金融市场交易史

1.1 金融市场交易基础设施演进史

活动图（行为图 · 时间线）：金融市场交易四百年演进 —— 从露天叫卖到微秒撮合

阶段速览：

1.2 技术分析演进史

技术分析是交易方法论中最古老、也最完整的一支。我们先看完整时间线（活动图），再剖析东西方双源流如何交织（时序图），随后聚焦主流程——道氏理论的形成（活动图），最后用四段时代叙事收束。

1.2.1 完整历史时间线

活动图（行为图 · 时间线）：技术分析从 17 世纪到当代的四百年演进主轴

一句话概括：技术分析是一部"从生意直觉 → 图表手艺 → 指标数学化 → 算法化"的连续史。前两百年（17-18 世纪）在东西方各自萌芽；19 世纪末在华尔街被查尔斯·道点燃现代火种；20 世纪上半叶是图表形态的黄金时代；20 世纪下半叶指标被系统化、数学化；21 世纪被量化与机器学习吸收。

时期	关键节点	代表工具 / 人物	阶段特征
17 世纪	阿姆斯特丹金融市场的文字记录	Joseph de la Vega	萌芽：交易心理的文字描述
18 世纪	大阪堂岛米市；蜡烛图成型	本间宗久（Munehisa Homma）	东方开创：量价心理、蜡烛图
19 世纪末	道琼斯公司、《华尔街日报》、道指	Charles Dow	现代奠基：趋势思想 + 指数
1900-1940	道氏理论系统化、波浪、江恩、威科夫	Hamilton、Rhea、Elliott、Gann、Wyckoff	理论框架化：形态 + 周期 + 几何
1940s-70s	图表学派的"圣经"与指标萌芽	Edwards & Magee；Appel、Lane	图表形态黄金时代 + 指标发明
1978-80s	指标的数学化爆发	Wilder（RSI/ATR/ADX/SAR）、Bollinger	指标系统化：一套公式库
1991	蜡烛图传入西方	Steve Nison	东西合流：技术分析全球化
1990s-今	技术信号进入量化、机器学习、AI	动量因子、均线系统、ML 特征	算法化：侦察兵并入作战系统

专有名词：技术分析（Technical Analysis）。研究历史价格与成交量数据以预测未来价格走势的方法论。它不关心资产"应该值多少"（那是基本面分析），只关心市场参与者"如何用价格表达行为"。三大公理即其认识论地基。

1.2.2 东方源流 × 西方源流

时序图（行为图 · 双源流）：东方蜡烛图传统与西方图表传统各自发展，到 1991 年合流

技术分析有两条几乎独立的源流，在 1991 年之前各自演化、互不知晓：

• 东方源流（日本）：以本间宗久为代表，在 18 世纪大阪堂岛米市为大米期货开发出蜡烛图（Candlestick），把开盘、最高、最低、收盘四要素浓缩进一根"蜡烛"，并用量价与心理（酒田战法）解读。这套体系在日本本土传承两百余年。
• 西方源流（欧美）：从 17 世纪阿姆斯特丹的文字记录，到 19 世纪末道琼斯的趋势思想，再到 20 世纪的柱状图、点数图（Point & Figure）、头肩顶等形态。西方更强调趋势、支撑阻力与形态识别。

两套体系在思想上是殊途同归——都试图从价格行为中读出群体心理，却在细节上各擅胜场：东方精于单根 K 线的多空博弈（如锤子线、十字星、吞没形态），西方精于多根线形成的整体形态（头肩顶、三角形、旗形）。

专有名词：蜡烛图（Candlestick Chart）与酒田战法（Sakata Method）。蜡烛图用实体（Open→Close）与上下影线（High/Low）表示一段时间的价格行为；本间宗久的交易规则被后世整理为"酒田五法"等形态体系（"酒田"即山形县酒田市，本间的经营地）。1991 年 Steve Nison 以《日本蜡烛图技术》将其引入西方，是为合流点。

1.2.3 主流程细化：道氏理论的形成

活动图（行为图 · 主流程）：从查尔斯·道的新闻评论，到 1932 年被系统化为"道氏理论"

