
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。
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。
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。
# 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。
- 數據來源市場 · 基本面 · 持倉/分析師 · 另類
- 研究核心清洗合併 · 特徵工程 · 訊號庫 · 評分聚合
- 動態量化引擎每日刷新 · 訊號重校 · 模型更新 · 風險再平衡
- 基本面融合與覆核基本面加權訊號 · 基金經理覆核
- 執行層模擬交易 · 訂單執行 · 績效歸因 · 監控告警
- 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。
- 01
數據刷新
每日更新
- 02
訊號重校
重新排序
- 03
模型學習
權重更新
- 04
持股重排
風險調整
- 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。