2 篇博文 含有标签「投资」

BlackRock 的 iShares Bitcoin Trust（代码 IBIT）已成为投资者通过标准经纪账户直接获得比特币敞口的最受欢迎方式之一。但它到底是什么？如何运作？有哪些权衡？

简而言之，IBIT 是一种在纳斯达克交易所上市、持有实际比特币并像股票一样交易的交易所交易产品（ETP）。投资者看重其便利性、深度流动性以及受监管市场的准入。截至 2025 年 9 月初，基金资产约为 826 亿美元，费用率为 0.25%，托管方为 Coinbase Custody Trust。本指南将为你拆解所有关键要点。

你实际拥有的是什么​

购买 IBIT 的一股，即相当于购买了持有比特币的商品信托的一份份额。该结构更类似于黄金信托，而非受《1940 法案》约束的传统共同基金或 ETF。

基金价值以 CME CF Bitcoin Reference Rate – New York Variant（BRRNY）为基准，该参考价每日更新，用于计算净资产价值（NAV）。

实际的比特币由 Coinbase Custody Trust Company, LLC 保管，交易操作通过 Coinbase Prime 完成。绝大部分比特币存放在隔离的冷库中，称为 “Vault Balance”。少量比特币放在 “Trading Balance”，用于管理份额的创建、赎回以及支付基金费用。

关键数据一览​

• 费用率： IBIT 的赞助费用为 0.25%。此前的优惠费用已失效，这就是当前的年度成本。
• 规模与流动性： 截至 2025 年 9 月 2 日，净资产为 826 亿美元，日均交易额达数千万股，30 天中位买卖价差仅为 0.02%，有助于降低交易滑点。
• 交易所： 可在纳斯达克交易所通过代码 IBIT 进行买卖。

IBIT 如何跟踪比特币价格​

基金份额价格通过授权参与者（AP）进行的创建与赎回机制保持与基础比特币价值接近。与许多允许“实物”转移的黄金 ETP 不同，IBIT 采用“现金”创建/赎回模式：AP 向信托交付现金，信托再购买比特币；或在赎回时信托出售比特币后返还现金。

实际运作中，由于交易量大、AP 活跃，基金的溢价或折价通常很小。但在高波动期或创建/赎回受限时，溢价/折价可能扩大，交易前务必检查相应数据。

除费用率外的其他成本​

• 赞助费用： 通过出售少量比特币来支付，这意味着随时间推移，每股对应的比特币数量会略有下降。若比特币价格上涨，这一影响可能被掩盖；若价格下跌，则持股价值相对持有原生 BTC 会更快下滑。
• 交易成本： 包括买卖价差、经纪佣金以及可能的溢价/折价。使用限价单可更好地控制成交价。
• 税务影响： 持有 IBIT 属于证券交易，税务报告使用标准经纪表格，较持有实币更为简便，但税务处理仍有别于直接持有加密资产。请阅读招股说明书并在必要时咨询税务专业人士。

IBIT 与自行持有比特币的比较​

• 便利性与合规性： 通过经纪账户即可交易，无需管理私钥、注册加密交易所或使用钱包软件。提供标准税表和熟悉的交易界面。
• 对手方风险： 持有的并非链上币，而是信托及其服务提供商（托管方 Coinbase、主经纪等）的资产。需通过基金文件了解运营与托管风险。
• 使用场景： 若需在链上进行支付、闪电网络交易或多签安全设置，必须自行持有。若仅需在退休或应税经纪账户中获得价格敞口，IBIT 是专为此设计的工具。

IBIT 与比特币期货 ETF 的区别​

现货 ETF 持有实际比特币，期货 ETF 则持有 CME 期货合约。结构差异导致期货基金可能因合约滚动成本和期货期限结构产生价格漂移，而现货基金则更紧密跟踪比特币现货价（扣除费用后）。对于在经纪账户中实现直接比特币敞口，现货产品如 IBIT 通常更为简洁。

