智远教投｜杰智远® AI投研 投研知识科普专栏
智远教投：建立规范的投研思维框架
智远教投聚焦财报阅读、基本面分析、行业研究方法与投研工具使用，用系统化的内容帮助投资者建立可复用的研究框架。所有内容均为学习参考资料，不构成任何投资建议。
本栏目内容仅供学习与参考，市场有风险，投资需谨慎。
投教内容
系统化的投研知识，从基础概念到实战方法（共 143 篇 · 第 4/10 页）
交易执行：算法拆单与冲击成本建模
下单不是按下按钮就完了。大单要拆、时机要选，而拆单与等待本身也是一种成本。
风险模型：协方差矩阵怎么估
几千只股票的协方差矩阵无法直接估计。多因子风险模型和收缩估计，是让它在样本外可用的两种办法。
组合优化：均值方差为什么不好用
均值方差优化在理论上漂亮，实盘中却以"对输入极度敏感"著称。改进的方向不是换算法，而是降低它对估计误差的依赖。
因子正交化与降维：施密特与 PCA
因子之间高度相关会重复计票。正交化和主成分分析是处理这个问题的两种工具，思路不同、代价也不同。
机器学习在量化里：能做什么、不能做什么
机器学习擅长拟合复杂的非线性关系，但金融数据样本少、噪声高、分布会变，它的优势常常发挥不出来。
因子挖掘两条路：人工构造与机器搜索
人工构造的因子有逻辑可解释，机器搜索覆盖广但极易过拟合。两者结合时，纪律比算法更重要。
数据清洗怎么做：异常值、缺失与停牌退市
真实数据充满异常、缺失和特殊状态。清洗规则必须事先定好，而且每一步都要留下可追溯的记录。
回测系统怎么搭：工程上如何杜绝未来函数
回测的工程核心是时序纪律：每个时点只用当时能拿到的信息。向量化写法容易违规，事件驱动更稳。
过拟合：量化里最常见的自欺
过拟合就是把历史噪声当成规律。它让回测漂亮、实盘糟糕，而且当事人很难自己发现。
绩效归因：收益到底来自哪里
赚到钱不等于做对了。归因就是把收益拆开，看清楚多少来自市场、多少来自风格、多少来自真正的选股能力。
风险控制：止损、仓位与回撤上限
风控不是出事之后的补救，而是事先写好的规则。止损、仓位上限和回撤约束，三者解决不同的问题。
择时与配置：要不要判断市场方向
择时的信号弱但代价大，判断错了就是整段时间的仓位都错。多数体系的做法不是预测，而是定规则。
交易成本：吃掉收益的隐形杀手
回测里的收益是毛收益。扣掉佣金、税费、冲击成本和滑点之后，很多策略就不再成立了。
组合构建：从因子分数到实际持仓
有了因子分数，还要决定买多少只、每只买多少、受哪些约束。这一步决定了策略能不能真的落地。
中性化：为什么要控制变量
因子常常带着行业和市值的偏向。中性化就是先把这些已知的影响剥掉，只留下因子真正独有的信息。