一、量化投资概述

1.1 什么是量化投资

量化投资，说白了就是用数学模型和计算机程序来做投资决策。不是靠感觉，也不是拍脑袋。

我刚开始接触这个领域时，也觉得挺玄乎。后来做多了才发现，核心就三件事：

• 找规律：从历史数据中发现能赚钱的模式
• 建模型：把规律写成代码，让机器自动执行
• 控风险：别让一次失误把之前的收益全赔进去

举个例子。你发现某只股票连续跌了3天后，第4天反弹的概率有65%。那就可以写个策略：当股票连跌3天时买入，持有2天卖出。这就是最简单的量化策略雏形。

1.2 公募量化 vs 私募量化

很多人问我这两者到底有啥区别。我习惯用一个比喻来解释：

公募量化像公交车——谁都能上，路线固定，监管严格。
私募量化像私家车——门槛高，路线灵活，但得自己承担所有风险。

具体差异我整理了一张表：

对比维度	公募量化	私募量化
投资门槛	通常1元起投	100万起投
仓位限制	股票仓位不低于80%	灵活，可空仓
对冲工具	受限，主要用股指期货	期权、期货、融券都能用
策略复杂度	偏中低频，换手率低	高频、中频、低频都有
信息披露	每日公布净值，季报披露持仓	每月公布净值，持仓保密
收费模式	管理费+少量业绩报酬	管理费+20%业绩报酬

1.3 量化策略的常见类型

量化策略种类很多，但主流就这几类。我按自己的理解给你捋一捋：

1. 趋势跟踪策略

说白了就是「追涨杀跌」。发现上涨趋势就买入，下跌趋势就卖出。经典的有双均线策略、MACD策略等。

我曾经用这个策略做过一个简单的回测：

# 双均线策略示例
def dual_moving_average(data, short_window=5, long_window=20):
    data['short_ma'] = data['close'].rolling(short_window).mean()
    data['long_ma'] = data['close'].rolling(long_window).mean()
    
    # 金叉买入，死叉卖出
    data['signal'] = 0
    data.loc[data['short_ma'] > data['long_ma'], 'signal'] = 1
    data.loc[data['short_ma'] <= data['long_ma'], 'signal'] = -1
    
    return data

2. 均值回归策略

和趋势跟踪相反，它赌的是「涨多了会跌，跌多了会涨」。适合震荡市。

常见做法是计算价格与均线的偏离度，当偏离超过一定阈值时反向操作。

3. 统计套利策略

找两个相关性高的品种，当价差偏离正常范围时做多一个、做空另一个，等价差回归后平仓。

嗯，这里要注意：统计套利对交易成本非常敏感。我刚开始做时没考虑滑点，回测年化收益30%，实盘直接亏到怀疑人生。

4. 事件驱动策略

利用财报发布、分红、并购等事件带来的短期价格波动。比如财报超预期时买入，低于预期时卖出。

5. 多因子策略

这是目前公募量化最主流的策略。把多个因子（估值、动量、质量、情绪等）组合起来打分，选得分最高的股票。

我习惯用这个框架来构建多因子模型：

# 多因子打分框架
def multi_factor_scoring(data, factors):
    # 标准化每个因子
    for factor in factors:
        data[factor] = (data[factor] - data[factor].mean()) / data[factor].std()
    
    # 等权合成
    data['score'] = data[factors].mean(axis=1)
    
    # 选前20%的股票
    top_n = int(len(data) * 0.2)
    selected = data.nlargest(top_n, 'score')
    
    return selected

1.4 知识体系总览

说了这么多，我画了张图帮你理清思路：

这张图把量化投资的三个核心环节串起来了。数据是基础，策略是核心，执行是关键。三者缺一不可。

---

公众号:蓝海资料掘金营，微信deep3321