用 Python 揭秘均值回归策略：你的收益从何而来？

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 500 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

每一个想要踏入量化金融领域的 Python 学习者，几乎都会经历相同的心路历程。

你在 YouTube 上刷到一个视频，声称用 RSI 加 200 日均线就能跑出 4.0 的夏普比率。你兴冲冲地用 Python 把策略复现出来，回测结果漂亮得惊人，但一旦向前推演（walk forward），策略立刻崩溃。

于是你转向学术论文，却发现一半的论文要 TAQ 高频数据才能复现，另一半干脆无法复现。你又转向 Substack，结果大部分是把 CNBC 新闻加几行 Python 代码重新包装一下。

最近读到一篇来自 Quant Galore 的文章《The Quant Finance Reading List, Filtered》，作者筛选出了 5 个真正有干货的量化资源，这些资源对正在学习 Python 并希望进入量化领域的同学来说，极具参考价值。本文就把这份书单整理给大家，并附上一些 Python 实践案例。

筛选标准：不看策略，看"操作层"

作者的筛选逻辑非常直接：不关注"这个人聪不聪明"或"文笔好不好"，只关注作者是否真正构建过系统。真正有价值的写作会讨论成交回报（fills）、借券成本（borrow cost）、策略容量（capacity），而不是只画漂亮的净值曲线。

按照这个标准，只有 5 个出版物通过了过滤。

推荐一：Alphanume Research

网址：alphanume.substack.com

这是作者团队自己的出版物，是他们数据集平台的研究部门。最近一个月的内容覆盖：

• • 预测市场微观结构
• • 监管机制（比如 PDT 规则消失后会发生什么）
• • 期权市场结构（VIX 操纵交易）
• • 系统化策略的运营现实（SPX 0-DTE 期权、股息交易）

最有意思的是一系列"元思考"文章，比如《如果数据这么好，为什么你不直接交易？》，讨论的是 edge 是如何被"制造"出来的。

推荐二：The Quant Stack（Quant Arb）

网址：algos.org

一位数字资产量化研究员的博客，标语是"Break the exchange or the exchange breaks you"。一个人更新却覆盖面惊人：

• • 延迟基础设施（加密货币延迟终极指南）
• • 做市系统构建（高级做市、高级期权做市）
• • 具体可交易的 alpha
• • 套利运营手册

它还维护了一份期权与波动率的文献库，分成大约 15 个子主题：delta 对冲、rough vol、微观结构、FX vol、波动率曲面建模等。这是作者见过最接近"免费研究生阅读清单"的资源。

推荐三：Moontower（Kris Abdelmessih）

网址：moontower.substack.com

作者是前场内期权做市员，写作带有"真实做市员"的质感。发布节奏分为三种格式：编号的 Moontower 主文、轻量的 Moontower Munchies、以及技术性的 "Friends" 信件。

核心观点是：期权永远关于波动率，期权价格的表面解释几乎从来不告诉你真正付了什么钱。如果你在交易期权但从未在波动率空间思考过，这可能是整份清单上最有用的一个。

推荐四：HangukQuant Research（Python 学习者重点关注）

网址：research.hangukquant.com

这个博客对 Python 学习者最友好，最近半年几乎成了公开的 HFT 工程博客。低延迟系统相关文章包括：

• • 在 Python 中设计纳秒级日志系统
• • 优化 hyperliquid-python-sdk（将订单签名从 2.5ms 降到 0.1ms 以下）
• • 低延迟行情解析（用 C++ 编写 BBA 解析器并接入 Python 应用）
• • 内核级的 HFT 调优指南
• • PMU 性能剖析

博客作者还维护一个开源库 quantpylib，与出版物同步更新，集成了 Hyperliquid、Lighter、Databento 等平台。

新读者推荐从《2 Years, 1M PnL and Life as a Solo Crypto Quant》读起。

Python 案例：用 asyncio 模拟低延迟订单签名优化

下面是一个简化的示例，展示 Python 中如何通过缓存和异步来降低签名延迟的思路：

import time
import hashlib
import asyncio
from functools import lru_cache

# 原始版本：每次都重新计算，延迟较高
def sign_order_slow(order_id: str, secret: str) -> str:
    # 模拟一些耗时的预处理
    time.sleep(0.0025)  # 模拟 2.5ms 的耗时
    payload = f"{order_id}:{secret}".encode("utf-8")
    return hashlib.sha256(payload).hexdigest()

