弱信号聚合的几何学：从 √N 定律到正交化工厂

从几何直觉推到代数，把方法论落到真实窗口期

开篇：一个反向直觉

问一个问题：如果给你两个选择——一个 Sharpe 2.0 的单一策略，或者三十个 Sharpe 0.4 但彼此独立的弱信号——你选哪个？

大多数人的直觉会选前者。市场的直觉相反。

那个 Sharpe 2.0 的策略，大概率是这三种东西之一：一次还没被识破的运气、一份还没被剥离的因子暴露、一个还没被拥挤交易吃掉的短暂窗口。而三十个独立弱信号的组合，数学上会给你一个超过 2.0 的组合信息比率——没有单一失效点，还有一条清晰的路继续往上走。

这篇文章讲这个反直觉背后的数学，以及它对量化系统设计的推论：

下一代量化的护城河不在任何一个信号配方，而在持续生产、验证、淘汰信号的工厂本身。

全文以 Dnalyaw 系列第三篇《弱信号聚合与信号工厂》为骨架（站内链接见文末"站内相关阅读"），把每个几何直觉推到代数严格性，每条工程纪律配上实操陷阱。

学习目标：读完本文，你应该能——

1. 手算任意相关结构下的组合 IR，并解释 √N 为什么会被相关性吃掉；
2. 拆解一篇量化论文或一份业绩报告时，立刻定位它有没有做过因子剥离、归因是否干净；
3. 用三个问题判断一个量化团队到底是"配方作坊"还是"工厂"。

目录

全文按"数学 → 纪律 → 几何 → 组织 → 落地"五段展开：

• 一、平方根定律：独立性比强度更值钱
• 二、第一道关卡：先剥离，再谈 alpha
• 三、第二道关卡：尾部相关性，组合真正的试金石
• 四、三道关卡，一个操作：正交化
• 五、同一套几何：市场的四重境界
• 六、工厂：把研究本身变成一条生产线
• 七、为什么这只有垂直整合的系统做得动
• 八、结语：配方会衰减，工厂在复利
• 九、投资判断：工厂范式的跟踪窗口（2026-2028）
• 十、常见误区与适用边界（含常见错误排查）
• 十一、自测练习
• 十二、进阶路径与站内相关阅读

一、平方根定律：独立性比强度更值钱

1.1 等权独立情形

弱信号聚合的核心数学非常简单。如果你有 N 个彼此独立、信息比率（Information Ratio, IR）都等于 IR 的信号，等权组合的信息比率严格等于：

$$ IR_{combined} = \sqrt{N} \cdot IR $$

这里先把 Sharpe 和 IR 都当作同一类"单位风险下的边际收益"来近似理解；严格定义当然不同，本文关心的是组合几何里的相关结构，而不是指标命名。

三十个 IR 0.4 的独立信号，组合起来接近 2.2。一百个，接近 4.0。文艺复兴路线靠的正是这个——不是找到一个别人看不见的圣杯，而是把大量平庸但独立的边际优势堆叠成一个统计上几乎必然的结果。

这个 √N 结构不是新发现。它是 Grinold（1989）主动管理基本定律 IR = IC × √BR 的信号聚合版本：预测能力（信息系数 IC）不变时，独立下注次数（广度 BR）的平方根决定信息比率的上限。Grinold 与 Kahn 在《Active Portfolio Management》里把它系统化为主动投资的基准框架，本文关心的是它成立的前提——独立性——以及前提被破坏时发生什么。

为什么是 √N 而不是 N？ 答案在协方差矩阵里。等权组合 p = (1/N) · (s₁ + s₂ + … + sₙ)，其方差是：

$$ \sigma_p^2 = \frac{1}{N^2} \sum_{i=1}^N \sum_{j=1}^N Cov(s_i, s_j) = \frac{1}{N^2} \left( N\sigma^2 + \sum_{i \neq j} Cov(s_i, s_j) \right) $$

当所有信号独立时，$Cov(s_i, s_j) = 0$（$i \neq j$），于是 $\sigma_p^2 = \sigma^2/N$，即组合的标准差降为单信号的 $1/\sqrt{N}$。组合的预期收益是各信号预期收益的平均（仍然按 $1/N$ 加权），所以组合 IR 是单信号 IR 的 $\sqrt{N}$ 倍。这就是"平方根定律"的代数来源——和几何里"勾股定理下 N 个正交向量之和的模长是单向量模长的 √N 倍"是同一件事。

1.2 一般情形：相关性的代价

等权、等 IR 的假设放松到只剩一个变量——信号之间的两两相关性 ρ。组合 IR 的一般式是：

$$ IR_{combined} = IR \cdot \sqrt{ \frac{N}{1 + (N-1)\rho} } $$

这个公式的推导同样在协方差矩阵里：等权组合的方差写成矩阵形式是 $\sigma_p^2 = \mathbf{1}^T \Sigma \mathbf{1} / N^2$，其中 $\Sigma$ 是相关矩阵。当所有两两相关都是 ρ 时，相关矩阵的特征值有两个：$\lambda_1 = 1 + (N-1)\rho$（重数 1）和 $\lambda_2 = 1 - \rho$（重数 N-1）。单位向量 $\mathbf{1}$ 在 $\lambda_1$ 方向上有投影 $\sqrt{N}$，所以 $\mathbf{1}^T \Sigma \mathbf{1} = N \lambda_1 = N[1 + (N-1)\rho]$，代回去就是上面的公式。

真正扎眼的是 ρ > 0 之后的极限形态：相关性一旦大于零，组合 IR 随 N 增加趋于一个平台，N→∞ 时的极限是：

$$ IR_{combined} \to \frac{IR}{\sqrt{\rho}} $$

也就是说：**相关性不清零，N 加到一百也追不上一个平庸的单一策略。**独立性是这条路线成立的前提，不是锦上添花。

1.3 一个残酷的算术

注意公式里真正承重的不是 IR，是那个 √N——而 √N 成立的前提是独立。这个前提值多少钱？做个算术：

假设你有 30 个信号，每个单独 IR = 0.4：

• 如果两两相关 ρ = 0：组合 IR = 0.4 × √30 ≈ 2.19
• 如果两两相关 ρ = 0.2：组合 IR = 0.4 × √(30/(1+29×0.2)) = 0.4 × √(30/6.8) ≈ 0.84
• 如果两两相关 ρ = 0.5：组合 IR = 0.4 × √(30/(1+29×0.5)) = 0.4 × √(30/15.5) ≈ 0.56

