一、量化投资概述

量化投资，说白了就是用数学模型和计算机程序来做投资决策。不是靠直觉，也不是听消息，而是让数据说话。我入行那会儿，很多人觉得量化就是“黑箱操作”，其实没那么玄乎——你想想看，传统基金经理看财报、盯盘面，量化交易员看的是统计分布、回测曲线和风险因子。

1.1 什么是量化投资

量化投资的核心就三件事：建模、回测、执行。先基于历史数据构建一个预测模型，然后用过去的数据验证它能不能赚钱，最后把策略部署到实盘系统里自动交易。

举个例子。传统交易员看到某只股票连续三天放量上涨，可能会追进去。量化策略怎么做？它会计算过去1000个交易日的量价关系，用回归模型算出“放量上涨”这个信号的条件概率，再结合当前波动率和市场情绪因子，决定是否开仓。每一步都有数据支撑，不是拍脑袋。

1.2 量化投资的历史与发展

量化投资不是新鲜事。我整理了一个时间线，帮你快速建立全局感：

时期	里程碑	代表人物/事件
1950s	现代投资组合理论	马科维茨提出均值-方差模型
1960s	资本资产定价模型	夏普、林特纳等提出CAPM
1970s	期权定价公式	布莱克-舒尔斯-默顿模型
1980s	程序化交易兴起	配对交易、统计套利出现
1990s	文艺复兴科技崛起	西蒙斯的大奖章基金年化66%
2000s	高频交易爆发	纳秒级竞争，交易所提供托管服务
2010s至今	机器学习+另类数据	深度学习、NLP、卫星图像等

这里有个关键转折点——2008年金融危机。之前很多量化基金觉得风险模型完美无缺，结果黑天鹅一来，相关性全部变成1，所有策略一起亏。我有个前辈当时在长期资本管理公司，他说那几天模型给出的置信区间是“千年一遇”，结果连续发生了三次。从那以后，量化圈对“尾部风险”的重视程度完全不一样了。

1.3 量化投资的优势与挑战

先说说优势，不然你也不会来学这门课：

• 纪律性——机器执行，不受情绪干扰。不会因为恐慌割肉，也不会因为贪婪追高。
• 系统性——同时监控上千只股票，人做不到。
• 可回测——策略上线前就能知道历史表现，心里有底。
• 风险可控——可以精确计算VaR、最大回撤、夏普比率。

但挑战也不少，我踩过的坑可以给你提个醒：

1.4 机器学习在量化中的角色

传统量化主要靠线性模型和统计套利，比如多因子模型、协整关系。但市场越来越有效，简单策略的alpha越来越薄。这时候机器学习就派上用场了。

我个人习惯把机器学习在量化中的应用分成三个层次：

1. 特征工程——用聚类、降维等方法从原始数据中提取有效因子。比如用PCA从100个技术指标里提取5个主成分。
2. 预测建模——用树模型、神经网络预测涨跌、波动率、成交量等。XGBoost在量化圈特别流行，因为它对表格数据效果好，而且不容易过拟合。
3. 强化学习——把交易当成一个序列决策问题，让智能体自己学习最优买卖时机。这个方向还在早期，但我认为潜力很大。

下面这张图能帮你理清知识体系：

说到机器学习在量化中的具体角色，我总结为三点：

• 发现非线性关系——传统因子模型假设收益与因子是线性关系，但市场里很多规律是非线性的。比如低波动率异象，波动率最低的股票组合收益反而最高，这种U型关系线性模型很难捕捉。
• 处理高维数据——现在可用的数据维度太多了，上千个技术指标、几百个基本面因子、再加上舆情数据。传统方法会陷入维度灾难，但机器学习有正则化、dropout、早停等手段来应对。
• 自适应学习——市场在变，去年有效的因子今年可能就失效了。机器学习模型可以定期重新训练，自动适应新的市场环境。

不过也要泼盆冷水。机器学习不是万能药。我见过有人把100个特征扔进神经网络，期望它自动找出规律，结果模型学到的全是市场噪声。记住一个原则：先有逻辑，后有模型。好的量化策略一定建立在金融直觉之上，机器学习只是帮你把直觉变成可执行的代码。