ch0F 金融市场与工具基础（零基础地基章）¶

本章定位

这是全书的金融地基，排在所有技术章之前。后面要讲的因子、机器学习、深度学习、强化学习、大模型，本质都是在回答一些金融问题——但如果连"市场怎么运作、钱怎么赚怎么亏、一个价格序列背后藏着哪些坑"都不清楚，再强的模型也只是在错误的数据上算出漂亮的废话。本章对每个概念都坚持两条腿走路：先给生活化直觉，再给专业定义、公式与边界条件，宁详勿略。读完它，你应当能看懂一张行情表、一份财报摘要、一笔交易的成本明细，并知道这些东西在后续章节里会变成模型的什么输入、什么标签、什么约束。

本章你将学到

一级/二级市场、交易所撮合、连续竞价与集合竞价、流动性到底指什么；

账户与委托类型、做多做空、融资融券、T+1，以及一笔订单的完整生命周期；

价格与收益的各种口径——复权、算术/几何/对数收益、年化与复利，以及它们最容易坑人的地方；

风险的金融含义：波动率、下行风险、最大回撤、风险溢价、无风险利率与折现；

公司与估值：财报三表、市值、PE/PB/PEG/EV、ROE 杜邦分解；

工具谱系：股票/指数/ETF/LOF、可转债、期货、期权；

A 股参与者生态与经核验的现行交易制度（涨跌停、印花税、过户费、融券新规等）；

怎样把一个"金融问题"翻译成本书后面章节能计算的问题。

前置知识：会一点 Python 与基础统计（均值、方差、相关系数）即可；不要求任何金融背景，本章就是来补这块的。

本章新增依赖 + 安装命令：仅核心栈（numpy / pandas / matplotlib，环境已含）。可选的真实数据小例用到 akshare（已在环境内，无网络会自动跳过）。无需 uv sync --group ...。

数据来源：核心演示用自洽的合成数据（离线、可复现）；末尾附一个可选的 akshare 真实数据小例，带快照兜底，正式的"取数+快照"范式留到 ch01。

对应综述章节：综述 01（量化全景与简史，含 1.5 A 股制度特异性）；术语逐条详解见 [附录 D 金融概念词典]。

运行状态：配套完整脚本 code/ch0F/finance_basics.py —— 已实跑 ✅（本仓库 uv 环境 uv run 通过，关键数值与全部 8 张教学图见下文；可选真实数据小例无网络时友好跳过，不影响核心演示）。脚本随站点发布，可在线查看或下载；正文里的代码块都是它的讲解片段（同源摘录）。

怎么读这一章

它不需要从头背到尾。第一遍通读建立全局直觉即可；后面写到具体技术时，遇到不熟的金融名词再回来查对应小节，或翻 [附录 D 金融词典]。每个技术章开头还会有一节「💡金融前置知识」，把那一章要用到的概念再讲一遍并回链到这里。正文里会频繁出现 ch03、ch13 这类前向指引，告诉你"这个概念以后在哪深入"——第一遍读到时可以直接跳过这些编号，不必现在就翻过去，它们只是路标。

0F.1 市场怎么运作：从一级市场到撮合成交¶

一级市场 vs 二级市场：钱到底流向谁¶

生活化直觉

把一家公司想成汽车厂。一级市场就是车厂第一次把新车卖给 4S 店——钱进了车厂口袋（公司融到资）。二级市场是车主之间转手二手车——钱在买卖双方之间流动，车厂一分钱也拿不到。

一级市场（发行市场）：公司通过 IPO（首次公开发行）、增发、配股等方式首次卖出股票/债券换取资金，资金流向发行人（公司）。投行（卖方）在这里做承销定价。
二级市场（流通市场）：已发行的证券在投资者之间转手，资金在交易对手之间流动。我们做量化交易，99% 的活动都发生在二级市场。
专业边界：二级市场价格虽不直接给公司输血，却通过估值、再融资能力、股权激励、控制权深刻影响公司——这是"市场有效性"讨论的根（综述 03 讲 EMH）。

交易所与撮合：价格优先、时间优先¶

中国大陆股票主要在三家交易所交易：上海证券交易所（沪市）、深圳证券交易所（深市）、北京证券交易所（北交所）；此外有港股（港交所，可经沪深港通参与）。交易所的核心是一台撮合引擎（matching engine），遵循两条铁律：

价格优先：买单出价越高越优先成交，卖单要价越低越优先。
时间优先：同价位，先到的订单先成交。

这套机制叫订单驱动（order-driven）/ 竞价市场——价格由买卖盘口自发形成，没有指定的"坐市者"报价做市。与之相对的是报价驱动（quote-driven）/ 做市商市场，由做市商（market maker，做市商：持续向市场报出买价和卖价、随时准备成交的机构）用自有库存吃单、赚买卖价差为生（代价是承担库存风险与"被更聪明的对手单边吃掉"的逆向选择风险）。A 股股票以竞价为主，科创板引入了做市商机制，债券、外汇、部分 ETF 也有做市。

思辨：机制是中性的，价格不是

撮合规则确实中性、机械，但别因此以为价格是客观、无博弈的产物。同一套规则下，参与者会挂单又撤单、对敲、拉抬尾盘——这正是后面 0F.7 要讲的游资与龙虎榜生态的前奏。更深一层是索罗斯的反身性（reflexivity）：价格不只是"反映"基本面，价格本身会反过来改变基本面（股价涨高 → 公司更易再融资、做股权激励 → 基本面真的变好）。市场不是一面照实景的镜子，而是一面会被自己影像改变的镜子。这是量化"对抗性"警戒线的哲学根：规律会因为被你发现、被很多人交易而失效。

集合竞价 vs 连续竞价¶

生活化直觉

集合竞价像拍卖会休市后的"统一清算"：大家把出价都写下来，到点了用一个价格让尽可能多的人成交。连续竞价像菜市场：买卖双方一对上价就立刻成交，价格随时在变。

A 股一个交易日的时间表（以沪深为例）：

时段	机制	说明
9:15–9:25	开盘集合竞价	9:20–9:25 不可撤单；产生开盘价
9:30–11:30、13:00–14:57	连续竞价	逐笔撮合，价格连续变动
14:57–15:00	收盘集合竞价	产生收盘价（沪深主板、创业板、科创板均有）

集合竞价的定价原则是最大成交量：把所有买卖申报汇总成"需求向下、供给向上"两条阶梯线，选那个可成交量最大的价格统一清算。

集合竞价撮合示意

图：红线是累计买单（价越低想买的越多），蓝线是累计卖单（价越高想卖的越多）；每个价格的可成交量 = 两者取小，取其最大处即集合竞价成交价（本例 10.0 元、成交 50 手）。理解它对做"收盘价相关"的策略很重要（Kaggle 的 Optiver – Trading at the Close 竞赛专门预测收盘集合竞价，见 ch04/ch06 取材）。

