很多人第一次听到“量化”，脑子里容易冒出两个画面：一个是数学天才写了一个模型，然后躺着赚钱；另一个是高频交易系统在毫秒里买进卖出，普通人完全看不懂。
这两个画面都只说中了一小部分。量化真正要做的事情，不是用公式预测未来，而是把一个投资假设写成可以验证、可以执行、可以复盘的规则。
这篇文章只讲知识框架，不构成任何投资建议。
一、一句话理解量化
如果用一句话解释量化，我会这么说：
量化是把投资判断变成数据和规则，再用程序去验证、执行和管理风险。
主观投资也会看公司、行业、估值、情绪和宏观环境。量化不是不看这些东西，而是尽量把它们变成可计算的变量。
比如“这家公司便宜”是一种判断，但机器听不懂。量化会把它拆成市盈率、市净率、现金流收益率、行业分位数、历史分位数等指标。再比如“最近走势很强”，也可以拆成过去 20 天收益率、成交量变化、波动率、相对强弱等特征。
所以，量化不是神秘魔法。它更像一套工程化流程：先提出假设，再找数据，再做验证，再控制风险。
二、量化系统的链路
一个很简化的量化系统，大概可以拆成这几步：
数据
↓
特征 / 因子
↓
策略规则 / 模型
↓
回测
↓
组合构建
↓
交易执行
↓
风控与复盘每一步都可能出问题。数据错了，后面全错；特征看起来有效，但可能只是碰巧；回测收益很好，也可能是过拟合；交易执行慢一点、手续费高一点，策略就可能从赚钱变成亏钱。
所以量化的核心能力不是“写一个预测涨跌的模型”，而是搭一条可靠链路，让每一个环节都经得起检查。
三、数据：先知道自己在看什么
量化的第一层是数据。常见数据包括：
- 行情数据：价格、成交量、盘口、成交明细；
- 基本面数据：财报、估值、盈利能力、现金流；
- 另类数据：新闻、公告、搜索、卫星图、招聘信息等；
- 交易数据：成交价格、成交量、手续费、滑点、撤单；
- 组合数据：持仓、暴露、收益、回撤、风险指标。
数据看起来越多，越容易产生错觉。真正难的是数据质量：有没有复权，有没有幸存者偏差，财务数据发布日期是不是正确，停牌、退市、涨跌停、交易成本有没有处理。
量化里有一句朴素但很重要的话：垃圾数据进去，垃圾结果出来。
四、因子和策略：把想法变成规则
量化里经常说“因子”。因子可以理解成一种可计算的观察角度。
常见因子包括：
- 价值因子：便宜的资产未来是否更有吸引力；
- 动量因子：过去表现强的资产是否会延续强势；
- 质量因子：盈利稳定、现金流好的公司是否更可靠；
- 低波动因子：波动更低的资产是否有更好的风险调整收益；
- 情绪因子：新闻、资金流、成交拥挤度是否会影响价格。
策略就是把这些因子和规则组合起来。比如先筛掉流动性太差的股票，再按某个因子打分，选前 50 个，控制行业暴露，每月调仓一次。
听起来像一个规则游戏，但真正的难点在于：规则为什么有效？在什么市场环境下有效？什么时候失效？收益来自风险补偿、行为偏差，还是数据挖掘出来的幻觉？
五、回测：最容易让人上头的地方
回测是量化里最让人兴奋，也最危险的一步。你把策略放到历史数据里跑一遍，如果曲线一路向上，很容易觉得自己找到了财富密码。
但回测至少有几个坑：
- 未来函数：用了当时还不知道的数据，比如提前看到了财报；
- 幸存者偏差：只看今天还活着的股票，忽略了退市和失败样本；
- 过拟合：参数调到刚好适配历史，却无法适应未来；
- 交易成本低估：手续费、冲击成本、滑点都算轻了；
- 流动性错觉：历史上看起来能成交，真实交易时不一定买得到或卖得掉；
- 样本太短：只经历过一种市场环境，没有经历完整周期。
所以回测不是证明策略一定赚钱，而是用来排除明显不靠谱的想法。好的回测应该像审讯，不应该像许愿。
六、交易执行：模型之外还有市场摩擦
策略算出来要买什么、卖什么，只是第一步。真正落到市场里，还要考虑怎么成交。
如果订单太大，一次性下出去可能把价格推高或砸低；如果交易太频繁，手续费和滑点会吃掉收益；如果系统延迟高，看到的机会可能已经没了。
这也是为什么监管机构会特别关注算法交易。FINRA 对算法交易的说明里提到，算法策略在市场里更普遍后，对市场和机构稳定性的潜在影响也随之上升；有效的监督与控制需要覆盖风险评估、代码开发、测试验证、交易系统和合规沟通等环节。
这说明量化不是“模型写完就结束”。只要策略会自动生成订单、路由订单或执行交易，它就进入了更严格的系统工程和风控问题。
七、风控：量化系统的刹车
量化策略最怕没有刹车。模型可以错，数据可以断，市场可以变，交易系统也可能出故障。真正重要的是：错的时候损失能不能被限制住。
常见风控包括：
- 仓位限制：单只资产、单个行业、单个策略不能过度集中；
- 回撤控制：亏损达到阈值时降仓或暂停；
- 杠杆控制：避免小波动放大成大风险；
- 流动性控制：避免持有卖不出去的资产；
- 异常监控：价格、成交、订单、延迟、数据源都要监控；
- 人工熔断：系统异常时可以停下来。
量化不是消灭风险，而是尽量把风险显性化、数字化、边界化。
八、量化和机器学习是什么关系
机器学习可以用于量化，但量化不等于机器学习。
很多经典量化策略并不复杂，可能只是排序、打分、回归、组合优化。机器学习更多是在特征很多、关系非线性、数据量较大时，用来帮助建模。
但金融市场和普通机器学习任务不一样。市场分布会变，样本噪声很大，标签本身不稳定，历史规律也可能因为太多人使用而消失。模型越复杂，越需要问一句：它到底学到了可解释的规律，还是只是记住了历史噪声？
所以在量化里，模型能力重要，但风控、数据、交易成本、组合约束、可解释性同样重要。
九、普通人怎么学量化
如果只是想理解量化，我觉得可以按这条路线走：
- 先学金融市场基础：股票、债券、基金、期货、指数、交易规则；
- 再学统计和概率：均值、方差、相关性、回归、假设检验；
- 再学编程和数据处理：Python、pandas、SQL、可视化；
- 再学策略研究：因子、回测、组合、交易成本、风险指标；
- 最后再碰机器学习和自动交易系统。
最好的入门方式，不是上来追求高频、深度学习或复杂模型，而是先做一个很朴素的策略，把从数据到回测到复盘的链路跑通。
十、最后
量化最迷人的地方，是它把很多模糊判断变成了可以讨论的东西：假设是什么，数据从哪来，规则怎么写，历史表现如何，风险在哪里，什么时候应该停止。
但它最容易误导人的地方，也在这里。数字会给人一种确定感，曲线会给人一种安全感，模型会让人以为自己比市场聪明。
所以我更愿意把量化看成一种学习方法：用数据逼自己把假设说清楚，用程序逼自己把规则写清楚，用回测逼自己面对证据，用风控提醒自己承认不确定性。
这大概才是量化真正“量化”的东西：不是未来，而是我们的判断过程。
参考资料
涉及投资和交易的内容，应该以监管机构、交易规则和专业资料为准。本文只是知识梳理，不构成任何投资建议。