1. 项目概述从数学建模到量化策略的实战跨越看到“2022美赛C题 交易策略”这个标题很多参加过数学建模比赛的朋友可能会心一笑这确实是一个经典且充满挑战的题目。它本质上是一个典型的投资组合优化与动态决策问题要求参赛者在给定历史价格数据、交易成本、风险约束等条件下设计一套自动化的交易策略以在特定时间段内最大化最终收益或夏普比率。对于刚接触量化或者编程的同学来说这个题目就像一座大山既要理解金融市场的运作逻辑又要熟练运用数学工具建模最后还得用代码通常是Python把策略实现并回测出来。今天我就以一个过来人的身份结合我多次带队参赛和实际量化开发的经验把这个题目的里里外外、从思路到代码掰开揉碎了讲清楚。我们不止于复现当年的解题报告更要深挖题目背后通用的量化策略开发框架让你无论是为了比赛还是为了真正的量化入门都能获得一套可以直接上手的方法论。美赛C题通常提供的是一系列大宗商品比如黄金、原油、大豆等的历史每日价格数据。你手里有一笔初始资金每天可以根据预测决定买入、卖出或持有哪些资产。这里有几个核心约束交易有成本比如每次买卖收取一定比例的费用你不能卖空即不能借入资产先卖出后买入通常还有持仓上限比如对单一资产的投入不能超过总资金的某个比例。你的目标就是在这样的规则下“玩游戏”最终看谁赚得多。这听起来是不是很像一个强化学习环境没错但当年更主流、更稳妥的解法是结合预测模型与优化算法。整个项目的核心链条可以概括为数据预处理 - 价格预测 - 资产配置优化 - 交易执行模拟 - 绩效评估。接下来我们就沿着这条主线深入每个环节的技术细节与实战要点。2. 核心思路拆解预测与优化的双引擎驱动面对这样的题目一个清晰的顶层设计是成功的一半。纯粹的“追涨杀跌”直觉在复杂的约束面前会失灵我们必须依靠系统性的方法。主流思路可以归结为两大类而优秀的方案往往是它们的融合。2.1 方案一基于价格预测的主动型策略这个思路最符合直觉如果能比较准确地预测未来一天或几天的价格走势那么自然就能做出有利的交易决策。其工作流程是首先利用历史数据训练一个预测模型对未来N天的价格进行预测然后基于预测的收益率预测价-当前价/当前价结合风险偏好和交易成本通过一个优化模型如马科维茨均值-方差模型计算出今天的最优资产配置比例最后执行交易。为什么选择这个方案对于数学建模比赛而言这个方案结构清晰模块分明容易体现工作量。预测模块可以用时间序列模型ARIMA, LSTM优化模块可以用现成的规划模型两者都有成熟的数学理论和Python库支持。评委很容易理解你的逻辑。但它的命门在于预测的准确性。金融市场价格序列噪声极大预测难度非常高一个小的预测偏差就可能导致优化结果南辕北辙。实操心得在实际比赛中我们不会追求预测的绝对精度而是更注重预测的相对排序能力。也就是说不要求预测明天黄金精确涨2%但要求模型能判断出“明天黄金的上涨概率和幅度可能高于原油”。基于这个“相对强弱”的判断去做资产配置往往比依赖绝对数值更稳健。我们可以使用方向准确性预测涨跌是否正确作为预测模型的评估指标而不是均方根误差RMSE。2.2 方案二基于动态规划或强化学习的序列决策策略这个思路跳出了“预测-优化”的范式直接将整个交易期看作一个多步决策过程。它不试图预测价格而是定义在一个状态当前资金、持仓、历史价格下选择某个动作交易组合后转移到新状态并获得奖励资产变化。目标是找到一套策略函数最大化整个周期的累计奖励。动态规划DP如果我们将时间和资产离散化理论上可以通过贝尔曼方程逆向求解最优策略。但“维度诅咒”是致命问题。假设有5种资产每种资产的持仓比例离散为10档那么状态空间就爆炸了。因此直接DP通常不可行需要结合问题特性简化。强化学习RL这是更通用的框架特别是Q-learning、DQN、PPO等算法可以处理高维状态。但在美赛短短几天内从头搭建、训练并稳定一个RL策略风险极高除非团队有非常深厚的RL功底。为什么考虑这个方案它的优势在于理论上的最优性并且直接优化最终收益目标避免了预测误差的传导。对于美赛C题这种状态转移相对明确价格数据给定交易规则固定的问题可以尝试简化版的动态规划。我们的选择一种混合方案在实战中我推荐一种务实的混合思路使用轻量级预测提供未来收益的估计然后采用滚动时域优化Rolling Horizon Optimization结合动态规划思想进行决策。具体来说在每个交易日我们用简单的模型如移动平均线交叉、动量对未来几天的价格做一个趋势性估计然后将未来几天作为一个短的规划期在这个有限期内使用动态规划或整数规划求解出当前的最优交易动作。只执行第一步的动作第二天重复这个过程。这既吸收了预测的信息又通过滚动优化避免了长期预测不准的问题计算量也可控。下面我们就将这种混合方案作为主线展开详细的实现过程。3. 数据预处理与特征工程奠定策略的基石无论哪种方案第一步都是把原始数据“喂”给模型。美赛提供的数据通常是干净的CSV但直接使用是不够的。3.1 基础价格数据处理我们首先计算核心的金融时间序列特征import pandas as pd import numpy as np # 假设 df 的列是 [‘date’ ‘gold’ ‘oil’ ...] df[‘date’] pd.to_datetime(df[‘date’]) df.set_index(‘date’ inplaceTrue) # 计算收益率 (日度) returns df.pct_change().dropna() # 计算简单移动平均 (SMA) for asset in df.columns: df[f‘{asset}_SMA_5’] df[asset].rolling(window5).mean() df[f‘{asset}_SMA_20’] df[asset].rolling(window20).mean() # 计算波动率 (滚动标准差) for asset in df.columns: df[f‘{asset}_vol_20’] returns[asset].rolling(window20).std()这些基础特征收益率、移动平均线、波动率是后续预测和风险度量的基础。3.2 构建策略特征与标签对于监督学习预测模型我们需要定义特征(X)和标签(y)。一个常见的做法是预测未来N天的价格方向或相对收益率排名。# 示例构建预测未来5天收益率的特征和标签 lookback 20 # 使用过去20天数据作为特征 forward 5 # 预测未来5天的收益率 features_list [] labels_list [] for i in range(lookback len(df) - forward): # 特征过去20天的收益率、移动平均、波动率等 past_returns returns.iloc[i-lookback:i] # 可以计算过去窗口内的统计量如均值、标准差、偏度、峰度等作为特征 feature_vector [] for asset in returns.columns: asset_returns past_returns[asset] feature_vector.extend([ asset_returns.mean(), asset_returns.std(), asset_returns.skew(), asset_returns.kurtosis(), (df[asset].iloc[i] / df[f‘{asset}_SMA_20’].iloc[i]) - 1, # 价格与20日均线的偏离度 ]) features_list.append(feature_vector) # 标签未来5天的累计收益率用于回归或收益率符号用于分类 future_return (df[asset].iloc[iforward] / df[asset].iloc[i]) - 1 labels_list.append(future_return) X np.array(features_list) y np.array(labels_list)注意金融数据存在严重的序列相关性自相关性在划分训练集和测试集时绝对不能使用随机划分必须使用时间序列交叉验证或严格按时间顺序划分例如前70%数据训练后30%测试否则会导致“未来数据泄露”造成策略回测结果严重虚高。3.3 处理缺失值与标准化滚动窗口计算会产生前期的缺失值NaN需要删除或填充。对于机器学习模型特征标准化至关重要。