量化交易到底是个什么东西（它不是什么）

量化交易就是规则。事先定义、写下来、能回测的规则。规则告诉计算机”如果 X 发生，就做 Y”，从来不问人同不同意。就这一句。这就是全部。

这篇文章剩下的部分就是把这句话拆开讲，顺手干掉几个常见的误解，再给你看看决定这事儿值不值得做的数学。

量化交易是规则，不是直觉

我比较直接说：一个主观交易员盯着行情、读新闻、打给经纪人、凭直觉下单。一个量化交易员上个月就把那个”下单”写成代码了。代码跑，仓位建。早上 9:34 没有”我有个感觉”。

给个能用的定义：量化交易是指入场和离场决策由事先指定的算法做出、在执行那一刻不掺任何主观判断的策略。

算法可以很笨。“每周一买、每周五卖”就是一个量化策略。“买入那些 20 日均线刚刚上穿 60 日均线的股票”也是。用 200 个订单簿特征训练出来的神经网络也算。核心特征是：规则先写出来、回测过了，然后真金白银才跟着动。

它不是什么（我直说）

它不是魔法。没有什么秘密公式。也不是”量化人有你没有的圣杯”。大多数量化基金在 10 年的时间窗口里跑不过标普 500。能跑赢的那几家，基础设施每年烧几千万美金，养着 50+ 个博士。

它不是 Reddit 幻想里那个”替你交易的 AI”。大语言模型本身不会产出 alpha。它能总结电话会议，这是事实，有时候当成模型里的一个 feature 也有用。但模型本身就是量化那部分，不是 LLM 本身。任何跟你说”我在用 GPT-4 跑市场”的，要么在卖课，要么在描述一个情绪得分子项，不是策略。

它不能保证什么。过去的业绩不代表未来的表现。回测过拟合是真实存在的。Regime shift 也是真的。如果有人跟你承诺回报率，那是在卖东西。

它不是快速致富的门道。数学很残酷，我等下给你看。

真正能用的四种套路

你听说过的策略大多可以归到下面四类里头。有几家基金会把它们混着用。

系统化趋势跟随是最古老的。涨的买入、跌的做空，跨期货市场做。Managed futures 和 CTA 就归这一类。有效是因为趋势虽然大多数时候不存在，但偶尔会持续下来。周期长、频率低，经常被叫做”最简单但还能用的策略”。

统计套利就是预算版的配对交易。找两只历史上同涨同跌的股票，等它们价差拉开时赌价差会均值回归。纯粹的均值回归。规模上不去，对 regime 切换很脆弱，但做法很漂亮。

因子投资就是买一篮子有共同特征的股票：价值（便宜的股票）、动量（最近涨得好的）、质量（高 ROE）、规模（小盘股）、低波动。学术血统可以追溯到 Fama-French（1993）和 Carhart（1997）。你买的”价值 ETF”就靠这个。

机器学习驱动的 alpha是现在大家说”量化”时真正指的那类东西。用梯度提升树、神经网络或者 Transformer 喂工程化过的特征去预测收益。活儿在这儿 —— 散户八成也是在这儿栽跟头。等下我细说。

为什么要做这件事？规模、纪律、去掉情绪、可回测

四个理由让人走向系统化：

1. 规模。 一个肉眼能盯 5 只股票。一个脚本能盯 5000 只。如果你的 edge 很薄，你得靠量把它撑起来。
2. 纪律。 周二下午 2 点，你那 4 万美金的仓位跌了 15%，你的肚子说”砍掉” —— 这时候你不会去覆盖规则。规则没有肚子。
3. 去掉情绪。 报复性交易、FOMO、恐慌抛售 —— 这些才是散户真正的亏损来源。代码不会去报仇。
4. 可回测。 你能用 10 年数据跑一个策略，30 秒搞定。你能 100 个参数组合跑一晚上。主观交易员一个 setup 一年只能试一次。

为什么大多数散户量化都在亏钱

既然回测这么容易，为什么不是人人都发财？因为量化失败的四骑士：

交易成本把你的 edge 啃光了。 等下算给你看。

对回测过拟合。 你测了 200 个动量变体。在 2010–2020 数据上表现最好的那个，最可能就是噪声。文献里把这叫”多重检验偏差”（López de Prado, Advances in Financial Machine Learning, 2018, 第 1 章）。

容量限制。 一个 0.5% 的 edge 放在 10 万美金的低流通小盘股上是真金白银。同样的 edge 放在 1 亿美金上没了 —— 你自己的单子就把价格推得对你不利了。大部分散户策略如果有一天真赚钱，多半会撞上这堵墙。

无视 regime 切换。 200 日均线交叉在 2009–2019 年漂亮得一塌糊涂。2022 年被打得满地找牙。市场会换脾气。除非你让策略跟着换，否则它换不了。