道氏理论是现代技术分析的公认地基，但它并非一人一时之作，而是三代人接力完成的：

1. Charles Dow（1851-1902）：1882 年创立道琼斯公司，1889 年创办《华尔街日报》，1896 年创立道琼斯工业平均指数（DJIA）。他通过社论提出趋势思想——市场存在主要、次要、短暂三种趋势，并用指数作为经济晴雨表。但他从未把自己的观察命名为"理论"，只是作为新闻评论写就。
2. William Hamilton（1866-1929）：Dow 去世后接任《华尔街日报》主编，延续并整理 Dow 的思想，1922 年出版《股市晴雨表》（The Stock Market Barometer），首次把 Dow 的分散评论系统化。
3. Robert Rhea（1887-1939）：1932 年出版《道氏理论》（The Dow Theory），从 Dow 与 Hamilton 的近 250 篇文章中提炼出完整原则，正式命名为"道氏理论"——这是现代技术分析作为一个正式学科的起点。

道氏理论的六条核心原则（至今仍被广泛引用）：市场消化一切信息；市场有三种运动（主要/次要/短暂）；主要趋势有三阶段（吸筹→大众参与→派发）；指数必须相互确认；成交量必须确认趋势；趋势持续直到明确反转。

专有名词：主要趋势 / 次要趋势 / 短暂趋势。道氏把市场运动按时间尺度分层：主要趋势（Primary）持续数月至数年，是牛熊方向；次要趋势（Secondary）持续数周，是对主要趋势的修正；短暂趋势（Minor）持续数天，多为噪音。分形地看，每一层级内部又有更小层级——这为后来 Elliott 的"波浪分形"埋下伏笔。

1.3 量化交易演进史

活动图（行为图 · 时间线）：量化交易百年演进 —— 理论 × 技术 × 工具三线咬合

量化交易的历史是一部"理论提出 → 工具跟上 → 实践验证 → 危机修正"的循环史。四条转折主线：

1. 数学入场（1900-1970）：Bachelier 用布朗运动给股价建模，但沉没了五十年，直到 Samuelson 1950s 重新发现。Markowitz、Sharpe、Fama 把"投资"从手艺变成可以推演的学问。
2. 工程化爆发（1973-1987）：Black-Scholes 公式与 CBOE 同年诞生，期权从直觉定价变成工程产品；程序化交易与指数套利兴起，也直接催化了 1987 黑色星期一。
3. 机构化扩张（1988-2008）：文艺复兴 Medallion 封闭式封神，统计套利与多因子流行；LTCM 1998 崩盘与 2008 危机两度教育市场：模型不是万能，风险永远存在。
4. 数据与 AI 主导（2000s-今）：高频交易把时间维度卷到微秒，机器学习把"信号"从规则变成学习，另类数据与 LLM 把投研边界扩展到一切文本与非结构化信息。

1.4 一笔交易的生命周期演进

时序图（行为图 · 交互）：一笔订单从客户到成交清算的生命周期，在四个时代的形态对比

观察要点：

• 环节没变，速度与责任主体变了：四个时代都是"客户 → 经纪 → 撮合 → 清算"，但撮合从"场内人"变成"引擎"，信息传输从"跑单员"变成"微秒光纤"。
• 清算所始终在场：无论多快撮合，最终都要中央对手方（CCP）担保交割——这解释了为何交易再快，金融系统的"后台"清算仍是最要害的基础设施。
• 高频时代的本质是"抢占身位"：当所有人都直达撮合引擎，胜负取决于共置（Co-location）与算法拆单，市场结构本身成了竞争武器。

1.5 技术分析与量化的关系

量化交易史之外，还有一条更古老、至今仍在用的谱系——技术分析。其集大成之作是 John J. Murphy 的《金融市场技术分析》（Technical Analysis of the Financial Markets, 1999，丁圣元译），覆盖道氏理论、K 线形态、趋势线、移动平均线、布林带、斐波那契、波浪理论等，被市场技术分析师协会（MTA）列为注册技术分析师考试的指定教材，常被称为技术分析的"圣经"。两条谱系对读，才能看清"技术分析 vs 量化"到底分在哪。

