对于量化不要太天真
很多刚接触金融行业的同学,对量化抱有不切实际的幻想。量化带着数学、编程、人工智能和高薪的光环,看起来比主观投资更加科学:人会受到贪婪、恐惧和从众影响,机器只服从规则;投资者会犯错,数据似乎能够给出客观答案。于是,一些同学相信,只要学会Python、掌握几个模型,就能把高度不确定的投资变成一项稳定的技术工作。
另一些同学已经开始回测,幻想更进一步。他们认为,只要从历史数据中跑出一条收益率高、回撤小、足够平滑的曲线,再把策略交给程序执行,就能在未来持久赚钱。于是不断尝试因子、更换周期、调整参数,直到得到满意的图形,却很少追问这条曲线为什么出现、赚的是谁的钱、承担了什么风险,以及实盘能否按照回测价格成交。
一条漂亮的曲线可能来自真实而持久的规律,也可能来自特定时期的市场风格、隐蔽的风险暴露、未来信息泄漏和反复试验后的偶然结果。数据来自过去,模型是对现实的压缩,程序执行的是人写下的规则。量化可以减少随意决策,让错误更容易检查,却不能保证判断正确,更不能消除竞争、风险和未来变化。
一 量化是什么
量化与主观投资的分界,在决策环节而不在下单环节
- 量化是一种投资决策方式。 它把投资者对市场的认识转化为可以计算的条件:观察哪些数据,什么情况下买入,持有多少,何时减仓,出现什么事实时退出。程序化交易解决的是如何执行订单,量化解决的是如何形成决策。人工研究、程序决策属于量化;主观决策、程序下单仍然属于主观投资。判断标准在决策环节,而不在最后有没有点击鼠标。
- 量化是一种方法,不是某一种策略。 趋势跟踪可以量化,价值投资可以量化,宏观判断、统计套利、做市、事件驱动和风险控制也可以量化。有人根据价格变化交易,有人把估值、盈利质量和行业景气度转化为因子,还有人研究订单簿、利率、商品库存或不同资产之间的关系。它们都使用数量化方法,收益来源和风险结构却完全不同。把量化直接等同于高频交易、多因子选股或自动炒股,会遮蔽真正需要分析的问题。
- 量化系统是人类认识的程序化表达。 人决定研究什么、使用哪些数据、怎样定义收益和风险、如何处理异常值,也决定回测采用什么时间区间、成交价格和交易成本。模型中的每一个变量和模型外的每一个遗漏,都来自人的选择。机器能够严格执行错误的规则,也能高效放大错误的数据。量化减少了临场情绪,却把人的判断提前放进了数据、模型和参数之中。
- 回测检验的是一组规则在特定历史条件下的表现。 它提供证据,不提供保证。历史数据可能存在幸存者偏差、未来信息泄漏、复权错误和样本选择;成交假设可能忽略涨跌停、流动性、冲击成本和策略容量;反复试验又容易从噪声中筛出一条偶然漂亮的曲线。即使回测完全正确,未来的参与者、制度和市场结构也可能改变。量化真正的价值,是让假设接受更严格的检验,而不是把历史拟合包装成未来规律。
回测提供证据,不提供保证
二 量化的收益从哪里来
- 企业发展和经济增长。 量化价值、基本面选股和指数配置都可以分享企业长期创造的利润。它们通过数据寻找更好的企业、更合理的价格或更有效的组合,机器改善了选择和配置方法,底层收益仍然来自企业经营。即使没有战胜其他交易者,只要经济和企业整体创造更多价值,长期持有者仍可能取得正收益。这部分通常表现为市场Beta,以及在行业、公司和价格选择上获得的超额收益。
- 承担风险获得的补偿。 股票相对现金、信用债相对国债、小盘股相对大盘股,可能提供更高的长期预期回报,因为持有者承担了经济衰退、违约、流动性不足和价格剧烈波动等风险。卖出波动率、提供流动性或在危机中承接资产也可能持续盈利,同时承担平时不明显、极端时集中的损失。稳定的小额收益有时只是重大尾部风险尚未发生。把风险暴露误认为Alpha,是量化策略最常见的天真之一。
