📘 本章重点
- 掌握量化投资的本质定义及其“可验证、可重复、有纪律”的特点
- 学会按交易逻辑、持有周期、理论学派三种方式对量化策略分类
- 理解文中的七类策略划分及其全局定位
- 分清“量化投资”“量化程序”“高频量化”三者的区别
⚠️ 本章难点
- 理解不同交易逻辑（趋势跟踪 vs 均值回归）的适用环境及其互补关系
- 理解有效市场假说与行为金融学的核心分歧
- 避免将“高频交易”等同于“整个量化”的偏见
- 掌握七类策略的生态位差异，形成全局视野
⏱️ 预估学习时间
- 50～70分钟
2.1 量化投资的本质：把投资决策变成可计算的规则
用一句话概括：
量化投资 = 投资逻辑 + 数学模型 + 计算机执行
拆开来看：
- 投资逻辑：你认为市场存在某种规律（比如“趋势会延续”或“价格会回归均值”），这是策略的灵魂。
- 数学模型：把这种模糊的规律变成精确的规则和数值（比如“当20日均线上穿60日均线时买入”）。
- 计算机执行：让程序自动盯盘、自动下单，排除人为情绪的干扰。
量化投资并不神秘，也不万能。它最大的好处是可验证、可重复、有纪律。你可以用历史数据检验一个策略到底行不行，而不是凭感觉说“我觉得明天会涨”。同时，它也有明显的局限：模型永远基于过去的数据，而未来可能完全不同；再好的模型也可能被黑天鹅击穿。
老陈点评：量化的本质是“用统计规律替代直觉判断”。但要注意，统计规律不等于因果关系。很多漂亮的回测只是数据挖掘的产物，换一个样本期就失效了。所以，可重复性比高收益更重要。
老王补充：我见过太多人把量化等同于“自动交易”，其实手动执行、严格纪律也算半量化。关键是你的买卖有没有明确的触发条件。没有条件的，就是赌博。
2.2 按交易逻辑分类（通用）
这是量化圈的分类方式，根据策略“赚钱的根本逻辑”来划分。
① 趋势跟踪
核心信念：市场一旦形成趋势，就会延续一段时间。
操作：涨的时候追涨（做多），跌的时候杀跌（做空）。
代表策略：海龟交易法则、双均线交叉、Dual Thrust、Aberration。
特点：胜率可能不高（可能只有40%），但盈亏比很大（赚一次够亏好几次）。在强趋势行情中非常赚钱，在震荡行情中会被来回打脸。
② 均值回归
核心信念：价格偏离长期均值太远后，总会回到均值附近。
操作：跌多了买，涨多了卖。
代表策略：布林带反转、RSI极值策略、配对交易。
特点：胜率较高（在震荡市中很舒服），但一旦出现单边大趋势，会不断逆势加仓导致巨亏。
③ 统计套利
核心信念：多个资产之间存在稳定的统计关系（如协整），价差偏离时会回归。
操作：做多被低估的资产，同时做空被高估的资产，对冲掉市场风险。
代表策略：配对交易、期现套利、跨品种套利。
特点：市场中性（涨跌都不怕），收益来源是价差的收敛。但统计关系可能被打破（比如两家公司合并或破产）。
④ 事件驱动
核心信念：某些特定事件（财报发布、高管增持、指数调整、宏观数据公布）会引发价格短期异常波动。
操作：在事件发生前后按预设规则交易。
代表策略：财报超预期策略、高送转策略、指数调入/调出策略。
特点：逻辑清晰，但事件机会有限，容量较小。
⑤ 高频做市
核心信念：通过提供流动性，赚取买卖价差和交易所返佣。
操作：同时挂买单和卖单，赚取微小的价差，极速交易。
特点：技术要求极高（硬件、托管、低延迟代码），资金门槛高，个人几乎无法参与。也是公众舆论中“被骂得最多”的那类量化。关于它的更多讨论，请看2.7节。
小李问：这里主要讲哪几类？我是不是都要学？
老陈点评：本书重点在①～④，以及它们的AI衍生版。高频做市个人做不了，只作理论介绍。建议初学者先从趋势跟踪和均值回归入手，理解它们的对立统一关系。
2.3 本书的七类策略划分与全局观察
上面是按通用逻辑分类，但为了更贴合本书的写作脉络，我将后续要拆解的策略重新归纳为七大类。这七类是以交易逻辑为基础，结合适用周期、决策依据、技术门槛所做的细化。
| 类别 | 核心信念 | 代表策略 | 最佳行情 | 失效行情 |
|---|---|---|---|---|
| 第一类：趋势跟踪与通道突破 | 趋势一旦形成就会延续 | 海龟交易、Dual Thrust | 强单边趋势 | 窄幅震荡 |
| 第二类：均值回归与统计套利 | 价格偏离均值后会回归 | 布林带、配对交易 | 震荡盘整 | 强单边趋势 |
| 第三类：日内与短线策略 | 捕捉日内波动，收盘平仓 | R-Breaker、T+0 | 高波动、开盘跳空 | 低波动、流动性差 |