两条谱系在时间上是先后衔接而非对立：技术分析谱系（本间宗久 → 查尔斯·道 → 图表学派 → Murphy 集大成 → 指标系统化）诞生于"工具只能看图"的时代；量化谱系（Bachelier 1900 → Markowitz → Black-Scholes → 因子模型）在计算机能够运算、回测之后成为必然延伸。二者是同一演进路径在"信号直觉"与"系统化验证"两个阶段的产物。

量化论文谱系（§4 清单）里几乎看不到技术分析工具，原因有三：第一，认识论不同——技术分析是"手艺"，头肩顶、道氏理论这类形态难以形式化为可回测的规则，而量化要求"一切假设必须能用历史数据回测证伪"；第二，EMH 的正面挑战——Fama 弱式有效假说（1970）认为历史价格不能预测未来，直接动摇技术分析的根基，Kendall（1953）那篇"经济时间序列分析"更被公认为给技术分析泼了冷水（详见 §2.6）；第三，问题层级不同——技术分析回答"怎么操作"，量化论文回答"为什么赚"，后者属于定价、风险、有效性的理论脊梁，而技术分析属于信号源层面的"术"。

但两条谱系没有断绝——现代技术分析最深刻的转变，正是从"人看图"变成"机器用信号"，技术分析的内核被量化吸收为可计算的信号：

组件图（结构图 · 现代）：技术信号如何作为"信号源"进入量化策略与机器学习流水线

• 动量因子：Jegadeesh-Titman（1993）把"趋势跟随"这一技术分析内核统计形式化——买过去强势、卖过去弱势，后被 Carhart（1997）收编为四因子之一。这是技术分析"学术合法化"的经典案例。
• 均线/突破/布林带编码：均线交叉、通道突破、布林带挤压等全部可以编码为量化的入场/出场条件（见 量化交易策略大全 Part 2 策略规格库）。
• 作为 ML 特征：RSI、MACD、ATR、布林带等传统指标被当作机器学习模型的输入特征（Features），与另类数据并列。
• 价格行为与微观结构：算法开始直接处理订单簿、成交量分布（Volume Profile）、市场轮廓（Market Profile）等"技术分析式"数据。

一句话概括技术分析在当代交易中的角色：它是量化体系的"侦察兵"（发现目标），量化策略理论则是"作战指挥系统"（验证情报、配置兵力、管理风险）。技术分析没有消失，而是被重构成信号源。

2.1 技术分析工具与流派

包图（结构图 · 构成）：技术分析四大支柱——图表形态 / 理论框架 / 量化指标 / 交易系统

技术分析的全部工具可归入四大支柱，彼此咬合：

• 图表形态（Chart Patterns）：视觉识别价格的重复结构——头肩顶/底、双顶/双底、三角形、旗形、楔形、矩形，回答"趋势延续还是反转"。
• 理论框架（Theoretical Frameworks）：解释"为何如此"的宏观叙事——道氏理论（趋势分层）、Elliott 波浪（分形周期）、Gann（几何/时间）、Wyckoff（吸筹派发/量价）。
• 量化指标（Quantitative Indicators）：把价格/成交量数据数学化的计算工具——均线（MA/EMA）、RSI、MACD、随机指标、布林带、ATR、ADX、抛物线 SAR、斐波那契回撤。回答"多强、多快、超买超卖、波动多大"。
• 交易系统（Trading Systems）：把上述信号组装成可执行的买卖规则——均线交叉、突破、趋势跟随、均值回归，是"技术分析"通向"量化"的桥梁。

