一、量化投资概述：什么是量化投资、量化投资的优势与风险、多因子模型的发展历程
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，不是靠内幕消息，而是靠数据和算法。
我刚开始接触这个领域时，也觉得挺玄乎的。后来做了几个项目才明白，量化投资的核心就三件事：找规律、建模型、做决策。
举个例子，传统投资经理可能会说：“这只股票基本面不错，管理层靠谱，我打算买入。”而量化投资会说：“过去5年数据表明，当市盈率低于15倍、ROE大于20%、且过去3个月涨幅不超过10%时，未来1个月上涨概率为65%。所以，买入。”
你看，这就是区别。量化投资把投资决策变成了一个可重复、可验证、可优化的过程。
量化投资的三个核心要素：
- 数据：一切决策的基础，包括价格、成交量、财务数据、舆情数据等
- 模型：从数据中提取规律的数学工具，比如回归、机器学习、深度学习
- 执行：根据模型信号自动下单，减少人为情绪干扰
1.2 量化投资的优势与风险
先说说优势。我个人觉得，量化投资最大的好处是纪律性。人是有情绪的，涨了想追，跌了想跑。但机器不会。它严格按照模型信号执行，该买就买，该卖就卖。
我在项目中遇到过一件事：有一次模型发出卖出信号，但当时市场一片看好，我犹豫了一下没执行。结果第二天暴跌，损失惨重。从那以后，我再也不敢不尊重模型了。
量化投资的优势还包括：
- 覆盖面广：一个人盯不了5000只股票，但计算机可以
- 回测验证：任何策略都可以用历史数据检验，避免“事后诸葛亮”
- 风险可控：可以精确计算每笔交易的风险敞口
- 执行效率高：毫秒级下单，抓住转瞬即逝的机会
但量化投资也不是万能的。风险同样明显：
量化投资的主要风险：
- 过拟合风险：模型在历史数据上表现完美，一到实盘就崩。我见过太多人掉进这个坑里
- 黑天鹅事件：模型基于历史规律，但历史不会简单重复。比如2020年疫情，很多模型直接失效
- 技术风险：服务器宕机、网络延迟、数据错误，任何一个环节出问题都可能导致亏损
- 策略同质化：当太多人用相似的模型时，策略会失效，因为大家都在抢同样的交易机会
嗯，这里要注意一点：量化投资不是印钞机。它只是提高了胜率，不能保证每次都赚钱。我曾经见过一个团队，回测年化收益50%，实盘第一周就亏了10%。为什么？因为他们的模型过拟合了。
1.3 多因子模型的发展历程
多因子模型，说白了就是用多个指标（因子）来预测股票收益。比如，你同时看市盈率、市净率、动量、波动率等，综合打分选股。
这个思路是怎么来的呢？我简单梳理一下：
| 时期 | 代表人物/事件 | 核心贡献 |
|---|---|---|
| 1950s | Markowitz | 提出均值-方差模型，量化投资的起点 |
| 1960s | Sharpe, Lintner | CAPM模型，认为收益只与市场风险有关 |
| 1970s | Fama, French | 三因子模型：市场、规模、价值 |
| 1990s | Carhart | 四因子模型：加入动量因子 |
| 2000s至今 | 学术界+业界 | 成百上千个因子被发现，机器学习开始介入 |
你想想看，CAPM说“只要看市场风险就够了”，但Fama和French发现，小盘股和价值股长期跑赢大盘。于是他们加了规模和估值两个因子。后来Carhart又发现，涨得好的股票还会继续涨，于是加了动量因子。
这就是多因子模型的发展逻辑：不断发现新的、有效的因子，不断优化模型。
我个人习惯：在做多因子模型时，不要贪多。我一般先选5-8个核心因子，然后逐步测试。因子太多容易过拟合，因子太少又不够全面。这个平衡需要经验积累。
现在，多因子模型已经非常成熟了。很多量化私募都在用几百个因子做组合。但核心逻辑没变：找到能解释收益的因子，用它们来预测未来。
我曾经犯过一个错误：为了追求高收益，加了太多技术因子，结果模型在市场风格切换时直接崩了。后来我学乖了，因子要多样化——基本面因子、技术因子、情绪因子都要有，这样才能应对不同的市场环境。
这张图展示了多因子模型的核心流程。你看，从数据输入到最终输出信号，每一步都很关键。我建议初学者先把数据清洗和因子计算这两个环节做扎实，因为数据质量决定了模型的上限。
本章小结：
- 量化投资是用数据和模型做决策，不是靠感觉
- 优势在于纪律性、覆盖面广、风险可控；风险在于过拟合、黑天鹅、技术故障
- 多因子模型从CAPM发展到现在的成百上千个因子，核心是找到能预测收益的因子
好了，这一章就到这里。记住一句话：量化投资不是魔法，是科学。下一章我们开始动手搭建第一个多因子模型。