量化金融五层金字塔的第 ④ 层 · 组合策略。把定价和信号变成实际头寸：组合优化、因子投资，以及交易策略谱系。
覆盖现状：本层已由三门配套实体课系统覆盖 ✅——大类资产配置由 预期收益（ER，23 讲） 覆盖（锚定 Ilmanen，跨资产风险溢价的量级/周期性/失效条件、底层因子暴露、前瞻性预期收益、成本与杠杆）；主动管理由 主动组合管理（AM，20 讲） 覆盖（锚定 Grinold-Kahn，从预测到信息比率到最优主动头寸到技能度量，组合优化与估计量全手写真跑）；行业轮动由 行业轮动研究方法（IR，14 讲） 覆盖（锚定本地 296 篇卖方研报，是体系里唯一一门方法论综述课——只讲六族方法怎么实现、假设与陷阱，不裁决孰优孰劣）。组合优化入门由 投资学（INV） 第04、07–08讲真跑 + 姊妹工程 ML4T 补充；Kelly 下注与协整/配对由 QF 第20–21讲真跑覆盖；做市、高频仍 🔴 待学（微观结构侧见 EX）。本篇是领域导读，配经典教材。
系列总纲见 量化金融能力知识图谱与学习路线。 顶层总路径见 量化投资学习路径图。
为什么要懂这一层
有了信号（因子、定价），下一个问题是：拿多少、怎么配、用什么策略赚这笔钱。这一层决定了同样的 alpha 能不能变成稳定的收益：
- 同样一组因子，等权、市值加权、还是均值-方差优化，风险和回撤能差很远。组合构建不是配角，它直接决定风险收益比。
- 策略有很多种赚钱方式——统计套利、动量、宏观、做市——每种对应不同的市场结构和风险来源。只会一种，遇到风格切换就没饭吃。
这一层讲什么
I. 投资组合管理
组合优化：均值-方差/有效前沿、Black-Litterman、风险平价、最小方差、最大分散、层次风险平价 HRP、Kelly——把”选出来的资产”变成”该配多少”的权重；因子投资/Smart Beta：因子构建、因子择时、因子拥挤；业绩评估与归因：Sharpe/Sortino/Calmar/信息比率、Brinson 归因、因子归因——把收益拆开，看清赚的是哪部分。
I’. 主动管理（作为独立学科）
有了信号之后的一整套工程，由 AM 课 系统覆盖，总纲是基本法则：
$$\text{IR} = \text{TC} \times \text{IC} \times \sqrt{\text{BR}}$$
信息比率 = 实现效率 × 技能 × √广度。它把”我该不该做主动、能做多好”拆成三个可测量的数：技能（IC，预测与实际收益的相关）、广度（BR，每年独立赌注数）、实现（TC，实际组合有多接近理想组合）。三者缺一不可——技能再高，广度被信号相关性吃掉、或被 long-only 约束折损，IR 照样上不去。它同时容得下巴菲特（高 IC、低 BR）和文艺复兴（低 IC、高 BR）。
J. 交易策略谱系
量化不是只有一种打法：
- 统计套利/配对交易/均值回归——赚价格偏离再回归的钱（ML4T 覆盖）。
- 动量/趋势跟踪（CTA）、事件驱动/并购套利——赚趋势延续或特定事件的钱。
- 全球宏观、行业/板块轮动、自上而下大类资产配置——从宏观视角调仓（依赖第 ① 层的宏观知识）。大类资产配置现由 ER 课 系统覆盖：它把资产穿透到增长/通胀/流动性三个底层因子，回答“我的组合看起来分散，会不会在衰退中一起跌”；宏观驱动侧由 MB 课 覆盖；行业轮动现由 IR 课 系统覆盖：它不回答“哪种轮动方法更好”，而是把研报里的六族方法（量价、景气度、估值、宏观、资金流、合成）逐一拆成可复现的实现，并展示同一方法换个口径结论就变。
- 做市、高频交易——赚买卖价差和微观结构的钱，对速度和执行要求极高。
| 知识点 | 一句话 | 覆盖度 |
|---|---|---|
| 均值-方差/有效前沿/约束优化 | 从资产到权重 | ✅ INV 第04/07/08讲 + 🟡 ML4T |