# 优化版本：对常用 secret 做预处理缓存
@lru_cache(maxsize=128)
def _prepare_secret(secret: str) -> bytes:
    # 只对 secret 做一次编码和预处理
    return secret.encode("utf-8")

async def sign_order_fast(order_id: str, secret: str) -> str:
    # 从缓存中拿到已经处理好的 secret
    secret_bytes = _prepare_secret(secret)
    # 直接拼接并计算哈希，跳过重复预处理
    payload = order_id.encode("utf-8") + b":" + secret_bytes
    return hashlib.sha256(payload).hexdigest()

async def main():
    # 测试一批订单
    start = time.perf_counter()
    tasks = [sign_order_fast(f"order_{i}", "my_secret") for i in range(1000)]
    await asyncio.gather(*tasks)
    end = time.perf_counter()
    print(f"优化版本处理 1000 个订单耗时：{(end - start) * 1000:.2f} ms")

asyncio.run(main())

核心思路是：把重复计算的部分缓存起来，把 I/O 和 CPU 任务异步化。HangukQuant 的博客把这种思想推到了极致。

推荐五：The Quant's Playbook（Quant Galore）

网址：quant-galore.com

原始的 Quant Galore 新闻简报。核心栏目是 "Junior Quant's Guide to…" 系列，虽然叫"初级指南"，但对各层级都很有用：

• • 另类数据（为什么忽略卫星图像的陈词滥调）
• • 事件驱动交易
• • 公司行动
• • 时间序列动量
• • 真正能落地的生成式 AI
• • 模式识别

每一篇都配有代码。此外还有"运营揭秘"类文章，比如《一个盈利做空操作的幕后》《量化交易基础设施的无水分观察》等。

Python 案例：简单的时间序列动量策略

下面用 Python 演示一个最基础的时间序列动量信号：

import pandas as pd
import numpy as np

def time_series_momentum(prices: pd.Series, lookback: int = 252) -> pd.Series:
    """
    时间序列动量策略：
    如果过去 lookback 天收益为正，则做多；否则做空。

    参数：
        prices：资产价格序列
        lookback：回看窗口，默认 252 个交易日（约一年）
    """
    # 计算过去 lookback 天的累计收益
    past_return = prices.pct_change(lookback)
    # 生成信号：正收益做多（+1），负收益做空（-1）
    signal = np.sign(past_return)
    return signal

# 构造一段模拟的价格数据
np.random.seed(42)
dates = pd.date_range("2020-01-01", periods=500, freq="D")
# 模拟带有漂移的随机游走价格
prices = pd.Series(
    100 * np.exp(np.cumsum(np.random.normal(0.0005, 0.01, 500))),
    index=dates,
    name="price"
)

# 生成动量信号
signals = time_series_momentum(prices, lookback=60)
# 计算策略每日收益
daily_returns = prices.pct_change()
strategy_returns = signals.shift(1) * daily_returns  # 信号滞后一天，避免未来函数

# 输出基础统计
print(f"策略累计收益：{(1 + strategy_returns).prod() - 1:.2%}")
print(f"策略夏普比率：{strategy_returns.mean() / strategy_returns.std() * np.sqrt(252):.2f}")

注意，这只是一个教学样例。真实的量化策略需要考虑交易成本、滑点、借券成本、容量限制，这也正是这 5 个出版物反复强调的核心。

5 个出版物的共同点

作者在文章结尾总结了这 5 个出版物的共性：

1. 1. 它们不谈预测，也不假设一切已经被研究清楚。
2. 2. 它们关注的是结构、数据集构建、微观结构、执行机制、容量约束下的仓位管理。
3. 3. 它们都讨论"让回测在真实订单簿中存活"这件事所需要的基础设施。

作者的一句话点睛："策略本身不是策略，围绕策略的运营才是策略。"

对 Python 学习者的启发

如果你正在学习 Python 并希望进入量化领域，这份清单能帮你节省大量搜索成本。给你三个建议：

1. 1. 不要只学 pandas 和 scikit-learn。真正的量化交易需要你理解网络、内核、底层性能调优，HangukQuant 的博客是很好的起点。
2. 2. 学会读"运营层"的内容。 Alphanume 和 Quant's Playbook 里那些"运营揭秘"文章，比任何一本教科书都更接近真实。
3. 3. 代码要和研究一起推进。 Quant Arb 和 HangukQuant 都有公开代码库，把这些代码读一遍，比刷 100 道 LeetCode 对量化更有用。

总结

量化金融领域的信息噪声极大，搜索真正有价值内容的成本远高于学习成本本身。这份由 Quant Galore 整理的清单用一个简单的过滤器——是否讨论真实的运营和实现细节——筛掉了 99% 的内容。

对 Python 学习者而言，推荐的路径是：

• • 先从 HangukQuant Research 了解系统工程层面的真实挑战
• • 用 The Quant's Playbook 学习具体策略的代码实现
• • 通过 Moontower 建立对期权与波动率的直觉
• • 把 Quant Arb 的文献库当作自己的长期阅读书单
• • 关注 Alphanume Research 拓展对市场微观结构的视野

记住一句话：edge 很稀缺，噪声无穷。愿你在量化之路上，找到那一点点真正的信号。

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：500+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
   专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