from sklearn.preprocessing import StandardScaler from sklearn.model_selection import TimeSeriesSplit # 删除因滚动窗口产生的初始行 df_features pd.DataFrame(X).dropna() y_clean y[len(y) - len(df_features):] # 对齐标签 # 按时间顺序划分 split_idx int(len(df_features) * 0.7) X_train X_test df_features.iloc[:split_idx] df_features.iloc[split_idx:] y_train y_test y_clean[:split_idx] y_clean[split_idx:] # 标准化用训练集参数拟合同时转换训练集和测试集 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)这一步之后我们就得到了干净、可用于模型训练的特征数据集。4. 预测模型构建轻量级与稳健性的权衡在比赛和实际初期复杂模型往往不是最佳选择。我们追求在有限时间内稳定输出、不易过拟合的模型。4.1 模型选择梯度提升树 vs 简单神经网络梯度提升树如XGBoost LightGBM这是金融数据预测的“常胜将军”。它对特征量纲不敏感我们已标准化能处理非线性关系自带特征重要性分析且相对不易过拟合。非常适合我们这种混合了统计量的特征。简单神经网络如多层感知机MLP理论上能拟合更复杂的函数但对数据量、特征工程和超参数调优更敏感。在数据量不是特别大的美赛数据集上优势不明显。这里我们选用LightGBM进行示范import lightgbm as lgb from sklearn.metrics import mean_squared_error accuracy_score # 定义回归任务预测未来收益率 lgb_train lgb.Dataset(X_train_scaled y_train) lgb_test lgb.Dataset(X_test_scaled y_test referencelgb_train) params { ‘boosting_type’: ‘gbdt’ ‘objective’: ‘regression’ # 回归任务 ‘metric’: ‘rmse’ ‘num_leaves’: 31 ‘learning_rate’: 0.05 ‘feature_fraction’: 0.9 ‘bagging_fraction’: 0.8 ‘bagging_freq’: 5 ‘verbose’: -1 } # 训练模型 gbm lgb.train(params lgb_train num_boost_round500 valid_sets[lgb_test] callbacks[lgb.early_stopping(stopping_rounds30)]) # 早停防止过拟合 # 预测 y_pred_train gbm.predict(X_train_scaled num_iterationgbm.best_iteration) y_pred_test gbm.predict(X_test_scaled num_iterationgbm.best_iteration) # 评估 test_rmse np.sqrt(mean_squared_error(y_test y_pred_test)) print(f“Test RMSE: {test_rmse:.4f}”) # 如果我们将其用作分类预测涨跌可以设定阈值 y_pred_direction (y_pred_test 0).astype(int) y_true_direction (y_test 0).astype(int) accuracy accuracy_score(y_true_direction y_pred_direction) print(f“Direction Accuracy: {accuracy:.4f}”)4.2 预测结果的后处理与使用我们得到的y_pred_test是对未来收益率的预测值。直接将其代入马科维茨模型可能会因为预测误差放大而效果不佳。一个实用的技巧是进行收缩或排序加权。收缩Shrinkage将预测值向历史平均收益率收缩。y_pred_adjusted 0.7 * y_pred 0.3 * historical_mean。这降低了极端预测值的权重提高了稳健性。排序加权放弃预测的具体数值只相信其排序。将资产按预测收益率从高到低排序然后分配权重例如第一名分配40%权重第二名30%第三名20%其余10%。这构成了一个简单的“动量”或“趋势”策略。在我们的混合方案中我们使用预测值为未来几天的收益提供一个粗略的估计作为滚动优化中目标函数的输入参数。5. 滚动时域优化与动态规划实现策略的核心引擎这是整个项目最核心、也最具挑战性的部分。我们将问题建模为一个滚动时域控制问题。5.1 问题形式化在每一个交易日t状态States_t (cash_t holdings_t)其中cash_t是现金holdings_t是一个向量表示每种资产的持有数量。决策变量Actiona_t是一个向量表示对每种资产的交易数量正为买入负为卖出。约束资金约束交易成本后的总支出不能超过现金。cash_{t1} cash_t - sum( (price_t_i * a_t_i) * (1 transaction_cost_rate * sign(a_t_i)) )其中sign是符号函数表示买卖都收费。持仓非负holdings_{t1} holdings_t a_t 0不能卖空。单一资产上限price_t_i * holdings_{t1}_i / total_portfolio_value_t max_weight。目标在未来一个规划期H例如3天内最大化期末资产的期望效用例如对数效用或均值-方差效用其中未来价格的不确定性用我们预测模型的期望收益率来近似。5.2 简化动态规划求解由于精确求解这个随机动态规划很难我们做一个关键简化假设在未来规划期H内价格按照我们预测的日均收益率等速变化且不考虑规划期内的再平衡。这样问题就简化为一个单步优化问题在当前时刻决定一个资产配置比例向量w即调整后的持仓价值占比使得在H天后在预测收益率下期望效用最大同时满足约束。这本质上是一个带约束的二次规划如果使用均值-方差效用或线性规划问题。我们可以使用cvxpy或scipy.optimize来求解。import cvxpy as cp def solve_portfolio_optimization(current_prices predicted_returns cov_matrix cash current_holdings risk_aversion5.0 max_weight0.4 transaction_cost0.001): 求解单期资产配置优化问题 current_prices: 当前价格数组 predicted_returns: 预测的未来H天收益率数组 cov_matrix: 收益率的协方差矩阵用于风险控制 cash: 当前现金 current_holdings: 当前持有数量数组 risk_aversion: 风险厌恶系数 max_weight: 单一资产最大权重 transaction_cost: 交易成本率 n_assets len(current_prices) current_values current_prices * current_holdings total_value cash np.sum(current_values) # 决策变量目标权重 w (在总资产中的占比) w cp.Variable(n_assets) # 当前权重 w_current current_values / total_value # 交易导致的权重变化 delta_w w - w_current # 目标函数最大化 期望收益 - risk_aversion * 风险 - 交易成本 # 期望收益 expected_return predicted_returns w # 风险方差 risk cp.quad_form(w cov_matrix) # 交易成本近似为权重变化绝对值的线性函数 # 注意更精确的成本计算需要考虑交易金额和价格这里用权重变化近似 turnover cp.norm(delta_w 