盘口、买卖价差与流动性¶

盘口（order book）：实时挂出的买/卖各档价格与数量（A 股常见"五档"）。最高买价（bid）与最低卖价（ask）之间的差叫买卖价差（bid–ask spread）。盘口是动态的——挂单会被不断撤掉、补上，大单还可能拆成小单慢慢喂（冰山单，ch16 细讲），所以"五档"只是某一瞬间的快照。
流动性（liquidity）：能多快、以多小的价格代价、成交多大的量而不显著推动价格。它不是单一数字，常用这些代理指标衡量：
- 买卖价差（越窄越好）；
- 盘口深度（各档挂单量）；
- 换手率 = 成交量 / 流通股本；
- Amihud 非流动性：\(\text{ILLIQ} = \dfrac{|r_t|}{\text{成交额}_t}\)——直白读法是"成交 1 元钱能让价格动多少"，动得越多说明市场越"薄"、越不流动（越大越不流动）。

为什么量化必须在意流动性

流动性差 ⇒ 你的买卖会自己推动价格（冲击成本），回测里看似赚钱的信号，真金白银下单时利润被滑点吃光。流动性直接决定一个策略的容量（capacity）：小资金能跑的策略，大资金未必能跑。冲击成本与容量在 ch04（回测引擎）、ch13（组合实战）、ch16（执行算法）反复出现。

0F.2 账户与委托：做多、做空与一笔订单的一生¶

账户类型¶

要交易，先得有个"能干什么"的账户——能不能借钱、能不能做空，取决于账户类型（"做多/做空/融券"等词见下文小节，这里先有个印象）：

普通账户：现金买卖，只能做多（先买后卖）。
信用账户（两融账户）：可融资（借钱买）与融券（借券卖空），需满足门槛（前 20 个交易日日均托管资产 ≥ 50 万元，且 6 个月以上 A 股交易经验等），单独开立。
衍生品账户：股指期货、商品期货在期货公司开户；期权另需开通相应权限与适当性测评。

委托类型：限价单 vs 市价单¶

生活化直觉

限价单像在二手平台挂"非￥50 不卖"，能等到好价但可能成交不了；市价单像走进店里"现价立刻买"，一定成交但价格随行就市。

限价单（limit order）：指定价格或更优才成交。挂在盘口上为别人提供流动性。
市价单（market order）：以当前最优对手价立即成交。A 股的"市价"有若干受控变体（对手方最优、本方最优、最优五档即时成交剩余撤销、全额成交或撤销等），且不允许隔夜挂市价，本质是为防止极端价格成交。
委托数量：A 股以手为单位，1 手 = 100 股，买入须为 100 股整数倍（卖出可不足 100 股一次性卖出；科创板/北交所申报数量规则略有不同）。

订单的生命周期¶

一笔订单的状态机大致是：

一笔订单的生命周期

图：报单 →（交易所接收）已报 → 撮合，按价格/数量是否满足分流为全部成交 / 部分成交 / 未成交；未成交或部成的剩余单可撤单，否则当日收盘自动失效。此外，价格超出涨跌停、数量不是 100 股整数倍等会被直接判为废单/拒单（连"已报"都进不去）。

理解这个状态机，是 ch16（事件驱动实盘系统）里 on_order / on_trade 回调与 OMS（订单管理）的基础。回测里我们常把它简化成"信号 → 下一根 K 线成交"，但真实系统必须处理部成、撤单、拒单。

做多 vs 做空¶

	做多（long）	做空（short）
操作	先买后卖	先（借券）卖，后买回还券
何时赚	价格上涨	价格下跌
最大亏损	本金（跌到 0）	理论无限（价格可无限上涨）
A 股途径	普通账户即可	仅融券（个股）/ 股指期货、期权（对冲）

对冲（hedge）：再开一个方向相反的仓位，抵消掉你不想要的那部分风险。例如选了一篮子你看好的股票（赌选股能力），同时卖空等市值的股指期货抵消"大盘整体涨跌"的影响——这样赚的是"跑赢大盘"而非"大盘上涨"，即市场中性。

做空的直觉

做空 = 找券商借一件你认为会跌价的商品，现在高价卖掉，等跌了低价买回来还给券商，赚差价。风险在于：你赌它跌，它却涨——而价格上涨没有上限，所以做空的潜在亏损理论上无限，必须用保证金和强平来兜底。

融资融券（两融）与杠杆¶

融资（margin buy）：抵押保证金向券商借钱买股票 = 加杠杆做多。
融券（short sell）：借入股票卖出 = 做空。
关键参数：保证金比例、维持担保比例（= 担保物市值 / 负债；跌破阈值先收到追保通知、再跌触发强制平仓。典型阈值因券商而异，常见追保线约 150%、平仓线约 130%）。杠杆把盈亏同步放大——这是"爆仓"的来源。

A 股做空的现实约束（经核验，2024 年大幅收紧）

A 股本就没有自由做空机制，2024 年监管进一步收紧融券与转融券[R73]：

先厘清两个词：限售股＝IPO/定增等取得、约定期限内不得在二级市场卖出的股票（像"锁仓期"的股份），解禁后才流通。转融券＝券商自有可借的券不够时，向中证金融（转融通平台）借券、再转借给客户做空——它是融券做空的"上游批发"环节，掐断它，下游融券就没了券源。

2024-01：全面暂停限售股出借；转融券约定申报由"实时可用"改为"次日可用"；
2024-07：经批准全面暂停转融券业务，并上调融券保证金比例（融券保证金最低比例由 80% 上调至 100%，私募 100%→120%）；
到 2024 年中，融券与转融券规模分别累计下降约 64% 与 75%；2024 年 10 月转融券余额清零。

对量化的含义：在 A 股，不要默认你的策略能自由做空个股。多空对冲、做空选股在 A 股落地非常受限；纯多头（long-only）+ 用股指期货对冲市场 Beta（贝塔：组合随大盘涨跌的放大倍数，\(r_i=\alpha+\beta r_m+\varepsilon\) 中的 \(\beta\)；Beta=1 即与大盘同步，"对冲市场 Beta"就是剔掉随大盘的部分、只留选股带来的超额 alpha），往往才是现实可行的形态（ch13 组合实战会专门处理 long-only 与约束优化）。