| 第四类：多因子与选股策略 | 因子解释收益，筛选超额组合 | 多因子选股、指数增强 | 慢牛、结构性行情 | 风格剧烈切换 |
| 第五类：机器学习与AI策略 | 利用AI从数据中学习模式 | XGBoost、LSTM | 视具体策略而定 | 过拟合、模式失效 |
| 第六类：另类数据与事件驱动 | 利用非传统数据或事件 | 北向资金、财报超预期 | 数据与股价相关稳定 | 数据源中断 |
| 第七类：资产配置与组合策略 | 多资产多策略组合优化 | 风险平价、多策略融合 | 任何行情（分散风险） | 极端系统性危机 |
各类别的生态位与相互关系
- 趋势跟踪 vs 均值回归：逻辑对立，收益负相关。两者组合可平滑净值曲线。
- 日内策略 vs 多因子选股：周期互补，可共用资金池，提高资金利用率。
- 另类与AI策略：既可独立使用，也可作为“因子增强”融入多因子模型。
- 资产配置策略：是上层建筑，用于管理上述各类策略的整体风险。
这七类策略覆盖了从短线到长线、从单一资产到多资产、从传统指标到AI的所有主要流派。读者可以根据自己的资金规模、风险偏好和编程能力，选择其中几类深入研究。
老王补充：这个分类很实用。比如你是小资金、喜欢快进快出，可以重点看第三类和第一类的日内版本；如果是大资金、求稳，第四类和第七类更适合。别想一口吃成胖子，先选一两类打通。
2.4 按持有周期分类
另一种常用的分类方式是按交易频率或持仓时间：
| 周期类型 | 持仓时间 | 典型策略 | 资金容量 | 技术门槛 |
|---|---|---|---|---|
| 高频（日内） | 秒/分钟级 | 做市、订单流策略 | 很小 | 极高 |
| 日内（非高频） | 小时级，收盘前平仓 | R-Breaker、菲阿里四价 | 较小 | 中高 |
| 短期 | 数天至数周 | 双均线、布林带反转 | 中等 | 中 |
| 中期 | 数周至数月 | 海龟交易、Aberration | 较大 | 低中 |
| 长期配置 | 季度/年度调仓 | 股债平衡、Faber均线配置 | 很大 | 低 |
老陈点评：周期选择与策略逻辑必须匹配。一个均值回归策略如果用分钟线，噪声会淹没问题；一个趋势跟踪策略如果用年线，可能几年才交易一次，资金闲置。一般建议从日线开始，逐步向更短或更长周期探索。
2.5 按决策依据的理论学派（开阔眼界部分）
这一分类可能更“学术”，但它能帮你理解量化研究背后的思想源头。
① 有效市场假说学派
核心观点：市场价格已经反映了所有可用信息，不可能持续战胜市场。
量化应用：认为超额收益只能来自于承担某种风险溢价（比如小盘股溢价、价值溢价），而不是利用市场“错误”。代表性模型：Fama-French三因子模型。
对我的影响：它提醒我，不要总想着“发现市场的漏洞”，很多看似有效的策略可能只是承担了某种未被识别的风险。
② 行为金融学派
核心观点：市场参与者不是完全理性的，他们的认知偏差（过度自信、损失厌恶、羊群效应等）会导致价格偏离理性水平。
量化应用：利用这些偏差来设计策略——比如利用“处置效应”（过早卖盈利股、死扛亏损股）做反转交易。
对我的影响：很多经典策略（如动量、反转）都可以从行为金融学找到解释。这让我相信，人的非理性是量化收益的重要来源之一。
③ 物理/工程学派
核心观点：把金融市场看作一个复杂的动态系统，可以用信号处理、非线性动力学、熵等方法建模。
量化应用：分形分析、波动率聚类、隐马尔可夫模型等。
对我的影响：这部分门槛较高，但提供了很多有趣的另类思路（比如用卡尔曼滤波做配对交易）。
④ 机器学习学派
核心观点：不预设交易逻辑，让算法从数据中自动发现模式。
量化应用：用随机森林、LSTM、强化学习等模型预测价格涨跌。
对我的影响：虽然容易过拟合，但AI+量化显然是未来的大方向。我会在系列中专门介绍一些可解释性较强的机器学习策略。
老陈点评：这四种学派不是互斥的。一个优秀的量化研究员往往同时具备多种视角：用有效市场假说做基准，用行为金融找逻辑，用物理方法建模型，用机器学习挖因子。
2.6 主观交易 vs 量化交易：一个有趣的对比
很多刚接触量化的人会问：“主观交易和量化交易哪个更好？”
我的看法是：它们不是对手，而是互补的工具。
| 维度 | 主观交易 | 量化交易 |
|---|---|---|
| 决策依据 | 经验、直觉、新闻、盘感 | 历史数据、统计规律、机械规则 |