等权、等相关的假设下，这个公式值得写成十几行代码——第十一节的自测练习还会用到它：

import math

def portfolio_ir(n: int, ir: float, rho: float) -> float:
    """N 个等权、两两相关均为 rho 的信号的组合 IR"""
    return ir * math.sqrt(n / (1 + (n - 1) * rho))

for rho in (0.0, 0.2, 0.5):
    print(f"rho = {rho}: 组合 IR = {portfolio_ir(30, 0.4, rho):.2f}")
# rho = 0.0: 组合 IR = 2.19
# rho = 0.2: 组合 IR = 0.84
# rho = 0.5: 组合 IR = 0.56

最后一组数字最扎眼：30 个 IR 0.4 的信号，相关性只要 0.5，有效 N 就从 30 塌缩到 2 左右——组合 IR 0.56，只相当于两个独立信号的水准，你却为此维护着 30 套数据、监控和交易管线。你以为自己持有一个多元化的信号组合，实际上持有的是同一个赌注的三十份复印件。

这个塌缩的几何含义：等权组合的"有效维度"等于 1/[ρ + (1-ρ)/N]。当 N=30 且 ρ=0.5 时，有效维度 = 1/(0.5 + 0.5/30) ≈ 1.94。你以为是 30 维的组合，在 30 维的空间里只剩不到 2 维的有效方向——其余 28 维是冗余的"复印件方向"。

1.4 工程重心的转移

所以弱信号聚合的工程重心，从第一天起就不在"找更强的信号"，而在两件事上：

1. 验证候选信号真的携带独立信息——而不是已知因子换了个马甲；
2. 验证独立性在你最需要它的时候依然成立——也就是尾部。

这两件事，比找信号本身难得多，也贵得多。第二节处理第一件事，第三节处理第二件事，第四节把两件事统一到同一个数学操作里。

二、第一道关卡：先剥离，再谈 alpha

2.1 行业里最常见的自欺

行业里最常见的自欺是这样的：某个信号回测下来年化 15%，Sharpe 漂亮，曲线好看，于是上线。没有人问一句：这 15% 里面，有多少是这个信号自己挣的？

答案往往令人尴尬。把市场 beta、动量、市值、波动率这些人尽皆知的因子暴露剥离之后，很多"好看的历史业绩"会直接归零，甚至翻负。那条漂亮的净值曲线陈列的大都不是 alpha，而是因子暴露——你买的是一份杠杆化的 beta，包装纸上写着别的名字。

2.2 一个示意算例：剥离前后

用一个构造出来的算例说明剥离的威力——数字是为说明量级而设的示意值，不是某个真实信号的回测记录。假设你开发了一个"分析师覆盖度变化"信号——某只股票被新分析师覆盖时买入。回测里，原始信号年化超额收益约 12%，Sharpe 约 1.8。看起来是个好信号。

但剥离市场 beta、市值、动量、波动率这四个最常见的因子后，残差的年化超额收益降到 3.2%，Sharpe 约 0.4——离你看到的 1.8 差了 4.5 倍。那 12% 里大约有 73% 是因子暴露提供的，主要是小市值（被新覆盖的往往是中小盘）和低波动（被新覆盖的公司往往波动率低）的溢价。

这正是危险所在：因子溢价是会反转的，风格一转，那 8.8% 的"收益"跟着回吐；而因子暴露可以被任何普通指数基金或 ETF 复制，花研究预算买它不构成 alpha。

这是剥离必须发生的根本原因：没有剥离的回测是被因子杠杆放大的幻象，数字越大，幻象越深。

2.3 几何视角：侧脸照的精确对应

如果你熟悉神经网络，这张侧脸照有一个精确的对应物：一层降维投影。高维输入穿过一个低秩权重矩阵时，只有与权重方向共振的分量能活着到达下一层，与之正交的一切细节都被投影抹成零——多样性不是被丢弃的，是被降维本身吃掉的。

净值曲线就是那个投影：它把一个高维的收益过程压到一根一维的曲线上，而市场因子恰好是这个投影里最响的共振方向。看曲线选信号，等于隔着投影猜高维；归因剥离，是把向量拉回高维空间，一个分量一个分量地看。

把这件事写成代数：候选信号 r 是个 N 维向量（每天的收益），因子矩阵 F 是 K×N 矩阵（K 个因子的每日收益）。对 F 做线性回归取残差，就是把 r 投影到 F 的正交补上：

$$ r_{alpha} = r - F(F^TF)^{-1}F^Tr = (I - P_F)r $$

其中 $P_F = F(F^TF)^{-1}F^T$ 是向 F 张成的子空间的正交投影算子。残差 $r_{alpha}$ 与 F 中的每一列都正交（内积为零）——这就是"剥离"的代数含义。用 NumPy 实现这个投影只需要几行：

import numpy as np

def strip_factors(r: np.ndarray, F: np.ndarray) -> np.ndarray:
    """对因子矩阵做 OLS 回归，返回残差（候选的 alpha 分量）

    r: 形状 (T,)   候选信号的每日收益
    F: 形状 (T, K)  K 个因子的每日收益
    """
    X = np.column_stack([np.ones(len(r)), F])  # 截距项
    beta, *_ = np.linalg.lstsq(X, r, rcond=None)
    return r - X @ beta  # 残差与每个因子正交

2.4 一条不可协商的准入纪律

这件事的可怕之处在于：不剥离因子暴露的回测，几乎总是会给出一个更好看的数字。 所以任何允许"先上线、后归因"的研究流程，都在系统性地奖励自欺。

我们的做法是把它变成一条不可协商的准入纪律：

任何候选信号，先剥离全部已知因子暴露，剩下的残差才有资格被称为 alpha；残差再过样本外和净成本两道门，三道全过才进入候选池。

没有例外。有道理不是准入标准，剥离后的残差统计显著才是。

2.5 因子库的边界：哪些因子必须剥离

这里有一个工程细节：因子库是有限的，不是无限的。我们维护的因子库大约包含 12 个标准风格因子（Fama-French 5 + 动量 + 短期反转 + 波动率 + 换手率 + 盈利 + 投资 + 跨期截面 + 行业中性）+ 6 个常见的另类因子（拥挤度 + 分析师预期修正 + 北向资金 + ETF 资金流 + 龙虎榜 + 期货持仓）。

因子库的边界就是 alpha 的边界。 如果一个"新信号"剥离了这 18 个因子后还有显著残差，那它就是真正的 alpha；否则它就是这 18 个因子（或它们的组合）的某种变体。这是"扩因子库"和"找新信号"在工程上等价的原因——它们都在扩大 alpha 的可能空间。

但这里有一个权衡：因子库越大，剥离后残差的方差越大，统计显著性越难达到。我们的经验是 18-25 个因子 是平衡点：低于 18 容易漏掉显式因子暴露，高于 25 残差开始接近噪声主导。

2.6 机器学习版本：剥离必须发生在进模型之前

这条纪律的机器学习版本更有意思。当你用模型（无论是线性模型还是更复杂的非线性 learner）去组合特征时，模型会非常聪明地替你偷懒——如果特征空间里藏着因子暴露，模型会第一时间找到它并加满杠杆，因为在训练样本内这是损失下降最快的方向。你看到的"模型学到了 alpha"，很多时候是模型学会了做多波动率。