T+1 交收制度¶

生活化直觉

A 股股票是 T+1：今天买入的股票，要到下一个交易日才能卖出（资金交收也是 T+1）。像网购"今天下单，明天才到货，到货才能转手"。

T+1 自 1995 年沿用至今，直接影响策略形态：

不能日内高抛低吸同一仓位（个股）；想做日内，得靠可转债、部分 ETF等 T+0 品种（A 股股票坚持 T+1，主要出于抑制过度投机、保护中小投资者的考量）。
量化回测的头号红线由此而来：信号用 \(t\) 日收盘价产生，成交记在 \(t+1\) 日开盘，杜绝"用今天收盘价在今天成交"的未来函数（全书贯穿红线 1，ch00 起即遵守，ch04 把制度做进引擎）。

思辨：制度不只是限制，它'长出'生态

T+1、涨跌停看似只是约束，但更深一层：它们塑形了哪些策略能在这个市场里存在。涨跌停催生了"封板—连板—打板"的博弈生态，T+1 把日内策略逼向可转债与 ETF。A 股的龙虎榜、双低转债、打板情绪周期等"特色玩法"（ch15）不是孤立技巧，而是从制度约束里涌现出来的——这也提醒你：制度一旦变化（如 1995 年定下的 T+1 若某天调整），整类策略的生存空间都会随之重画。

0F.3 价格与收益：复权、收益口径与复利¶

OHLCV 与 K 线¶

最基础的行情单位是日（或分钟）K 线：开盘价 O、最高价 H、最低价 L、收盘价 C、成交量 V（再加成交额）。我们绝大多数特征和标签都从这几列派生。但在用它们之前，必须先过复权这一关——这是新手最容易踩的坑。

复权：除权除息后如何还原真实收益（重点）¶

生活化直觉

你持有的股票"10 送 10"（每股拆成 2 股），第二天行情软件上股价"腰斩"了——你亏了吗？没有：你的股数翻倍，总市值不变。如果直接拿这个"腰斩"的价格算收益，模型会以为发生了 −50% 的暴跌。复权就是把分红、送股这些"公司行为"的影响抹平，还原出持有人真实经历的财富曲线。

公司行为主要有三类：现金分红（除息）、送股/转股（除权）、配股。它们都会在除权除息日让"不复权"价格人为跳空。三种价格口径：

不复权：交易所原样打印的价格。除权除息日有"假跳空"，只适合看当时盘面真实成交价（如打板封单价——打板＝在个股涨停瞬间挂单买入"封板"，赌次日溢价的短线打法；封单＝堆在涨停价上未成交的买单/跌停价上的卖单，封单金额越大代表买卖意愿越坚决，是情绪强度指标，见 ch15）。
后复权：以最早一天为锚，向后把分红/送股按再投资还原。序列连续、单调反映真实总收益，适合算长期收益、喂模型。
前复权：以最新一天为锚（= 当前真实价格），把历史价向下还原。画近端图最直观，是行情软件默认。

配套脚本构造了一段含"第 5 天现金分红 1.0 元 + 第 8 天 10 送 10"的行情，三种口径对比如下：

三种价格口径：不复权 vs 前/后复权

图：灰色虚线（不复权）在第 8 天 10 送 10 处"假腰斩"；蓝线（后复权）连续上行，才是持有人真实经历的财富；红线（前复权）锚定在当前真实价格。

脚本算出的总收益对比极具说服力：

不复权口径的"总收益" = -47.50%   ← 把 10送10 看成了腰斩，严重失真
复权后的真实总收益   = +15.82%   ← 含分红再投资、剔除送股影响，才是真实赚到的

底层逻辑只有一行——持有人的真实日收益因子把当天落袋的现金分红和拆股后的股数都算进财富：

# 普通日:        g = raw_t / raw_{t-1}
# 除息日(分红 D): g = (raw_t + D) / raw_{t-1}     # 价格虽跌，但拿到了现金
# 送股日(拆 s 倍): g = (raw_t * s) / raw_{t-1}     # 价格虽减半，但股数翻倍
for t in range(1, n):
    g[t] = (raw[t] * split[t] + cash_div[t]) / raw[t - 1]
hfq = raw[0] * np.cumprod(g)        # 后复权 = 锚最早，向后累乘真实收益因子
qfq = hfq * (raw[-1] / hfq[-1])     # 前复权 = 整体缩放使最新一天 = 当前真实价格

把上面三行翻成白话：后复权＝假设你从第 0 天起就持有、并把每天的真实收益（含分红再投资、送股增股）连乘起来，所以起点用真实价、之后只乘收益因子 g，曲线连续；前复权＝把整条后复权曲线等比例缩放，让最后一天对齐"今天的真实价格"。注意这一步只是乘了一个常数 raw[-1]/hfq[-1]，不改变任何一天的收益率（前后两天相除时常数约掉了）——所以前/后复权算出的收益完全一样，差别只在"价格的绝对水平锚在哪一端"。

思辨：复权价不是'更真的价格'，而是一张'为某个问题画的地图'

我们很容易把后复权曲线当成"客观真相"。但更准确的说法是：没有口径无关的'真实价格'，只有'为了回答什么问题、该选哪张地图'。后复权这张地图擅长回答"长期总收益是多少"，却会扭曲"当时盘面真实成交价"；要判断打板封单、要对当日真实价位下单，就得换回不复权这张地图。度量动作本身在建构你看到的"现实"——这正是新手最常见的实盘亏损来源之一：拿后复权价去做需要真实盘口价的决策。地图与疆域，不可混为一谈。

复权的工程纪律

算收益、做回测、喂模型，一律用复权价；不复权价只用于"看当时真实盘面"。
全程口径一致：训练、回测、实盘要么都用前复权、要么都用后复权，不能混。
前复权的历史值会随新分红而变化（锚是最新价），所以做"可复现的历史回测"时，后复权或"复权因子 + 不复权价"更稳。这与 ch01 的"数据快照 / point-in-time"纪律直接相关。
它是"理想财富"，不是字面到手：后复权隐含"分红立即、无税、无摩擦地再投资"，现实里有红利税、再投资时点、零股等摩擦，所以复权收益是个上界近似。
完整代码见 code/ch0F/finance_basics.py（随站点发布，可在线查看/下载）。

简单收益 vs 对数收益：可加还是可乘¶

简单收益：\(r_t = \dfrac{P_t}{P_{t-1}} - 1\)。直觉就是"涨跌百分比"。跨资产可加（组合收益 = 各持仓收益的加权和），所以做截面/组合时用它。
对数收益：\(\tilde r_t = \ln\dfrac{P_t}{P_{t-1}} = \ln(1+r_t)\)。跨时间可加（\(\sum_t \tilde r_t = \ln\frac{P_T}{P_0}\)），所以做时序累计时用它，且更接近正态、便于建模。