1) # L1范数近似交易额 transaction_cost_term transaction_cost * turnover objective cp.Maximize(expected_return - risk_aversion * risk - transaction_cost_term) # 约束 constraints [ cp.sum(w) 1 # 权重和为1 w 0 # 不能做空 w max_weight # 单一资产上限 # 资金约束隐含在权重求和中 ] # 求解问题 prob cp.Problem(objective constraints) prob.solve(solvercp.ECOS) # ECOS是一个高效的凸优化求解器 if prob.status not in [“optimal” “optimal_inaccurate”]: print(f“Optimization failed with status: {prob.status}”) return w_current.value # 失败则保持原仓位 optimal_weights w.value return optimal_weights5.3 滚动执行与回测框架有了单期的优化器我们就可以构建完整的回测循环了。def run_backtest(df_prices predicted_return_series initial_cash1000000 lookback_cov60): 滚动时域优化回测 df_prices: 价格DataFrame predicted_return_series: 每个时间点对应的预测收益率数组DataFrame与df_prices对齐 initial_cash: 初始资金 lookback_cov: 用于计算协方差矩阵的历史窗口 n_assets df_prices.shape[1] dates df_prices.index # 初始化持仓记录 portfolio pd.DataFrame(indexdates columns[‘cash’] list(df_prices.columns) [‘total_value’]) portfolio.iloc[0 0] initial_cash # cash portfolio.iloc[0 1:-1] 0.0 # 初始持仓为0 portfolio.iloc[0 -1] initial_cash # 总资产 for i in range(1 len(dates)): current_date dates[i] prev_date dates[i-1] # 获取当前价格、当前持仓和现金 current_prices df_prices.loc[current_date].values prev_holdings portfolio.loc[prev_date df_prices.columns].values prev_cash portfolio.loc[prev_date ‘cash’] # 计算当前总资产价值按当前价格计算 prev_portfolio_value prev_cash np.sum(prev_holdings * current_prices) # 计算当前权重 current_weights (prev_holdings * current_prices) / prev_portfolio_value if prev_portfolio_value 0 else np.zeros(n_assets) # 获取预测收益率例如使用未来5天的平均预测 pred_returns predicted_return_series.loc[current_date].values # 假设已预先计算好 # 计算历史协方差矩阵用于风险项 if i lookback_cov: hist_returns df_prices.pct_change().iloc[i-lookback_cov:i] cov_matrix hist_returns.cov().values else: cov_matrix np.eye(n_assets) * 0.0001 # 初始用一个很小的对角矩阵 # 求解最优目标权重 target_weights solve_portfolio_optimization( current_pricescurrent_prices predicted_returnspred_returns cov_matrixcov_matrix cashprev_cash current_holdingsprev_holdings risk_aversion5.0 max_weight0.4 transaction_cost0.001 ) # 根据目标权重计算目标持仓市值和目标持仓数量 target_portfolio_value prev_portfolio_value # 假设当日再平衡总价值不变忽略成本精确计算时的变化 target_values target_weights * target_portfolio_value target_holdings target_values / current_prices # 计算实际交易数量考虑整数手这里简化为连续数量 trade_amounts target_holdings - prev_holdings # 模拟交易执行更新现金和持仓简化版未考虑滑价和订单簿 # 计算交易成本 trade_values trade_amounts * current_prices buy_cost np.sum(trade_values[trade_amounts 0]) * 0.001 sell_revenue np.sum(trade_values[trade_amounts 0]) * 0.001 * (1 - 0.001) # 卖出时收入扣税 transaction_cost_total buy_cost (np.abs(trade_values[trade_amounts 0]).sum() * 0.001) # 简化计算 new_cash prev_cash - np.sum(trade_values) - transaction_cost_total new_holdings prev_holdings trade_amounts # 确保现金不为负强制平仓逻辑此处简化 if new_cash 0: # 按比例卖出部分资产以弥补现金缺口实际中应更精细处理 shortage -new_cash total_asset_value np.sum(new_holdings * current_prices) if total_asset_value 0: sell_ratio shortage / total_asset_value sell_values new_holdings * current_prices * sell_ratio new_cash np.sum(sell_values) * (1 - 0.001) new_holdings - sell_values / current_prices # 记录到portfolio DataFrame portfolio.loc[current_date ‘cash’] new_cash portfolio.loc[current_date df_prices.columns] new_holdings portfolio.loc[current_date ‘total_value’] new_cash np.sum(new_holdings * current_prices) return portfolio这个回测框架模拟了每天根据新的预测和市场价格重新优化资产配置并执行交易的过程。它包含了交易成本、风险约束和资金约束是一个相对完整的模拟。6. 绩效评估与策略分析不仅仅是看最终收益策略跑完了怎么判断好坏不能只看最终总资产。一套完整的评估体系至关重要。