现代技术分析已是一个高度工具化、平台化的体系，按信号类别组织：

2.2 经典指标发明谱系

类图（结构图 · 谱系）：经典技术指标的发明人与年代——70-80 年代是密集发明期

技术指标的发明高度集中在1970-80 年代——那正是计算机刚能处理价格数据、量化尚未完全成型的窗口期。几组关键里程碑：

• Gerald Appel（1970s）：发明 MACD（指数平滑异同移动平均），用两条均线之差捕捉趋势与动量，1986 年 Thomas Aspray 为其加入柱状图以预判交叉。
• George Lane（1950s-70s）：发明随机指标（Stochastic Oscillator），比较收盘价在区间内的位置，判断超买超卖。
• J. Welles Wilder（1978）：一本《技术交易系统新概念》贡献了现代指标库的半壁江山——RSI、ATR、ADX/DMI、抛物线 SAR、摆动指数等，全部给出公式。
• John Bollinger（1980s）：发明布林带（Bollinger Bands），用移动平均加减 2 倍标准差刻画"波动率呼吸"，取代了僵硬的固定百分比包络线。
• Richard Arms（1967）：发明 TRIN（Arms Index），结合涨跌家数与涨跌成交量判断市场广度与超买超卖。

2.3 量化金融理论知识体系

包图（结构图 · 知识构成）：量化金融七大理论板块及其代表模型

七大板块互有咬合：定价理论回答"资产值多少"，组合与风险回答"怎么配置"，市场有效性决定"策略能否存在"，衍生品定价支撑对冲与产品创新，计量提供证据工具，执行与微观结构回答"怎么买得便宜"，数据与 ML是当代的信号源。

2.4 关键论文思想谱系

类图（结构图 · 思想谱系）：关键论文的传承与影响关系 —— 每条箭头都是一条思想支流

读这张图的三个视角：

• 一条源头，两支干流：Bachelier（1900）是量化金融的总源头，分出定价（→ Markowitz → CAPM → APT → 因子）与随机过程（→ Samuelson → Black-Scholes → Heston）两支干流。
• 一次反叛，一次综合：EMH（Fama 1970）与行为金融（前景理论、过度反应）在 1980-90 年代激烈对峙，Lo（2004）用进化论视角把两派综合为"效率会随环境变化"。
• 实证异常反向推动理论：动量（Jegadeesh-Titman 1993）先作为"EMH 的反例"出现，最终反被收编为因子（Carhart 1997）——这正是科学与实践的常态互动。

2.5 论文 → 思想 → 产品/机构映射

2.6 学术挑战与回应

时序图（结构图 · 挑战）：从 Bachelier 到 Fama 的有效市场假说，对技术分析预测力的一连串学术拷问

技术分析自诞生起就不断遭受学术界的正面挑战，核心质疑是："历史价格真能预测未来吗？" 这条挑战线是理解技术分析局限性的关键：

• Bachelier（1900）：《投机理论》用布朗运动给股价建模，隐含价格不可预测——但此文沉寂了半个世纪。
• Cowles（1933）：通过实证检验发现，专业预测者的表现并不优于随机，为"市场难以战胜"提供了早期证据。
• Kendall（1953）：《经济时间序列分析》发现价格变动近似随机游走，常被视为给技术分析"泼冷水"的经典文献。
• Fama（1965/1970）：系统提出有效市场假说（EMH），其中"弱式有效"直接宣称：历史价格信息已被市场消化，仅凭历史价格无法获得超额收益——这是对技术分析最致命的正面打击。

但技术分析并未因此消亡，原因有三：其一，EMH 的强式与半强式长期受行为金融（Kahneman-Tversky 前景理论、Shiller 波动率研究）挑战，市场"不完全有效"；其二，动量、均值回归等可回测的异常（Jegadeesh-Titman 1993）表明趋势信息确实包含可提取的规律；其三，技术分析在实践中更多作为"决策框架与风险管理工具"而非"精确预测器"而存在——它回答"价格向何处去、何时该止损"，即便不完美也有操作价值。

2.7 案例评估：自研系统对照量化框架

用本页提炼的框架（技术分析=信号源「侦察兵」，量化=「作战指挥系统」）对照评估一个真实案例：本公司的自研量化交易系统（策略名「波的量化启蒙策略」）。它运行于 Binance BTCUSDT 15m 永续，核心信号模型为运动段趋势 + Key K 星级反转（道氏理论趋势观 + BOLL 20/2σ 反包识别 + 动态阈值），由程序化系统全自动执行，回测与实盘共用同一信号源、逐根回放无前视。