所以剥离必须发生在进模型之前，而不是出模型之后——这是特征工程层面的决策，等到归因阶段再做就晚了。一个朴素的检验方法是：把剥离前的特征集和剥离后的特征集分别喂给同一个模型，比较样本外表现。如果剥离后的模型表现明显更差，说明模型一直在吃因子暴露；如果两者差不多，说明模型真的从残差里学到了东西。

我们在实盘里观察到的是：剥离前的特征集在样本内表现更好（损失下降更快），样本外几乎全部塌缩；剥离后的特征集样本内表现温和，样本外稳健得多。样本内拟合快，不等于样本外泛化好——这件事上没有含糊的空间。

三、第二道关卡：尾部相关性，组合真正的试金石

3.1 全样本相关性是一个会撒谎的统计量

假设你的候选信号通过了剥离和样本外检验，进了组合。还有一个更隐蔽的陷阱在等着：全样本相关性是一个会撒谎的统计量。

两个信号可以在 95% 的交易日里近乎正交——相关性 0.1 以下，教科书级别的多元化——然后在最糟糕的 5% 里高度抱团。日常里它们看起来是两个赌注，压力日里它们是同一个。而决定你能不能活下来的，恰恰只有那 5%。

这不是理论担忧。2007 年 8 月的 quant unwind、2020 年 3 月、以及每一次因子快速反转，市场都在重复同一件事：平时的相关性结构在压力下不守恒。多元化是一种会在你最需要它的时候蒸发的资产——除非你直接对尾部做过检验。

3.2 2007 年 8 月的真实数字

把 2007 年 8 月 6 日到 10 日那一周拿出来单独看：没有宏观数据，没有地缘冲突，一批多年来盈利稳定的量化市场中性基金在几天内亏掉了过去几年的利润。Khandani & Lo 的复盘论文（What Happened to the Quants in August 2007?）给出的解释是：一个或多个大型量化多空组合被迫平仓——很可能来自一家多策略基金或自营交易台——卖出压力沿着相似的持仓传染，逼出更多基金的止损与降杠杆，直到 8 月 10 日抛压耗尽、策略显著反弹。论文的模拟显示，若有几个同等规模的组合同时平仓，一个统计套利组合在这几天内的亏损可以到 -6% 到 -30%。现实里更直观的注脚是高盛：旗下 Global Equity Opportunities 基金在这次 unwind 中损失约 30% 净值，一周后获得 30 亿美元注资续命。

再看组合层面的算术。用一个示意数字演示相关性塌缩的威力：50 个因子信号，年初两两相关 0.2，组合 IR = $0.4 \times \sqrt{50/(1+49 \times 0.2)} \approx 0.86$；压力日相关性抬到 0.8，组合 IR 跌到 $0.4 \times \sqrt{50/(1+49 \times 0.8)} \approx 0.45$——缩水近一半。这还只是 IR 层面：实际基金带着杠杆，IR 收缩先吃掉单位风险的边际，追保和止损再把浮亏变成被迫卖出，账面亏损被锁定在抛压最重的那几天。回撤的真实量级由杠杆和拥挤共同决定，日常波动率根本暗示不了它。

相关性专挑你加了杠杆、最经不起变化的时候变——这就是尾部相关性必须作为准入硬性筛选项、不能事后当"软警告"的原因。

3.3 我们的检验方法：条件在组合最差日子上的尾部相关性

所以我们的信号准入筛的不是全样本相关性，而是条件在组合最差日子上的尾部相关性——具体做法是：

1. 先用现有存量信号构成组合 p，计算 p 在样本期内最差的 5%（约 60 个交易日）作为"压力窗口"；
2. 计算候选信号 s 在这 60 个压力日的相关性 $\rho_{s,p}^{tail}$，而不是全样本相关性；
3. 准入阈值：$\rho_{s,p}^{tail} \leq 0.5$（远比全样本 0.2 严格）。

一个候选信号只有在存量信号流血的日子里依然提供独立信息，它的 √N 贡献才是真的。否则它只是让你的账面 N 变大、有效 N 不变——多元化幻觉比没有多元化更危险，因为它会诱使你加杠杆。

3.4 条件尾部相关性曲线：超越"最差 5%“的更精细工具

“最差 5%“这个窗口是个粗略的起点。更精细的工具是条件尾部相关性曲线——把每日相关性按"压力程度”（如当日市场回撤幅度）排序，估计相关性作为压力函数的曲线 $\rho(\delta)$，其中 $\delta$ 是市场当日回撤。（尾部抱团的结构化建模常用 Gumbel copula 一类工具；工程上，先做经验估计就够用，也更难被样本数量骗到。）

我们的经验是大多数信号呈现两种曲线形态之一：

• 线性恶化型：$\rho(\delta) \approx \rho_0 + k \cdot \delta$，相关性随压力线性上升——这种信号在正常市场下相关 0.1，压力日相关 0.4，“可接受"但需要警惕；
• 阶跃恶化型：$\rho(\delta) \approx \rho_0$ 当 $\delta < \delta^$，$\rho(\delta) \approx 1$ 当 $\delta \geq \delta^$——这种信号在正常市场下相关 0.1，压力日接近共线，是典型的"定时炸弹"信号。

阶跃恶化型信号在日常看起来跟线性恶化型无法区分（都是 0.1），只有在真实压力日才会暴露——这就是为什么必须有压力窗口的硬性检验。

3.5 一个经验规律

顺便说一句，这个检验有一个规律：越是尾部正交的候选，越难找。 alpha 和尾部独立性之间存在某种张力——容易挖到的信号往往和存量信号共享同一批极端日。这正是"工厂"存在的理由：如果好信号俯拾皆是，你不需要工厂，只需要一次好运。

我们自己的筛选记录也说明这个张力：通过剥离和样本外两道关卡的候选里，能再通过尾部相关关卡的比例，长期只有一成上下。这一成，才是工厂真正能生产"独立增量"的产能上限。

四、三道关卡，一个操作：正交化

4.1 三个名字，一件事

回头看，第二、三节讨论的三道关卡其实是同一个数学操作——正交化（orthogonalization）——在不同层面的应用：

• 因子剥离：对已知因子正交化，剩下的残差才配叫 alpha（详见第二节）；
• 候选筛选：对存量信号正交化，携带增量信息的部分才有 √N 贡献（详见第三节的尾部相关检验）；
• 尾部检验：这份正交性在压力下是否守恒（和乐问题，下一节展开）。