数学是残酷的 —— 给你看

我们跑一个现实的场景。你是一个 10 万美金的散户。你找到一个 edge：每笔期望收益 0.3%。一年交易 250 次（差不多每个交易日一次）。听起来很美对吧？

年化 75%。亮瞎眼。为什么不是所有人都这么干？

因为交易成本。美股上，散户一个往返大概付 0.05%（佣金 + 一半价差 + 小单滑点）。250 笔单：

净收益：$75,000 −$12,500 = $62,500。还是不错。

但这假设你真有 0.3% 的 edge。如果你的 edge 更小 —— 比如每笔 0.1%，这对很多策略来说更现实：

扣掉 $12,500 的成本，剩 $12,500。年化 12.5%。还行。但如果你的 edge 是 0.05% —— 听着小，但其实很多”我回测过这个”策略就在这儿：

成本：$12,500。净收益：零。 你交了手续费之后打平。而且这还没算税、还没算滑点、还没算你实际会拿到的烂单。

这就是为什么实战里 edge 都得特别小、执行力就是一切。Chan（Quantitative Trading, 2008, 第 1 章）反复敲这个点：学术 alpha 信号绝大多数日级别低于 0.1%。整个游戏就是你的 edge 不能比成本还差。

51% 一千次胜过 90% 三次

我用的心理模型是这条，它替我挡掉过很多烂交易：

我宁可要一个能执行 1000 次的 51% edge，也不要一个只能执行 3 次的 90% edge。

为什么？因为 90% 的 edge 出场太少，方差把你干掉。三笔单意味着三个结果，任何一个都可能栽。而 51% 的 edge 摊到一堆独立赌注上，大数定律让方差收缩、期望值收敛。

但这里有个常见的误读：0.51^1000 ≈ 0 是”1000 笔单每一笔都赢”的概率——基本是零。这个数跟你”策略能不能复利增长”几乎没关系。真正重要的是期望的对数增长是否为正：

其中 $\mu$ 是单笔的期望收益，$\sigma$ 是单笔收益的标准差。要让”反复下注 51%“这种策略真的能稳定复利，朴素模型藏了三个条件：

1. 每笔的期望收益为正。 $0.51 \times \text{赢} - 0.49 \times \text{亏} > 0$。如果赢亏对称，51% 的 edge 确实会复利。如果亏比赢还大（“赢 1 块亏 1 块”的框架在你能亏的比赚的多时就是错的），那就不会。
2. 下注之间相互独立。 同一个策略、同一个标的、同一种行情下的连续下注是相关的。赌注扎堆时方差收缩的速度比 $1/n$ 慢，“大数”的直觉低估了路径。
3. 有限本金与爆仓风险。 即使期望为正，开局一长串亏损也能在 edge 显现之前把你清零。把仓位大小和最大回撤上限控住，才是把”期望为正”变成”稳定复利”的关键。

所以正确说法是这样的：反复下的小 edge 之所以值钱，是因为期望会收敛、方差随样本量收缩——不是因为哪一串必然连续赢。你慢慢地、稳稳地变富，而不是快快地、刺激地破产。

这就是为什么量化人痴迷样本量而不是信号大小。一个你能天天交易的噪声信号，比一个季度才触发一次的干净信号值钱——前提是盈亏比、下注独立性和仓位大小都老老实实。

如果你继续做下去，职业路径长这样

如果你要继续，行业大概是这个样子的：

• 量化研究员 —— 搞 alpha 的。数学、统计、金融 PhD。看论文、跑实验、上线信号。
• 量化开发 —— 把研究员的 notebook 变成生产代码。工程功底扎实，Python/C++/Rust 都熟，背着回测基础设施。
• 量化交易员 —— 现场跑账本的。盯事故、监控风险、模型出问题时出手。很多时候是走客户路线的原研究员。
• 风险管理 —— 屋子里的成年人。说”不”的那个人。管敞口、回撤、杠杆。平时无聊，一旦出事不可或缺。

大多数量化机构希望你至少跨过其中两个角色的边界。最难招的是研究-开发的混合体，既能找到 alpha 又能无 bug 上线。

想深入的话可以读这些

• Chan, E. (2008). Quantitative Trading: How to Build Your Own Algorithmic Trading Business. Wiley. ISBN 978-0470284889. 第 1 章是我读过的系统化交易最好的单页辩护。
• López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley. ISBN 978-1119482086. 第 1 章给”多重检验问题”搭了框架，这个问题是大多数散户量化的终结者。

下一篇：Python 工具栈你真会用到的部分，从 numpy 和 pandas 里那 20% 做 80% 工作的部分开始。