结论：能算量化交易系统，但属于量化谱系的入门档——"骨架"（可计算信号 + 程序化执行 + 回测）已齐备，缺的是"作战指挥系统"的三大件：证伪纪律、收益归因、组合与执行层。这印证了 §1.5 的判断：技术分析作为信号源并不妨碍量化资格（Jegadeesh-Titman 1993 即技术分析内核"趋势跟随"学术化的先例）；是否量化，取决于回测是否以"证伪"为纪律、以及是否具备风险/组合/执行工程层。策略名自称「量化启蒙」，恰如其分——它正站在"技术分析通向量化"这座桥的入口。

升级路径（对接 §4 关键论文）：

• 近期（证伪纪律）：回测加入样本外分割与参数敏感性 / walk-forward，补夏普、卡玛等风险调整指标——对应 López de Prado 2018「金融机器学习」对回测过拟合的工程化对抗。
• 中期（归因 + 组合）：为策略做收益归因（赚的是趋势/动量/反转的哪个成分），并升级为多标的组合层、账户级风险预算——对应 Markowitz 1952 / Fama-French 1993 因子框架。
• 长期（执行 + 失效）：执行优化（Almgren-Chriss 2000 最优执行），并接受 Lo 2004 适应性市场——策略 Alpha 会衰减，需失效检测与再配置机制。

4.1 论文总表

按时间排序，覆盖从 1900 到当下的奠基性与转折性工作。加粗者为必读核心。其中涉及有效市场假说（EMH）的学术争论，详见 §2.6。

4.2 分组详解

① 定价与随机过程：一切的开端

1. Bachelier（1900）《投机理论》——量化金融的"创世纪"。他把股价运动描述为布朗运动（随机游走），并据此首次给出期权定价公式，比爱因斯坦的布朗运动研究还早五年。但他的论文在巴黎"刚及格"，被遗忘半个世纪，直到 1950s 被 Samuelson 重新发掘。

6. Samuelson（1965）《合理预期的价格会随机波动》——证明在信息有效的市场中，已预期到的消息不会影响价格，价格只能对新信息随机反应。同一年他还用几何布朗运动改进认股权证定价，直接铺平了 Black-Scholes 的道路。

② 组合与风险：从直觉到定理

2. Markowitz（1952）《组合选择》——投资领域的分水岭。他用期望收益（均值）、方差（风险）与协方差（资产相关性）三个量把"分散化"从谚语变成定理：低相关资产的组合能降低整体波动而不成比例牺牲收益，由此画出有效前沿。1990 年与 Sharpe、Miller 同获诺贝尔经济学奖。

4. Sharpe（1964）《资本资产定价》——在 Markowitz 框架上加"市场均衡"，把风险拆成系统性（Beta）与非系统性两部分，并证明非系统性风险可以通过分散化消除、因此市场不给它补偿。CAPM 让"该要多少收益"第一次有了可计算的答案。

7. Sharpe（1966）《共同基金绩效》——提出夏普比率（Sharpe Ratio）：超额收益除以波动率。它成为衡量任何策略"每承担一单位风险换来多少回报"的通用尺子，回测与绩效评估的地基。

③ 市场有效性：最受争议的命题

5/8. Fama（1965/1970）有效市场假说（EMH）——1965 年的《股票价格行为》用实证支持随机游走；1970 年的综述把"有效性"形式化为弱式（历史价格无效）、半强式（公开信息无效）、强式（内幕信息无效）三档。EMH 的推论冷酷而有力：长期跑赢市场靠运气。它是被动投资、指数基金的理论源头，也让"寻找 Alpha"成为所有量化从业者的宿命追问。

15. Shiller（1981）《股价波动是否过大？》——用股息折现模型做基准，发现股价波动远超基本面应解释的水平，直接动摇了"价格完全反映信息"的信念。Shiller 因此与 Fama 同获 2013 年诺贝尔奖——褒奖的正是这个"争论的两端"。

