一、量化投资概述

大家好，我是这门课的主讲人。今天咱们聊聊量化投资这个老本行。

量化投资，说白了就是用数学模型和计算机技术来做投资决策。不是拍脑袋，不是凭感觉，而是让数据说话。我入行那会儿，这还是个挺小众的领域，现在嘛，几乎成了主流。

1.1 量化投资的定义

量化投资，英文叫 Quantitative Investment，核心就三件事：

• 数据驱动：一切决策基于历史数据和实时数据
• 模型化：用数学公式、统计模型、机器学习算法来描述市场规律
• 程序化执行：让计算机自动下单，避免情绪干扰

举个例子。传统基金经理可能会说：「我觉得茅台要涨，因为最近白酒板块热度高。」而量化投资会说：「根据过去5年的数据，当白酒板块连续3天涨幅超过2%且成交量放大1.5倍时，后续5个交易日有75%的概率继续上涨。所以，买入。」

1.2 发展历史：从纸笔到AI

量化投资的发展，我把它分成四个阶段。嗯，每个阶段我都亲身经历过。

阶段	时间	代表人物/事件	核心特征
萌芽期	1950s-1970s	马科维茨、夏普	理论奠基，用数学描述风险和收益
发展期	1980s-1990s	西蒙斯、文艺复兴科技	统计套利兴起，高频交易萌芽
成熟期	2000s-2010s	量化基金爆发，因子投资流行	多因子模型、风险平价策略
智能化期	2015s-至今	机器学习、深度学习、大模型	非线性模型、另类数据、NLP

我记得刚入行时，还在用Excel做回测。那时候跑一个简单的双均线策略，要等半小时。现在呢？用Python几秒钟搞定。技术迭代真的快。

1.3 与传统投资的区别

很多人问我：「量化投资和传统投资到底有啥不一样？」我一般用这张表来回答：

维度	传统投资	量化投资
决策依据	基本面分析、经验判断	数据统计、模型信号
持仓数量	通常10-30只股票	可同时持有数百甚至上千只
交易频率	低频（周/月）	高频（秒/毫秒）到中低频
风险控制	主观止损、仓位管理	量化风控模型、VaR、回撤控制
情绪影响	容易受贪婪恐惧影响	完全程序化，无情绪
可复制性	依赖个人能力，难以复制	策略可回测、可复制、可优化

你想想看，传统投资像老中医，靠的是经验和手感。量化投资像现代医学，靠的是化验单和CT扫描。各有各的好，但量化更可量化、可验证。

1.4 量化投资的优势

做了这么多年量化，我觉得最大的优势就三点：

1. 纪律性：机器不会因为今天心情不好就不交易，也不会因为恐慌就割肉。我见过太多人因为「感觉要跌」而卖飞了牛股。
2. 广度：一个人盯10只股票就累得够呛。量化系统可以同时监控全市场5000只股票，还能分析各种数据。
3. 可优化：策略不好？改参数、换模型、加特征，回测一下就知道效果。传统投资很难做这种「实验」。

1.5 量化投资的风险

当然，量化不是万能的。我踩过的坑，说出来都是泪。

• 过拟合风险：策略在历史数据上表现完美，一到实盘就崩。我曾经有个策略，回测年化收益80%，实盘一个月亏了15%。后来发现是参数调得太「精准」了。
• 黑天鹅事件：模型基于历史数据，但历史不会简单重复。比如2008年金融危机、2020年疫情，很多量化模型都失效了。
• 技术风险：服务器宕机、网络延迟、API故障。有一次我因为交易所接口升级，策略停了整整一天，错过了大行情。
• 流动性风险：小市值股票，模型信号出来了，但买不到或卖不掉。滑点能把利润全吃掉。
• 模型同质化：大家都在用类似的因子，策略拥挤，收益被摊薄。

1.6 知识体系总览

下面这张图，是我自己整理的量化投资知识体系。你可以把它当成整个课程的地图。

这张图展示了量化投资的三大核心模块：数据层、策略层、执行层。三者缺一不可。数据是原料，策略是配方，执行是烹饪。任何一个环节出问题，最终结果都不会好。

1.7 一个小例子：最简单的量化策略

说了这么多理论，咱们来点实际的。下面是一个最简单的双均线策略代码。别小看它，很多量化基金的起步就是这种思路。

import pandas as pd
import numpy as np

def dual_ma_strategy(data, short_window=5, long_window=20):
    """
    双均线策略：短期均线上穿长期均线买入，下穿卖出
    """
    # 计算均线
    data['MA_short'] = data['close'].rolling(window=short_window).mean()
    data['MA_long'] = data['close'].rolling(window=long_window).mean()
    
    # 生成信号
    data['signal'] = 0
    data.loc[data['MA_short'] > data['MA_long'], 'signal'] = 1
    data.loc[data['MA_short'] <= data['MA_long'], 'signal'] = -1
    
    # 计算持仓
    data['position'] = data['signal'].diff()
    
    return data

# 使用示例
# df = pd.read_csv('stock_data.csv')
# result = dual_ma_strategy(df)
# print(result[['date', 'close', 'signal', 'position']].tail())

这段代码很简单，但包含了量化的核心思想：用规则代替判断。你想想看，如果一个人每天盯着K线图，能坚持执行这种机械的买卖规则吗？很难。但计算机可以。

好了，第一章就到这里。量化投资的世界很大，咱们慢慢探索。记住：数据是基础，模型是工具，纪律是灵魂。