一、量化投资概述
大家好，我是你们这门课的主讲。今天咱们聊聊量化投资这个老本行。
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。不是靠感觉，不是靠内幕消息，而是靠数据和算法说话。我入行那会儿，很多人觉得量化就是搞个简单的均线策略，其实远不止这些。
1.1 什么是量化投资
量化投资的核心，就是把投资逻辑变成可执行的代码。你想想看，传统投资经理可能看财报、听电话会议、研究行业趋势。量化投资呢？我们把这些逻辑量化成因子——比如市盈率、动量、波动率这些指标。
举个例子。传统做法是：我觉得茅台不错，因为品牌好、护城河深。量化做法是：我定义一个「品牌强度因子」，用广告费用、市场份额、消费者调研数据来打分，然后让模型去筛选。
我个人习惯把量化投资拆成三个层次：
- 数据层：行情数据、财务数据、另类数据（比如卫星图像、舆情数据）
- 策略层：因子模型、统计套利、机器学习预测
- 执行层：算法交易、风险控制、组合优化
嗯，这里要注意，很多人一上来就搞复杂的深度学习模型，结果数据质量一塌糊涂。我在项目中遇到过，花了三个月调模型，最后发现是数据源有bug——白费功夫。
1.2 量化投资的优势与挑战
量化投资到底好在哪？我总结了几点：
| 优势 | 说明 |
|---|---|
| 纪律性 | 机器执行，不受情绪干扰。不会因为恐慌就割肉，也不会因为贪婪就追高。 |
| 可回测 | 任何策略都可以用历史数据验证。我见过太多人拍脑袋的策略，一回测就原形毕露。 |
| 覆盖面广 | 一个人盯不了5000只股票，但模型可以。量化能同时分析全市场。 |
| 风险可控 | 可以精确计算风险敞口，设置止损、对冲条件。 |
但挑战也不少。我曾经踩过一个坑——过度拟合。你让模型在历史数据上表现完美，结果一上线就亏钱。为什么会这样？因为历史不会简单重复，市场结构在变。
另外，量化投资对基础设施要求很高。数据清洗、因子计算、回测平台、交易接口……每一个环节都可能出问题。我记得有一次，因为服务器时间同步差了0.1秒，导致一批订单全部成交在错误价位。嗯，从那以后我再也不敢忽视运维细节了。
1.3 多因子模型简介
多因子模型，是量化选股最经典的框架之一。它的核心思想很简单：股票收益不是随机的，而是由多个共同因子驱动的。
最经典的Fama-French三因子模型，包含：
- 市场因子：大盘涨跌的影响
- 规模因子：小盘股 vs 大盘股
- 价值因子：低估值 vs 高估值
后来大家又加了动量因子、质量因子、低波因子等等。你想想看，一个股票涨了，可能是因为大盘好（市场因子），也可能是因为它是小盘股（规模因子），还可能是因为它被低估了（价值因子）。多因子模型就是把这些影响拆开来看。
我个人习惯把因子分成三类：
- 基本面因子：市盈率、市净率、ROE、营收增长率
- 技术面因子：动量、反转、成交量、波动率
- 另类因子：舆情情绪、供应链数据、专利数量
在实际项目中，我一般先用基本面因子做初筛，再用技术面因子做择时，最后用另类因子做增强。这个流程我用了很多年，效果比较稳定。
1.4 AI在量化投资中的应用前景
说到AI，很多人觉得是万能药。其实不然。AI在量化里最有价值的地方，我总结为三点：
- 非线性关系挖掘：传统线性模型只能捕捉直线关系，但市场里很多关系是非线性的。比如，市盈率太低和太高都不好，中间区域最好——这种U型关系，线性模型就抓不住。
- 另类数据处理：新闻文本、财报电话会议记录、社交媒体舆情……这些非结构化数据，传统方法很难处理。但NLP模型可以提取情绪、主题、实体关系。
- 动态适应：市场风格会变。2017年大盘股好，2021年小盘股好。AI模型可以自适应地调整因子权重，比固定权重更灵活。
但我得泼点冷水。AI不是万能的。我在项目中试过用LSTM预测股价，结果发现还不如简单的动量策略。为什么会这样？因为金融数据信噪比极低，深度学习模型很容易学到噪声而不是信号。
我个人建议的路线是：先用传统多因子模型打好基础，再逐步引入AI做增强。比如用随机森林做因子筛选，用XGBoost做收益预测，用强化学习做组合优化。一步一个脚印，别想一口吃成胖子。
最后，给大家画一张本章的知识结构图，方便你理解整体脉络：
这张图把本章的核心内容串起来了。量化投资不是玄学，是工程。数据、模型、执行，三个环节缺一不可。多因子模型是地基，AI是上层建筑。地基不稳，上层再漂亮也没用。
好了，这一章就到这里。记住我说的：别急着上AI，先把多因子模型吃透。后面我们会一步步深入每个环节，从因子构建到组合优化，再到AI融合实战。咱们下章见。