如何购买——以及先检查什么​

在任何标准的应税或退休经纪账户中搜索代码 IBIT 即可下单。最佳执行时间通常在美国股市开盘和收盘时段。下单前务必查看买卖价差并使用限价单控制价格。

鉴于比特币波动剧烈，许多投资者将其视为组合中的卫星仓位——占比足够小，以承受显著回撤。投资前请务必阅读招股说明书的风险章节。

进阶提示：期权可用​

对更高阶投资者，IBIT 已在 Nasdaq ISE 等平台推出上市期权，支持对冲或收益策略。请向经纪商确认资格并了解相关风险。

必读风险​

• 市场风险： 比特币价格极度波动，可能出现剧烈涨跌。
• 运营风险： 托管方或主经纪出现安全漏洞、密钥管理失误等，可能影响信托资产。招股说明书详细列出了 “Trading Balance” 与 “Vault Balance” 的风险。
• 溢价/折价风险： 若套利机制受阻，IBIT 份额可能出现显著偏离 NAV 的情况。
• 监管风险： 加密资产及相关金融产品的监管框架仍在演进中。

投资前快速检查清单​

1. 我是否了解赞助费用是通过出售比特币支付的，这会逐步降低每股对应的 BTC 数量？
2. 我是否检查了今日的买卖价差、成交量以及 NAV 的溢价或折价情况？
3. 我的投资期限是否足够长，以承受加密资产固有的波动性？
4. 我是否基于自身目标在现货敞口（IBIT）与自行持有之间作出明确选择？
5. 我是否阅读了最新的基金资料表或招股说明书？它仍是了解信托运作的最佳来源。

本文仅供教育用途，不构成金融或税务建议。请始终阅读官方基金文件，并在需要时寻求专业指导。

1. 关键要点​

• 目标受众：对量化金融感兴趣的个人投资者、业余爱好者以及想进入行业的新人。
• 核心信息：量化交易是一门可以被个人学习并实际运用的学科，只要遵循系统化、科学化的流程，就能在竞争激烈的市场中找到生存空间。
• 作者背景：Ernest P. Chan 博士拥有华尔街多年经验，曾在多家顶级投行和对冲基金任职，后创办了自己的量化投资公司，致力于把机构级的量化方法普及给独立交易者。

2. 内容概览​

2.1 章节结构​

章节	标题	关键主题
第 1 章	引言	量化交易的历史、基本概念以及本书的写作动机
第 2 章	策略构思	如何寻找、筛选并评估交易想法
第 3 章	回测	正确进行历史回测的技术细节与常见陷阱
第 4 章	搭建业务	业务结构、法律实体、资金来源以及经纪商选择
第 5 章	执行系统	自动化交易系统的设计与实现
第 6 章	资金与风险管理	资本配置、杠杆使用、风险预算以及心理因素
第 7 章	专题讨论	均值回复 vs 动量、配对交易、因子模型、季节性策略等
第 8 章	结论	未来学习路径与行业发展趋势

2.2 目标读者​

• 独立交易者：希望通过系统化方法提升交易绩效的个人投资者。
• 量化新人：具备一定编程或数学基础，想快速进入实战的读者。
• 行业从业者：想了解独立交易者的视角，寻找潜在合作或招聘对象。

3. 章节要点​

第 1 章：引言​

• 量化交易的定义：利用数学模型、统计方法和计算机程序在金融市场中寻找并捕捉可交易的信号。
• 行业现状：虽然机构资金庞大，但仍有大量未被充分利用的低频、因子或季节性策略适合个人。
• 本书定位：提供从零到一的完整路线图，帮助读者建立可持续的算法交易业务。

第 2 章：策略构思​

• 灵感来源：学术论文、行业报告、新闻事件、个人观察以及公开的博客文章。
• 筛选标准：
  • 逻辑合理性：策略背后的经济或统计原理是否站得住脚。
  • 个人匹配度：所需时间、编程技能、资金规模是否符合自身情况。
  • 机构竞争度：策略是否已经被大量对冲基金使用，是否仍具备“机构雷达以下”的优势。
• 初步可行性检查：在完整回测前，先评估收益稳健性、最大回撤、交易成本敏感度以及数据偏差（如生存偏差、数据挖掘偏差）。

