重新思考量化研究
大多数量化研究并不是从模型开始，而是从一个想法开始。
- 也许是： “价值股长期跑赢市场。”
- 也许是：“分析师预期修正会提前反映未来收益。”
- 也许只是一个简单的问题：如果把这些信息组合起来，会发生什么？
但随着研究深入，问题开始出现。 脚本越来越多，依赖越来越复杂，实验无法复现，模型越来越像黑箱！
最终，我们失去了研究最重要的东西：
理解过程
BagelQuant 希望重塑这件事。
用 Graph 表达投资想法
在 BagelQuant 中，任何研究流程都被表示为一张计算图（Graph）。包括数据流动，节点变换，结果组合，最终形成投资组合。例如，一个简单的动量策略：
我们假设：过去表现更强的股票，未来依然更容易上涨。 传统研究里，这可能分散在几十个脚本和不同系统之中。而在 Graph 中，它可以表达为：
每一个节点都是研究中的一个步骤。在Bagelquant中，节点可以被替换、组合和复用。你可以将动量替换成价值因子。将线性模型替换成神经网络。将 Top N 替换成风险约束优化。
而整个研究过程仍然保持清晰。 研究不再是一堆脚本。而成为一个能够持续迭代的系统。
不只是框架
BagelQuant 同时也是一个持续积累中的知识库。
- 从数学基础，到金融理论。
- 从因子研究，到预测模型。
- 从组合构建，到真实交易环境下的验证。
希望帮助研究者真正理解：投资想法如何变成可投资组合。
从这里开始
未来应用
未来的 BagelQuant App 将提供图形化研究界面。 通过连接节点完成：
因子 → 模型 → 组合 → 回测
无需重新搭建整个研究系统。
About Me
BagelQuant 由 Yanzhong (Eric) Huang 维护。
股票量化研究员，关注因子研究、预测建模、组合构建与研究基础设施。
希望将量化研究从零散实验升级为可组合、可复现、可持续演进的研究系统。