一、量化投资概述：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。

我刚开始接触这行时，也觉得挺玄乎的。后来做了几个项目才明白，它本质上就是把「经验」变成「代码」，把「感觉」变成「数据」。

举个例子。传统基金经理可能会说：「我觉得这只股票要涨，因为最近行业政策好。」而量化投资会说：「过去5年，每当政策利好出现，相关板块在3天内平均上涨2.3%，胜率68%。所以我现在买入。」

你看，区别就在这里——量化投资靠的是统计规律，不是个人直觉。

主动量化 vs 传统量化

很多人问我：「主动量化和传统量化到底有啥区别？」

嗯，这个问题我当年也困惑过。直接上对比表吧：

维度	传统量化	主动量化
核心目标	跟踪指数、降低误差	跑赢指数、获取超额收益
策略来源	因子模型、统计套利	基本面+另类数据+机器学习
持仓周期	高频或中低频	中低频为主（几天到几个月）
风险偏好	低风险、严格控制	适度风险、追求Alpha
典型代表	指数增强、市场中性	基本面量化、事件驱动

我个人习惯把传统量化叫做「被动量化」——它更像一个精密的机器，严格按规则执行。而主动量化呢，更像一个「有思想的系统」，它会主动寻找市场中的错误定价。

量化投资的三大基石

做量化投资，离不开三样东西：数据、策略、执行。缺一不可。

我见过太多人只盯着策略，觉得策略牛就万事大吉。结果呢？数据质量差，策略跑出来全是噪音；执行延迟高，信号来了却成交不了。惨痛教训啊。

1. 数据

数据是量化投资的「原材料」。没有数据，再牛的模型也是空中楼阁。

数据分几种：

• 行情数据：开盘价、收盘价、成交量、换手率等
• 基本面数据：财报、估值指标、行业数据等
• 另类数据：舆情数据、卫星图像、支付流水等（这块越来越火）

我曾经踩过一个坑：用某数据商的财务数据做回测，结果发现他们处理停复牌的方式有问题，导致回测收益虚高20%。从那以后，我每条数据都要做「数据清洗+交叉验证」。

2. 策略

策略就是你的「投资逻辑」在代码里的实现。

一个完整的策略通常包含：

• 信号生成：什么时候买？什么时候卖？
• 仓位管理：每次买多少？风险怎么控制？
• 组合优化：多个信号怎么融合？权重怎么分配？

举个简单的例子——均线策略：

# 一个简单的双均线策略示例
def generate_signal(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

你想想看，这个策略的逻辑其实很简单——短期均线上穿长期均线，说明趋势向上。但实际用起来，参数怎么选？止损怎么设？这些才是真正考验人的地方。

3. 执行

执行是量化投资的「最后一公里」。策略再好，执行不到位，一切都是白搭。

执行环节要考虑：

• 交易成本：佣金、印花税、冲击成本
• 滑点：理论成交价和实际成交价的差异
• 延迟：从信号产生到订单成交的时间差

我记得有个项目，回测年化收益25%，实盘一跑只有12%。查了半天，问题出在执行上——我们的策略信号集中在开盘前几分钟，结果冲击成本直接把收益吃掉了一半。

三大基石的关系

数据、策略、执行，这三者是什么关系？

我用一张图来说明：

数据是输入，策略是处理逻辑，执行是输出。但这不是单向的——执行结果会反馈回来，帮助我们优化策略和数据选择。这就是一个闭环。

我刚开始做量化时，总想着搞一个「超级策略」一劳永逸。后来发现，真正赚钱的量化系统，都是在数据、策略、执行三个环节不断迭代优化的结果。

---

好了，这一章就聊到这里。量化投资的底层逻辑其实不复杂——用数据说话，用模型决策，用系统执行。但真正做好，需要你对每个环节都有深刻的理解。

下一章，我们会深入聊聊「数据」这个环节——什么样的数据是好数据？数据清洗到底怎么做？到时候见。