第 3 章：回测​

• 工具选择：Excel（入门）、MATLAB（科研计算）、Python / R（第二版新增）以及 TradeStation 等平台。
• 数据处理：获取历史价格、调整分红拆股、剔除生存偏差，确保数据质量。
• 绩效指标：除了夏普比率，还要重点关注最大回撤及其恢复时间。
• 常见陷阱：
  • 前瞻性偏差（Look‑Ahead Bias）
  • 数据挖掘偏差（Data‑Snooping Bias）
  • 样本量不足
  • 过度拟合
  • 忽视交易成本

第 4 章：搭建业务​

• 业务结构：独立散户交易 vs 加入/创立专有交易公司（Prop Firm），两者在杠杆、成本、利润分配和自主性上各有利弊。
• 经纪商选择：费用、杠杆、市场接入、API 质量与声誉。Interactive Brokers 被推荐为量化交易的首选。
• 基础设施：高性能电脑、千兆网络、数据订阅、UPS 备用电源以及灾备方案。对延迟敏感的策略可考虑共址（Co‑location），但对大多数个人而言并非必需。

第 5 章：执行系统​

• 自动化层级：先实现半自动（信号生成后手动下单），再升级为全自动（通过 API 完成从信号到订单的全流程）。
• 系统设计：容错、异常处理（网络中断、订单被拒）以及日志记录。
• 降低交易成本：智能拆单、选择市价单或限价单的策略。
• 纸交易：在实盘前进行模拟交易，以发现代码和流程缺陷。
• 实际滑点：实时表现往往低于回测，需要持续监控并优化执行模型。

第 6 章：资金与风险管理​

• 最优资本配置：Kelly 公式提供理论上的最佳仓位，但实际操作中建议使用“半 Kelly”或分数 Kelly 以降低波动。
• 风险类型：
  • 投资组合层面的风险预算与相关性监控
  • 杠杆风险与保证金管理
  • 模型风险（假设失效）
  • 技术与运营风险（软件 bug、硬件故障、停电）
  • 心理风险（情绪干扰系统）
• 风险优先：生存下来比捕获收益更重要，只有在控制下行的前提下才能实现长期增长。

第 7 章：专题讨论​

• 均值回复 vs 动量：两大主流策略的比较，强调识别市场“状态”（趋势或区间）是关键。
• 状态切换模型：使用机器学习检测市场转折点并动态调整参数（示例 7.1）。
• 协整与配对交易：GLD 与 GDX 的配对交易案例展示了协整检验、半衰期计算与回测流程；KO 与 PEP 的对比说明高相关性并不等同于协整（示例 7.3）。
• 因子模型：介绍 Fama‑French 多因子模型及主成分分析（PCA）提取潜在因子（示例 7.4）。
• 退出策略：利润目标、止损、时间退出和跟踪止损的组合使用。
• 季节性策略：小盘股“一月效应”案例（示例 7.6）。
• 高频交易概览：市场做市、延迟套利等概念，提示个人难以实现真正的 HFT，但可借鉴其原理。
• 杠杆 vs 高贝塔：结论倾向于低波动、高夏普的策略配合适度杠杆更优。

第 8 章：结论​

• 核心信息：独立量化交易者只要遵循科学、纪律的路径，就有机会在竞争激烈的市场中生存并获利。
• 行动建议：
  • 持续学习与小额实验
  • 寻找合作伙伴或导师组建团队
  • 将自研策略包装成作品集，争取行业岗位
  • 紧跟机器学习、云计算等新技术的应用

