Skip to main content

Quantitative Finance（量化金融）核心术语（中英对照）

· 4 min read

以下是量化金融领域的关键术语，涵盖资产定价、算法交易、风险管理、衍生品模型等场景，按类别分类整理：

1. 资产定价（Asset Pricing）​

英文中文说明
Arbitrage Pricing Theory (APT)套利定价理论基于多因子解释资产收益率的模型（比 CAPM 更灵活）。
Capital Asset Pricing Model (CAPM)资本资产定价模型描述资产预期收益率与市场风险（β）的关系：(E(Ri)=Rf+βi(E(Rm)−Rf))(E(R_i) = R_f + \beta_i (E(R_m) - R_f))。
Fama-French Three-Factor Model法玛-弗伦奇三因子模型扩展 CAPM，加入市值（SMB）和价值（HML）因子。
Carhart Four-Factor Model卡哈特四因子模型在三因子基础上加入动量因子（MOM）。
Risk-Neutral Pricing风险中性定价衍生品定价中假设投资者风险中性，用无风险利率折现预期收益。
Stochastic Discount Factor (SDF)随机贴现因子将未来现金流折现到当前的一般化定价框架。

2. 衍生品定价（Derivatives Pricing）​

英文中文说明
Black-Scholes Model布莱克-舒尔斯模型欧式期权定价的经典模型，基于几何布朗运动。
Binomial Option Pricing二叉树期权定价通过离散时间步模拟标的资产路径定价期权。
Monte Carlo Simulation蒙特卡洛模拟随机生成路径模拟衍生品未来价格分布。
Implied Volatility (IV)隐含波动率从期权市场价格反推出的波动率（反映市场预期）。
Greeks (Delta, Gamma, Vega, Theta, Rho)希腊字母衡量期权价格对市场因素的敏感性（如 Delta=价格对标的价格的一阶导数）。
Local Volatility Model局部波动率模型修正 Black-Scholes，允许波动率随价格和时间变化。
Heston Model赫斯顿模型随机波动率模型，更贴合市场实际波动特征。

3. 量化交易（Quantitative Trading）​

英文中文说明
Algorithmic Trading算法交易使用程序自动执行交易策略（如 VWAP、TWAP）。
High-Frequency Trading (HFT)高频交易毫秒级超短线交易，依赖低延迟系统。
Statistical Arbitrage (StatArb)统计套利基于历史统计规律配对交易（如协整策略）。
Mean Reversion均值回归假设价格会回归长期均值（适用于震荡市场）。
Momentum Trading动量交易跟随趋势买入上涨资产/做空下跌资产。
Market Making做市同时提供买卖报价赚取价差（需动态对冲风险）。
Backtesting回测用历史数据验证策略表现（需防范过拟合）。
Slippage滑点订单执行价格与预期价格的偏差（影响实盘收益）。

4. 风险管理（Risk Management）​

英文中文说明
Value at Risk (VaR)风险价值特定置信水平下的最大潜在损失（如 95% VaR）。
Expected Shortfall (ES/CVaR)预期短缺超过 VaR 的平均损失（更关注极端风险）。
Stress Testing压力测试模拟极端市场情景评估组合抗风险能力。
Marginal VaR边际 VaR新增头寸对组合 VaR 的边际贡献。
GARCH (Generalized Autoregressive Conditional Heteroskedasticity)广义自回归条件异方差模型预测波动率聚类现象（如 GARCH(1,1)）。

5. 时间序列与统计（Time Series & Statistics）​

英文中文说明
Autocorrelation自相关性时间序列中当前值与历史值的相关性（如股价动量效应）。
Unit Root Test (ADF Test)单位根检验（ADF 检验）检验时间序列是否平稳（避免伪回归）。
Cointegration协整非平稳序列的线性组合可能平稳（配对交易基础）。
Kalman Filter卡尔曼滤波动态更新状态变量的最优估计算法（用于实时参数调整）。
Principal Component Analysis (PCA)主成分分析降维技术（如利率曲线建模）。

6. 机器学习应用（Machine Learning）​

英文中文说明
Supervised Learning监督学习用标签数据训练模型（如预测股价涨跌）。
Unsupervised Learning无监督学习无标签数据聚类（如市场状态识别）。
Reinforcement Learning强化学习通过试错优化交易策略（如 Q-Learning）。
Feature Engineering特征工程构建影响目标变量的输入特征（如技术指标）。
Overfitting过拟合模型在训练集表现好但泛化能力差（需交叉验证）。

附：关键公式与工具​

  • Black-Scholes 公式：
    [C=S0N(d1)−Ke−rTN(d2)][C = S_0 N(d_1) - K e^{-rT} N(d_2)]
  • VaR 计算方法：历史模拟、蒙特卡洛、方差-协方差法。
  • Python 工具包：numpy、pandas、scipy、statsmodels、QuantLib、Backtrader。

掌握这些术语是成为量化分析师（Quant）的基础！