3、量化投资与AI选股概述：量化投资发展史、传统量化与机器学习选股的差异、AI选股的常见策略类型（因子、事件、统计套利等）
量化投资并非新鲜事物，其思想萌芽可追溯至20世纪初的统计套利尝试，但真正形成系统化方法论则是在计算机技术普及之后。从早期基于简单财务指标的打分模型，到如今融合深度学习、自然语言处理与强化学习的智能选股系统，量化投资经历了从“规则驱动”到“数据驱动”的范式跃迁。理解这一演进脉络，厘清传统量化与机器学习选股的本质差异，并掌握主流AI选股策略的适用边界，是构建可靠选股系统的基础前提。本章将沿着“历史溯源—差异对比—策略分类—实战要点”的逻辑主线展开，帮助你在动手编写模型之前，先建立正确的认知框架。
3.1 量化投资发展史：从规则引擎到机器学习
量化投资的演进大致可分为四个阶段，每个阶段都由技术基础设施和金融理论的双重突破驱动。理解这段历史并非为了考古，而是为了看清当前AI选股所处的位置——它并非凭空出现，而是传统量化方法在数据维度和模型复杂度上的自然延伸。
3.1.1 核心原理：四阶段演进逻辑
第一阶段（1960s-1980s）是“统计套利萌芽期”。Markowitz的均值-方差模型和CAPM奠定了量化分析的理论基石，但受限于计算能力，实际应用多为线性回归和简单打分法。第二阶段（1980s-2000s）是“因子投资爆发期”。Fama-French三因子模型的提出，让系统性风险分解成为可能，Barra多因子模型被机构广泛采用。第三阶段（2000s-2010s）是“高频与统计套利成熟期”，Tick级数据、订单簿分析、协整配对成为主流。第四阶段（2010s至今）是“机器学习渗透期”，深度学习、强化学习、NLP技术开始重构选股流程的每一个环节。
| 阶段 | 时间跨度 | 核心技术 | 代表方法 | 局限性 |
|---|---|---|---|---|
| 萌芽期 | 1960s-1980s | 统计与线性代数 | 均值-方差、CAPM | 计算能力弱，假设过强 |
| 因子期 | 1980s-2000s | 多元回归 | Fama-French、Barra | 因子线性假设，难以捕捉非线性 |
| 高频期 | 2000s-2010s | 微观结构理论 | 配对交易、做市策略 | 容量有限，依赖低延迟 |
| AI期 | 2010s至今 | 深度学习、NLP、强化学习 | LSTM、Transformer、GNN | 过拟合风险，可解释性差 |
3.2 传统量化与机器学习选股的差异
两者的核心差异不在于“是否使用数学”，而在于“如何发现规律”。传统量化依赖人类专家提出假设、设计因子、验证显著性；机器学习则通过算法自动搜索特征组合与非线性关系。这种差异带来了流程、可解释性、鲁棒性三个维度的深刻变化。
3.2.1 判断方法：五个关键对比维度
- 特征构建方式：传统量化由分析师手工设计因子（如PE、ROE、动量），机器学习可自动生成高阶交互特征（如“PE变化率×行业动量”）。
- 模型复杂度：传统方法以线性回归、Logistic为主，机器学习涵盖XGBoost、LSTM、图神经网络等非线性模型。
- 数据利用能力：传统量化主要处理结构化面板数据，机器学习可融合新闻文本、卫星图像、供应链关系等非结构化数据。
- 过拟合控制：传统量化通过经济逻辑约束因子有效性，机器学习需要更严格的交叉验证和正则化手段。
- 可解释性：传统因子有明确经济含义，机器学习模型（尤其深度学习）常被视为“黑箱”，需借助SHAP等工具解释。
| 对比维度 | 传统量化 | 机器学习选股 |
|---|---|---|
| 特征来源 | 人工设计，依赖金融理论 | 自动特征工程 + 原始数据 |
| 模型类型 | 线性回归、时间序列ARIMA | XGBoost、LSTM、Transformer |
| 数据范围 | 价格、成交量、财务报表 | 另类数据（新闻、舆情、卫星） |
