什么是量化投资

一句话定义

量化投资（Quantitative Investing）是用数学模型和计算机程序来辅助投资决策的方法。简单说，就是把你脑袋里的投资想法，变成一段清晰的规则，让电脑帮你执行。

打个比方：传统投资像手工做菜——凭经验、凭感觉、凭厨师的手艺；量化投资像按照精确配方用流水线生产——每次投料的重量、火候、时间都有明确标准，结果可复制、可追溯。

量化投资的核心思想

从"我觉得"到"数据说"

传统投资者做决策时，经常说出这样的话：

• "我觉得这只股票要涨。"
• "这个板块最近很热，应该还有空间。"
• "我朋友说这只股票不错。"

这些决策依赖的是主观判断、情绪和个人经验。

量化投资者换了一种方式：

• "当某只股票的5日均线向上穿越20日均线，且成交量放大超过前5日均量的1.5倍时，买入。"
• "当市盈率低于同行业平均水平的一个标准差时，纳入观察池。"
• "当组合中某只股票的亏损超过设定的8%止损线时，自动卖出。"

区别在于：后者把投资逻辑变成了可以被精确描述和验证的规则。

量化投资的三个支柱

1. 数据（Data）：行情数据（价格、成交量）、财务数据（营收、利润）、另类数据（舆情、供应链信息）等。数据是量化投资的原材料。
2. 模型（Model）：用统计学、数学方法构建的分析框架。模型把"数据"变成"信号"——告诉你是买、是卖还是持有。
3. 执行（Execution）：根据模型输出的信号，按照预定规则进行交易。执行环节强调纪律性，不因情绪波动而偏离计划。

量化投资 vs 传统投资

对比维度	传统投资	量化投资
决策方式	主观判断为主	模型和规则为主
信息处理	人工分析，覆盖面有限	计算机处理，可同时分析数千只股票
情绪影响	容易受贪婪和恐惧驱动	规则一旦设定，执行不受情绪干扰
可复制性	难以复制（依赖个人经验）	策略可以回测验证，结果可复制
适应性	老手经验丰富，反应灵活	需要不断优化模型以适应市场变化
门槛	需要长期积累市场感觉	需要一定的数学和编程基础

重要说明：量化投资不是传统投资的替代品，而是补充。许多成功的投资者会把两者结合——用量化工具筛选标的，用主观判断做最终决策。两种方法各有所长，不存在谁一定比谁强。

量化投资的常见误区

误区一："量化投资就是高频交易"

不是的。高频交易（High-Frequency Trading）只是量化投资的一个细分领域，需要极快的硬件和极低的延迟，主要被大型机构使用。

个人投资者的量化更多是中低频策略：比如日线级别的趋势跟踪、多因子选股、行业轮动等。这类策略对硬件要求低，一台普通电脑就能跑。

误区二："量化投资一定赚钱"

绝对不是。任何投资方法都不能保证盈利。量化投资的优势在于：

• 规则清晰：亏了能知道为什么亏，方便改进。
• 可回测：在上历史数据上先测试，看看策略过去的表现如何（但过去表现不等于未来收益）。
• 纪律性强：避免了"本该止损却因为不甘心而继续持有"这类错误。

但如果策略本身逻辑有缺陷，或者市场环境发生了重大变化，量化投资同样会亏损。

误区三："量化投资需要很高的数学水平"

取决于你做什么类型的策略。简单的均线策略、基本面选股，只需要加减乘除和基础统计知识（均值、标准差）。如果要做复杂的衍生品定价或机器学习策略，确实需要更深的数学功底。

普通人从简单策略入手，完全不需要高深数学。

量化投资能做什么

1. 选股筛选

从4000多只A股中，按照你设定的条件自动筛选。比如：

• 市盈率在10到25之间
• 连续3年营收增长超过15%
• 近60日涨幅不超过30%
• 所属行业不是ST板块

手动翻4000只股票需要几天，电脑跑一遍只需要几秒。

2. 趋势跟踪

根据价格和成交量的变化趋势，判断当前市场或个股的方向，顺势操作。

3. 风险控制

设定明确的止损、止盈规则，当条件触发时自动提醒或执行，避免"该卖不卖"的人性弱点。

4. 组合管理

同时持有多只股票时，量化工具可以帮你监控整个组合的风险暴露、行业分布、相关性等，比手动管理高效得多。

5. 回测验证

把你的投资想法放在过去10年的数据上跑一遍，看看如果当年真这么做，结果会是怎样。这是传统投资很难做到的——你无法"回到过去"验证一个想法。

入门量化需要什么技能

1. 基础统计学

需要掌握的概念不多：

• 均值（平均数）：一组数据的平均值。比如某只股票20个交易日的平均收盘价。
• 标准差：衡量数据的波动程度。标准差越大，说明价格波动越剧烈，风险可能越高。
• 相关系数：衡量两个变量的相关程度。比如两只股票的价格走势是否同步。
• 概率基础：理解"胜率"和"期望值"的概念。