三条纪律，一个几何直觉：真正的多元化不是"持有很多信号”，而是"持有很多正交方向”——账面上的 N 是数出来的，有效的 N 是正交出来的。

4.2 Gram-Schmidt 与 QR 分解：工程实现的两种选择

正交化的标准算法是 Gram-Schmidt 正交化：

给定一组线性无关向量 ${v_1, v_2, …, v_n}$，逐步构造正交基：

• $u_1 = v_1$
• $u_k = v_k - \sum_{i=1}^{k-1} \frac{\langle v_k, u_i \rangle}{\langle u_i, u_i \rangle} u_i$（$k = 2, …, n$）

然后单位化得 $e_k = u_k / |u_k|$。这就是经典 Gram-Schmidt，复杂度 $O(n^3)$。

但经典 Gram-Schmidt 在浮点运算中数值不稳定——连续减去前面的投影会导致舍入误差累积，正交性的损失量级约为 $O(\epsilon \kappa^2(V))$。实际工程上我们用 修正 Gram-Schmidt（Modified Gram-Schmidt, MGS）：每一步只减一次投影，但用更新后的 $u_i$ 而不是原始的，正交性损失降到 $O(\epsilon \kappa(V))$（$\epsilon$ 是机器精度，$\kappa$ 是条件数）——仍然是 $O(n^3)$，但误差常数小得多。

更进一步：把向量堆成矩阵 $V = [v_1 | v_2 | … | v_n]$，QR 分解 $V = QR$（其中 $Q$ 是正交矩阵，$R$ 是上三角矩阵）一次性给出正交化结果。基于 Householder 变换的 QR 分解数值稳定性显著优于经典 Gram-Schmidt，几乎所有工业级实现（NumPy、LAPACK、Eigen）都默认走 QR 路线。

工程上推荐：研究阶段用 QR 分解（小规模，速度不是瓶颈）；在线训练用 mini-batch QR 增量更新（处理流式到来的新特征）。对应的最小实现：

import numpy as np

def orthogonalize(signals: np.ndarray) -> np.ndarray:
    """信号按列堆成矩阵，QR 分解一次给出正交方向

    signals: 形状 (T, N)，每列是一个信号的收益序列
    返回:   形状 (T, N)，各列两两正交的"纯增量方向"
    """
    q, _ = np.linalg.qr(signals, mode="reduced")
    return q

4.3 等权 vs 最优权：原文的一个省略

原文的 √N 公式 $IR_{combined} = \sqrt{N} \cdot IR$ 默认是等权——但等权不是最优。等权组合的好处是简单、稳健、不需要估计协方差矩阵；坏处是当信号的 IR 不一致或相关性结构非平凡时，等权会显著低于最优权组合。

最优权组合（Mean-Variance Optimization, MVO）求解：

$$ w^* = \frac{\Sigma^{-1} \mu}{\mathbf{1}^T \Sigma^{-1} \mu} $$

其中 $\mu$ 是各信号的预期 IR 向量，$\Sigma$ 是相关矩阵。最优权组合的 IR 是 $\sqrt{\mu^T \Sigma^{-1} \mu}$，理论上严格高于等权的 $\sqrt{N/(1+(N-1)\rho)}$。

但最优权的致命陷阱是估计误差放大——$\Sigma$ 的估计本身有噪声，$\Sigma^{-1}$ 把噪声放大成"虚假权重”，导致样本内表现完美、样本外塌缩。这正是 Black-Litterman 模型、收缩估计（shrinkage）、以及风险平价（Risk Parity）等"半最优"方法流行的原因——它们用结构化假设换取样本外的稳健性。

工厂里的工程选择是：用等权或风险平价作为主组合（稳健性优先），用 MVO 仅作为月度/季度的离线优化（用滚动 36 个月窗口估计协方差，配合 Ledoit-Wolf 收缩）。两者同时跑，差异本身就是"模型不确定性"的实时度量。

4.4 正交化在流水线哪一站发生：架构级决策

工程上，正交化在流水线的哪一站发生、以什么顺序对什么剥离，是研究管线里少数真正值得反复推敲的设计决策之一——它决定了下游的组合器模型看到的是一组干净的正交方向，还是一堆彼此纠缠、等着模型自己去解开的原始特征。

三种架构选择：

• 预剥离（pre-stripping）：在信号进入组合器之前就完成因子正交化 + 信号间正交化。组合器只看到残差方向。优点：组合器无法偷偷吃因子暴露；缺点：丢失了一些"原始相关性里隐含的非线性结构"。
• 后剥离（post-stripping）：让组合器吃全部原始特征，最后对组合的输出做归因。优点：组合器可以利用原始特征里的微妙结构；缺点：组合器很容易学会做多波动率，样本外塌缩风险高。
• 混合（hybrid）：在因子层预剥离（防止模型吃已知因子），在信号层后剥离（保留非线性结构）。这是大多数工业系统的实际选择。

我们的经验是 混合路线胜出：因子层强制预剥离（纪律不能让步），信号层用后剥离 + 滚动检验（每季度重新评估）。两条路线我们都走过，结论这里不展开；只说一句：这个选择对最终组合的影响，大于绝大多数人在模型调参上投入的总和。

4.5 一个易错点：正交化不是"无关"

正交化有一个常被误用的地方：把"正交"理解成"无关"。实际上正交只是线性无关——两个信号可以正交但非线性相关。举例：信号 A 在周一到周三赚钱，信号 B 在周四到周五赚钱，它们的时间分布几乎完全正交（皮尔森相关接近 0），但日收益率的边际分布（赚多少、亏多少）可能高度一致——这种信号组合仍然脆弱，因为压力日（往往集中在某些特定时段）会同时激活两者。

所以正交化只是必要条件，不是充分条件。一个完整的独立性检验需要同时检查线性正交（皮尔森相关）+ 非线性相关（互信息、Copula 相关、尾部相关）。我们在流水线里把这一步叫做"三维独立性检查"——任何一维不通过，候选就被淘汰。

4.6 一扇更大的门

所以工厂生产的从来不是信号，是正交方向。而一旦你开始用"方向"而不是"信号"思考，一扇更大的门就开了——这正是下一节"市场的四重境界"的核心：用微分几何的语言重述同一件事。

五、同一套几何：市场的四重境界

读过《神经网络的四重境界》（Wayland Zhang 的原文）的读者，可能已经闻到什么。那篇文章一境一境地往上读神经网络：方程、流形、联络、测量。现在把同一双眼睛转向市场——你会发现本文的三条纪律不是三条独立的经验法则，而是同一套几何在金融里的显形。逐境走一遍。

5.1 金刚境——信号是函数空间里的向量，√N 是勾股定理

每个信号本质上是定义在市场状态空间上的一个函数 $s: \mathcal{X} \to \mathbb{R}$，把每个市场状态映射到该状态下的预期收益。全体候选生活在 $L^2$ 空间里——平方可积函数构成的内积空间。

