Clover Capital

技術

每天進化的策略引擎

Clover Capital 運行於一套自主研發的系統化平台:時點數據護城河、每日刷新與重校權重的動態量化引擎、基本面融合與基金經理覆核、自動化且可審計的交易鏈路,以及實時風險控制 - 全部共用同一個時點核心,使引擎只依據決策當日真實可見的資訊行動。

完整性問題

多數回測都在悄悄「作弊」

有兩種缺陷,造成了大量在紙上看來出色、實際中卻令人失望的研究。兩者皆源於使用了投資者當時根本不可能看到的數據。平台在構想進入投資組合之前,便已將其排除。

陷阱

前視偏差與倖存者偏差

前視偏差: 模型被餵入了在所模擬日期尚未為人所知的數字 - 重述後的盈利、修正後的價格、遲交的申報。回測等於看見了未來。

倖存者偏差: 僅以今日的指數成分股進行測試,會悄悄刪去每一家曾被除牌、被收購或破產的公司 - 於是整個範圍全由早已勝出的名字組成。

我們的解答

重建當時可獲知的狀態

我們資料庫中的每一項數據,都同時記錄其所指日期與我們獲知的日期。任何回測都可要求資料庫重建某一過去時點的確切認知狀態 - 當時真正相信的價格、基本面與指數成分。

一般回測識別的是修訂後的過去;我們以 as-of 時點重演決策當日真實所見。因此,亮眼的結果是某種效應的實證,而非後見之明的產物。

數據護城河與訊號宇宙

廣闊的數據來源,深厚的訊號庫,全部以時點方式接入

四類數據驅動引擎 - 市場與參考數據、基本面數據、持倉與分析師數據、另類數據 - 每一類皆以 as-of 方式接入,使 62 個訊號族、700+ 個訊號的研究不含後見之明。

時點查詢

# 2020 年 1 月 1 日,關於 AAPL 當時可獲知的是什麼,

# 即我們在那一瞬間所相信的?

as_of('AAPL', '2020-01-01')

當時公佈的那根 K 線 - 其後的任何重述均未滲入

市場與參考數據

價格、成交量、指數、利率、匯率、商品、波動率 - 市場自身的記錄,按當日報價原樣儲存。

基本面數據

財務報表、盈利預測、估值、現金流、槓桿與質量指標 - 重述以追加方式記錄,絕不覆寫。

持倉與分析師數據

機構持倉、基金申報、分析師評級、目標價與預測變動,皆以公開時點打上時間戳。

另類數據

衛星影像、網站流量、信用卡消費、供應鏈、新聞情緒、知識圖譜 - 觀察同一批公司的額外視角。

時點核心

每一列都記錄兩個時鐘 - 數據所指的日期與我們獲知的日期 - 因此任何 as-of 查詢都能精確重建當時可獲知的狀態,並免於倖存者偏差。

血緣與治理

每一項結果均帶有 run-id 血緣,有界前向填充使過期數值無法冒充最新,僅追加的儲存令歷史完全可複現。

策略引擎架構

從數據接入到投資組合:一條可測試、可版本化、可複現的管線

六個階段將每一個持倉從原始數據帶到受監控的投資組合。每一階段皆可版本化、可複現,整條管線並每日進化。

  1. 數據來源市場 · 基本面 · 持倉/分析師 · 另類
  2. 研究核心清洗合併 · 特徵工程 · 訊號庫 · 評分聚合
  3. 動態量化引擎每日刷新 · 訊號重校 · 模型更新 · 風險再平衡
  4. 基本面融合與覆核基本面加權訊號 · 基金經理覆核
  5. 執行層模擬交易 · 訂單執行 · 績效歸因 · 監控告警
  6. 投資組合受監控 · 可歸因 · 每日進化

全程強制執行

時點切片 · 有界前向填充 · run-id 血緣 · 前推評估 · 每日演化。這些是管線的內建屬性,而非作者的個人習慣。

基本面覆核

結合財務質量、產業趨勢、估值與事件脈絡,過濾或加權量化訊號;再由具 14 年以上經驗的基金經理覆核算法選出的持股,確保符合投資邏輯與風險控管。

單一方向

攝取可寫入;研究只能透過在資料庫層強制執行的契約讀取。訊號永遠無法悄悄竄改其所依賴的記錄。

系統化資產管理

每天進化的動態策略

量化不是靜態模型,而是一套每天學習、每天更新策略的引擎。市場每天改變,策略也每天學習。

  1. 01

    數據刷新

    每日更新

  2. 02

    訊號重校

    重新排序

  3. 03

    模型學習

    權重更新

  4. 04

    持股重排

    風險調整

  5. 05

    執行回饋

    再優化

每天更新

新數據、新排序、新權重 - 每一個交易日。

自我演化

因市場變化持續調整。

閉環回饋

研究—持倉—執行—回饋,再回到研究。

市場每天改變,策略也每天學習。

量化平台

研究、組合、交易與風控共用同一時點核心

在數據護城河之上,是一個多策略平台,將原始數據一路帶到受監控的投資組合 - 在架構上以模擬交易優先,實盤券商通道由多重安全閘控把守 - 並配備一個把數據、訊號、風險與執行整合在同一界面的量化研究終端。