这些知识通过几个小时的认真学习就能入门，不需要学完一整本统计学教材。

2. Python编程

Python是量化投资领域最主流的编程语言，原因有三：

• 语法简洁：读起来几乎像英语，入门门槛低。
• 生态丰富：大量现成的金融数据分析库，不用从零写代码。
• 社区活跃：遇到问题很容易在网上找到解决方案。

不需要成为专业程序员。掌握以下内容就够用了：

• 变量和基本数据类型
• 列表、字典等数据结构
• 条件判断（if/else）和循环（for/while）
• 函数的定义和调用
• pandas库的基本操作（处理表格数据）

后续章节会带你逐步学习这些内容。

3. 投资基础知识

量化只是工具，投资逻辑才是核心。你需要理解：

• 股票的基本概念（什么是股票、什么是交易所）
• 基本面分析的基础（市盈率、市净率、ROE等指标的含义）
• 技术分析的基础（K线、均线、成交量的含义）
• 风险管理的基本原则（分散投资、止损、仓位管理）

如果你已经学过本教程前面关于基本面和技术面的内容，那就已经具备了基础。

普通人如何入门量化

第一步：明确目标

不要一上来就想做一个"能赚钱的自动化交易系统"。先从小目标开始：

• "我想用Python自动下载某只股票的历史行情数据。"
• "我想写一个程序，每天帮我筛选出符合条件的股票。"
• "我想验证一下均线策略在A股历史上到底表现如何。"

这些小目标都可以在学完基础Python后实现。

第二步：学习Python基础

不需要学完所有Python知识再开始。推荐的学习路线：

1. 花1-2周学习Python基本语法（变量、列表、字典、循环、函数）
2. 花1周学习pandas库的基本操作（读取数据、筛选、计算）
3. 立刻开始动手：用真实股票数据练手

边学边做比学完再做效率高得多。

第三步：选择工具和平台

本系列后续文章会详细介绍。简要来说：

• 编程语言：Python 3.x
• 数据获取：AKShare（免费开源）或 Tushare（需要注册token）
• 开发环境：Jupyter Notebook 或 VS Code
• 回测框架：Backtrader 或 聚宽在线平台

第四步：从简单策略开始

不要一上来就搞机器学习、深度学习。先从最简单的策略入手：

1. 单均线策略：价格站上均线买入，跌破均线卖出。
2. 双均线策略：短期均线上穿长期均线买入，下穿卖出。
3. 基本面选股：按照市盈率、ROE等指标筛选股票。

这些策略逻辑简单，但能帮你完整走通"获取数据 → 构建策略 → 回测验证 → 分析结果"的全流程。

第五步：持续学习和改进

量化投资是一个不断迭代的过程：

• 策略回测表现不好？分析原因，调整参数或逻辑。
• 发现新的投资想法？把它量化，用数据验证。
• 学到新的统计方法？看看能不能用在策略改进上。

量化投资的局限性

在入门之前，也要清醒认识到量化投资的局限：

1. 历史数据不代表未来：回测表现再好的策略，也不能保证未来一定赚钱。市场环境会变化，策略可能失效。
2. 过拟合风险：如果过度优化参数来追求历史表现，策略可能只是"记住"了历史，而不是真正抓住了市场规律。
3. 黑天鹅事件：突发政策、国际冲突等极端事件，任何模型都难以预测。
4. 数据质量：数据有错误或缺失时，模型输出的结果也会有问题（所谓"垃圾进、垃圾出"）。
5. 交易成本：回测中容易忽略佣金、滑点、冲击成本，实际交易中这些都会蚕食利润。

小结

• 量化投资是用数学模型和计算机程序辅助投资决策的方法，核心是把投资逻辑变成可验证的规则。
• 它不是万能的，也不是传统投资的对立面，而是一种工具和视角。
• 入门需要基础统计学、Python编程和投资知识，普通人完全可以从简单策略开始，逐步深入。
• 最重要的不是复杂的模型，而是清晰的投资逻辑和严谨的验证态度。

下一步

接下来，我们将介绍量化投资常用的工具和平台，帮你搭建自己的量化工作环境。

→ 下一章：量化投资工具与平台