对应的讲解片段（完整脚本的真实子集）：

daily_log = np.log1p(daily_simple)        # = ln(1+r)，比 np.log(1+r) 在小收益下更稳
# 可加性：逐日对数收益相加 == 区间对数收益（简单收益做不到这点）
assert np.isclose(daily_log.sum(), np.log(nav[-1]))

脚本里的自检印证了可加性（逐日对数收益之和 = 区间对数收益）：

对数收益可加性自检：逐日对数收益之和 = ln(终值)  →  0.0526 == 0.0526

一句话记忆

时间维度求和用对数收益，资产维度求和用简单收益。 二者在收益很小时近似相等（\(\ln(1+r)\approx r\)），但跨长周期、大涨大跌时差异显著，不能混用。

算术平均 vs 几何平均：哪个才是"真实增长速度"¶

经典陷阱

第一年 +50%、第二年 −50%，算术平均 = 0%，听起来"不赚不亏"。但 1 元 → 1.5 元 → 0.75 元，实际亏了 25%。真实增长速度是几何平均：\(\sqrt{1.5\times0.5}-1 = -13.4\%\)/年。

算术平均：\(\bar r_A = \frac1T\sum_t r_t\)，会系统性高估长期增长。
几何平均：\(\bar r_G = \left(\prod_t (1+r_t)\right)^{1/T} - 1\)，与终值自洽，是真正的复利速度。
波动拖累（volatility drag）：二者之差约等于方差的一半，

\[\bar r_G \approx \bar r_A - \tfrac12\sigma^2.\]

这是对 $\ln(1+r)$ 做二阶泰勒展开得到的**近似**（收益越小越准），**不是恒等式**；收益越大、越偏离对数正态，残差越大。精确关系只有 $1+\bar r_G=\big(\prod_t(1+r_t)\big)^{1/T}$。下面日频小收益下"恰好吻合"，正是因为 $r$ 很小。

对应讲解片段与脚本输出：

arith_mean = daily_simple.mean()             # 算术平均
geo_mean   = nav[-1] ** (1 / TRADING_DAYS) - 1   # 几何平均 = 终值开 T 次方根 - 1（不是对收益直接平均！）
drag       = arith_mean - geo_mean
drag_approx = 0.5 * daily_simple.var()       # ≈ 方差/2

日算术平均收益 = +0.0291%   ← 简单求平均，高估长期增长
日几何平均收益 = +0.0209%   ← 与终值自洽，才是真实复利速度
波动拖累 = 算术 - 几何 = 0.0082%  ≈ 方差/2 = 0.0082%  (二者吻合，因日收益很小)

算术平均 vs 几何平均：复利下差距被逐年放大

图：同一组日收益，按算术年化（红虚线）与几何年化（蓝实线）做复利外推，多年后差距被复利显著放大。

波动拖累的金融含义（很重要）

波动本身会吃掉复利。 两个策略期望收益相同，波动大的那个长期净值更低。这就是为什么量化如此看重"风险调整收益"而非裸收益——控制波动 = 保护复利。这条直觉贯穿 ch02（组合优化最小化方差）、ch04（绩效评估）、ch13（风险管理）。

年化与复利¶

年化收益（几何）：把周期收益复利放大到一年。A 股一年约 252 个交易日，\(\text{年化} = (1+\bar r_G)^{252}-1\)。
年化波动率：在收益独立同分布假设下用平方根法则：\(\sigma_{\text{年}} = \sigma_{\text{日}}\sqrt{252}\)。

脚本输出：年化波动率 = 20.35%（贴近真实股票量级）。

复利的力量（72 法则）：年化 \(r\) 下，本金翻倍约需 \(72/(100r)\) 年——年化 8% 约 9 年翻倍。复利是长期投资的核心，也是波动拖累值得斤斤计较的原因。

本节带走（0F.3 最容易混的三句话）

算收益先复权：前/后复权收益一样，只是价格水平锚在哪端不同；不复权只看真实盘口价。
时间维度求和用对数收益，资产维度求和用简单收益。
几何平均才是真实复利速度；波动会拖累复利（\(\bar r_G\approx\bar r_A-\sigma^2/2\)）。

0F.4 风险与收益的金融含义¶

风险 ≠ 亏损，风险 = 不确定性¶

生活化直觉

天气预报说"明天气温 10–30 度"和"明天 19–21 度"，后者更可预测、更低风险。金融里的"风险"首先指结果的不确定性（波动），而不只是"会亏钱"。

思辨：能写进概率分布的是'风险'，写不进的是'不确定性'

我们马上要用波动率、方差给风险贴上数字标签。但请先记住一个更深的区分（奈特 Frank Knight）：能估出概率分布、能算方差的，叫"风险（risk）"；连"会发生什么"都想不到、无法赋概率的，叫"不确定性（uncertainty）"——2015 年股灾、2020 年负油价、黑天鹅，多属后者。本章教你度量风险，但真正让人爆仓的，往往是被模型默默当成"零概率"的不确定性。你所有的风险指标，都建立在"历史分布代表未来"这个未必成立的假设上（非平稳性，ch04 详谈）——记住这一点，比记住任何公式都重要。

方差 / 标准差（波动率）：\(\sigma = \sqrt{\mathbb{E}[(r-\bar r)^2]}\)，衡量收益围绕均值的离散程度。它是组合理论（ch02）和绝大多数风险模型的基石。
缺陷：波动率把"涨得多"也当成风险来罚。但投资者其实只怕"跌"。于是有：
- 下行波动 / 半方差：只对低于某阈值（MAR，如 0 或无风险利率）的收益求离散度；
- 回撤（见下）；
- VaR / CVaR（在险价值：未来一段时间"最坏 5%/1% 情形下亏多少"，ch13 展开）。

收益分布：波动是离散度，下行风险只罚左尾

怎么看：浅蓝是日收益分布、黑线是同均值同方差的正态对照——一眼看出"波动 = 分布有多宽"；红色左尾（低于无风险利率的部分）才是"下行风险"惩罚的区域；蓝虚线是均值。脚本对比（同一收益序列）：年化总波动 20.35%，年化下行波动 14.28%——只罚左尾，故 ≤ 总波动。

下行波动的口径要交代清楚

下行波动（target semideviation）= \(\sqrt{\frac1T\sum_t[\min(r_t-\text{MAR},0)]^2}\)，本书取 MAR = 无风险利率、分母用全样本期数 \(T\)（达标日记 0）。这样它必然 ≤ 总波动。⚠️ 若把分母错用成"负收益的天数"，会算出"下行波动 > 总波动"的反直觉结果——那是口径错误，不是普遍规律。

