
技术
每天进化的策略引擎
Clover Capital 运行于一套自主研发的系统化平台:时点数据护城河、每日刷新与重校权重的动态量化引擎、基本面融合与基金经理复核、自动化且可审计的交易链路,以及实时风险控制 - 全部共用同一个时点核心,使引擎只依据决策当日真实可见的信息行动。
完整性问题
多数回测都在悄悄“作弊”
有两种缺陷,造成了大量在纸上看来出色、实际中却令人失望的研究。两者皆源于使用了投资者当时根本不可能看到的数据。平台在构想进入投资组合之前,便已将其排除。
前视偏差与幸存者偏差
前视偏差: 模型被喂入了在所模拟日期尚未为人所知的数字 - 重述后的盈利、修正后的价格、迟交的申报。回测等于看见了未来。
幸存者偏差: 仅以今日的指数成分股进行测试,会悄悄删去每一家曾被退市、被收购或破产的公司 - 于是整个范围全由早已胜出的名字组成。
重建当时可获知的状态
我们数据库中的每一项数据,都同时记录其所指日期与我们获知的日期。任何回测都可要求数据库重建某一过去时点的确切认知状态 - 当时真正相信的价格、基本面与指数成分。
一般回测识别的是修订后的过去;我们以 as-of 时点重演决策当日真实所见。因此,亮眼的结果是某种效应的实证,而非后见之明的产物。
数据护城河与信号宇宙
广阔的数据来源,深厚的信号库,全部以时点方式接入
四类数据驱动引擎 - 市场与参考数据、基本面数据、持仓与分析师数据、另类数据 - 每一类皆以 as-of 方式接入,使 62 个信号族、700+ 个信号的研究不含后见之明。
# 2020 年 1 月 1 日,关于 AAPL 当时可获知的是什么,
# 即我们在那一瞬间所相信的?
as_of('AAPL', '2020-01-01')
当时公布的那根 K 线 - 其后的任何重述均未渗入
市场与参考数据
价格、成交量、指数、利率、汇率、商品、波动率 - 市场自身的记录,按当日报价原样存储。
基本面数据
财务报表、盈利预测、估值、现金流、杠杆与质量指标 - 重述以追加方式记录,绝不覆写。
持仓与分析师数据
机构持仓、基金申报、分析师评级、目标价与预测变动,皆以公开时点打上时间戳。
另类数据
卫星影像、网站流量、信用卡消费、供应链、新闻情绪、知识图谱 - 观察同一批公司的额外视角。
时点核心
每一行都记录两个时钟 - 数据所指的日期与我们获知的日期 - 因此任何 as-of 查询都能精确重建当时可获知的状态,并免于幸存者偏差。
血缘与治理
每一项结果均带有 run-id 血缘,有界前向填充使过期数值无法冒充最新,仅追加的存储令历史完全可复现。
策略引擎架构
从数据接入到投资组合:一条可测试、可版本化、可复现的管线
六个阶段将每一个持仓从原始数据带到受监控的投资组合。每一阶段皆可版本化、可复现,整条管线并每日进化。
- 数据来源市场 · 基本面 · 持仓/分析师 · 另类
- 研究核心清洗合并 · 特征工程 · 信号库 · 评分聚合
- 动态量化引擎每日刷新 · 信号重校 · 模型更新 · 风险再平衡
- 基本面融合与复核基本面加权信号 · 基金经理复核
- 执行层模拟交易 · 订单执行 · 绩效归因 · 监控告警
- 投资组合受监控 · 可归因 · 每日进化
全程强制执行
时点切片 · 有界前向填充 · run-id 血缘 · 前推评估 · 每日演化。这些是管线的内建属性,而非作者的个人习惯。
基本面复核
结合财务质量、产业趋势、估值与事件脉络,过滤或加权量化信号;再由具 14 年以上经验的基金经理复核算法选出的持股,确保符合投资逻辑与风险控制。
单一方向
摄取可写入;研究只能通过在数据库层强制执行的契约读取。信号永远无法悄悄篡改其所依赖的记录。
系统化资产管理
每天进化的动态策略
量化不是静态模型,而是一套每天学习、每天更新策略的引擎。市场每天改变,策略也每天学习。