25. Lo（2004）《适应性市场假说》——用进化论（竞争、适应、自然选择）统一 EMH 与行为金融：市场效率不是"有或无"，而是随环境、参与者结构动态变化。它解释了为什么 Alpha 会衰减、策略会拥挤、量化巨头为何反复"换血"。

④ 期权与衍生品：量化金融的工程化

9/10. Black-Scholes-Merton（1973）——几乎与 CBOE（芝加哥期权交易所）同年诞生。核心思想是复制组合：用股票与无风险债券的动态组合精确复制期权收益，组合价格即期权价格，与股票涨跌预期无关。Black 在发表前去世，Scholes 与 Merton 1997 年获诺贝尔奖。它开启了"衍生品可精确定价"的时代，也埋下"模型依赖"的隐患。

11. Merton（1974）——把期权定价逻辑用于信用风险：把公司股权看作以资产为标的的期权，违约即"看跌期权被行权"。结构式信用模型由此诞生，2008 危机中 Merton 本人也因模型化风险再受审视。

22. Heston（1993）——允许波动率自身也随机波动并给出闭式解，修补了 Black-Scholes 对"波动率微笑"（期权隐含波动率随行权价弯曲）的无能为力。

13. Vasicek（1977）——首次给出利率期限结构的随机过程模型，是利率衍生品定价的起点。

⑤ 行为金融：理性的裂缝

14. Kahneman & Tversky（1979）《前景理论》——用实验证明人的决策系统性偏离期望效用：损失厌恶（亏 100 元的痛 > 赚 100 元的乐）、参照点依赖、概率权重扭曲。它成为行为金融的心理地基，Kahneman 2002 年获诺贝尔奖（Tversky 已故未得）。

17. De Bondt & Thaler（1985）《股市是否过度反应？》——发现长期输家组合显著跑赢长期赢家组合（反转效应），是"过度反应 + 均值回归"的开创性实证，直接反驳半强式有效。

21. Jegadeesh & Titman（1993）《买入赢家卖出输家》——发现中期（3-12 个月）动量效应：过去表现好的股票继续好。与反转看似矛盾，实则是不同时间尺度的两种行为模式。动量后来被收编为最稳健的横截面因子之一。

⑥ 计量与时间序列：读懂波动的工具

16. Engle（1982）ARCH / 18. Bollerslev（1986）GARCH——发现金融收益的波动率是聚簇的（大波动后跟着大波动），并建立"波动率可预测"的条件异方差模型。GARCH 家族成为 VaR、期权波动率、风险度量的标准工具，Engle 2013 年与 Granger 同获诺贝尔奖。

3. Kendall（1953）《经济时间序列分析》——对股票价格序列做相关性检验，结论"价格几乎是随机的"。这篇论文让统计界正视市场，也无意中给技术分析泼了冷水——它直接推动了随机游走研究（Cootner 编的文集是这段历史的纪念碑）。

⑦ 因子模型：横截面的科学

12. Ross（1976）APT——用无套利论证取代 CAPM 的均衡假设，推导出"收益由多个系统性因子线性定价"的一般框架。APT 是因子投资的数学母体。

19/20. Fama & French（1992/1993）三因子模型——实证发现 CAPM 失灵：小市值股票、高账面市值比（价值）股票有系统性超额收益。于是把单一 Beta 扩展为 市场 + 规模（SMB）+ 价值（HML） 三因子。这是"因子投资/Smart Beta"运动的起点，Fama 2013 年获诺贝尔奖。

23. Carhart（1997）四因子——在三因子上加入动量因子（UMD），正式承认 Jegadeesh-Titman 的动量是一个定价因子。

26. Fama & French（2015）五因子——再加入盈利能力（RMW）与投资风格（CMA），回应学界对三因子的批评。因子模型的争论至今未止——这正是活学术的特征。

⑧ 交易执行与机器学习：把理论变成钱

24. Almgren & Chriss（2000）《组合交易的最优执行》——把"怎么卖得便宜"变成数学问题：大单一次砸出会击穿价格（市场冲击），慢慢拆单又暴露于波动风险，两者存在最优执行边界。它是 TWAP/VWAP、冰山单、算法执行的理论源头，也是券商执行系统的标配。