回撤与最大回撤（MDD）¶

生活化直觉

回撤 = 从你账户的历史最高点到当前的回落比例。最大回撤（Max Drawdown, MDD）= 这段历史里最深的那次回落。它回答："我最惨的时候，浮亏过多少？"——这往往是投资者能不能拿得住、会不会被强平的决定性指标。

\[\text{回撤}_t = \frac{\text{NAV}_t}{\max_{s\le t}\text{NAV}_s} - 1 \le 0, \qquad \text{MDD} = \min_t \text{回撤}_t.\]

净值曲线与回撤

怎么看：上图蓝线是净值、灰虚线是"历史最高水位"（只升不降）；净值每次跌破灰线，下图就出现一段红色回撤，两图上下对齐看——回撤最深的谷底（红虚线，约 −10.5%）正对应净值跌离前高最远处。

回撤的实现是一个极其常用的习惯用法（讲解片段）：

peak = np.maximum.accumulate(nav)   # 逐日"历史最高水位"：np.maximum.accumulate 让每一点取到目前为止的最大值
drawdown = nav / peak - 1           # 回撤序列（≤0）
mdd = drawdown.min()                # 最大回撤

脚本输出：最大回撤 = −10.48%（在第 159 个交易日触底）。一条 +5% 年收益的曲线，中途也可能浮亏 10%——这就是"纸面收益"与"持有体验"的差距。

风险溢价、无风险利率与折现¶

生活化直觉

今天给你 100 元，和一年后给你 100 元，你选哪个？当然今天——因为钱能生息、且未来有不确定性。"未来的钱要打个折才能和今天比"，这就是折现的全部直觉。

无风险利率 \(r_f\)：几乎无违约风险的收益基准（国债收益率、SHIBOR 等）。它是一切估值与风险调整的"零点"。
风险溢价（risk premium）：承担风险所要求的超额补偿。股票相对国债的长期超额收益叫股权风险溢价（equity risk premium）——它是股票长期上涨的根本原因，也是 CAPM/因子模型的出发点（综述 03）。
折现（discounting）/ 时间价值：未来的 1 元不如现在的 1 元值钱，要按折现率打折回今天：

\[\text{现值 } PV = \frac{FV}{(1+r)^t}.\]

折现是 DCF 估值、债券定价、期权定价的共同底层。

为什么加息会砸成长股

成长股的价值更多来自遥远未来的现金流（分母 \((1+r)^t\) 里的 \(t\) 很大），对折现率 \(r\) 的变化更敏感；利率一升，远期现金流的现值缩水更狠。所以同样加息，高估值成长股往往比低估值价值股跌得多——这不是情绪，是折现公式的数学必然。

风险厌恶与风险调整收益¶

理性投资者风险厌恶（risk-averse）：期望收益相同，偏好波动更小者（效用函数是凹的）。于是评价策略要看"每单位风险换来多少收益"：

指标	公式（年化）	一句话	边界/陷阱
夏普比率 Sharpe[R02]	\(\dfrac{\mathbb{E}[r]-r_f}{\sigma}\)	每单位总波动的超额收益	假设收益近正态；惩罚上行波动；高频/厚尾下失真
索提诺比率 Sortino	\(\dfrac{\mathbb{E}[r]-r_f}{\sigma_{\text{下行}}}\)	每单位下行波动的超额收益	只罚亏损，分母更小→通常 > 夏普
信息比率 IR[R16]	\(\dfrac{\mathbb{E}[r-r_b]}{\sigma(r-r_b)}\)	每单位跟踪误差的超额（相对基准）	主动管理核心；依赖基准选择

表中两个新词：跟踪误差 = 策略相对基准的超额收益 \((r-r_b)\) 的波动（IR 的分母）；厚尾（fat tail） = 极端大涨大跌比正态分布预言的更频繁——这正是夏普"假设近正态"在现实中失真的原因（ch04 / 综述 07 详谈）。

脚本输出（\(r_f=2\%\)）：夏普 0.26、索提诺 0.37（索提诺 > 夏普，因下行波动 < 总波动，正符合"对上行更宽容"）。这些指标在 ch04（绩效评估）会从零完整实现，这里先建立金融含义：裸收益没有意义，必须除以你为它承担的风险。

本节带走（0F.4 风险的四把尺子）

风险首先是不确定性（波动），不只是亏损；能量化的是风险，量化不了的是不确定性。
总波动 vs 下行波动：前者上下都罚，后者只罚左尾、更贴"痛感"。
最大回撤衡量"最惨浮亏"，决定你拿不拿得住；风险调整收益（夏普/索提诺/IR）才是评价策略的正确尺度。
所有这些都假设"未来像过去"——这个假设失效时，正是风险最大时。

0F.5 公司与估值：读懂一家公司值多少钱¶

生活化直觉

买股票，本质是买下一家公司的一小块所有权。你在二手平台买手机会看成色、电池、保修；买公司当然要看它的"成色报告"——财报。不看财报就买股票，约等于不看配置就买电脑。

思辨：价格 vs 价值

巴菲特说"价格是你付出的，价值是你得到的"。本节教你算 PE/PB/ROE，但要清醒：这些倍数衡量的是"市场此刻愿意为价值付的价格"，不等于价值本身。估值的全部张力就在于——价格围绕一个谁也无法直接观测的"内在价值"上下波动，而你赌的正是这道缝隙。这也解释了价值因子为何"时灵时不灵"：你测的是价格对一个不可观测量的偏离，而非偏离本身。

价值投资、基本面因子、财务质量因子（如 ROE、F-Score）都建立在财务报表之上。哪怕你只做量价策略，也要懂估值，才能理解"价值/成长"风格因子（综述 04、ch03）。

财报三表¶

生活化直觉

资产负债表＝某一时刻的"家底照片"：你有多少资产、欠多少债、净身家多少。
利润表＝一段时间的"这一年挣了多少"流水账。
现金流量表＝同一段时间"钱实际进出多少"——利润是会计口径，现金才是真金白银。

报表	性质	核心恒等/科目
资产负债表	时点存量	资产 = 负债 + 所有者权益；货币资金、应收、存货、商誉、有息负债
利润表	区间流量	营业收入 − 成本费用 = 营业利润 → 净利润；毛利率、净利率
现金流量表	区间流量	经营/投资/筹资三类现金流；经营现金流应与净利润互相印证

为什么要看现金流（以及：财报是公司'讲'给你听的故事）

"有利润没现金"是财务暴雷的经典前兆（利润靠应收账款堆出来，钱却收不回）。更要警惕：财报是公司按会计规则"讲"出来的故事，存在盈余管理乃至造假的空间——质量因子（"经营现金流/净利润""应计利润"等）之所以有效，正是因为有人会粉饰故事，而现金流比利润更难粉饰。把这种"识别故事真伪"的洞察工程化，就是 ch03/ch06 的因子。