- 01
数据刷新
每日更新
- 02
信号重校
重新排序
- 03
模型学习
权重更新
- 04
持股重排
风险调整
- 05
执行反馈
再优化
每天更新
新数据、新排序、新权重 - 每一个交易日。
自我演化
因市场变化持续调整。
闭环反馈
研究—持仓—执行—反馈,再回到研究。
市场每天改变,策略也每天学习。
量化平台
研究、组合、交易与风控共用同一时点核心
在数据护城河之上,是一个多策略平台,将原始数据一路带到受监控的投资组合 - 在架构上以模拟交易优先,实盘券商通道由多重安全闸控把守 - 并配备一个把数据、信号、风险与执行整合在同一界面的量化研究终端。
多因子信号引擎
700+ 个已注册信号,横跨 62 个族系 - 价值、动量、质量、成长、低波动、情绪、机构持仓、事件驱动、行为、另类数据与 AI 信号 - 每日对 9,000+ 只美国上市股票进行评分与汇总。
前推回测
一个自定义、按时点正确的前推(walk-forward)引擎,会报告收缩夏普比率 - 并辅以样本外检验关卡与随机组合安慰剂测试 - 明确惩罚那些使天真回测看似优于实际的多重检验与过度拟合。
投资组合优化
均值方差、最小方差、风险平价、Black-Litterman、跟踪误差与波动率目标构建,每一种皆由底层因子风险模型驱动,而非仅凭原始样本协方差。
多层风险控制
持仓、行业、换手、因子暴露与流动性约束;回撤与波动率预警;VaR/ES 与压力测试;以因子归因与 Brinson 归因说明每一项结果的来源 - 风险是刻意定量,而非一味回避。
自动交易执行
六步链路 - 信号生成、组合指令、交易前风控与合规检查、智能路由与执行算法、成交回传、交易后归因 - 运行于统一数据标准(FIX/FAST/JSON)、低延迟基础设施、严格权限管理、全链路加密与合规留存之上。 策略一律以模拟交易优先运行;未经证明,任何策略都不会晋升至实盘执行。
量化研究终端与监控
把数据、信号、风险与执行整合在同一界面,共用同一时点核心:市场概览、策略列表、因子暴露热力图、执行状态,以及涵盖风险、异常、信号与数据事件的告警中心。
研究自动化
一个会自行搜寻阿尔法的平台
在手工构建的信号库之外,平台亦将部分研究流程自动化 - 始终在同一套时点框架之内运作,且始终设有人工复核的关卡。
- 700+
- 个信号
- 62
- 个信号族
- 9,000+
- 只股票覆盖
自动化阿尔法挖掘
遗传编程与近年学术文献中的方法,自动生成候选阿尔法公式并就多个质量维度评分,再由大语言模型评审其金融逻辑。任何候选都必须通过设有人工复核的晋升关卡,方能进入生产环境。
AI 分析师代理
基本面、技术面、情绪与估值分析师并行运作,将结论汇入风险经理与投资组合经理的裁决。这些代理与传统信号同处一套时点框架之内 - 其输出只是又一项有待验证的输入,绝非权威。
由 CI 强制执行的偏差测试
每一个已注册信号都必须附带自身的前视偏差测试,且有一项元测试会在任何信号缺少测试时使构建失败。时点正确性是代码库的内建属性,而非作者的个人习惯。
治理与严谨
以工程实现可追踪
可追踪性是我们三项投资规则之一,平台正为此而建:研究结果中的每一个数字都可循线回溯至来源,每一笔交易都可回溯至触发它的信号与复核,每一项结果都可复现。
血缘与可审核性
每一项数据都可追溯至其摄取批次、数据供应商与原始来源记录;每一项结果都带有 run-id。任何数字皆可循线回溯至其出处。
摄取时验证
传入的数据在落地之前先经验证,遭拒的记录会存档,而非悄悄丢弃 - 坏数据是可见的,而非隐形的。
只读契约
研究平台对数据库的存取是只读的,并在数据库层强制执行,因此研究永远无法破坏其所依赖的记录。
可复现性
仅追加、双时序的存储意味着今日计算出的结果,可在相同的认知状态下,于明日或明年精确复现。