全球金融与交易学习笔记

Appearance

A股美股港股与创业板机制对照笔记 ​

融合项目池（5 个） ​

  • QuantConnect/Lean
  • vnpy/vnpy
  • akfamily/akshare
  • mementum/backtrader
  • alpacahq/alpaca-trade-api-python

市场机制对照（学习版） ​

交易时段与盘前盘后 ​

  • 美股存在较完整盘前盘后交易，流动性和点差显著变化。
  • 港股有开市前时段、连续交易、收市竞价时段。
  • A 股与创业板有更明确的集合竞价与连续竞价边界。

波动约束 ​

  • 美股存在全市场级熔断与个股波动暂停机制。
  • A 股和创业板有差异化涨跌幅与临停机制。
  • 港股有收市竞价和部分风险控制安排。

做空与杠杆 ​

  • 美股融资融券体系成熟，但监管规则与券商风控并存。
  • 港股可做空标的受限，借券成本影响显著。
  • A 股融券可得性与成本约束更强，策略可实现性受限。

从项目得到的工程结论 ​

  • Lean 适合做跨市场规则建模（交易日历、撮合、费用）。
  • vnpy 适合落地多网关连接和事件驱动策略。
  • akshare 适合做区域市场数据抓取与研究清洗。
  • backtrader 适合快速验证策略逻辑再迁移生产框架。
  • alpaca-trade-api-python 提供美股 API 实操入口。

易错点 ​

  • 把不同市场的成交量、点差与盘口深度直接横向比较。
  • 忽略公司行为（分红、拆股）对回测序列的影响。
  • 忽略时区转换导致信号错位。
  • 忽略节假日错配导致“空仓等待成本”。

我的结论 ​

  1. 跨市场策略先对齐交易日历和成本模型，再谈信号迁移。
  2. 创业板/成长板块策略更依赖波动与流动性管理。
  3. 股票策略在实盘中的核心风险常常来自执行，而不是信号。

参考来源 ​

市场切片补充 ​

把规则放进具体时间段更容易检验。例如 2020 年一季度的风险冲击阶段、2022 年的全球紧缩阶段、2023 年的结构修复阶段，价格反应、成交深度和风险偏好都不相同。若把这三个阶段混在一起求平均，很多结论会被稀释；若分阶段评估，同一套方法在不同环境中的边界会更清楚。

在执行层面，可以把“阶段识别”写入日常流程：先确认当前处于扩张、收缩还是修复，再决定仓位上限、下单时段和止损阈值。这样做不是为了追求完美预测，而是为了避免在不适配环境里重仓。跨市场核验时，建议直接对照 NYSE 时段、Nasdaq 日历、HKEX 时段 与 CFTC 术语 做参数确认。

复盘框架 ​

每篇笔记都可落到同一套复盘问题：第一，当前结论依赖的前提是否仍成立；第二，若波动率提升一个等级，仓位和执行规则是否需要同步调整；第三，若成交成本抬升，策略是否仍具备正期望。把复盘问题固定下来，知识会从“记住观点”转为“可持续迭代的决策系统”。