市值与估值倍数¶

总市值 = 股价 × 总股本；流通市值 = 股价 × 流通股本。市值是"规模因子"（小盘/大盘）的来源。
常用估值倍数：

指标	公式	直觉	适用 / 陷阱
PE 市盈率	价 / 每股收益(EPS)	按当前盈利"回本"要几年	亏损公司无意义；周期股低 PE 是陷阱
PB 市净率	价 / 每股净资产(BPS)	为每 1 元净资产付多少	银行/地产/重资产常用
PEG	PE / 盈利增速	成长性调整后的 PE	增速预测不可靠则失真
EV/EBITDA	企业价值 / 息税折旧前利润	跨资本结构可比	重资产/并购分析常用
股息率	每股分红 / 价	现金回报	高股息 ≠ 安全，需看可持续性

两个缩写展开：EV（企业价值）= 总市值 + 净负债（有息负债 − 现金）+ 少数股东权益，相当于"整体收购这家公司要付的总价"；EBITDA = 息税折旧摊销前利润（净利润加回利息、税、折旧、摊销）。EV/EBITDA 因为"分子含负债、分母剔除资本结构差异"，所以能跨不同杠杆水平的公司横向比较。

ROE 与杜邦分解（重点）¶

净资产收益率 ROE = 净利润 / 净资产，回答"股东每 1 元本金，一年赚回多少"，是巴菲特最看重的单一指标。杜邦分解把它拆成三块生意逻辑：

\[\text{ROE} = \underbrace{\frac{\text{净利润}}{\text{营收}}}_{\text{净利率}} \times \underbrace{\frac{\text{营收}}{\text{总资产}}}_{\text{资产周转率}} \times \underbrace{\frac{\text{总资产}}{\text{净资产}}}_{\text{权益乘数(杠杆)}}.\]

杜邦三因子怎么从财报科目算出来（讲解片段）：

net_margin        = net_income / revenue   # 净利率：每 1 元营收挣多少
asset_turnover    = revenue / assets       # 资产周转率：每 1 元资产撬动多少营收
equity_multiplier = assets / equity        # 权益乘数：杠杆（总资产 / 净资产）
roe = net_margin * asset_turnover * equity_multiplier   # 三者相乘 = ROE

脚本用一家"教科书公司"演示（数值取整以看清恒等关系）：

PE = 15.0 倍   PB = 2.40 倍   ROE = 16.0%
恒等关系自检：PB = PE × ROE  →  15.0 × 16.0% = 2.40  == PB 2.40   ✓
杜邦分解  ROE = 净利率 × 资产周转率 × 权益乘数
         16.0% = 8.0% × 0.833 × 2.4   ✓

杜邦分解的金融洞察

同样是 16% 的 ROE，可以由高毛利（白酒：净利率高、周转慢）、高周转（零售：薄利多销）或高杠杆（银行：权益乘数大）驱动，三者的风险含义截然不同——高杠杆的 ROE 在景气下行时最脆弱。这正是"把财务比率拆解成可解释因子"的价值。另外注意恒等式 PB = PE × ROE：高 PB 要么是市场给了高 PE（看好成长），要么是公司 ROE 确实高（赚钱能力强）。

恒等式只在'同口径'下成立

\(PB=PE\times ROE\) 在代数上恒成立（\(\frac{P}{BPS}=\frac{P}{EPS}\cdot\frac{EPS}{BPS}\)），但前提是三者取同一期、同一 EPS/BPS 口径。实务中 PE 常用 TTM（滚动近四季）或预测 EPS、ROE 用期初/期末/平均净资产，口径一旦不一致，等式就只是近似——拿真实财报套不准时，先查是不是口径错配，而非公式错了。

成长 vs 价值¶

价值股：低估值（低 PE/PB）、高股息、成熟行业。
成长股：高增速、高估值，价值多来自未来现金流（对利率敏感）。
二者构成经典的风格因子（style factor），A 股存在明显的风格轮动。把"价值/成长"做成因子并检验其有效性，是 ch03 的内容。

0F.6 工具谱系：除了股票还有什么¶

工具	一句话	关键特性	主要章节
股票	公司所有权份额	A/B/H 股；普通股/优先股	全书
指数	一篮子股票的加权组合	市值/价格/等权加权；做基准	ch02/ch03
ETF/LOF	场内交易的基金	跟踪指数；部分 T+0；可申赎套利	ch15
可转债	债 + 看涨期权	下修/强赎/回售条款；T+0	ch15
期货	标准化远期合约	保证金、杠杆、多空对称、移仓	ch13/ch16
期权	买卖权利（非义务）	权利金、行权价、希腊值	ch16/附录

指数：基准与被动投资¶

指数是"一篮子股票"按规则加权得到的组合，常见加权方式有市值加权（沪深 300、中证 500/1000）、价格加权、等权。它的两个角色：① 作为业绩基准（你跑赢沪深 300 了吗？信息比率 IR 就是相对基准算的）；② 作为被动投资标的（买 ETF 即买入整个指数）。

ETF / LOF¶

ETF（交易型开放式指数基金）：场内像股票一样买卖，跟踪某指数；同时可用一篮子股票申购/赎回份额。二级价格与净值（NAV）的偏离（折溢价）带来套利机会（ch15）。部分 ETF 支持 T+0。
LOF：上市开放式基金，场内场外可转换。

可转债：保本的"彩票"¶

生活化直觉

可转债 = 一张公司债 + 一份可把债换成股票的看涨期权。股票涨，就转股赚大的；股票不涨，就当债券拿利息、到期还本（"下有保底、上不封顶"，但保底也依赖发行人不违约）。

可转债是 A 股量化的富矿：T+0、含下修/强赎/回售博弈条款、"双低（低价格+低溢价率）"策略、与正股/LOF 的套利。这些 A 股特色玩法在 ch15 专门展开。

期货：保证金、杠杆与移仓¶

生活化直觉

期货像"付定金锁定未来价格"的标准化合约。你只需缴一笔保证金（合约价值的一小部分）就能持有整张合约 ⇒ 自带杠杆，盈亏被放大。

多空对称：做空和做多一样方便（不像股票做空受限）——所以 A 股常用股指期货（IF 沪深 300、IC 中证 500、IH 上证 50、IM 中证 1000）来对冲市场 Beta、构造市场中性策略。
到期与移仓（rollover）：合约有到期日，长期持有需在到期前移仓到下一合约；近远月价差影响移仓损益，方向很关键：
- 期货升水 / contango（远月 > 近月）：多头移仓"高买低卖"，产生负移仓收益；
- 期货贴水 / backwardation（远月 < 近月）：多头移仓"低买高卖"，产生正移仓收益。
- A 股股指期货因分红与对冲盘压制，常年贴水——这对"做多股票 + 卖空股指期货"的对冲组合是一笔额外成本（你卖空的是贴水的期货），ch13 算对冲成本时必须计入。
- 经典教材见 Hull《Options, Futures, and Other Derivatives》[R70]。