6.1 关键绩效指标计算def evaluate_portfolio(portfolio_value_series risk_free_rate0.02/252): 评估投资组合绩效 portfolio_value_series: 每日总资产价值的Series risk_free_rate: 日化无风险利率 returns portfolio_value_series.pct_change().dropna() total_return (portfolio_value_series.iloc[-1] / portfolio_value_series.iloc[0]) - 1 annualized_return (1 total_return) ** (252 / len(returns)) - 1 volatility returns.std() * np.sqrt(252) # 年化波动率 excess_returns returns - risk_free_rate sharpe_ratio excess_returns.mean() / excess_returns.std() * np.sqrt(252) # 最大回撤 cumulative (1 returns).cumprod() running_max cumulative.expanding().max() drawdown (cumulative - running_max) / running_max max_drawdown drawdown.min() # 胜率 win_rate (returns 0).mean() metrics { ‘总收益率’: total_return ‘年化收益率’: annualized_return ‘年化波动率’: volatility ‘夏普比率’: sharpe_ratio ‘最大回撤’: max_drawdown ‘胜率’: win_rate } return pd.Series(metrics) drawdown6.2 可视化分析一张图胜过千言万语至少需要以下三张图资产净值曲线对比策略净值、基准如等权持有所有资产净值、以及单纯持有现金的曲线。回撤曲线清晰展示策略历史上承受的最大压力时期。月度收益热力图观察策略收益的季节性或周期性特征。持仓权重变化图了解策略的动态调仓行为。import matplotlib.pyplot as plt import seaborn as sns fig axes plt.subplots(2 2 figsize(14 10)) # 1. 净值曲线 axes[0 0].plot(portfolio[‘total_value’] / portfolio[‘total_value’].iloc[0] label‘Our Strategy’) # 计算等权基准 benchmark_value (df_prices / df_prices.iloc[0]).mean(axis1) * portfolio[‘total_value’].iloc[0] axes[0 0].plot(benchmark_value / benchmark_value.iloc[0] label‘Equal Weight Benchmark’ linestyle‘--’) axes[0 0].set_title(‘Portfolio Net Value Curve’) axes[0 0].set_ylabel(‘Normalized Value’) axes[0 0].legend() axes[0 0].grid(True) # 2. 回撤曲线 axes[0 1].fill_between(drawdown.index 0 drawdown.values * 100 color‘red’ alpha0.3) axes[0 1].plot(drawdown.index drawdown.values * 100 color‘darkred’) axes[0 1].set_title(‘Portfolio Drawdown’) axes[0 1].set_ylabel(‘Drawdown (%)’) axes[0 1].grid(True) # 3. 月度收益热力图 (需要将日收益聚合为月收益) monthly_returns returns.resample(‘M’).apply(lambda x: (1x).prod() - 1) monthly_returns_pivot monthly_returns.unstack() # 假设有多期数据这里需要根据数据结构调整 # 绘制热力图代码略可使用sns.heatmap # 4. 持仓权重图 (示例展示两种主要资产的权重变化) asset1_weight portfolio[‘asset1’] * df_prices[‘asset1’] / portfolio[‘total_value’] asset2_weight portfolio[‘asset2’] * df_prices[‘asset2’] / portfolio[‘total_value’] axes[1 0].plot(asset1_weight label‘Asset 1 Weight’) axes[1 0].plot(asset2_weight label‘Asset 2 Weight’) axes[1 0].set_title(‘Dynamic Asset Allocation’) axes[1 0].set_ylabel(‘Weight’) axes[1 0].legend() axes[1 0].grid(True) plt.tight_layout() plt.show()7. 常见问题、调参与进阶思考在实际实现和比赛过程中你会遇到无数坑。这里分享一些关键的注意事项和调参经验。7.1 策略失效与过拟合排查问题回测结果完美实盘一塌糊涂。原因1未来函数Look-ahead Bias。这是最容易犯也最致命的错误。确保在时间t做决策时只用到了t及之前的信息。检查特征计算、标准化过程、协方差矩阵计算是否严格遵循时间先后顺序。原因2过拟合。在有限的数据集上过度优化参数。解决方案增加样本外测试使用更早的数据训练在最近的数据上测试。简化模型减少特征数量使用正则化如L1/L2降低模型复杂度。交叉验证谨慎时间序列必须用TimeSeriesSplit不能用KFold。原因3忽略交易成本与流动性。回测中假设可以按收盘价无限量交易现实中大单会冲击市场。可以引入简单的滑点模型如固定比例冲击成本。7.2 核心参数敏感度分析你的策略表现很大程度上依赖于几个关键参数风险厌恶系数 (risk_aversion)控制你对风险的容忍度。越大越保守仓位越分散交易越不频繁。可以通过在历史数据上网格搜索绘制参数与夏普比率/最大回撤的关系图来选择。预测周期 (forward)预测未来多少天太短噪声大太长不准。通常测试3 5 10 20天看哪个周期下预测模型的方向准确性最高。协方差计算窗口 (lookback_cov)用于计算风险矩阵的历史窗口。太短波动大太长不能反映近期市场结构。一般取60到120个交易日。交易成本 (transaction_cost)直接影响换手率。在回测中尝试不同的成本率如0.05% 0.1% 0.2%观察策略绩效的衰减情况。一个稳健的策略应对适度成本不敏感。7.3 模型融合与集成策略不要孤注一掷在一个模型上。可以尝试预测模型集成用LightGBM LSTM ARIMA分别预测然后对预测结果取平均或加权平均。多策略并行同时运行一个趋势跟踪策略基于动量的预测和一个均值回归策略基于价格偏离均线的预测根据市场波动率动态分配资金给两个策略。信号合成将预测收益率、动量指标、波动率指标、市场情绪指标等合成一个综合信号再输入优化器。7.4 从美赛到实盘的鸿沟美赛题目是一个高度简化的理想环境。真实世界要复杂得多数据质量真实数据有缺失、有错、有异常值需要更严谨的清洗。因子有效性简单的移动平均、动量因子在A股或美股可能早已失效需要挖掘更独特的阿尔法因子。执行层面需要考虑订单类型市价单、限价单、交易时间、资金交割制度T1。风险控制需要设置硬性止损、仓位上限、日度亏损限额等风控规则并在回测中严格执行。尽管有这些鸿沟但美赛C题提供的训练是无价的。它强迫你建立一个完整的“数据-预测-优化-执行-评估”的量化思维闭环。掌握这个闭环并理解其中每个环节的陷阱与调优方法就是你从建模竞赛走向实际策略开发最坚实的第一步。最后记住一句话市场上没有圣杯任何策略都有其适应的市场环境和失效的时候。持续学习、严谨回测、小心实盘才是长期生存之道。