为什么函数空间的内积自然导出相关性？ 假设两个信号 $s_1(x)$ 和 $s_2(x)$，它们在概率测度 $P$ 下的协方差定义为：

$$ Cov(s_1, s_2) = \mathbb{E}P[(s_1 - \mathbb{E}[s_1])(s_2 - \mathbb{E}[s_2])] = \langle s_1 - \bar{s_1}, s_2 - \bar{s_2} \rangle{L^2(P)} $$

也就是说，相关性就是这两个函数在 $L^2(P)$ 下的内积除以各自模长，ρ 就是夹角余弦。“正交"是字面意义上的 90°。

√N 定律不再需要记忆——$N$ 个正交向量之和的模长是 $\sqrt{N}$ 倍，这就是勾股定理的直接应用。而 $N$ 个平行向量（高相关）之和只是同一个向量画粗了 $N$ 倍，模长仍是 1——这就是"三十份复印件"的代数来源。

因子剥离也不是比喻：对因子矩阵 $F$ 回归取残差，就是向已知因子子空间的正交补做投影：

$$ s_{alpha} = s - \text{proj}_{\text{span}(F)} s $$

alpha 的严格定义由此而来——落在因子子空间之外的分量。没有神秘的东西，只有内积。

5.2 指玄境——组合器训练是把信号流形展平

原始特征彼此纠缠，像神经网络那篇文章里叠在空中的纸飞机；组合器训练做的事和神经网络训练同构：把缠在一起的信号流形一步步展开，直到 alpha 线性可分（用层叠的分片光滑流形去逼近不讲道理的真实对象，这正是数值流形法 NMM 的家法——市场大概是比岩体更不讲道理的研究对象）。

流形（manifold）的直观：想象把一张揉皱的纸摊平。纸上的每一点是高维特征空间里的"市场状态”，摊平的过程就是组合器训练的优化——把一个曲面的局部坐标系换成线性坐标，让"赚多少"这个量在该坐标系下可以被一个线性函数描述。

这个视角顺带解释了一个我们付过学费的实证结论：为什么数据成为瓶颈时，简单的线性组合器反而稳定打败更复杂的非线性模型——当前数据分辨率下，信号流形的曲率低于噪声水平，它局部看起来就是平的；非线性模型在试图学习一个数据还看不见的曲率，于是只能拟合到噪声。

“数据的边界决定模型的上限"由此有了一个几何判据：什么时候该上非线性？当数据多到曲率显影的时候。具体地，可以用局部线性回归的残差方差作为曲率的代理指标——如果 36 个月窗口内的局部残差方差稳定下降，说明流形确实是平的；只有残差方差稳定且显著大于零时，才值得引入非线性。

5.3 天象境——尾部相关性是联络的和乐

这一境回答本文最深的那个问题：为什么平时正交的信号，压力日会抱团？函数空间的语言说破了很简单：内积依赖测度。

$L^2$ 的内积是在市场状态的概率测度 $P$ 下取的期望，而平静市场和危机市场是两个不同的测度——测度一换，所有夹角都变了。平时测到的独立性，只在平静市场这套权重下成立；危机来了，市场给状态重新加权，两个信号之间的角度也跟着变。

翻译成微分几何：市场状态空间是底流形 $\mathcal{M}$，每个状态点上挂着信号空间这根纤维 $F$；你在平静区校准好的正交标架，沿一条穿过危机的路径平行输运过去，会被曲率拧转——危机就是曲率集中的区域，“相关性趋近于 1"等价于有效维度坍缩到第一主成分。

尾部相关性检验，测的就是这条路径的和乐（holonomy）——所谓和乐：在球面上举着一支箭头绕一圈，你从未主动转动它，回到原点它却转了一个角度，那个角度就是路径包住的曲率的总账。我们的检验做的就是这件事，只不过赶在市场替你测之前。

具体地，这个类比落到检验上是这样的：分别估计平静期（市场回撤最浅的那些日子）和压力期（组合最差的日子）的相关矩阵，然后比较两个矩阵的谱——最大特征值占比、有效维度。类比不能当公式用：市场没有给定的联络，“曲率"无法严格定义，把它写成一条漂亮的线积分只会是装饰。但它指出了正确的检验方向——别问平均相关性是多少，问绕过一轮压力之后，相关性结构有没有回到原点。压力期最大特征值占比的抬升量、有效维度的坍缩幅度，就是"和乐"能被测到的实证对应物；一个候选信号如果在这两项上塌缩得厉害，它的"尾部独立性"就越可疑。

“市场中性不等于危机中性"在这一境里不是一条经验教训，是一条几何定理：弯曲的底流形上，不存在全局平坦的标架。

5.4 陆地神仙境——观测即扰动

四境里最高的一境，市场版本只需一句话：你的每一笔成交，都在扰动你试图测量的那个分布。

回测假设你是市场的旁观者；实盘里你是它的参与者——下单越大，测量对系统的坍缩越明显。这就是执行为什么值 alpha 的一半，也是执行层学习问题真正的深度所在。

具体地，成交对市场状态的反作用可以通过冲击成本函数 $C(\text{order size})$ 度量——通常是 order size 的凸函数（市场冲击的 square-root law，或 linear+fixed-cost 模型）。当 order size 超过一定阈值（如日均成交量的 1%），冲击成本急剧上升，把单笔成交的 alpha 吃掉一大半。

这就是为什么"拆单"不是工程细节而是 alpha 的来源——同样的信号、不同的拆单策略，净 alpha 可以差出 30%-50%。这一境展开是另一篇文章，但在"工厂"那一节我们还会遇到执行层的设计。

5.5 一个推论：alpha 衰减是几何上的撕裂

从这套几何出发还有一个推论。市场本身是一个被所有参与者的"梯度下降"共同训练的流形——每个人都沿着自己相信的 alpha 方向更新仓位。拥挤交易，就是太多人沿同一方向更新，直到把那个方向从流形上撕下来。 alpha 衰减不是缓慢的氧化，是几何上的撕裂。

顺带说一句：组合的"有效维度"是一个可以实时度量的量——相关矩阵的谱集中程度就是市场当前真实维度的读数。维度坍缩的速度本身携带信息：当相关矩阵的最大特征值占比在 3 个月内从 30% 上升到 50%，意味着市场进入"单一主题驱动"模式，此时账面持仓数不再等于分散程度，尾部检验的价值在这段时间内最高。

5.6 把四重境界收回工程

把四重境界收回工程：既然 alpha 是正交方向（金刚境），既然组合器训练是把流形展平（指玄境），既然正交性会被压力拧转（天象境），既然方向本身会被拥挤撕掉（陆地神仙境）——可持续的做法就只剩一种：批量地、纪律地、不断地生产新的正交方向。 这就是工厂。

