一、量化投资入门：从“拍脑袋”到“算出来”

说实话，每次有人问我“量化投资到底是什么”，我总得想个最接地气的说法。

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。不是靠基金经理的经验、直觉或者看K线图的手感，而是靠数据、算法和回测。

我习惯把它比作“自动驾驶”。主观投资就像老司机开车，凭感觉、看路况、靠经验。量化投资呢？就像给车装上了传感器、地图和算法，让车自己判断什么时候加速、什么时候刹车。

1.1 量化投资 vs 主观投资：到底差在哪？

我经常被问到这个问题。其实两者的区别，用一个表格就能说清楚：

对比维度	量化投资	主观投资
决策依据	数据、模型、统计规律	经验、直觉、基本面分析
决策过程	系统化、规则化、可重复	个性化、灵活、依赖个人
执行方式	程序自动下单	人工判断下单
风险控制	预设止损、仓位模型	依赖基金经理判断
可复制性	高，策略可批量运行	低，换个人可能就不一样
情绪影响	几乎为零	容易受恐惧、贪婪影响

你想想看，主观投资最怕什么？怕基金经理今天心情不好，或者昨晚没睡好，第二天开盘就乱操作。量化投资没这个问题，机器不会闹情绪。

但量化也不是万能的。我在项目中遇到过好几次，模型跑得好好的，突然市场风格一变，策略就失效了。嗯，这就是量化要面对的“过拟合”问题——模型太适应历史数据，反而适应不了未来。

1.2 量化投资的优势与风险

先说优势，我总结了三句话：

• 纪律性：策略怎么写，机器就怎么执行。不会因为“我觉得这次不一样”而临时改主意。
• 覆盖面广：一个人盯不了5000只股票，但计算机可以。量化能同时分析全市场，甚至跨市场。
• 回测验证：策略好不好，历史数据上跑一遍就知道。主观投资很难做这种“事前验证”。

但风险呢？我踩过的坑可不少：

• 过拟合风险：这是量化新手最容易犯的错。我曾经把一个策略的参数调得特别漂亮，回测曲线完美向上，结果实盘一跑就亏。为什么？因为模型记住了历史噪音，而不是真正的规律。
• 黑天鹅事件：量化模型依赖历史数据，但历史不会完全重复。比如2020年疫情，很多模型直接崩溃，因为过去100年都没出现过这种场景。
• 技术风险：服务器宕机、网络延迟、数据错误……这些我都遇到过。有一次因为交易所的行情数据延迟了3秒，我的套利策略直接亏了十几万。
• 流动性风险：模型算出来该买，但市场没那么多卖单，或者卖单价格差得远。小市值股票尤其容易出这种问题。

1.3 量化投资在国内的发展现状

国内量化起步其实不晚，但真正火起来是2015年以后的事。我简单梳理了几个关键节点：

• 2010-2014年：萌芽期。股指期货上市，第一批量化团队开始尝试期现套利。那时候做量化的人很少，工具也简陋，我用的还是Excel加VBA。
• 2015-2018年：爆发期。市场波动大，量化策略收益惊人。很多私募开始转型做量化，人才缺口巨大。我记得2016年，一个会写Python的应届生都能拿到50万年薪。
• 2019-2022年：洗牌期。监管收紧，市场风格切换，很多策略失效。一批量化团队被淘汰，留下来的开始重视风控和模型迭代。
• 2023年至今：成熟期。头部量化私募规模突破千亿，竞争白热化。高频策略越来越难做，中低频和基本面量化开始受到关注。

现在国内量化有几个明显特点：

• 头部效应明显：前10家量化私募管理了全行业60%以上的资金。
• 人才内卷严重：清北复交的博士、海外名校的量化团队，都在抢同一个赛道。
• 监管越来越严：程序化交易报备、高频交易限制、杠杆约束……合规成本越来越高。
• 策略同质化：大家都在用差不多的因子、差不多的模型，超额收益越来越难做。

1.4 量化投资的核心知识体系

下面这张图，是我自己总结的量化投资知识框架。你把它吃透了，入门就差不多了：

这张图我建议你保存下来。每次学一个新知识点，就想想它属于哪个模块，跟其他模块怎么连接。量化投资不是单点突破，而是系统工程。

---