27. López de Prado（2018）《金融机器学习进阶》——系统化论述金融 ML 的特殊性：样本量小、信噪比极低、回测过拟合无处不在，提出多重检验、组合特征化、元标注等工程方法。它是"从能跑模型到能信模型"的实操圣经。

28. Gu, Kelly & Xiu（2020）《基于机器学习的实证资产定价》——用随机森林、梯度提升、神经网络在美股全景数据上预测横截面收益，系统性检验 ML 在资产定价中的威力与局限，代表"因子挖掘自动化"的当下主流。

5.1 重大事件时间线

技术分析里程碑

市场危机与量化警示

5.2 参考资料

• Robert Rhea, The Dow Theory（1932）——道氏理论正式确立之作
• Edwards & Magee, Technical Analysis of Stock Trends（1948）——图表形态集大成
• J. Welles Wilder, New Concepts in Technical Trading Systems（1978）——现代指标公式库
• John J. Murphy, Technical Analysis of the Financial Markets（1999，中译丁圣元）——现代技术分析"圣经"/MTA 指定教材，承上启下的综合集大成
• Steve Nison, Japanese Candlestick Charting Techniques（1991）——蜡烛图西传
• Kendall（1953）、Fama（1970）、Jegadeesh-Titman（1993）——学术挑战与吸收的里程碑论文
• 《A Review on the History and Development Direction of Quantitative Finance》(ResearchGate, 2024)
• The Most Influential Quantitative Finance Papers in History (EverythingQuant)
• Black-Scholes Model History and Key Papers (Macroption)
• A History of Quant (Federated Hermes)；The Quantitative Finance Timeline (CQF/ebrary)
• 400 years: the story (Beursgeschiedenis)；Honma Munehisa / Dōjima Rice Exchange (Wikipedia)
• History of the Nasdaq (J.P. Morgan / History of Market)；FinWiz Stock Market History
• 各论文原文出处：Journal of Finance / JPE / Econometrica / JFE / Journal of Risk 等

5.3 学习路径与实战联动

推荐阅读顺序：

1. 入门：本页（史）→ 量化交易策略大全 Part 2 技术分析（道氏理论、K 线、趋势支撑、市场状态分类）——先建立"技术分析"坐标系。
2. 理论：Markowitz 1952 → Sharpe 1964 → Fama 1970（先建立"组合-定价-有效性"三观）
3. 进阶：Black-Scholes-Merton 1973 → Ross 1976 → Fama-French 1993（理解衍生品与因子）
4. 批判：Kahneman-Tversky 1979 → De Bondt-Thaler 1985 → Jegadeesh-Titman 1993 → Lo 2004（行为金融与适应性市场）
5. 工程：Almgren-Chriss 2000 → López de Prado 2018 → Gu-Kelly-Xiu 2020（执行、ML 与可信回测）
6. 建系统：量化交易系统——把技术信号接入工程化交易系统。
7. 避坑：理解 EMH 与随机游走（§2.6），把技术分析当"决策框架"而非"预测器"，务必回测与止损。

把论文落到代码（以 Jegadeesh-Titman 动量为例的最小实现）：

import pandas as pd

def momentum_signal(close: pd.DataFrame, lookback: int = 12,
                    skip: int = 1, top_n: int = 5) -> pd.Series:
    """Jegadeesh-Titman(1993) 动量因子：过去 lookback 月收益排序，选前 top_n 只。
    skip=1 表示避开最近 1 个月（短期反转），为原文的标准做法。"""
    ret = close.pct_change(lookback).iloc[-1]
    ret = ret.dropna()
    ranked = ret.sort_values(ascending=False)
    return ranked.index[:top_n]

# 用法：momentum_signal(monthly_close, lookback=12, top_n=5)
# 返回过去 12 个月收益最高的 5 只股票，作为下月持有组合。