1. 项目概述从数学建模到量化策略的实战跨越看到“2022美赛C题 交易策略”这个标题很多参加过数学建模比赛的朋友可能会心一笑这确实是一个经典且充满挑战的题目。它本质上是一个典型的投资组合优化与动态决策问题要求参赛者在给定历史价格数据、交易成本、风险约束等条件下设计一套自动化的交易策略以在特定时间段内最大化最终收益或夏普比率。对于刚接触量化或者编程的同学来说这个题目就像一座大山既要理解金融市场的运作逻辑又要熟练运用数学工具建模最后还得用代码通常是Python把策略实现并回测出来。今天我就以一个过来人的身份结合我多次带队参赛和实际量化开发的经验把这个题目的里里外外、从思路到代码掰开揉碎了讲清楚。我们不止于复现当年的解题报告更要深挖题目背后通用的量化策略开发框架让你无论是为了比赛还是为了真正的量化入门都能获得一套可以直接上手的方法论。美赛C题通常提供的是一系列大宗商品比如黄金、原油、大豆等的历史每日价格数据。你手里有一笔初始资金每天可以根据预测决定买入、卖出或持有哪些资产。这里有几个核心约束交易有成本比如每次买卖收取一定比例的费用你不能卖空即不能借入资产先卖出后买入通常还有持仓上限比如对单一资产的投入不能超过总资金的某个比例。你的目标就是在这样的规则下“玩游戏”最终看谁赚得多。这听起来是不是很像一个强化学习环境没错但当年更主流、更稳妥的解法是结合预测模型与优化算法。整个项目的核心链条可以概括为数据预处理 - 价格预测 - 资产配置优化 - 交易执行模拟 - 绩效评估。接下来我们就沿着这条主线深入每个环节的技术细节与实战要点。2. 核心思路拆解预测与优化的双引擎驱动面对这样的题目一个清晰的顶层设计是成功的一半。纯粹的“追涨杀跌”直觉在复杂的约束面前会失灵我们必须依靠系统性的方法。主流思路可以归结为两大类而优秀的方案往往是它们的融合。2.1 方案一基于价格预测的主动型策略这个思路最符合直觉如果能比较准确地预测未来一天或几天的价格走势那么自然就能做出有利的交易决策。其工作流程是首先利用历史数据训练一个预测模型对未来N天的价格进行预测然后基于预测的收益率预测价-当前价/当前价结合风险偏好和交易成本通过一个优化模型如马科维茨均值-方差模型计算出今天的最优资产配置比例最后执行交易。为什么选择这个方案对于数学建模比赛而言这个方案结构清晰模块分明容易体现工作量。预测模块可以用时间序列模型ARIMA, LSTM优化模块可以用现成的规划模型两者都有成熟的数学理论和Python库支持。评委很容易理解你的逻辑。但它的命门在于预测的准确性。金融市场价格序列噪声极大预测难度非常高一个小的预测偏差就可能导致优化结果南辕北辙。实操心得在实际比赛中我们不会追求预测的绝对精度而是更注重预测的相对排序能力。也就是说不要求预测明天黄金精确涨2%但要求模型能判断出“明天黄金的上涨概率和幅度可能高于原油”。基于这个“相对强弱”的判断去做资产配置往往比依赖绝对数值更稳健。我们可以使用方向准确性预测涨跌是否正确作为预测模型的评估指标而不是均方根误差RMSE。2.2 方案二基于动态规划或强化学习的序列决策策略这个思路跳出了“预测-优化”的范式直接将整个交易期看作一个多步决策过程。它不试图预测价格而是定义在一个状态当前资金、持仓、历史价格下选择某个动作交易组合后转移到新状态并获得奖励资产变化。目标是找到一套策略函数最大化整个周期的累计奖励。动态规划DP如果我们将时间和资产离散化理论上可以通过贝尔曼方程逆向求解最优策略。但“维度诅咒”是致命问题。假设有5种资产每种资产的持仓比例离散为10档那么状态空间就爆炸了。因此直接DP通常不可行需要结合问题特性简化。强化学习RL这是更通用的框架特别是Q-learning、DQN、PPO等算法可以处理高维状态。但在美赛短短几天内从头搭建、训练并稳定一个RL策略风险极高除非团队有非常深厚的RL功底。为什么考虑这个方案它的优势在于理论上的最优性并且直接优化最终收益目标避免了预测误差的传导。对于美赛C题这种状态转移相对明确价格数据给定交易规则固定的问题可以尝试简化版的动态规划。我们的选择一种混合方案在实战中我推荐一种务实的混合思路使用轻量级预测提供未来收益的估计然后采用滚动时域优化Rolling Horizon Optimization结合动态规划思想进行决策。具体来说在每个交易日我们用简单的模型如移动平均线交叉、动量对未来几天的价格做一个趋势性估计然后将未来几天作为一个短的规划期在这个有限期内使用动态规划或整数规划求解出当前的最优交易动作。只执行第一步的动作第二天重复这个过程。这既吸收了预测的信息又通过滚动优化避免了长期预测不准的问题计算量也可控。下面我们就将这种混合方案作为主线展开详细的实现过程。3. 数据预处理与特征工程奠定策略的基石无论哪种方案第一步都是把原始数据“喂”给模型。美赛提供的数据通常是干净的CSV但直接使用是不够的。3.1 基础价格数据处理我们首先计算核心的金融时间序列特征import pandas as pd import numpy as np # 假设 df 的列是 [‘date’ ‘gold’ ‘oil’ ...] df[‘date’] pd.to_datetime(df[‘date’]) df.set_index(‘date’ inplaceTrue) # 计算收益率 (日度) returns df.pct_change().dropna() # 计算简单移动平均 (SMA) for asset in df.columns: df[f‘{asset}_SMA_5’] df[asset].rolling(window5).mean() df[f‘{asset}_SMA_20’] df[asset].rolling(window20).mean() # 计算波动率 (滚动标准差) for asset in df.columns: df[f‘{asset}_vol_20’] returns[asset].rolling(window20).std()这些基础特征收益率、移动平均线、波动率是后续预测和风险度量的基础。3.2 构建策略特征与标签对于监督学习预测模型我们需要定义特征(X)和标签(y)。一个常见的做法是预测未来N天的价格方向或相对收益率排名。# 示例构建预测未来5天收益率的特征和标签 lookback 20 # 使用过去20天数据作为特征 forward 5 # 预测未来5天的收益率 features_list [] labels_list [] for i in range(lookback len(df) - forward): # 特征过去20天的收益率、移动平均、波动率等 past_returns returns.iloc[i-lookback:i] # 可以计算过去窗口内的统计量如均值、标准差、偏度、峰度等作为特征 feature_vector [] for asset in returns.columns: asset_returns past_returns[asset] feature_vector.extend([ asset_returns.mean(), asset_returns.std(), asset_returns.skew(), asset_returns.kurtosis(), (df[asset].iloc[i] / df[f‘{asset}_SMA_20’].iloc[i]) - 1, # 价格与20日均线的偏离度 ]) features_list.append(feature_vector) # 标签未来5天的累计收益率用于回归或收益率符号用于分类 future_return (df[asset].iloc[iforward] / df[asset].iloc[i]) - 1 labels_list.append(future_return) X np.array(features_list) y np.array(labels_list)注意金融数据存在严重的序列相关性自相关性在划分训练集和测试集时绝对不能使用随机划分必须使用时间序列交叉验证或严格按时间顺序划分例如前70%数据训练后30%测试否则会导致“未来数据泄露”造成策略回测结果严重虚高。3.3 处理缺失值与标准化滚动窗口计算会产生前期的缺失值NaN需要删除或填充。对于机器学习模型特征标准化至关重要。