| 风险平价/HRP/Kelly | 更稳健的配权 | 🟡 ML4T |
| Black-Litterman/多期优化 | 融入观点、跨期优化 | 🟡 观点合成的同源数学（$w\propto C^{-1}\text{ic}$）见 AM 第09讲；BL 完整式与多期优化仍 🔴 |
| 因子投资/Smart Beta | 系统化暴露到风险溢价 | ✅ 因子投资课 + ER 第05、20讲（发表衰减/拥挤）+ 🟡 ML4T |
| 跨资产风险溢价 | 各类溢价有多大、何时失效 | ✅ ER 第08–19讲（股/债/信用/另类/价值/carry/动量/波动率/增长/通胀/流动性/尾部，全部真跑） |
| 前瞻性预期收益估计 | 优化器的输入到底该填什么 | ✅ ER 第01、06讲（构建块法；历史平均 100 年样本 CI 仍 ±3.6pp） |
| 成本、杠杆与再平衡 | 提高长期收益的四条路 | ✅ ER 第22讲（1% 年费吃掉百年终值 62.9%） |
| 信息比率与基本法则 | IR=TC·IC·√BR，主动管理的总纲 | ✅ AM 第03–05、13讲（蒙特卡洛验证 IR≈IC√BR；增值 ∝ IR²） |
| 从信号到 alpha | α = 波动率 × IC × 分数 | ✅ AM 第07–09讲（Grinold 公式、IC 度量、多信号最优合成） |
| 广度与独立性 | 有效广度几乎总被高估 | ✅ AM 第05讲（1000 信号 ρ=0.2 → 有效广度只有 5，IR 差 14 倍） |
| 组合构建与约束成本 | 约束吃掉多少 IR | ✅ AM 第12–15讲（h∝Σ⁻¹α、转移系数、交易成本、多空） |
| 业绩归因（Brinson/因子） | 收益拆解到来源 | ✅ AM 第16讲（Brinson + 因子归因真跑）+ INV 第26/30讲 |
| 主动管理（Treynor-Black） | 有 α 该押多少 | ✅ 配套实体课 AM（20 讲）（全课主题）；TB/BL 入门见 INV 第27讲 |
| 技能 vs 运气 | 好业绩能不能证明技能 | ✅ AM 第17、19讲（t=IR·√年数：IR=0.5 要 16 年；费后主动是负和） |
| 数据挖掘的识别 | 漂亮回测是真是假 | ✅ AM 第11讲（100 个纯噪声信号挑最好 |t|=3.25） |
| 统计套利/配对交易 | 偏离—回归 | ✅ ML4T + QF 第21讲（协整 vs 相关） |
| 动量/CTA/事件驱动 | 趋势与事件 | 🟡 ER 第14、20讲（跨资产动量证据 + 动量崩溃结构）；事件驱动 🔴 |
| 全球宏观/大类资产配置 | 自上而下调仓 | ✅ ER 第16–19、21讲（增长/通胀四象限、因子暴露）+ 宏观侧见 MB |
| 行业/板块轮动 | 自上而下选板块 | ✅ IR 全 14 讲（六族方法的实现与实现敏感性） |
| 做市/高频 | 价差与微观结构 | 🔴 |
常见误区
- 优化器过拟合：均值-方差对输入的预期收益极其敏感，历史均值当预期收益直接优化，往往得到极端且脆弱的权重。风险平价、收缩估计、Black-Litterman 都是来治这个的。ER 第01讲 量化了这个问题的根源：即使 100 年样本，股票风险溢价的 95% 置信区间仍有 ±3.6pp。
- 把“资产个数”当分散化：一个“美股+欧股+新兴市场+高收益债+PE”的组合看起来有五类资产，实则全是增长因子的高敏感暴露，衰退中会一起跌。真正的分散是暴露在多少个不相关的底层因子上（ER 第16讲）。
- 忽略成本：100 年里 1% 的年费吃掉终值的 62.9%，这个量级超过绝大多数主动管理能贡献的 alpha（ER 第22讲）。
