1. 量化投资与因子研究概述
1.1 量化投资的定义
量化投资（Quantitative Investing）是指利用数学、统计学模型和计算机技术，从海量历史数据中寻找可重复的、具有统计显著性的规律，并据此制定系统化交易策略的投资方法。其核心在于用数据驱动的决策替代主观判断，用模型管理风险与收益。
量化投资 ≠ 程序化交易
程序化交易侧重执行自动化，而量化投资覆盖从策略研究、回测、风控到组合管理的全流程，程序化只是其执行环节。
程序化交易侧重执行自动化，而量化投资覆盖从策略研究、回测、风控到组合管理的全流程，程序化只是其执行环节。
1.2 发展历史
| 时期 | 里程碑事件 | 代表人物/机构 |
|---|---|---|
| 1950s–1960s | 现代投资组合理论（MPT）、资本资产定价模型（CAPM） | Markowitz, Sharpe |
| 1970s | 期权定价公式（Black-Scholes）、套利定价理论（APT） | Black, Scholes, Merton, Ross |
| 1980s | 统计套利兴起、量化基金萌芽 | Morgan Stanley 量化团队 |
| 1990s | 文艺复兴科技大奖章基金成立，高频交易起步 | Simons, D.E. Shaw |
| 2000s–2010s | 因子投资（Factor Investing）主流化，Smart Beta 产品爆发 | Fama-French, AQR, BlackRock |
| 2020s | 机器学习、另类数据、大语言模型赋能因子挖掘 | Two Sigma, Citadel, 国内量化私募 |
1.3 核心优势
- 纪律性：严格遵循模型信号，克服人性贪婪与恐惧。
- 系统性：同时覆盖数千只标的，捕捉多维度机会。
- 可验证性：策略可在历史数据中回测，绩效归因透明。
- 风险可控：通过组合优化、对冲手段精细化管理风险暴露。
- 持续进化：模型可随市场结构变化迭代更新。
1.4 因子研究的地位与作用
因子（Factor）是解释资产收益差异的、可观测的、具有经济含义的变量。因子研究是量化投资的基石：
- 收益来源：识别哪些因子能持续带来超额收益（Alpha）。
- 风险归因：分解组合的风险暴露，理解波动来源。
- 策略构建：将多个因子组合成多因子模型，提升策略稳定性。
- 绩效评价：区分运气与能力，评估基金经理的真实水平。
经典因子举例
价值因子（Book-to-Price）、动量因子（过去12个月收益率）、质量因子（ROE、资产负债率）、低波因子（过去60个月日收益率标准差）。
价值因子（Book-to-Price）、动量因子（过去12个月收益率）、质量因子（ROE、资产负债率）、低波因子（过去60个月日收益率标准差）。
1.5 课程整体框架与学习路径
本课程共30章，分为四大模块，从零基础逐步进阶到实战水平：
| 模块 | 章节范围 | 核心内容 | 学习目标 |
|---|---|---|---|
| 基础篇 | 第1–8章 | 量化投资概述、Python/金融数据基础、因子定义与计算、单因子测试框架 | 掌握因子研究的基本流程，能独立计算常见因子 |
| 进阶篇 | 第9–16章 | 多因子模型（Fama-French、Barra）、因子正交化、IC/IR分析、分组回测 | 理解因子组合与风险模型，能评估因子有效性 |
| 高阶篇 | 第17–24章 | 机器学习因子挖掘（GBDT、NN）、另类数据（舆情、卫星图像）、因子择时 | 掌握前沿因子挖掘技术，拓展因子来源 |
| 实战篇 | 第25–30章 | 多因子选股系统搭建、回测引擎实现、绩效归因、实盘注意事项 | 具备独立开发量化策略系统的能力 |
学习建议
基础篇务必动手写代码，不要只看不练。进阶篇重点理解因子逻辑而非数学推导。实战篇建议使用真实市场数据（如A股日线）完成项目。
基础篇务必动手写代码，不要只看不练。进阶篇重点理解因子逻辑而非数学推导。实战篇建议使用真实市场数据（如A股日线）完成项目。
1.6 学习工具与环境准备
本课程所有代码基于 Python 3.9+，推荐使用以下工具链：
- 数据获取：Tushare / AKShare / Wind API
- 数据处理：Pandas、NumPy
- 因子计算：Alphalens（单因子分析）、PyPortfolioOpt（组合优化）
- 回测框架：Backtrader / Zipline / 自研回测引擎
- 机器学习：Scikit-learn、LightGBM、PyTorch