一、量化投资概述

大家好，我是这门课的主讲。在金融圈摸爬滚打这么多年，我见过太多人一上来就问我：「量化投资到底是个啥？是不是就是写代码炒股？」

嗯，这个问题问得好，但也不全对。今天咱们就把这事儿彻底聊透。

1.1 什么是量化投资

说白了，量化投资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、看K线、听消息。量化投资呢？靠的是数据、算法和回测。

我个人习惯把量化投资比作「科学炒股」。它不是凭感觉，而是把投资策略写成代码，让计算机去执行。举个例子：

# 一个最简单的均线策略
def moving_average_strategy(prices, short_window=5, long_window=20):
    short_ma = prices.rolling(window=short_window).mean()
    long_ma = prices.rolling(window=long_window).mean()
    
    # 金叉买入，死叉卖出
    signals = np.where(short_ma > long_ma, 1, -1)
    return signals

你看，就这么几行代码，就能定义一个完整的交易逻辑。我在项目中遇到过很多次，刚入行的朋友总觉得策略越复杂越好。其实不然，很多赚钱的策略，核心逻辑往往很简单。

1.2 量化投资的优势与风险

先说说优势。我总结了几点：

• 纪律性：机器不会因为恐惧或贪婪而乱操作。我记得有一次市场暴跌，身边做主观交易的朋友慌得一批，但量化系统该止损止损，该加仓加仓，完全不受情绪影响。
• 系统性：可以同时监控上千只股票，人脑根本做不到。
• 回测验证：策略好不好，历史数据跑一遍就知道。不用真金白银去试错。
• 风险管理：可以精确控制仓位、止损、杠杆等参数。

但风险也不小。我曾经踩过一个坑，这里必须跟大家说说：

其他风险还包括：

• 模型过拟合：策略在回测中表现完美，实盘一塌糊涂
• 技术风险：服务器宕机、网络延迟、API接口变更
• 市场环境变化：以前有效的因子，现在可能完全失效

1.3 量化投资的常见策略类型

嗯，这里我给大家画了一张图，把常见的策略类型梳理了一下：

下面我逐一给大家拆解一下：

趋势跟踪

这个策略的核心思想就一句话：「顺势而为」。涨的还会涨，跌的还会跌。我在2017年做比特币量化时，就用过这个策略，效果还不错。

常见的实现方式：

• 双均线策略（金叉买入、死叉卖出）
• 海龟交易法则（突破20日高点买入）
• 动量因子（过去涨得好的股票，未来继续涨）

均值回归

跟趋势跟踪正好相反。它认为价格涨多了会跌，跌多了会涨。说白了就是「物极必反」。

我刚开始做量化时，特别喜欢用布林带策略。当价格触及下轨时买入，触及上轨时卖出。听起来很简单对吧？但实际做起来，你得考虑很多细节：

# 布林带策略示例
def bollinger_strategy(prices, window=20, num_std=2):
    ma = prices.rolling(window=window).mean()
    std = prices.rolling(window=window).std()
    
    upper_band = ma + num_std * std
    lower_band = ma - num_std * std
    
    # 价格触及下轨买入，触及上轨卖出
    buy_signal = prices < lower_band
    sell_signal = prices > upper_band
    
    return buy_signal, sell_signal

统计套利

这个就有点意思了。它利用的是资产之间的统计关系。最经典的就是配对交易：找两只相关性高的股票，一个做多，一个做空，赚取价差回归的收益。

嗯，这里要注意：统计套利不是无风险套利。它赚的是「大概率」的钱。我在2019年做过一个ETF配对策略，年化收益15%，最大回撤只有3%。但后来市场风格变了，策略就失效了。

事件驱动

这个策略关注的是特定事件对股价的影响。比如：

• 财报超预期
• 公司回购股票
• 行业政策出台
• 重大合同公告

我有个朋友专门做财报事件驱动，每年就做4次（季报发布期），收益相当可观。但这类策略对数据时效性要求极高，API接口稍微慢几秒，利润就没了。

好了，第一章的内容就到这里。量化投资的世界很大，咱们后面慢慢聊。记住：纸上得来终觉浅，绝知此事要躬行。多写代码，多回测，多复盘，你也能成为量化高手。