美得天衣无缝，投资者自身的认知正确，但也有可能做错，因为（市场参与者的用钱投票行为造成的）估值远比事物（客观现实中的价值）本身更重要。例如中国房地产市场就很少人理性地使用可量化的租售比和现金流贴现估值，反而经常用城市之间的可比性分析，增加户籍资源、城投、商圈、人脉等辅助定价，甚至在繁荣期间炒作城市发展预期，所以"入股城市"理论能更好地解释房价上涨的逻辑。

研究"金融消费者"的行为会发现：如果一个人对自己要投资的品种既不擅长又不了解，明知潜在高风险高估值，还要重仓上杠杆，这是不可救药的。庆幸的是相当多人的愚蠢决策没有被房地产投机者和地产商赚取过多的剩余价值，他们最糟糕的结局也能为社会主义现代化添砖加瓦。

展望

城镇化进程下的基建和城投发展趋势接近尾声，中国未来是否能摆脱土地财政和债务增长的路径依赖？中国高储蓄率的消费潜力会怎样转换成有效需求？未来中央是否会重视A股市场的财富效应而非单纯的融资功能？

我们正处于外部宏观环境恶化、内部经济结构快速转型、地缘政治分裂的动荡时代，历史可能不能提供有效的参考。我们应该摆脱过去的经验主义困境，重新审视未来的不确定性。"危机"一词同时包括危险和机遇的含义，每次危机都是财富再分配的机会，所以真的没必要像一些人对经济或市场无脑看多或看空。