六、工厂：把研究本身变成一条生产线

6.1 配方型 vs 工厂型

从几何回到组织。弱信号聚合对研究的组织形态提出了一个苛刻的要求：研究必须是可重复的流水线，而不是一次次灵感的闪现。

配方型团队是这样工作的：某个聪明人有了一个想法，做出一个策略，策略赚钱，团队围绕它扩张，直到它衰减。整个组织的价值 = 那个配方的剩余寿命。组织是脆弱的——核心研究员的离职、单一策略的拥挤化、监管的一次打击，都可以让组织价值瞬间塌缩。

工厂型系统是这样工作的：候选信号从数据表面被系统性地枚举出来，每一个都走完全相同的验证流程——因子剥离、样本外、净成本、尾部相关——绝大多数被淘汰，极少数进入候选池，等待人的最终准入决策。信号会衰减、会被淘汰，但生产线本身在复利：每一轮筛选留下的不只是幸存者，还有"这一族方向已被证伪"的负知识，让下一轮枚举更聪明。这种组织形态，就是本文所说的工厂模式（factory）。

组织价值不再等于任何单一配方的剩余寿命，而等于流水线持续生产新正交方向的能力。这是一种结构性差异：前者是 O(1) 的能力（找到一个好配方），后者是 O(N) 的能力（生产 N 个候选，存活 K 个）。K 永远小于 N，但只要 N 足够大、K 足够持续，组织的有效产能就摆脱了对"找到一个圣杯"的运气依赖。

6.2 流水线的具体环节

这条生产线上有几个环节值得展开：

淘汰和生产同样重要。 工厂的输出里，被拒绝的候选远多于被接纳的——而这是健康的标志，不是失败。一个从不拒绝候选的研究流程，等价于一个没有免疫系统的机体。我们把每一次筛选的完整结论（包括所有 NO GO）写入一个只增不删的账本：证伪过的方向不重复挖，除非有新数据或新角度。负知识是有产权的资产。

这个账本的数据结构可以非常朴素：每个候选一条记录，包含（候选 ID / 假设描述 / 数据快照的哈希（hash，散列值）/ 因子剥离后的残差统计 / 样本外 IR / 净成本 IR / 尾部相关性 / 准入裁决 / 裁决时间戳）。账本只追加不修改——任何"重新挖掘已证伪候选"的操作必须有显式审计记录。

验证必须对抗人性。 回测过拟合不是技术问题，是激励问题——研究者永远有动机让自己的候选通过。解法是把验证规则在看到数据之前就冻结：评估窗口、准入阈值、成本假设，全部预注册，候选跑完只看裁决。这套纪律的存在，让"工厂一夜跑几十个候选"成为可能——因为裁决不依赖任何人的自由裁量。

预注册的工程实现：我们把验证规则打包成 frozen config——一个 YAML 文件，包含评估窗口（如 2018-01-01 到 2026-06-30）、预注册阈值（如样本外 IR > 0.35 且净成本 IR > 0.25 且尾部相关 < 0.5）、成本假设（如双边手续费 + 冲击成本）。frozen config 在研究开始时生成一次哈希，哈希写进账本——任何后续修改必须重新生成哈希并标注修改理由。

模型是组合器，不是神谕。 在弱信号范式里，机器学习的位置很明确：它负责把通过准入的特征组合成预测，并在市场结构漂移时保持校准。我们同时维护线性和非线性的组合器并让它们互相对标——一个值得记下的经验是，当特征本身的信息含量是瓶颈时，更复杂的模型不会创造不存在的信息，只会更快地过拟合噪声。数据的边界决定模型的上限，这句话的实践含义是：扩充特征表面的优先级永远高于升级模型架构。

我们维护的具体组合器组合：

• 线性组合器：Lasso + Elastic Net + 滚动 OLS 三选一，权重按 IR 加权；
• 非线性组合器：XGBoost + LightGBM + 简单 LSTM 三选一；
• 对标规则：非线性组合器的样本外 IR 必须至少比线性组合器高 30%，否则降级为线性。

执行层有自己的学习问题。 信号告诉你想持有什么，执行决定你以什么成本拿到它——而在弱信号范式下，单个信号的毛利本来就薄，执行成本可以轻易吃掉全部边际。怎么拆单、何时交易、如何在冲击成本和时间风险之间权衡，这本质上是一个序贯决策问题，强化学习在这里有清晰的位置——环境可模拟、奖励可度量、反馈周期短。

执行层的强化学习状态空间设计：

• 状态：当前持仓、未成交订单簿快照、最近 N 根 bar 的成交量分布、市场波动率、信号强度、剩余时间预算；
• 动作：拆单粒度（1 / 5 / 10 / 30 / 100 份）、下单节奏（限价/市价/冰山）、撤单阈值、等待时间；
• 奖励：成交后净 alpha（剔除手续费、冲击成本、滑点）+ 风险惩罚（对回撤的负向加权）。

这里不展开执行层的具体实现，只说一个结论：执行是 alpha 的一半，而它是可以被训练的那一半。

把这条流水线串成一次完整的流转。用一条假想候选走一遍：周一一早，agent 从时点数据库拉出 40 条新候选并生成数据快照；上午跑完因子剥离，34 条残差不显著，当场写入账本归档；剩下 6 条进样本外滚动评估，4 条 IR 不达标出局；两条进净成本检验，1 条被冲击成本吃掉全部边际；最后 1 条进尾部相关检验——在存量组合最差的 60 个交易日里，它与组合的相关性 0.31，通过。周二下午，这条候选连同全部审计链躺在研究员的收件箱里，等一次 15 分钟的准入判断。全程不到两天，人的介入时间不到半小时。

6.3 产能与人头数的解耦

AI 让这件事出现了一个新的拐点。验证流程一旦被冻结成纪律，它就是可以被 AI agent（智能体）全天候执行的——枚举候选、跑筛选、写裁决、维护账本，机器做；只有最后的准入决策留给人。工厂的产能第一次和人头数解耦了。

这是我们正在走的路，也值得单独写一篇。从工程上看，AI agent 在工厂流水线里可以接管的工作：

1. 数据快照生成：从时点数据库（point-in-time DB）拉取候选需要的特征，生成可复现的快照；
2. 因子剥离：跑标准回归，输出残差统计量；
3. 样本外检验：按预注册窗口滚动评估，输出样本外 IR；
4. 净成本检验：基于实盘成本模型校准，输出净 IR；
5. 尾部相关性检验：按压力窗口计算条件相关性；
6. 账本维护：写入候选裁决，附完整审计链。

