第1章量化投资概述

一、量化投资概述

大家好，我是你们这门课的主讲人。今天咱们聊聊量化投资的那些事儿。

说实话，我入行那会儿，量化还是个挺小众的领域。圈里人见面聊的不是「你策略回测多少」，而是「今天手工单赚了多少」。嗯，现在回头看，变化真大。

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的经验和直觉——「我觉得这只股票要涨」。量化投资呢？靠的是数据和算法——「根据历史数据，这个因子组合的夏普比率是1.8」。

我个人习惯把量化投资拆成三个核心要素：

举个例子，你发现「昨天成交量突然放大，今天股价大概率上涨」这个规律。手工交易者会凭感觉操作。量化交易者会写一段代码：

# 伪代码示意
if 今日成交量 / 昨日成交量 > 1.5:
    买入(仓位=总资金 * 0.1)
    设置止损(价格=买入价 * 0.95)

然后让机器每天自动跑。这就是量化。

核心观点：量化投资不是要取代人的判断，而是把可重复、可验证的决策过程交给机器。人负责设计策略，机器负责执行纪律。

量化投资的历史，其实比大多数人想象的要长。

萌芽期（1960s-1980s）

最早把数学引入金融的，是哈里·马科维茨。他在1952年提出了现代投资组合理论，用均值-方差模型做资产配置。嗯，这哥们后来拿了诺贝尔奖。我在读研时第一次接触这个模型，当时觉得「这不就是高中数学吗？」后来在实盘中才发现，理论到实践的距离，比想象中大得多。

发展期（1980s-2000s）

这个阶段，计算机开始普及。詹姆斯·西蒙斯创立了文艺复兴科技公司，旗下的大奖章基金创造了年化66%的奇迹。我2015年去纽约参加一个量化峰会，听一位文艺复兴的前员工分享，他说公司里全是数学家、物理学家、密码学家，没有一个传统金融背景的。这给我触动很大——量化投资的核心竞争力，其实是跨学科思维。

爆发期（2000s-至今）

互联网普及后，数据量爆炸式增长。高频交易、算法交易、机器学习策略层出不穷。我记得2018年帮一家私募搭建策略框架时，他们还在用简单的均线策略。到了2023年，同样的团队已经在用LSTM预测股价波动率了。变化之快，令人咋舌。

先说说优势。为什么越来越多人转向量化？

纪律性：机器不会因为恐惧而割肉，也不会因为贪婪而追高。我见过太多手工交易者，明明策略是止损5%，结果亏到10%还在扛，最后爆仓。量化系统不会犯这种错。
系统性：可以同时监控上千只股票、几十个因子。人的精力是有限的，机器不是。
可回测：任何策略都可以用历史数据验证。你想想看，手工交易者说「我去年赚了50%」，你没法验证。量化策略说「回测年化收益30%，最大回撤15%」，数据摆在那里，骗不了人。

但量化投资也不是万能的。风险同样明显：

模型风险：历史会重演，但不会简单重复。我曾经有一个策略，在2015-2019年回测表现极好，结果2020年3月疫情爆发时直接亏了20%。为什么？因为模型没见过这种极端行情。
技术风险：服务器宕机、网络延迟、API接口变更……任何一个环节出问题，都可能导致亏损。我有个朋友，因为交易所的API升级没及时更新，策略在开盘后半小时内下了1000多笔废单，损失惨重。
过拟合风险：这是新手最容易犯的错误。把策略参数调得完美拟合历史数据，一到实盘就崩。嗯，这里要注意：回测曲线越漂亮，越要警惕。

避坑指南：我曾经见过一个团队，把策略回测的夏普比率做到了5.0，兴奋得不行。结果实盘一个月就亏了30%。后来一查，他们用了未来函数——回测时用了未来数据。所以，永远不要相信「完美」的回测结果。

做量化投资，工具很重要。我这些年用过不少平台，挑几个主流的说说：

聚宽（JoinQuant）：国内用户最多的量化平台之一。支持Python，有丰富的因子库和回测框架。适合入门到中级用户。我个人习惯用它的本地研究环境，比网页版灵活很多。
米筐（RiceQuant）：和聚宽类似，但更偏向机构用户。它的数据质量很高，尤其是期货和期权数据。我曾经用它做过一个商品期货的CTA策略，数据清洗的工作量少了很多。
QuantConnect：国际化的平台，支持多资产、多语言。它的云端回测速度很快，但学习曲线稍陡。如果你做美股或加密货币，这个平台值得一试。
Backtrader：开源的Python回测框架。灵活度最高，但需要自己搭环境。我建议有一定编程基础的同学用这个，因为你可以完全控制每一个细节。

下面这张图，是我对量化投资知识体系的一个梳理。你可以把它当作整章的地图：

我的建议：如果你是新手，先从聚宽或米筐开始。它们有现成的数据、回测框架和模拟交易，可以让你快速跑通一个完整的量化流程。等你有了一定经验，再切换到Backtrader这类开源框架，做更精细化的控制。

好了，第一章的内容就到这里。量化投资的世界很大，我们才刚刚推开一扇门。后面的章节，我会带大家一步步深入——从数据获取、因子挖掘，到策略构建、回测优化，再到实盘部署和风险管理。每一步，我都会结合自己的实战经验，把那些坑和技巧都告诉你。

记住：量化投资不是魔法，是工程。是数据、代码和金融知识的结合。保持好奇，保持严谨，你会走得很远。

公众号:蓝海资料掘金营，微信deep3321