公式化因子挖掘做到一定规模会撞上一堵墙：库里已经有几十个因子，新挖的候选 IC 不算差，但跟现有因子相关性总是超过阈值，admit 不进去。AlphaGPT、AlphaForge、AlphaAgent、QuantFactor REINFORCE 都在解决"怎么生成更多候选"，对"库越大越难加新货"的处理仍有限。 FactorMiner（A Self-Evolving Agent with Skills and Experience Memory for Financial Alpha Discovery，2026/02，arXiv 2602.14670）的核心思路：把因子挖掘流程封装成一个 agent skill，并维护一个 experience memory 记录"哪些方向已经撞墙、哪些模板还能复用"，让 agent 每轮挖掘都从过去的成功和失败里取先验。CSI500 上 top-40 因子的 IC 达到 8.25%，ICIR 0.77，对比 AlphaAgent 的 5.90%/0.46 是约 40% 的相对提升。 ...

AlphaAgent 那篇 解决的是"LLM 挖出来的因子太像，加速 alpha decay"，用的是因子层面的正则化。QuantaAlpha（arXiv 2602.07085）的视角抬高了一层：与其在单次生成上加约束，不如把"假设→因子→回测"的整个 pipeline 看作一条 trajectory，然后在 trajectory 之间做变异和交叉。在 CSI 300 上用 GPT-5.2 拿到 IC 0.0472、ARR 4.68%、MDD 11.8%，跨市场零样本迁移到 CSI 500 和 S&P 500 还分别留下 40.28% 和 19.1% 的累计超额收益。 ...

末日期权（0DTE，Zero Days to Expiration）指当日到期的期权合约。2022 年 CBOE 把 SPX 期权扩展到每个交易日都有合约到期（4 月新增周二、5 月新增周四），0DTE 自此从边缘品种进入主流市场。Cboe 多份公开材料指出，0DTE 已占 SPX 期权日均成交量的一半以上，并在 2024-2025 年持续上升。 围绕末日期权的讨论大多停留在两个极端：一边是社交媒体上的暴富叙事，另一边是 “高风险勿碰” 的警示语。本文不取任何一边，目标是把它当作一个金融工具来理解——它的定价机制、Greeks 在最后一个交易日内的演化、不同参与者面对的盈亏结构，以及现有学术文献对散户实际收益分布的实证结论。理解这些之后，再去判断它适不适合自己。 ...

Qlib 是微软开源的 AI 量化投资平台，2020 年发布，到现在 GitHub 上 16k+ star。它把数据、因子、模型、回测、报告打成一条流水线，标配了 Alpha158/Alpha360 两个常用因子集，自带 LightGBM、Transformer、TCN 等 20 多个模型。这篇 Qlib 教程从安装讲到跑通第一个 LightGBM + Alpha158 策略，再到看懂回测报告，最后给一份踩坑清单。 读完你能做到：本机装好 Qlib，下载 A 股日线数据，用 30 行代码训出一个模型，用 qrun 跑一遍标准化工作流，看懂输出的 IC、年化、最大回撤这些数字。 ...

这篇 vectorbt 教程从向量化回测和传统循环回测的根本差别讲起，把 Portfolio.from_holding / from_signals / from_orders 三种入口讲透，跑一个 10000 组参数的网格搜索，最后说清楚 freq、信号 shift、内存这些真正会让回测结果出错的踩坑点。 ...

上一篇 AlphaGPT 解读留了一个开放问题：当所有人都用 LLM 挖因子，产出的因子能有效多久？AlphaAgent（论文链接，KDD 2025）直接回应了这个问题。它的核心观察是：LLM 生成的因子太依赖已有知识，产出的因子同质化严重，加剧因子拥挤，反而加速了 alpha decay。解决方案是在 LLM 因子生成的过程中加入三重正则化约束，逼迫模型探索结构上新颖、逻辑上自洽、复杂度可控的因子。 ...

量化交易的文章里总会冒出一些数学术语：对数收益率、标准差、协方差矩阵、OLS 回归、偏导数。逐个去查定义当然可以，但缺少量化交易的语境，查完还是不知道"这个数学工具到底在干嘛"。下面把量化交易中最常用的数学概念集中过一遍，每个配一个交易场景和 Python 代码。 ...

一只股票涨了 20%，这 20% 里有多少是因为大盘整体在涨，多少是因为它是小盘股，多少是因为它便宜？Fama-French 因子模型就是用来回答这个问题的工具。它把股票收益拆解成几个可解释的"因子"，是量化选股的基础框架之一。这篇文章从最基础的 CAPM 讲起，一步步推进到三因子和五因子模型，最后用 Python 跑一遍因子回归。 ...

量化交易不只是写策略。选错市场，策略再好也白搭。一个在美股上跑得很顺的均值回归策略，搬到加密货币市场可能因为波动率太大直接爆仓；一个在期货上赚钱的趋势跟踪系统，放到外汇主要货币对上可能一年都等不到一个像样的趋势。市场本身的规则、数据质量、杠杆结构、交易时间决定了什么策略能活下来。这篇文章从量化交易的视角，逐一拆解五大市场。 ...

CTA（Commodity Trading Advisor，商品交易顾问）是量化策略里的一个大类，核心交易标的是期货。虽然名字里带"商品"，但实际上 CTA 策略覆盖的远不止大宗商品：股指期货、国债期货、外汇期货都在射程范围内。CTA 策略分两大流派：趋势跟踪（价格涨了就做多，跌了就做空）和统计套利（找相关品种之间的价差偏离，赌它回归）。这篇文章从分类讲起，两条线都覆盖，各附 Python 代码。 ...