一、课程导论与量化投资基础
大家好，我是你们这门课的主讲。在开始之前，我想先聊聊我自己的经历。我入行量化那会儿，国内还没多少人懂这个。那时候我白天写策略，晚上盯美股，周末还得自己搭回测框架。说白了，就是一个人干了一个团队的活。为什么我要提这个？因为我想告诉你，量化投资的门槛其实没那么高，但坑确实不少。这门课，就是帮你把这些坑都填上。
1.1 量化投资：到底是个啥？
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。你想想看，传统投资靠的是基金经理拍脑袋，或者分析师的经验判断。但量化不一样，它靠的是数据、算法和统计学。
我个人习惯把量化投资拆成三个核心要素：
- 数据：一切决策的基础。没有数据，量化就是空中楼阁。
- 模型：从数据中提取规律。比如因子模型、机器学习模型。
- 执行：把模型信号转化为交易指令。这里涉及算法交易、风控等。
我在项目中遇到过最典型的例子：一个朋友用简单的均线策略跑回测，年化收益30%，他兴奋得不行。结果实盘一跑，直接亏了20%。为什么？因为他忽略了交易成本和滑点。这就是量化里常说的「过拟合」和「幸存者偏差」。
核心观点：量化投资不是圣杯，它只是把投资决策系统化、科学化的一种方法。它的优势在于纪律性、可复制性和系统性。
1.2 量化投资的优势与挑战
先说说优势。我总结了三点：
- 纪律性：机器不会因为恐惧或贪婪而乱操作。我见过太多人因为「感觉要涨」就追高，结果被套牢。
- 可复制性：策略写好了，换个市场、换个时间周期，只要参数调一调，基本能跑通。
- 系统性：可以同时监控几百个标的，人脑根本做不到。
但挑战也不少。我曾经踩过一个坑：2015年股灾的时候，我的一个多因子策略突然失效了。后来复盘发现，是因为市场结构发生了根本性变化，而我的模型没有考虑到「流动性枯竭」这个因子。嗯，这里要注意，量化模型最怕的就是「黑天鹅」事件。
| 优势 | 挑战 |
|---|---|
| 纪律性强，避免情绪干扰 | 模型过拟合，实盘失效 |
| 可复制，跨市场适用 | 数据质量参差不齐 |
| 系统化，覆盖范围广 | 黑天鹅事件难以预测 |
| 回测验证，风险可控 | 交易成本与滑点影响大 |
避坑指南：我曾经因为用了「未来数据」做回测，结果策略看起来完美，实盘一塌糊涂。记住，回测时一定要确保数据是「当时」能拿到的，别用未来的信息去预测过去。
1.3 因子投资哲学：从「赌」到「算」
因子投资，是量化里最经典、最成熟的方法论。它的核心思想很简单：股票收益可以被一些共同的因素解释。比如市值大的公司收益低，小市值的公司收益高（规模因子）；估值低的公司收益高，估值高的公司收益低（价值因子）。
我刚开始做因子研究时，总觉得因子越多越好。后来发现，因子多了反而容易「过拟合」。你想想看，如果你用100个因子去拟合历史数据，总能找到一些看似完美的规律，但一到实盘就失效。所以我建议，因子选择要「少而精」，每个因子都要有经济学逻辑支撑。
因子投资的哲学，说白了就是：
- 寻找规律：从历史数据中找出能解释收益的因子。
- 验证逻辑：每个因子背后都要有合理的解释，不能是纯统计巧合。
- 组合优化：把多个因子组合起来，分散风险，提高收益稳定性。
个人经验：我建议初学者先从「三因子模型」入手（市场、规模、价值），跑通了再慢慢加因子。别一上来就搞机器学习，容易迷失方向。
1.4 课程项目全景预览
这门课不是纯理论，我们会一起动手搭建一个完整的量化因子库与回测框架。下面这张图，就是整个项目的核心架构：
整个项目分为三大模块：
- 数据获取与清洗：我们会从多个数据源获取股票数据，然后处理缺失值、异常值。这部分我建议你用Pandas，效率高，代码也简洁。
- 因子计算与存储：我们会实现几十个经典因子，包括动量、反转、波动率、流动性等。每个因子我都会讲清楚它的经济学逻辑和计算细节。
- 策略构建与回测：最后，我们会把这些因子组合起来，构建一个多因子选股策略，然后用我们自己写的回测引擎去验证效果。
课程目标：学完这门课，你不仅能理解量化投资的底层逻辑，还能亲手搭建一套可用的因子库和回测框架。说白了，就是让你从「看客」变成「玩家」。
好了，第一章就到这里。记住，量化投资不是魔法，它是一套系统化的方法论。接下来的课程，我们会一步步深入每个环节。有什么问题，随时在群里问我。