| 非线性捕捉 | 弱，需手动构造交互项 | 强，自动学习复杂关系 |
| 过拟合风险 | 较低（受经济逻辑约束） | 较高（需严格正则化） |
| 维护成本 | 因子衰减需人工监控 | 需持续重训练与监控 |
3.3 AI选股的常见策略类型
AI选股策略并非单一方法，而是围绕“预测目标”和“数据形态”形成的策略家族。根据预测对象的不同，可划分为三大类：因子策略（预测截面收益）、事件策略（预测事件影响）、统计套利策略（预测价差回归）。每类策略在数据需求、模型选择、风控重点上均有显著差异。
3.3.1 因子策略：从人工因子到机器挖掘
因子策略的核心是寻找能稳定预测股票未来收益的特征。传统因子（价值、动量、质量）已被充分研究，超额收益空间收窄。AI因子策略的增量价值体现在：第一，用树模型或神经网络自动组合原始因子，发现非线性交互；第二，从另类数据中提取新因子（如新闻情绪得分、供应链集中度）。
操作流程：
- 数据准备：对齐财务、行情、另类数据，处理缺失值与极端值。
- 特征生成：构建基础因子库（100-500个），包括估值、成长、动量、波动率等。
- 模型训练：使用XGBoost或LightGBM预测未来20日收益排名，采用Ranking Loss。
- 因子合成：将模型输出作为“综合因子”，与原始因子做正交化处理。
- 组合构建：按综合因子分位数分组，做市值与行业中性化处理。
3.3.2 事件策略：NLP驱动的情绪套利
事件策略聚焦于公司公告、财报、新闻、分析师评级等离散事件对股价的冲击。传统事件研究法通过计算异常收益（AR）和累计异常收益（CAR）来评估事件影响。AI的介入使得“事件”的定义从结构化公告扩展到非结构化文本——例如，用BERT模型判断一篇新闻的利好/利空程度，并量化其强度。
关键输入与判断逻辑：
- 数据源：上市公司公告（PDF解析）、财经新闻（爬虫）、社交媒体（雪球、股吧）。
- 情绪打分：使用预训练中文NLP模型（如RoBERTa-wwm）输出0-1的利好概率。
- 事件窗口：事件发生前5日至后10日，计算累计异常收益。
- 交易信号：当情绪得分>0.8且CAR在事件后3日仍为负时，视为“预期差”机会。
3.3.3 统计套利策略：机器学习增强的配对交易
统计套利的经典方法是配对交易：找到两只长期协整的股票（如A股与H股、上下游公司），当价差偏离均值时做多低估、做空高估。传统方法依赖协整检验和固定阈值。机器学习增强体现在：第一，用聚类算法（如K-Means、DBSCAN）自动发现股票对，而非人工指定；第二，用LSTM预测价差的均值回归速度，动态调整开平仓阈值。
案例拆解：
| 步骤 | 传统方法 | AI增强方法 |
|---|---|---|
| 股票对选择 | 人工筛选同行业、同市值 | 基于收益率相关性矩阵 + 社区发现算法 |
| 价差建模 | OLS回归 + ADF检验 | LSTM预测价差序列，输出回归概率 |
| 交易阈值 | 固定2倍标准差 | 动态阈值（基于波动率预测） |
| 风控 | 最大回撤止损 | 强化学习动态仓位管理 |
3.4 常见误区与总结复盘
AI选股的最大误区是“用复杂的模型掩盖简单的错误”。以下三个问题在实战中反复出现，值得每位策略开发者警惕。
3.4.1 误区一：幸存者偏差
回测时使用当前成分股列表，忽略了已退市或ST的股票，导致回测收益虚高。正确做法是使用“时点成分股”数据，即回测日当时实际可交易的股票集合。
3.4.2 误区二：前视偏差
在特征计算中无意使用了未来数据（如用财报发布后的数据填充财报发布前的缺失值）。解决方案：构建严格的时间戳对齐管道，确保每个特征仅使用截至t时刻可得的信息。
3.4.3 误区三：忽视交易成本
机器学习模型往往产生高换手率，若按单边千分之三的佣金+滑点计算，年化收益可能被侵蚀5-8%。务必在回测中计入冲击成本模型，并设置换手率惩罚项。