| 优点 | 灵活性高，能应对突发事件 | 克服人性弱点，可回测，可复制 |
| 缺点 | 易受情绪影响，难以重复 | 可能过拟合，无法应对结构突变 |
| 最佳场景 | 大事件驱动、黑天鹅应对 | 常规市场、可统计重复的模式 |
一个很健康的模式是：用主观交易的灵感去发现可能的规律，然后用量化去验证和执行。比如你注意到“每次大盘暴跌后，券商股往往反弹最快”——这是一个主观猜想，但你可以把它写成规则、跑回测、优化参数，最终变成量化策略。
老王补充：我自己就是这种模式。很多赚钱的策略最初来自盘感，然后我花时间总结出操作步骤，把它写成代码，跑历史数据，发现确实有统计意义。如果回测不行，那可能只是错觉。量化是主观交易的“照妖镜”。
2.7 厘清概念：量化投资 ≠ 量化程序 ≠ 高频量化
这一节非常重要。因为社会上（尤其是A股散户中）经常把“量化”和“高频割韭菜”画等号，这是很大的误解。
① 量化投资（Quantitative Investing）
是一种方法论：用数学模型和计算机辅助来做投资决策。
它可以很慢（比如每个月调一次仓的价值选股策略），也可以很快（比如微秒级的高频策略）。我们这里98%以上的内容，都是中低频量化，和你想象中的“游资砸盘”没有任何关系。
② 量化程序（Quantitative Program / Algo Trading）
就是实现量化策略的代码或软件系统。
一个简单的双均线策略的Python脚本，也叫量化程序，但它可能一天只交易一次。量化程序只是工具，和“善恶”无关。
③ 高频量化（High-Frequency Trading, HFT）
是量化投资的一个子集，核心特征：
- 极低的延迟（微秒/纳秒级）
- 大量报撤单
- 单笔利润极薄，靠巨大成交量累积利润
- 通常赚取的是流动性提供或订单流信息的钱，而非价格方向预测。
常见误解澄清
- 误解1：“量化就是高频” —— 错。大多数量化策略是中低频的。
- 误解2：“高频交易就是操纵市场” —— 不是所有的HFT都是恶意的。合法的做市商提供流动性，降低交易成本。争议主要在于部分HFT行为（如闪电订单、虚假申报）利用了技术优势和不公平的信息获取。
- 误解3：“这本书要教我做高频？” —— 不会。本书聚焦于逻辑清晰、可复现、适合个人学习的中低频策略。
老陈点评：公众对量化的反感很大一部分源于高频交易。但真正的罪过不是量化，而是某些利用制度漏洞的行为。我们普通投资者完全可以用中低频量化来改善自己的交易，这跟高频没有关系。
2.8 本章小结与思考题
小结
- 量化投资的本质是“逻辑+模型+代码”，可验证、可重复、有纪律。
- 按交易逻辑可分为趋势跟踪、均值回归、统计套利、事件驱动、高频做市等。
- 本书将策略进一步细化为七大类别，覆盖从短线到长线、从传统到AI的所有主要流派。
- 按持有周期从秒到年，不同策略有不同的技术门槛和资金容量。
- 理论学派包括有效市场、行为金融、物理工程、机器学习，各有侧重。
- 主观交易与量化可以互补：主观提供灵感，量化验证和执行。
- 量化≠程序≠高频，本书主要讲中低频策略。
思考题
- 你认为在A股市场，哪种交易逻辑（趋势跟踪 / 均值回归 / 事件驱动）更容易赚钱？为什么？
- 你有没有过“灵光一现”觉得某个规律可以做成量化策略？如果有，测试过吗？效果怎样？
- 在看完2.7节的澄清后，你对“量化”的态度有没有发生什么变化？
- （展望题） 假设十年后，人工智能已经能够自动从海量数据中挖掘出数以万计的短期定价因子，并且这些因子之间的相关性极低。那么，人类量化分析师的角色会变成什么？是“监工”“哲学家”，还是彻底被替代？请展开你的想象。
📎 本章引用/参考出处
网上内容：
- 百度百科 – 趋势跟踪：https://baike.baidu.com/item/趋势跟踪交易策略/67644971
- 百度百科 – 均值回归：https://baike.baidu.com/item/均值回归理论/4570238
- 百度百科 – 统计套利：https://baike.baidu.com/item/套利/1669957
- 百度百科 – 高频交易：https://baike.baidu.com/item/高频交易/19625
- 第一财经：https://www.yicai.com/
- 中国经济网：http://www.ce.cn
暂无评论内容