附录​

• 附录 A：MATLAB 入门教程（针对没有使用经验的读者）。
• 附录 B（隐含）：Kelly 公式在正态分布收益下的推导过程。

4. 具体方法论​

本书提出了一套系统化的方法论，用于开发并启动量化交易业务。可概括为以下逻辑步骤：

1. 策略构思与筛选：从多渠道获取想法（研究、观察），随后依据逻辑、个人匹配度（时间、技能、资本）以及机构竞争程度进行初步可行性筛查。
2. 数据获取与清洗：获取所需历史数据，优先保证质量（若可能，使用无偏差数据），完成除权、拆分等调整并格式化。
3. 回测建模与验证：构建严谨的回测引擎，避免前瞻性偏差并加入真实成本。通过样本内优化与样本外测试验证策略稳健性，防止过拟合。
4. 策略优化与确认：基于回测结果进行适度调优，保持模型简洁、稳健，最终确认模型并考虑构建多策略、低相关组合。
5. 业务结构与账户准备：决定法律与运营形态（散户 vs 专业交易公司），开设经纪账户、争取资金并确保 API 正常。
6. 执行系统开发：搭建或配置半自动/全自动交易系统，将信号转化为实盘订单，先在模拟环境（纸交易）中彻底测试。
7. 实盘交易与监控：使用真实资金上线，持续监测表现与预期差异，严格遵守风险管理规则。
8. 策略迭代与新开发：依据实盘反馈对现有策略进行合理调整，同时保持研发新、非相关策略以实现业务扩张。

两大原则支撑此方法论：

• 量化与定性相结合：在数据驱动的同时，运用常识与经济直觉审视想法与风险。
• 追求简洁：遵循爱因斯坦的格言“尽可能简化，但不可过度简化”，倾向于可解释、易维护的策略，而非黑箱复杂模型。

5. 实际案例​

书中提供了丰富的实战案例，以下为关键示例：

案例研究	所属章节	关键概念	细节说明
GLD vs. GDX 配对交易	3、5、7	协整、均值回复、回测	详细演示协整检验、在训练集上参数优化、在测试集上验证，并计算均值回复的半衰期。
KO vs. PEP 协整检验	7	协整 vs 相关性	说明两只高相关度的同业股票未必协整，提醒缺乏统计检验的风险。
财报后漂移（PEAD）	7	动量策略	引用研究展示信息扩散缓慢导致的财报后漂移现象。
一月效应	7	季节性策略	提供小盘股一月买入的回测（含 MATLAB 代码），展示异常如何转化为规则化策略。
机器学习用于状态切换	7	状态切换、进阶方法	介绍使用机器学习模型预测市场状态转变（如从趋势到区间），并动态调整策略参数。
Kelly 公式应用	6	资金管理、仓位 sizing	给出确定最优投注规模的公式，并建议实际使用分数 Kelly 以降低波动。
工具与数据使用	各章节	实用技能	包含从 Yahoo Finance 抓取历史数据的 MATLAB 示例代码，演示数据获取与处理流程。

这些案例为读者提供了可直接套用的模板，帮助将理论快速转化为实践。

6. 作者简介​

了解作者 Ernest P. Chan 博士 对评估本书价值至关重要。

• 教育与华尔街经历：康博士拥有康奈尔大学理论物理博士学位，随后在 IBM Research、摩根士丹利、瑞士信贷以及千禧对冲基金等机构担任量化分析师与开发工程师，专注于统计套利、高频交易与数据挖掘。
• 创业与咨询：离开华尔街后，他创立了 QTS Capital Management, LLC，为私人客户管理系统化投资组合；随后又创办 PredictNow.ai，提供金融机器学习软件与咨询服务，始终站在行业前沿。
• 作者与教育者：除《量化交易》外，他还著有《Algorithmic Trading》（2013）和《Machine Trading》（2017），以及最新的《Generative AI for Trading and Asset Management》（2023），以通俗易懂的写作风格和大量公开代码、数据而深受量化社区好评。
• 社区影响：自 2006 年起，他在个人博客 epchan.blogspot.com 上持续分享策略想法与实战经验，并为 QuantInsti、南洋理工大学等机构开设课程，培养了大量新晋量化人才。

综上，Ernest P. Chan 博士是一位在理论与实务之间搭建桥梁的资深从业者，他的著作极大降低了量化金融的入门门槛，赋能了全球的独立交易者。正如读者 Corey Hoffstein 所言：“Ernie 的书是想从 0 到 1 踏入量化交易的理想指南”。