期权：不对称收益与希腊值¶

生活化直觉

期权像买保险/付定金保留选择权：付一笔权利金，换取"将来有权但无义务以约定价格买/卖"的权利。最大损失就是权利金，潜在收益却可能很大 ⇒ 收益不对称。

看涨期权（call）：有权买入；看跌期权（put）：有权卖出。要素：行权价 \(K\)、到期日、权利金。
看懂期权链的三组最低门槛词：① 行权方式——欧式（只能到期行权，A 股 ETF/股指期权均为欧式）vs 美式（到期前任意时点可行权）；② 实值/平值/虚值（ITM/ATM/OTM）——以 call 为例，标的价 > K 为实值、≈ K 为平值、< K 为虚值；③ 看跌看涨平价（Put-Call Parity）：\(C - P = S - K e^{-rt}\)，把同行权价的 call、put、标的、现金绑成一个无套利恒等式（综述/附录展开）。
价值 = 内在价值（立即行权能赚的）+ 时间价值（剩余时间的可能性溢价）。买方最大损失就是权利金，而收益（尤其 call）上不封顶——这就是"不对称"：

期权到期损益：买入 call / put

怎么看：横轴是到期时标的价、纵轴是每股损益；两条折线在行权价 K 处转折，水平段都压在"−权利金"这条蓝虚线上（最大亏损封顶），而获利方向（call 向右、put 向左）可以一直延伸——这就是期权相对股票的"亏损有底、盈利不对称"。

希腊值（Greeks）直觉——刻画期权价对各因素的敏感度，先记最直觉的三个：
- Delta：标的涨 1 元，期权价涨多少（方向暴露）；
- Theta：每过一天时间价值的流失（时间衰减，买方的"持有成本"）；
- Vega：对波动率的敏感度——期权本质是"在交易波动率"。
- （另有 Gamma＝Delta 的变化速度、Rho＝对利率的敏感度，进阶时再看。）

A 股有 50ETF 期权、300ETF 期权、股指期权等。期权与 IV 曲面、希腊值跟踪在 ch16 末尾与附录涉及（了解级）。

保证金与杠杆的通用原理¶

无论两融、期货还是期权卖方，杠杆都是双刃放大镜：放大收益也放大亏损，并引入强平风险。任何用到杠杆的策略，风险预算（ch13）都必须把"最坏情形下的保证金追缴"算进去。

0F.7 参与者与生态：谁在交易，规则是什么¶

买方 vs 卖方¶

买方（buy-side）：用钱做投资决策的机构与个人。量化机构属于买方。各类买方的约束与偏好差别很大：

参与者	大致偏好 / 约束
公募基金	相对排名考核、有基准、长期多头为主、规模大→容量敏感
私募（含量化私募）	绝对收益、约束少、可对冲、策略多样（高频/中频/CTA）
保险 / 社保	久期长、低换手、重视稳健与回撤控制
券商自营	自有资金、做市/套利/方向兼有
外资（QFII / 沪深港通北向）	偏大盘价值与确定性、被视为"聪明钱"风向标之一
散户	数量大、持股分散、行为偏差明显（追涨杀跌、处置效应）

卖方（sell-side）：提供服务与中介的机构——券商研究所（卖研报/评级）、投行（承销）、经纪（通道）。我们引用的很多因子/研报来自卖方金工团队。

思辨：你的对手是谁？alpha 从哪来？

市场近似是零和甚至负和博弈（扣掉成本后）：你赚的钱，必有对手方在亏。所以做策略前先问一句——我的 alpha，来自谁的系统性错误或约束？ 是散户的行为偏差（追涨杀跌）？是公募被基准绑住、不能买的票？是外资的信息时滞？想不清"为什么是我赢"，那条漂亮回测多半是在数据里捡到的运气。利润来自博弈中占优，不是来自"算得准"本身。

A 股市场结构的特点¶

散户成交占比高但持股分散；近年机构化加速。散户的系统性非理性（处置效应、过度反应），恰恰是量化行为金融因子的可乘之机（ch03 行为因子）——价格之所以会偏离价值，正因为交易的是人。
北向资金（沪深港通）长期被视为"聪明钱"风向标之一（注：北向资金的实时披露口径 2024 年起有所调整）。
游资与龙虎榜：A 股特色的短线资金生态，龙虎榜席位数据可做因子（ch15）。

A 股现行交易制度速览（经核验）¶

下面这些是写任何 A 股策略都绕不开的"硬约束"，均已通过检索核验（2025–2026 现行；制度会变，落地前请再核对交易所最新公告）：

制度	现行规则	来源
交收	股票 T+1（当日买入次日才可卖）	沪深交易规则[R71]
涨跌停	主板 ±10%；创业板/科创板 ±20%；北交所 ±30%（上市首日不设限）；注册制新股上市前 5 个交易日不设涨跌幅	[R71]
风险警示股	主板 ST 自 2025-06 起放宽至 ±10%（此前 ±5%）；*ST 仍 ±5%；北交所 ST 仍 ±30%	[R71]
印花税	卖方单边 0.05%（2023-08-28 起减半征收，由 0.1%→0.05%）	财政部·税务总局公告[R72]
过户费	双边约成交额 0.001%（2022-04-29 下调 50% 后）	中国结算[R74]
佣金	市场化，约万 1–万 3，多数券商单笔最低 5 元	[R71]
交易单位	1 手 = 100 股；买入须 100 股整数倍	[R71]

一笔 A 股交易的成本拆解（示例）

买入 10 万元、再以 10 万元卖出（合计成交 20 万元），粗略成本：

佣金：双边各 ≈ 万 2.5 → 约 10万×0.025%×2 = 50 元（按券商费率，且不低于 5 元/笔）；
印花税：仅卖出 → 10万×0.05% = 50 元；
过户费：双边 → 20万×0.001% = 2 元；
合计 ≈ 102 元 ≈ 单边万 5 量级。

这就是回测里"手续费 + 印花税 + 滑点"占位参数的现实标定。别小看它：一个日换手 100% 的策略，一年光成本就可能吃掉两位数的收益——这是全书贯穿红线 2（成本占位，ch00 起即留参数，ch04 做进引擎）。

一笔交易的成本拆解

图：买卖各 10 万元，佣金（双边）50 元 + 印花税（仅卖出）50 元 + 过户费（双边）2 元 ≈ 102 元，相当于单边万 5 量级——这就是为什么高换手策略对成本极其敏感。