多因子訊號引擎

700+ 個已註冊訊號,橫跨 62 個族系 - 價值、動量、質量、成長、低波動、情緒、機構持倉、事件驅動、行為、另類數據與 AI 訊號 - 每日對 9,000+ 隻美國上市股票進行評分與彙總。

前推回測

一個自訂、按時點正確的前推(walk-forward)引擎,會報告收縮夏普比率 - 並輔以樣本外檢驗關卡與隨機組合安慰劑測試 - 明確懲罰那些使天真回測看似優於實際的多重檢驗與過度擬合。

投資組合優化

均值方差、最小方差、風險平價、Black-Litterman、追蹤誤差與波動率目標構建,每一種皆由底層因子風險模型驅動,而非僅憑原始樣本協方差。

多層風險控制

持倉、行業、換手、因子暴露與流動性約束;回撤與波動率預警;VaR/ES 與壓力測試;以因子歸因與 Brinson 歸因說明每一項結果的來源 - 風險是刻意定量,而非一味迴避。

自動交易執行

六步鏈路 - 訊號生成、組合指令、交易前風控與合規檢查、智能路由與執行算法、成交回傳、交易後歸因 - 運行於統一數據標準(FIX/FAST/JSON)、低延遲基礎設施、嚴格權限管理、全鏈路加密與合規留存之上。 策略一律以模擬交易優先運行;未經證明,任何策略都不會晉升至實盤執行。

量化研究終端與監控

把數據、訊號、風險與執行整合在同一界面,共用同一時點核心:市場概覽、策略列表、因子暴露熱力圖、執行狀態,以及涵蓋風險、異常、訊號與數據事件的告警中心。

研究自動化

一個會自行搜尋阿爾法的平台

在手工構建的訊號庫之外,平台亦將部分研究流程自動化 - 始終在同一套時點框架之內運作,且始終設有人工覆核的關卡。

700+
個訊號
62
個訊號族
9,000+
隻股票覆蓋

自動化阿爾法挖掘

遺傳規劃與近年學術文獻中的方法,自動生成候選阿爾法公式並就多個質量維度評分,再由大型語言模型評審其金融邏輯。任何候選都必須通過設有人工覆核的晉升關卡,方能進入生產環境。

AI 分析師代理

基本面、技術面、情緒與估值分析師並行運作,將結論匯入風險經理與投資組合經理的裁決。這些代理與傳統訊號同處一套時點框架之內 - 其輸出只是又一項有待驗證的輸入,絕非權威。

由 CI 強制執行的偏差測試

每一個已註冊訊號都必須附帶自身的前視偏差測試,且有一項元測試會在任何訊號缺少測試時使構建失敗。時點正確性是程式碼庫的內建屬性,而非作者的個人習慣。

治理與嚴謹

以工程實現可追蹤

可追蹤性是我們三項投資規則之一,平台正為此而建:研究結果中的每一個數字都可循線回溯至來源,每一筆交易都可回溯至觸發它的訊號與覆核,每一項結果都可複現。

血緣與可審核性

每一項數據都可追溯至其攝取批次、數據供應商與原始來源記錄;每一項結果都帶有 run-id。任何數字皆可循線回溯至其出處。

攝取時驗證

傳入的數據在落地之前先經驗證,遭拒的記錄會存檔,而非悄悄丟棄 - 壞數據是可見的,而非隱形的。

唯讀契約

研究平台對資料庫的存取是唯讀的,並在資料庫層強制執行,因此研究永遠無法破壞其所依賴的記錄。

可複現性

僅追加、雙時序的儲存意味著今日計算出的結果,可在相同的認知狀態下,於明日或明年精確複現。

從引擎到投資組合

看看引擎如何成為策略

平台的存在,是為了服務一套方法。了解 Clover Capital 如何在投資方法與旗艦策略中結合量化廣度與基本面深度,或與我們聯絡以深入探討。