from sklearn.preprocessing import StandardScaler from sklearn.model_selection import TimeSeriesSplit # 删除因滚动窗口产生的初始行 df_features pd.DataFrame(X).dropna() y_clean y[len(y) - len(df_features):] # 对齐标签 # 按时间顺序划分 split_idx int(len(df_features) * 0.7) X_train X_test df_features.iloc[:split_idx] df_features.iloc[split_idx:] y_train y_test y_clean[:split_idx] y_clean[split_idx:] # 标准化用训练集参数拟合同时转换训练集和测试集 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)这一步之后我们就得到了干净、可用于模型训练的特征数据集。4. 预测模型构建轻量级与稳健性的权衡在比赛和实际初期复杂模型往往不是最佳选择。我们追求在有限时间内稳定输出、不易过拟合的模型。4.1 模型选择梯度提升树 vs 简单神经网络梯度提升树如XGBoost LightGBM这是金融数据预测的“常胜将军”。它对特征量纲不敏感我们已标准化能处理非线性关系自带特征重要性分析且相对不易过拟合。非常适合我们这种混合了统计量的特征。简单神经网络如多层感知机MLP理论上能拟合更复杂的函数但对数据量、特征工程和超参数调优更敏感。在数据量不是特别大的美赛数据集上优势不明显。这里我们选用LightGBM进行示范import lightgbm as lgb from sklearn.metrics import mean_squared_error accuracy_score # 定义回归任务预测未来收益率 lgb_train lgb.Dataset(X_train_scaled y_train) lgb_test lgb.Dataset(X_test_scaled y_test referencelgb_train) params { ‘boosting_type’: ‘gbdt’ ‘objective’: ‘regression’ # 回归任务 ‘metric’: ‘rmse’ ‘num_leaves’: 31 ‘learning_rate’: 0.05 ‘feature_fraction’: 0.9 ‘bagging_fraction’: 0.8 ‘bagging_freq’: 5 ‘verbose’: -1 } # 训练模型 gbm lgb.train(params lgb_train num_boost_round500 valid_sets[lgb_test] callbacks[lgb.early_stopping(stopping_rounds30)]) # 早停防止过拟合 # 预测 y_pred_train gbm.predict(X_train_scaled num_iterationgbm.best_iteration) y_pred_test gbm.predict(X_test_scaled num_iterationgbm.best_iteration) # 评估 test_rmse np.sqrt(mean_squared_error(y_test y_pred_test)) print(f“Test RMSE: {test_rmse:.4f}”) # 如果我们将其用作分类预测涨跌可以设定阈值 y_pred_direction (y_pred_test 0).astype(int) y_true_direction (y_test 0).astype(int) accuracy accuracy_score(y_true_direction y_pred_direction) print(f“Direction Accuracy: {accuracy:.4f}”)4.2 预测结果的后处理与使用我们得到的y_pred_test是对未来收益率的预测值。直接将其代入马科维茨模型可能会因为预测误差放大而效果不佳。一个实用的技巧是进行收缩或排序加权。收缩Shrinkage将预测值向历史平均收益率收缩。y_pred_adjusted 0.7 * y_pred 0.3 * historical_mean。这降低了极端预测值的权重提高了稳健性。排序加权放弃预测的具体数值只相信其排序。将资产按预测收益率从高到低排序然后分配权重例如第一名分配40%权重第二名30%第三名20%其余10%。这构成了一个简单的“动量”或“趋势”策略。在我们的混合方案中我们使用预测值为未来几天的收益提供一个粗略的估计作为滚动优化中目标函数的输入参数。5. 滚动时域优化与动态规划实现策略的核心引擎这是整个项目最核心、也最具挑战性的部分。我们将问题建模为一个滚动时域控制问题。5.1 问题形式化在每一个交易日t状态States_t (cash_t holdings_t)其中cash_t是现金holdings_t是一个向量表示每种资产的持有数量。决策变量Actiona_t是一个向量表示对每种资产的交易数量正为买入负为卖出。约束资金约束交易成本后的总支出不能超过现金。cash_{t1} cash_t - sum( (price_t_i * a_t_i) * (1 transaction_cost_rate * sign(a_t_i)) )其中sign是符号函数表示买卖都收费。持仓非负holdings_{t1} holdings_t a_t 0不能卖空。单一资产上限price_t_i * holdings_{t1}_i / total_portfolio_value_t max_weight。目标在未来一个规划期H例如3天内最大化期末资产的期望效用例如对数效用或均值-方差效用其中未来价格的不确定性用我们预测模型的期望收益率来近似。5.2 简化动态规划求解由于精确求解这个随机动态规划很难我们做一个关键简化假设在未来规划期H内价格按照我们预测的日均收益率等速变化且不考虑规划期内的再平衡。这样问题就简化为一个单步优化问题在当前时刻决定一个资产配置比例向量w即调整后的持仓价值占比使得在H天后在预测收益率下期望效用最大同时满足约束。这本质上是一个带约束的二次规划如果使用均值-方差效用或线性规划问题。我们可以使用cvxpy或scipy.optimize来求解。import cvxpy as cp def solve_portfolio_optimization(current_prices predicted_returns cov_matrix cash current_holdings risk_aversion5.0 max_weight0.4 transaction_cost0.001): 求解单期资产配置优化问题 current_prices: 当前价格数组 predicted_returns: 预测的未来H天收益率数组 cov_matrix: 收益率的协方差矩阵用于风险控制 cash: 当前现金 current_holdings: 当前持有数量数组 risk_aversion: 风险厌恶系数 max_weight: 单一资产最大权重 transaction_cost: 交易成本率 n_assets len(current_prices) current_values current_prices * current_holdings total_value cash np.sum(current_values) # 决策变量目标权重 w (在总资产中的占比) w cp.Variable(n_assets) # 当前权重 w_current current_values / total_value # 交易导致的权重变化 delta_w w - w_current # 目标函数最大化 期望收益 - risk_aversion * 风险 - 交易成本 # 期望收益 expected_return predicted_returns w # 风险方差 risk cp.quad_form(w cov_matrix) # 交易成本近似为权重变化绝对值的线性函数 # 注意更精确的成本计算需要考虑交易金额和价格这里用权重变化近似 turnover cp.norm(delta_w 1) # L1范数近似交易额 