一、量化投资概述

大家好，欢迎来到《图因子挖掘与量化策略设计》的第一章。我是你们这门课的主讲人，一个在量化投资和AI交叉领域摸爬滚打了十来年的老工程师。

今天咱们不聊虚的，直接切入正题。量化投资是什么？说白了，就是用数学模型和计算机代码来做投资决策。你想想看，传统投资靠的是基金经理拍脑袋、看财报、听消息，而量化投资靠的是数据、算法和回测。我刚开始入行时，也觉得这事儿有点玄乎，直到自己亲手跑通第一个策略，才真正体会到什么叫「用数据说话」。

1.1 什么是量化投资

量化投资，简单讲就是「用数学公式代替直觉」。它把投资逻辑写成代码，让计算机自动执行买卖。举个例子：你发现「当某只股票5日均线上穿20日均线时，后续3天上涨概率超过60%」，这就是一个最简单的量化信号。

我个人习惯把量化投资拆成三个核心要素：

• 数据：价格、成交量、财务指标、舆情数据……一切能被数字化的信息
• 模型：统计学模型、机器学习模型、甚至图神经网络模型
• 执行：自动化交易系统，减少人为情绪干扰

嗯，这里要注意一点：量化投资不是「稳赚不赔」的魔法。它只是把投资过程系统化、科学化。我在项目中遇到过不少新手，以为写个简单的均线策略就能躺赚，结果回测漂亮、实盘亏惨——原因后面会细讲。

1.2 量化投资的优势与挑战

先说说优势，这个大家可能都听过一些：

但挑战也不小。我曾经踩过一个坑：2018年我开发了一个基于新闻情绪的策略，回测年化收益30%+，结果实盘时发现新闻数据有延迟，等我的模型读到新闻，市场早就反应完了。这就是典型的「数据时效性」问题。

量化投资的主要挑战包括：

• 过拟合：模型在历史数据上表现完美，一到未来就失效。我见过有人用100个因子拟合10年的数据，结果你懂的
• 市场变化：策略的有效期可能只有几个月，需要持续迭代
• 交易成本：高频策略的滑点和手续费可能吃掉所有利润
• 技术门槛：需要编程、数学、金融三方面的知识

1.3 量化策略的基本流程

一个完整的量化策略，通常走这几步：

1. 数据获取与清洗：从Wind、Tushare等数据源拉数据，处理缺失值、异常值
2. 因子挖掘：构造能预测股价走势的特征变量
3. 策略构建：基于因子信号生成买卖规则
4. 回测验证：在历史数据上模拟交易，评估收益、风险
5. 实盘部署：接入交易接口，自动化执行
6. 监控与迭代：持续跟踪策略表现，发现问题及时调整

下面这张图是我自己画的流程图，把整个流程串起来了：

你看，这个流程其实是个闭环。策略上线后不是万事大吉，得持续监控。我有个朋友，策略跑得好好的，突然某天开始连续亏损，查了半天才发现是交易所改了撮合规则——这种事在量化圈太常见了。

1.4 图因子与传统因子的区别

好，终于到了咱们这门课的核心概念。传统因子是什么？比如市盈率、动量、波动率这些，都是基于单个股票的时间序列数据算出来的。说白了，就是「只看自己，不看别人」。

但图因子不一样。它把整个市场看成一个网络——股票是节点，股票之间的关系是边。比如：

• 同行业公司之间有关联
• 供应链上下游有传导效应
• 机构持仓重叠会引发联动

我举个例子你就明白了。假设你要预测某只科技股的走势：

• 传统因子：看它的市盈率、过去一个月涨幅、成交量变化
• 图因子：除了看它自己，还要看它的竞争对手涨了没、它的客户公司最近怎么样、持有它的基金是不是在调仓

你想想看，哪个信息更丰富？显然是后者。我在做量化研究时发现，很多传统因子失效的时期，图因子反而能捕捉到一些「隐形」的信号。比如2020年疫情初期，很多股票的基本面数据还没反应出来，但供应链网络图已经提前预警了。

下面这个表格对比得更清楚：

嗯，说到这儿，我想强调一点：图因子不是要取代传统因子，而是互补。我现在的策略里，传统因子和图因子是并存的。传统因子提供「基本面锚点」，图因子提供「关系网络视角」，两者结合往往效果更好。

举个例子，我去年做的一个策略：先用传统因子筛选出100只基本面不错的股票，然后用图因子分析它们之间的行业关联和资金流向，最后只买那些「在关系网络中处于关键位置」的股票。回测下来，夏普比率比纯传统因子策略高了0.8。

好了，第一章的内容就到这里。量化投资的世界很大，咱们这门课会一步步深入。记住：数据是基础，因子是核心，模型是工具，而图因子，可能是你工具箱里最锋利的那把刀。

公众号:蓝海资料掘金营，微信deep3321