- 错误定价和参与者的行为偏差。 投资者会追涨杀跌、反应不足、反应过度,也会因赎回、风控、考核和监管要求被迫交易。趋势、反转、事件和相对价值策略尝试系统地识别这些行为留下的价格规律。这类收益主要来自比对手更准确地发现偏差,或者在对手必须交易时提供相反的资金。只要参与者的目标和约束不同,错误定价就不会完全消失;一项公开规律被更多资金使用后,价格会更早反映信息,剩余收益随之下降。
- 提供市场需要的服务。 做市商持续报价,为其他交易者提供及时成交的机会,赚取买卖价差;套利者连接不同市场和品种,使相互矛盾的价格重新接近;执行算法帮助大额资金减少冲击成本。这些收益并非毫无代价。流动性提供者承担库存风险和被更知情者交易的风险,套利者承担价差继续扩大的风险,执行优势也需要数据、系统、通道和合规成本。
- 信息、速度和执行优势。 更早取得信息、更好地处理数据、更快地下单、更准确地估计成交成本,都可能转化为收益。它们最容易吸引专业资金竞争,也最容易受到技术进步和监管变化影响。优势一旦普及,就从Alpha变成行业的基本门槛。2019年的行业演讲已经观察到,技术能力快速提高时,量化平均收益并未同步增长,因为市场有效性也在提高;旧策略会被竞争逐步消耗。
五种收益来源,以及原文写明的代价与限制
一套策略通常同时包含几种收益来源。量化选股可能既分享企业增长,也利用市场错误定价;趋势策略可能既捕捉行为偏差,也承担趋势突然反转的风险;高夏普策略可能隐藏着流动性、杠杆或尾部暴露。回测曲线只能说明过去赚过钱,解释收益来源才能说明这笔钱是否可能继续存在。
对于短周期筹码博弈,参与者的毛收益大体来自彼此,扣除佣金、税费、点差和冲击成本后,整体趋向负和。量化机构拥有资金、数据、人才、速度和执行优势,彼此之间也在争夺有限的Alpha。个人面对的并非一台可以自动提款的机器,而是一群同样使用模型、持续升级系统的专业对手。
三 量化的未来趋势
- 行业会继续发展,简单赚钱的机会会继续减少。 一项规律越容易写进教材、越容易用公开数据复现、越容易规模化执行,吸引来的竞争越多。资金会提前交易信号,交易成本还会随容量增加,可兑现的净收益因此不断变薄。未来仍会产生新的Alpha,发现和保留它们却会越来越困难。对同学来说,复现一个公开因子、掌握一个经典策略只是入门练习,无法构成长期竞争力。
- AI正在降低实现门槛,同时提高研究门槛。 数据清洗、代码编写、特征生成、回测和排错正在加速,过去需要数日完成的初步实验,可以在更短时间内完成。会写Python、调用模型和使用回测框架仍是基础能力,它们本身会越来越普遍。更稀缺的能力将是定义值得研究的问题、识别数据错误、设计样本外检验、解释经济逻辑、估计交易成本与容量,以及判断何时应当停用模型。AI让普通实验更便宜,也让缺少独立判断的研究更快失去价值。
- 研究方向会走向多策略、多资产、多周期和基本面。 单一量价策略具有适用环境和容量上限,机构会继续拓展股票、债券、商品、期权等资产,并组合选股、CTA、宏观、套利等低相关策略。纯量价规律逐渐拥挤后,企业盈利、产业关系、财报文本、供应链和另类数据也会得到更多研究。未来的量化人才需要理解更丰富的资产和收益来源,但这不意味着把所有方向浅尝一遍。同学仍应先建立扎实的数学、统计、编程和金融基础,再选择一个具体方向深入研究。
- 资源会进一步向头部机构集中,个人与小团队仍可能存在差异化空间。 数据、算力、交易系统、合规、风控和多团队协作都需要持续投入,复杂策略会提高机构的固定成本,头部公司更容易形成完整体系。个人与小团队难以在高频、大容量策略上正面竞争,却拥有资金规模小、持有期限灵活、无需维持庞大容量等特点,一些容量有限或大机构不愿参与的机会仍可能存在。对同学而言,个人能够做策略,不代表相同策略可以支持一家机构;机构能够盈利,也不代表个人能够复制它的数据和执行条件。