transaction_cost_term transaction_cost * turnover objective cp.Maximize(expected_return - risk_aversion * risk - transaction_cost_term) # 约束 constraints [ cp.sum(w) 1 # 权重和为1 w 0 # 不能做空 w max_weight # 单一资产上限 # 资金约束隐含在权重求和中 ] # 求解问题 prob cp.Problem(objective constraints) prob.solve(solvercp.ECOS) # ECOS是一个高效的凸优化求解器 if prob.status not in [“optimal” “optimal_inaccurate”]: print(f“Optimization failed with status: {prob.status}”) return w_current.value # 失败则保持原仓位 optimal_weights w.value return optimal_weights5.3 滚动执行与回测框架有了单期的优化器我们就可以构建完整的回测循环了。def run_backtest(df_prices predicted_return_series initial_cash1000000 lookback_cov60): 滚动时域优化回测 df_prices: 价格DataFrame predicted_return_series: 每个时间点对应的预测收益率数组DataFrame与df_prices对齐 initial_cash: 初始资金 lookback_cov: 用于计算协方差矩阵的历史窗口 n_assets df_prices.shape[1] dates df_prices.index # 初始化持仓记录 portfolio pd.DataFrame(indexdates columns[‘cash’] list(df_prices.columns) [‘total_value’]) portfolio.iloc[0 0] initial_cash # cash portfolio.iloc[0 1:-1] 0.0 # 初始持仓为0 portfolio.iloc[0 -1] initial_cash # 总资产 for i in range(1 len(dates)): current_date dates[i] prev_date dates[i-1] # 获取当前价格、当前持仓和现金 current_prices df_prices.loc[current_date].values prev_holdings portfolio.loc[prev_date df_prices.columns].values prev_cash portfolio.loc[prev_date ‘cash’] # 计算当前总资产价值按当前价格计算 prev_portfolio_value prev_cash np.sum(prev_holdings * current_prices) # 计算当前权重 current_weights (prev_holdings * current_prices) / prev_portfolio_value if prev_portfolio_value 0 else np.zeros(n_assets) # 获取预测收益率例如使用未来5天的平均预测 pred_returns predicted_return_series.loc[current_date].values # 假设已预先计算好 # 计算历史协方差矩阵用于风险项 if i lookback_cov: hist_returns df_prices.pct_change().iloc[i-lookback_cov:i] cov_matrix hist_returns.cov().values else: cov_matrix np.eye(n_assets) * 0.0001 # 初始用一个很小的对角矩阵 # 求解最优目标权重 target_weights solve_portfolio_optimization( current_pricescurrent_prices predicted_returnspred_returns cov_matrixcov_matrix cashprev_cash current_holdingsprev_holdings risk_aversion5.0 max_weight0.4 transaction_cost0.001 ) # 根据目标权重计算目标持仓市值和目标持仓数量 target_portfolio_value prev_portfolio_value # 假设当日再平衡总价值不变忽略成本精确计算时的变化 target_values target_weights * target_portfolio_value target_holdings target_values / current_prices # 计算实际交易数量考虑整数手这里简化为连续数量 trade_amounts target_holdings - prev_holdings # 模拟交易执行更新现金和持仓简化版未考虑滑价和订单簿 # 计算交易成本 trade_values trade_amounts * current_prices buy_cost np.sum(trade_values[trade_amounts 0]) * 0.001 sell_revenue np.sum(trade_values[trade_amounts 0]) * 0.001 * (1 - 0.001) # 卖出时收入扣税 transaction_cost_total buy_cost (np.abs(trade_values[trade_amounts 0]).sum() * 0.001) # 简化计算 new_cash prev_cash - np.sum(trade_values) - transaction_cost_total new_holdings prev_holdings trade_amounts # 确保现金不为负强制平仓逻辑此处简化 if new_cash 0: # 按比例卖出部分资产以弥补现金缺口实际中应更精细处理 shortage -new_cash total_asset_value np.sum(new_holdings * current_prices) if total_asset_value 0: sell_ratio shortage / total_asset_value sell_values new_holdings * current_prices * sell_ratio new_cash np.sum(sell_values) * (1 - 0.001) new_holdings - sell_values / current_prices # 记录到portfolio DataFrame portfolio.loc[current_date ‘cash’] new_cash portfolio.loc[current_date df_prices.columns] new_holdings portfolio.loc[current_date ‘total_value’] new_cash np.sum(new_holdings * current_prices) return portfolio这个回测框架模拟了每天根据新的预测和市场价格重新优化资产配置并执行交易的过程。它包含了交易成本、风险约束和资金约束是一个相对完整的模拟。6. 绩效评估与策略分析不仅仅是看最终收益策略跑完了怎么判断好坏不能只看最终总资产。一套完整的评估体系至关重要。