- 只会一种策略：把统计套利当量化的全部。不同策略在不同市场环境下轮流失效，理解策略谱系才能判断什么时候该用什么。
- 不做归因：不知道收益来自哪个因子、哪个板块，就无法判断策略是运气还是逻辑，也无法在它失效时及时反应。AM 第01、16讲量化了这件事的代价：一个等权 30 行业组合跑赢市值基准 0.70%/年，拆开看 0.62% 只是小盘+价值的因子暴露（用指数基金就能免费拿到），真正的选股 α 仅 0.08%，t=0.21，统计上等于零。
- 把名义赌注数当广度：以为持有 1000 只股就是 1000 个独立赌注。信号两两相关 0.2 时，有效广度只剩 5，IR 差 14 倍（AM 第05讲）。广度几乎总被高估，所以宣称的 IR 几乎总要打折。
- 把运气当技能：这是主动管理里最贵的错。$t=\text{IR}\sqrt{\text{年数}}$——一个 IR=0.5 的好经理需要 16 年才能在统计上证明自己不是走运；1000 个零技能经理跑 5 年，纯随机也会产生约 20 个”5 星”（AM 第17讲）。用 3–5 年排名挑经理，挑的基本是噪声。
- 只顾提高 IC，忘了 TC：把全部研究资源投在”让信号更准”上，却让 long-only 约束白白吃掉 27% 的 IR、47% 的增值（AM 第13、15讲）。放开一部分卖空（130/30）能买回其中大半。
推荐教材与怎么读
- 主动组合管理：✅ 自研课 主动组合管理（AM，20 讲）（锚定 Grinold & Kahn《Active Portfolio Management》）——IR=TC·IC·√BR 是全课总纲，围绕 G&K 的七个洞见展开；组合优化与估计量全部手写真跑（只用 numpy/pandas），端到端样本外验证做到 50 年 IR=0.54、t=3.84。
- 行业轮动研究方法：✅ 自研课 行业轮动研究方法（IR，14 讲）（锚定本地 296 篇卖方研报，无单一教材）——本课的定位与其他课不同：它不裁决方法优劣，只做方法地图。因为 296 篇研报的样本期、行业分类、打分口径、成本假设各不相同，作为“结论目录”必然打架，只能作为“方法目录”来教。每讲固定有一节实现敏感性，把同一方法的若干实现口径并排跑，展示结论怎么被口径推翻。
- 跨资产预期收益：✅ 自研课 预期收益（ER，23 讲）（锚定 Antti Ilmanen《Expected Returns》）——每类溢价的量级、三分法判定（风险补偿 / 错误定价 / 数据挖掘）与失效条件，全部真实数据实证。
- 因子投资与资产配置：Andrew Ang《Asset Management》——用因子视角统一看资产配置，兼顾理论与实务。作补充阅读（与 ER/AM 有重叠，未单独开课）。
顺序上：先用 AM 建立”主动收益从哪来、怎么把预测变成头寸、怎么知道自己有技能”的框架，再用 ER 把每一份预期收益的来源查清楚，最后用 Ang 拓宽到大类资产与因子配置的实务视角。两门自研课的分工是：ER 问”跨资产溢价有多大”，AM 问”有了 alpha 怎么下注、怎么度量技能”。策略谱系部分建议边读边对照真实策略案例。
和其他层的关系
往下用第 ② 层的因子/定价作为信号来源（FI 造因子，AM 把这些因子变成 alpha 和头寸）、第 ① 层的宏观支撑自上而下策略（MB 讲宏观如何驱动利率，ER 接着讲这些驱动如何转化为各类资产的预期收益）；往上，它产出的头寸交给第 ⑤ 层去做风险控制和执行。本层的 AM 与 ⑤ 层的 RM 是一对对称课：AM 把”主动管理”做成独立学科，RM 把”风险”做成独立学科。组合优化与配对交易这块，姊妹工程系列 ML4T 已落地，见 【工程·研究篇】机器学习算法与量化应用。完整地图见 量化金融能力知识图谱与学习路线。