Individual Prop Quant Guide (个人自营量化交易指南)
作为一个独立的个人（Individual Prop Quant），在金融市场中立足并实现资产增值的核心在于：避开机构大厂的算力和延迟垄断，专注于高灵活度的中低频统计套利与风险防御。
一、 核心定位：避开高频与超低延迟死胡同
个人交易者极易陷入“写出更快代码、买更好网线”的军备竞赛误区，这在物理上是不可能获胜的。个人 Prop Quant 的生存空间分布在以下利基市场：
- 中低频（日内到周级别）：日内动量或均值回归，避开微秒级的微观做市竞争。
- 统计套利 (Statistical Arbitrage)：在强行业关联的资产之间寻找数学协整关系。
- 期权波动率套利：利用
[[options-basics]]中的希腊字母性质，卖出 Delta Neutral 组合获取 Theta 稳定衰减。 - 小资金流动性优势：巨头由于资金规模太大（几十亿美元）无法参与交易量较小的特定衍生品或利基品种，而个人小资金则能无摩擦进入并盈利。
二、 自运转量化桌面的三大循环（12步法）
参考 [[ai-quant-loop]]，个人量化系统应围绕以下闭环自动化设计：
1. 研究循环 (Research Loop) — 发现超额收益 (Alpha)
- 清洁数据获取：优先从加密货币（Binance/OKX API 提供免费、高频且无间断的历史数据）或美股（Yahoo Finance API, Alpaca API）导入数据。
- 从统计学起步：绝不盲目套用深度学习。优先使用经典配对交易（Pairs Trading）。通过 ADF test 验证资产 A 与 B 之间的 协整性 (Cointegration)，计算残差 Spread：
当 Z-Score 偏离均值 个标准差时，即产生统计买卖信号（回归交易）。
2. 策略循环 (Strategy Loop) — 严格回测
- 防范三大致命回测偏差：
- 生存者偏差 (Survivor Bias)：测试历史股票组合时，忽略了那些已经倒闭退市的股票，导致回测收益虚高。
- 前瞻性偏差 (Look-ahead Bias)：在回测代码中无意中引入了未来的高低价作为当期的条件信号。
- 过拟合 (Overfitting)：过度调整策略参数，导致回测表现极佳但在实盘（OutOfSample）中迅速失效。
- 关联学习：
[[quantitative-trading-and-machine-trading]]（欧内斯特·陈套利避坑指南）
3. 执行循环 (Execution Loop) — 自动化执行
- API 接口对接：使用 Interactive Brokers (IBKR) API、Alpaca API 等进行美股程序化下单。
- 模拟盘验证 (Paper Trading)：在实盘前进行至少 1-3 个月的模拟交易，严格检测真实执行滑点 (Slippage)、交易佣金以及断网断线时的应急策略（Harness 监控体系）。
- 风险控制第一原理：将单次最大回撤与单笔最大亏损写入底层代码的“硬限制”（Hard constraint），用风控保护生存本金。
三、 个人冷启动 Action Items（动手胜于空想）
根据 [[Andrej-Karpathy]] 机器学习初学者定律，行动和代码量的累积是消除焦虑和实现突破的唯一路径：
- 数据与逻辑演练：使用 Python（搭配 Pandas 与 statsmodels 库），拉取黄金 ETF（
GLD）和矿业股 ETF（GDX）的收盘价，跑一段协整性测试，画出 Z-Score 偏离分布。 - 模拟账号申请：注册 Alpaca 免费开发者账户，获取 API 密钥，试着用 Python 发送第一笔模拟买卖指令。
- 自愈执行监控：运用
[[harness-in-agentic-systems]]的思想，设计一个能自动检测连接状态、自动在发生 network 异常时重新拨号或发送邮件通知的轻量自动化监控脚本。