6.1 关键绩效指标计算def evaluate_portfolio(portfolio_value_series risk_free_rate0.02/252): 评估投资组合绩效 portfolio_value_series: 每日总资产价值的Series risk_free_rate: 日化无风险利率 returns portfolio_value_series.pct_change().dropna() total_return (portfolio_value_series.iloc[-1] / portfolio_value_series.iloc[0]) - 1 annualized_return (1 total_return) ** (252 / len(returns)) - 1 volatility returns.std() * np.sqrt(252) # 年化波动率 excess_returns returns - risk_free_rate sharpe_ratio excess_returns.mean() / excess_returns.std() * np.sqrt(252) # 最大回撤 cumulative (1 returns).cumprod() running_max cumulative.expanding().max() drawdown (cumulative - running_max) / running_max max_drawdown drawdown.min() # 胜率 win_rate (returns 0).mean() metrics { ‘总收益率’: total_return ‘年化收益率’: annualized_return ‘年化波动率’: volatility ‘夏普比率’: sharpe_ratio ‘最大回撤’: max_drawdown ‘胜率’: win_rate } return pd.Series(metrics) drawdown6.2 可视化分析一张图胜过千言万语至少需要以下三张图资产净值曲线对比策略净值、基准如等权持有所有资产净值、以及单纯持有现金的曲线。回撤曲线清晰展示策略历史上承受的最大压力时期。月度收益热力图观察策略收益的季节性或周期性特征。持仓权重变化图了解策略的动态调仓行为。import matplotlib.pyplot as plt import seaborn as sns fig axes plt.subplots(2 2 figsize(14 10)) # 1. 净值曲线 axes[0 0].plot(portfolio[‘total_value’] / portfolio[‘total_value’].iloc[0] label‘Our Strategy’) # 计算等权基准 benchmark_value (df_prices / df_prices.iloc[0]).mean(axis1) * portfolio[‘total_value’].iloc[0] axes[0 0].plot(benchmark_value / benchmark_value.iloc[0] label‘Equal Weight Benchmark’ linestyle‘--’) axes[0 0].set_title(‘Portfolio Net Value Curve’) axes[0 0].set_ylabel(‘Normalized Value’) axes[0 0].legend() axes[0 0].grid(True) # 2. 回撤曲线 axes[0 1].fill_between(drawdown.index 0 drawdown.values * 100 color‘red’ alpha0.3) axes[0 1].plot(drawdown.index drawdown.values * 100 color‘darkred’) axes[0 1].set_title(‘Portfolio Drawdown’) axes[0 1].set_ylabel(‘Drawdown (%)’) axes[0 1].grid(True) # 3. 月度收益热力图 (需要将日收益聚合为月收益) monthly_returns returns.resample(‘M’).apply(lambda x: (1x).prod() - 1) monthly_returns_pivot monthly_returns.unstack() # 假设有多期数据这里需要根据数据结构调整 # 绘制热力图代码略可使用sns.heatmap # 4. 持仓权重图 (示例展示两种主要资产的权重变化) asset1_weight portfolio[‘asset1’] * df_prices[‘asset1’] / portfolio[‘total_value’] asset2_weight portfolio[‘asset2’] * df_prices[‘asset2’] / portfolio[‘total_value’] axes[1 0].plot(asset1_weight label‘Asset 1 Weight’) axes[1 0].plot(asset2_weight label‘Asset 2 Weight’) axes[1 0].set_title(‘Dynamic Asset Allocation’) axes[1 0].set_ylabel(‘Weight’) axes[1 0].legend() axes[1 0].grid(True) plt.tight_layout() plt.show()7. 常见问题、调参与进阶思考在实际实现和比赛过程中你会遇到无数坑。这里分享一些关键的注意事项和调参经验。7.1 策略失效与过拟合排查问题回测结果完美实盘一塌糊涂。原因1未来函数Look-ahead Bias。这是最容易犯也最致命的错误。确保在时间t做决策时只用到了t及之前的信息。检查特征计算、标准化过程、协方差矩阵计算是否严格遵循时间先后顺序。原因2过拟合。在有限的数据集上过度优化参数。解决方案增加样本外测试使用更早的数据训练在最近的数据上测试。简化模型减少特征数量使用正则化如L1/L2降低模型复杂度。交叉验证谨慎时间序列必须用TimeSeriesSplit不能用KFold。原因3忽略交易成本与流动性。回测中假设可以按收盘价无限量交易现实中大单会冲击市场。可以引入简单的滑点模型如固定比例冲击成本。7.2 核心参数敏感度分析你的策略表现很大程度上依赖于几个关键参数风险厌恶系数 (risk_aversion)控制你对风险的容忍度。越大越保守仓位越分散交易越不频繁。可以通过在历史数据上网格搜索绘制参数与夏普比率/最大回撤的关系图来选择。预测周期 (forward)预测未来多少天太短噪声大太长不准。通常测试3 5 10 20天看哪个周期下预测模型的方向准确性最高。协方差计算窗口 (lookback_cov)用于计算风险矩阵的历史窗口。太短波动大太长不能反映近期市场结构。一般取60到120个交易日。交易成本 (transaction_cost)直接影响换手率。在回测中尝试不同的成本率如0.05% 0.1% 0.2%观察策略绩效的衰减情况。一个稳健的策略应对适度成本不敏感。7.3 模型融合与集成策略不要孤注一掷在一个模型上。可以尝试预测模型集成用LightGBM LSTM ARIMA分别预测然后对预测结果取平均或加权平均。多策略并行同时运行一个趋势跟踪策略基于动量的预测和一个均值回归策略基于价格偏离均线的预测根据市场波动率动态分配资金给两个策略。信号合成将预测收益率、动量指标、波动率指标、市场情绪指标等合成一个综合信号再输入优化器。7.4 从美赛到实盘的鸿沟美赛题目是一个高度简化的理想环境。真实世界要复杂得多数据质量真实数据有缺失、有错、有异常值需要更严谨的清洗。因子有效性简单的移动平均、动量因子在A股或美股可能早已失效需要挖掘更独特的阿尔法因子。执行层面需要考虑订单类型市价单、限价单、交易时间、资金交割制度T1。风险控制需要设置硬性止损、仓位上限、日度亏损限额等风控规则并在回测中严格执行。尽管有这些鸿沟但美赛C题提供的训练是无价的。它强迫你建立一个完整的“数据-预测-优化-执行-评估”的量化思维闭环。掌握这个闭环并理解其中每个环节的陷阱与调优方法就是你从建模竞赛走向实际策略开发最坚实的第一步。最后记住一句话市场上没有圣杯任何策略都有其适应的市场环境和失效的时候。持续学习、严谨回测、小心实盘才是长期生存之道。
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