人的工作只剩一项：对通过全部硬筛的候选做最终准入判断——这一步保留人，是因为某些维度（如"这个假设背后的金融直觉是否合理”）AI 短期内难以可靠替代人。

七、为什么这只有垂直整合的系统做得动

7.1 一个天真的问题

这里有个天真的问题：这些道理并不神秘，为什么不是所有人都这么做？

7.2 工厂的基础设施是乘法关系

因为工厂对基础设施的要求是乘法而不是加法：

• 因子剥离需要干净的因子库和归因引擎；
• 样本外纪律需要严格的时点数据（point-in-time），任何一处未来信息泄漏都会让整条流水线的裁决作废；
• 净成本检验需要来自实盘的成本模型校准，而不是拍脑袋的手续费假设；
• 尾部相关检验需要组合层面的完整历史。

这四样东西缺任何一样，工厂就退化回配方作坊。

这四样东西各自不复杂——任何有 5 年工程经验的团队都可以搭起来——但它们的组合是乘法关系：因子库干净但 point-in-time 数据脏，归因结果就是错的；point-in-time 数据干净但成本模型拍脑袋，净 IR 就是虚的。任意一处失效，整条流水线输出的"幸存候选"都失去意义。

7.3 垂直整合是架构属性

而这四样东西恰好就是上一篇讲的垂直整合：研究和执行共享同一条 pipeline，回测用的成本模型由实盘成交持续校准，信号从假设到实盘资金走的是同一套数据、同一套归因、同一套风控。工厂不是一个研究部门的工作方式，它是整个系统的架构属性。

垂直整合的具体表现：

• 数据层：研究使用的所有数据（行情、财务、因子、另类）都必须 point-in-time 化——任何字段都标注"哪一天开始可用”。这一个要求会过滤掉 80% 的第三方数据源，因为绝大多数没有严格的发布时间戳。
• 归因层：组合层面的归因引擎实时计算因子暴露、纯 alpha 贡献、风险归因。这一层是研究员和风控的共同语言。
• 执行层：从研究信号到实盘订单之间不能有任何"翻译"环节——研究里的"买 1%“必须和执行系统的"按 VWAP 拆 30 份冰山单"严格对应。每一次翻译都是 alpha 泄漏点。
• 风控层：风控规则（单只上限、行业上限、组合 beta 上限）必须嵌入交易系统而不是"事前检查”——前者是必然约束，后者是可能被绕过的流程。

任何一层的断裂（数据 point-in-time 不全 / 归因只在研究阶段 / 执行需要人工介入 / 风控靠人盯盘）都会让工厂的乘法关系断链，退化回配方作坊的加法关系。

7.4 一个鉴别问题

判断一个量化团队是"配方作坊"还是"工厂”，可以问三个问题：

1. 他们的因子剥离是自动化的还是人工的？ 工厂：所有候选信号自动剥离后入候选池；作坊：研究员自己手动跑回归，剥离与否看个人习惯。
2. 他们的负知识账本是只增不删的吗？ 工厂：所有 NO GO 结论都写入 append-only 账本，新候选通过账本检索避免重复证伪；作坊：失败案例只存在于个人聊天记录里，换一个人会重复踩坑。
3. 他们的验证规则在看到数据之前就冻结了吗？ 工厂：评估窗口、阈值、成本假设全部预注册，哈希进账本；作坊：研究员发现候选在某个窗口表现更好，调整窗口重新跑——这就是过拟合的标准操作。

三个问题全部"是"的团队是工厂；任何一个"否”——大概率是作坊。这套鉴别方法我们在评估外部量化基金时用过——它只需要对方坦诚回答，不需要看持仓明细，成本低到没有借口不问。

八、结语：配方会衰减，工厂在复利

量化行业喜欢讲信号的故事，因为配方好传播：“我们发现了 X。“工厂的故事难讲得多：“我们建了一条生产线，它大部分时间在说不。”

但数学站在工厂这边。√N 定律说独立性比强度值钱；因子剥离说大多数好看的业绩经不起归因；尾部相关说多元化必须在压力下验证。放进同一套几何里，这三条是同一个对象的三个切面——勾股定理、投影、和乐。它们共同指向一个推论：

可持续的量化优势，是一个系统性生产并诚实验证正交方向的机器——而机器，是可以被工程出来的。

我们用同一套几何读神经网络，也读市场。这不是巧合，是方法论：在高维里，能被信任的从来不是某个具体的向量，而是不断重建正交标架的能力。

配方会衰减。工厂在复利。

九、投资判断：工厂范式的跟踪窗口（2026-2028）

把工厂范式放到财富自由的视角来看，核心问题不是"方法论到底对不对”——几何推导已经给出了严格的代数证据——而是"这套方法论的产业落地节奏是什么、哪些团队在做、谁先跑出来”。这一节是给投资人写的：把八节的数学骨架落到 2026-2028 国内量化私募的跟踪窗口上。

9.1 行业全景：2026 年的三类玩家

按"工厂度"给国内量化私募分类，大致是三个梯队：

• 作坊型：典型的"几个聪明人 + 几个策略"结构，组织价值绑在 1-2 个核心配方上。这个梯队最近两年明显更难：2024 年 2 月微盘股流动性危机和 9 月末的风格急转，两轮公开可见的大面积超额回撤，把"配方寿命在缩短"摆上了台面——因子拥挤让超额中枢下移，风格一旦反转，回撤来得比以往更急。
• 半工厂型：具备研究流水线和基础因子库，但流水线纪律不严格——负知识账本不完整，验证规则没有预注册，人治的成分还很大。转型在进行，大部分还不彻底。
• 工厂型：具备完整的四要素（干净因子库 + point-in-time 数据 + 实盘成本模型校准 + 组合层面完整历史），预注册验证规则，append-only 负知识账本，流水线大部分环节由 AI agent 接管。这个梯队目前很小，但它是 2026-2028 窗口里最值得跟踪的标的池。

这三个梯队是本文的分析性分类，不是行业规模统计；划分标准就是第 7.4 节那三个问题——读者拿去，可以自己给任何一家团队打分。

9.2 跟踪清单：三个催化点

把"工厂范式落地"作为投资主题，可以盯三个催化点。先声明：以下是对落地节奏的推测，不是数据。

• 2026 Q4 - 2027 Q1：AI agent 接管流水线公开化。这是工厂型团队最有标志性的拐点——当一个量化团队公开演示"AI agent 自动跑出大批候选、自动走完全套验证、自动写入账本、人类研究员只做最后准入"时，意味着他们的工厂产能已经与人头数解耦。可跟踪的信号包括公开演讲、招聘 JD 里"研究 agent engineer"一类岗位的出现频率，以及私募排排网上的超额收益曲线——工厂型团队的样本外衰减应该更慢，慢多少，需要实际观察。
• 2027 H1：第一次"工厂型团队扛过 quant unwind"的实战检验。如果出现类似 2007 年 8 月或 2020 年 3 月的因子快速反转，作坊型团队大概率重演历史——相关性朝 1 塌缩，回撤击穿风控线。工厂型团队因为尾部相关检验是准入硬门槛，组合层面的相关性结构应该保持得更好。回撤差距有多大，是验证工厂范式是不是真范式的关键实战。
• 2027 H2 - 2028 H1：管理规模上限的分化。规模本身会扰动市场——资金就是信号——任何策略都有容量上限。工厂型团队因为独立正交方向多，容量上限理应高于作坊型；高多少，要看有没有团队在规模明显上台阶之后超额仍然为正。那是工厂范式从理论走向产业兑现的最后一步。