- 量化行业扩大,不会带来同比例增加的就业机会。 量化争夺的是有限的Alpha和资金容量,新增研究者还会提高市场效率。机构真正需要的人数受策略容量、管理规模和组织成本限制,岗位增长很难像通用软件或制造业一样依靠用户需求持续扩张。头部机构已经采用很高的学历、数学和研究标准筛选候选人,绩效反馈也更加直接。高薪背后是高门槛、持续淘汰和长期更新知识的要求。
- “Quant”不是一种统一的工作。 量化研究重视概率统计、研究设计和发现信号的能力;量化开发重视系统工程、性能和可靠性;交易执行需要理解订单、流动性和市场微观结构;组合与风险管理关注不同策略如何共同承担风险。岗位名称相近,日常工作、能力要求和职业路径可能完全不同。选择专业和准备求职前,应先弄清目标岗位实际做什么,再决定读什么课程、做什么项目和积累什么实习。
四类量化岗位的日常工作与能力要求各不相同
四 学习量化的思想
多数人没有必要把成为职业量化研究员当作目标,却值得学习量化处理判断、风险和反馈的方法。这些思想同样适用于主观投资。
- 把模糊观点变成可检验的规则。 “这家公司很好”“市场可能反弹”“现在情绪很差”都难以验证。量化思维要求进一步说明观察指标、成立条件、交易动作、仓位大小和失效标准。只有把判断写清楚,结果出现后才能区分逻辑正确、执行错误和单纯运气。
- 主动寻找能够推翻策略的证据。 有效研究关心策略在哪些时期、市场和参数下失败。回测应当使用当时真实可得的数据,保留样本外区间,计入手续费、滑点、冲击成本和无法成交的情况,再用不同市场环境和极端情景检验。漂亮曲线是研究的起点,经过反复证伪仍然成立的逻辑才有资格进入实盘。
- 先控制回撤,再讨论收益。 投资的首要条件是留在市场中。仓位、杠杆、止损、流动性和单一风险敞口都应在交易前确定边界。亏损百分之五十后,需要盈利百分之一百才能回到原点;严重回撤还会破坏执行能力,使投资者在最差的时间被迫离场。控制回撤并不追求完全没有波动,而是限制任何一次错误、任何一种行情和任何一个模型对全部资本的伤害。
- 分散配置不同的收益来源。 持有很多股票未必分散,运行很多策略也未必分散。若它们都依赖小盘风格、流动性宽松、波动率下降或同一种趋势,压力来临时仍会一起亏损。有效分散需要跨资产、跨策略、跨周期检查共同风险,并持续观察相关性在极端行情中的变化。分散能够降低单一判断错误造成的损失,无法把风险降到零。
- 坚定执行经过验证的策略。 策略优势通常需要经过大量重复才能体现,几次亏损不能直接证明失效,几次盈利也不能证明有效。交易前已经确认的入场、退出、仓位和风控规则,应当在情绪最强烈时继续执行。纪律包括按规则交易,也包括触及预设失效条件时暂停策略。临场干预和拒绝停用,都是对研究流程的破坏。
- 根据证据持续迭代。 市场参与者、制度、成本和技术始终在变化,策略需要持续监控。迭代应当区分正常回撤与结构性失效,按照预先确定的周期和指标复查收益来源、实际成交、风险暴露和策略容量。每次亏损后修改参数,会把噪声重新拟合进模型;长期拒绝修改,又会把纪律变成僵化。可靠的迭代保留研究记录,提出新假设,重新验证,再决定是否替换原规则。
- 接受模型的边界。 模型只保留了研究者认为重要的变量,现实中永远存在未被记录的数据、从未发生过的环境和无法提前列举的风险。模型越复杂,越需要理解它依赖什么;执行越自动,越需要设置独立的风险约束。量化思维最终要求的是诚实:知道哪些结论得到数据支持,哪些只是推测,哪些风险无法计算。
学习量化的七条思想
主要资料与数据说明
- 梁文锋:《一名程序员眼里中国量化投资的未来》,2019年公开演讲转载。
- 徐书楠:《量化将步入多策略时代,持续进化才能穿越周期》,中国证券报·中证网,2026年6月8日。
- 知乎近两年关于量化未来发展的观点整理。