制度即约束，约束即代码

涨跌停意味着封板时无法成交（涨停只有买单没有卖单）；停牌意味着跳过；T+1 意味着当日不可回转。这些都要在回测引擎里如实建模，否则回测收益是"作弊"出来的。ch04 会把它们一一做进撮合逻辑；在那之前的章节遇到，先标注"ch04 修正"。

0F.8 从"金融问题"到"可计算问题"：本书地图¶

把前面所有金融概念串起来，量化做的事，就是把金融问题翻译成可计算、可回测的问题。下表是本书后续技术章对这些问题的回答索引：

金融问题	量化方法	本书章节
这只股票会涨吗？信号有多强？	因子、IC/分层、机器学习预测	ch03、ch05、ch06、ch07
买哪些、各买多少？	均值-方差/组合优化、带约束实战	ch02、ch13
怎么把"会涨"变成"敢重仓"？	头寸规模（Kelly/波动率目标）	ch13
怎么买卖才不冲击价格？	执行算法（TWAP/Iceberg）	ch16
会亏多少？扛得住吗？	波动率、回撤、风险模型、对冲	ch04、ch13
这条漂亮曲线是真有效还是过拟合？	防泄漏 CV、PBO、Deflated Sharpe	ch04、ch05[R13]
文本/财报/新闻里有信息吗？	NLP、情绪因子、LLM	ch11、ch12
能不能让模型自己做研究闭环？	强化学习、LLM Agent	ch09、ch12

表中 IC（信息系数，Information Coefficient） = 预测值与未来实际收益的（截面）相关系数，衡量"信号到底有没有用"，是因子有效性的核心标尺（用排序相关算的叫 RankIC，更抗异常值）；ch03 从零实现。

这张表是静态的，真实世界不是

别被流水线式的整洁骗了：表里每个"答案"一旦被足够多人采用就会衰减甚至失效（拥挤交易、反身性）——信号会在被使用的过程中自我消解。这是量化区别于自然科学的根本困境：物理定律不会因为你发现了它而改变，但市场规律会。所以"找到一个有效因子"从来不是终点，"它还能有效多久、为什么暂时还没被套利掉"才是真问题。

思辨：对自己的策略，要当检方而不是辩方（波普尔）

这里立一条比任何代码都重要的认识论原则：一条漂亮的回测曲线，默认它是假的（过拟合），直到它扛过你拼命设计的、想证明它失败的检验。科学的本质不是"找证据支持我"，而是波普尔说的可证伪性——拼命想推翻它却推翻不掉，才算数。对自己的策略，请永远站在检方（想方设法证伪），而不是辩方（只找有利证据）。全章的工程纪律——复权口径、下一 bar 成交、成本占位——本质都是这种"检方心态"的具体落实。

贯穿全书的一句话

金融提出问题，技术给出候选答案，而答案的对错要在"金融意义"和"严格回测"两道关卡前接受检验。 永远记住量化区别于普通机器学习的三条警戒线（综述 0.5）：低信噪比、非平稳与对抗性、过拟合是头号敌人——一条漂亮的回测曲线，默认假设它是过拟合的，直到被严格证伪[R13]。

小结¶

市场骨架：一级市场给公司融资、二级市场我们交易；交易所按价格优先/时间优先撮合；集合竞价定开收盘价、连续竞价逐笔成交；流动性决定策略容量。
交易机制：限价/市价委托、做多/做空、融资融券（A 股做空 2024 年大幅收紧）、T+1——它们共同决定了"信号 \(t\) 收盘、\(t+1\) 开盘成交"这条头号红线。
收益口径：算收益必先复权（不复权会把送股看成腰斩，本例 −47.5% vs 真实 +15.8%）；时间维度用对数收益、资产维度用简单收益；几何平均才是真实复利速度，波动会拖累复利。
风险语言：波动率/下行波动/最大回撤刻画不确定性与"痛感"；无风险利率与折现是估值零点；风险调整收益（夏普/索提诺/IR）才是评价策略的正确尺度。
估值与工具：财报三表 + PE/PB/ROE 杜邦分解读懂一家公司值多少钱；股票/指数/ETF/可转债/期货/期权各有金融含义与杠杆风险。
制度即代码：A 股涨跌停、印花税、过户费、T+1 等现行制度（本章已核验）必须如实建模，否则回测在自欺。
一切技术都为回答金融问题服务，且都要过"金融意义 + 严格回测"两关。

练习¶

复权动手：运行 code/ch0F/finance_basics.py，把分红从 1.0 改成 2.0、送股从 10送10 改成 10送5，观察"不复权总收益"与"复权真实收益"如何变化，并解释为什么。
口径辨析：某股票连续两日简单收益为 +10%、−10%。分别用简单收益和对数收益计算两日累计收益，解释为什么不是 0，以及哪个口径"可加"。
波动拖累：构造两条期望日收益相同、但波动率分别为 1% 和 3% 的合成序列（同一随机种子），比较 252 天后的终值，验证"波动拖累 ≈ 方差/2"。
估值恒等：已知某公司 PE = 20、ROE = 12%，求其 PB；再假设它把权益乘数从 2 提到 3（其余不变），新的 ROE 和 PB 是多少？这在金融上意味着什么风险？
成本标定：按本章"成本拆解"，估算一个日换手率 50%、年交易约 120 个交易日的策略，一年总交易成本约占本金多少？这对策略的最低 alpha 要求意味着什么？
制度核对（动态检索）：上交所/深交所/北交所官网查一次最新的涨跌停与费用规则，与本章表格对照，记录任何已变化之处——制度会变，动手核验是量化者的基本功。

延伸阅读与引用¶

经典教材：Bodie, Kane & Marcus《Investments》[R69]（市场结构/估值/组合基础）；Hull《Options, Futures, and Other Derivatives》[R70]（期货/期权/保证金/希腊值）。
风险调整收益：Sharpe[R02]（夏普比率）、Grinold & Kahn《Active Portfolio Management》[R16]（信息比率/主动管理）。
过拟合警戒：López de Prado《Advances in Financial Machine Learning》[R13]。
A 股制度与费用（已核验官方来源）：沪深北交易所交易规则与收费表[R71]、财政部·税务总局证券交易印花税公告[R72]、中国证监会 2024 融券/转融券监管公告[R73]、中国结算过户费标准[R74]。
系统的金融概念逐条详解见 [附录 D 金融概念词典]；本章对应综述 01（全景与简史，含 1.5 A 股制度特异性）。

配套完整脚本：code/ch0F/finance_basics.py（已实跑 ✅，随站点发布，可在线查看或下载；运行：uv run python guide/code/ch0F/finance_basics.py）。正文中的代码均为它的讲解片段，二者同源。图表由该脚本生成于 img/ch0F/。引用编号见 ../survey/references.md。