9.3 一句话判断

把前八节串起来：√N 定律把护城河从信号配方挪到信号的独立性；因子剥离和尾部检验把独立性变成可执行的准入纪律；工厂和垂直整合把纪律变成组织能力。落到 2026-2028 这个窗口，最值得跟踪的不是哪只基金今年赚了多少，而是哪家工厂的产能曲线第一次和人头数解耦——那才是范式兑现的起点。

照例说明边界：这一节谈的是行业节奏的判断，不构成对任何具体基金的推荐。

十、常见误区与适用边界

这套框架的传播过程中，最容易出现三类误读，先厘清它们，再谈谁适合用它。

误区一：把"工厂"当成规模的代名词。 工厂型与规模没有必然关系。一家 20 亿的团队，只要把因子剥离、point-in-time 数据、实盘成本校准和尾部检验做齐，就是工厂；一家 500 亿的团队，靠一两个核心配方撑规模，仍是作坊。鉴别的标准是验证纪律，不是 AUM。

误区二：以为正交化能凭空创造 alpha。 正交化只负责把已有的候选信号整理成互相独立的方向，不负责产生新的信息。如果信号表面本身没有增量，正交化只是把噪声重新排列。这也是为什么第 2.5 节强调"扩因子库"与"找新信号"等价——工厂的上限由信号表面的信息量决定。

误区三：把尾部相关检验当成一次性的。 压力窗口、相关性阈值、成本假设都需要随市场结构滚动更新。预注册是防人在看数据后改规则，不是防规则本身老化。一套 2020 年校准的窗口，到 2026 年未必还适用。

这套框架对谁不适用：

• 小规模、低换手的主观/基本面策略：不需要做信号聚合，√N 的红利无从谈起，垂直整合的基建成本远高于收益。
• 以事件驱动、深度研究为主的团队：这类策略的 alpha 来自对单一标的的深度理解，稀缺的是判断，不是信号数量，工厂的流水线帮不上忙。
• 纯自营、不在意过程可复现的团队：如果组织不需要把研究沉淀成可追溯的纪律，工厂的账本、预注册、负知识管理都是额外负担。

一个判断基准：如果你拥有的独立信号方向少于 10 个，且不打算系统性扩大这个数量，这套框架的投入产出比就很低。 工厂的价值在 N 足够大的时候才显形。

常见错误与排查

流水线输出的数字不对劲时，先查这几处：

十一、自测练习

三道题，先自己算，再看答案。

题 1（计算）：50 个信号，每个 IR = 0.3，两两相关 ρ = 0.25。组合 IR 是多少？它实际持有几个独立方向？

答案：IR = 0.3 × √(50/(1+49×0.25)) = 0.3 × √3.77 ≈ 0.58。有效维度 = 1/(0.25+0.75/50) ≈ 3.77——五十个信号实际只提供不到 4 个独立方向。

题 2（流程）：候选信号与存量组合的全样本相关性 0.08，通过剥离和样本外两道关卡，但在组合最差的 60 个交易日里相关性升到 0.7。该不该准入？问题出在哪道关卡？

答案：拒绝。问题在尾部相关性关卡（第三节）：准入要求压力窗口内相关 ≤ 0.5。这个候选是典型的"阶跃恶化型"——平时看起来正交，压力日是同一个赌注。

题 3（归因）：某基金三年年化超额 18%，宣传材料没有提因子暴露。在相信这份业绩之前，列出你要问的三个问题。

答案：（1）剥离市场 beta、市值、动量、波动率等已知因子暴露后，残差年化还剩多少？（2）样本外窗口表现如何——是预注册的还是事后挑的？（3）净成本 IR 用的什么成本假设，有没有用实盘成交校准？三个问题答不全，就先把这份业绩当作因子暴露对待。

十二、进阶路径与站内相关阅读

按顺序读下去，可以补齐本文三条线索的下一层：

1. 从等权到最优权：Grinold & Kahn《Active Portfolio Management》的组合构建章节；Black & Litterman（1992）的原始论文，看主观观点如何进均值方差优化。
2. 过拟合与统计陷阱：López de Prado《Advances in Financial Machine Learning》里 Deflated Sharpe Ratio 与回测过拟合的章节——这是第六节"预注册"纪律的学术依据。
3. 流动性与执行：Pedersen《Efficiently Inefficient》及其论文 “When Everyone Runs for the Exit”——“陆地神仙境"的市场版本在那里有更完整的处理。

站内相关阅读：

• 弱信号聚合与信号工厂：用数学和工程构建量化交易的护城河——本系列第三篇，本文的骨架来源。
• AGI 的数学基础到底是什么：从流形假设、对称性到信息几何——“四重境界"框架在深度学习语境下的校准版本。

附录 A：术语对照表

数学与几何部分：

工程与流程部分：

附录 B：参考资源

• 文艺复兴 Medallion Fund 与 Jim Simons 的方法论：公开访谈录；Ernest Chan《Quantitative Trading》。
• 平方根定律的学术源头：Grinold（1989）“The Fundamental Law of Active Management”，Journal of Portfolio Management；Grinold & Kahn《Active Portfolio Management》。
• 2007 年 8 月 quant unwind 复盘：Khandani & Lo (2007), “What Happened to the Quants in August 2007?”；Pedersen (2009)，“When Everyone Runs for the Exit”。
• 组合优化与收缩估计：Black-Litterman 模型；Ledoit & Wolf (2004) 协方差收缩估计。
• 因子模型起点：Fama & French (2015) 五因子模型 + Carhart 动量因子，是第 2.5 节因子库的学术参考。
• 数值流形法（NMM, Numerical Manifold Method）：计算力学的经典方法，用于第五节"用几何读市场"的类比基础。
• 四重境界框架：Wayland Zhang，The Four Realms of Neural Networks。
• 国内量化私募超额收益跟踪：朝阳永续、私募排排网等第三方机构发布的超额收益指数与净值数据（第三方口径，与基金自身披露可能存在差异）。

说明：第 2.2、3.2 节标注"示意"的算例数字是为说明量级构造的，不是任何真实信号、产品或基金的数据；文中"我们的经验/实盘/筛选记录"指的是作者个人方法论中的流程与观察。公开事件与学术文献以附录 B 所列为源。