量化投资入门

量化投资 是用数学模型 + 程序化 的方式做投资决策，相比主观投资，纪律性、可复制、可回测 是其核心优势。

🎯 什么是量化投资

与主观投资的对比

维度	主观投资	量化投资
决策方式	人工判断	模型 + 程序
情绪	受情绪影响大	无情绪
可复制	难	易
可回测	难	易
处理数据	有限	海量
容量	小	大
收益	取决于人	取决于模型
风险	取决于人	取决于模型

量化投资的优势

纪律性：严格执行模型，不受情绪影响
可回测：历史数据验证策略
可复制：策略可标准化、自动化
分散化：可同时持有多只股票
速度：程序化执行毫秒级

📊 量化策略分类

按持仓周期

周期	频率	典型策略
超高频	秒级	统计套利、做市
高频	分钟级	短线博弈、T+0
中频	日级	趋势跟踪、动量
低频	周-月级	多因子、价值选股
超低频	季-年级	资产配置、再平衡

按策略类型

策略	原理	风险
多因子选股	综合 PE / ROE / 动量等多因子排序	中
趋势跟踪	跟随价格上涨趋势	中
均值回归	偏离均值时反向操作	中
统计套利	配对交易、跨期套利	中低
市场中性	多空对冲、剥离市场风险	中低
事件驱动	公告、重组、分红等事件	中高
高频做市	提供流动性，赚取价差	低
机器学习	AI 预测价格 / 走势	中高

🛠️ 量化投资的工作流程

完整流程

Step 1  策略构思（Idea）
  ↓
Step 2  编写代码
  ↓
Step 3  历史回测（Backtest）
  ↓
Step 4  样本外测试（Out-of-Sample）
  ↓
Step 5  模拟盘（Paper Trading）
  ↓
Step 6  小资金实盘
  ↓
Step 7  大规模实盘
  ↓
持续监控 / 调优 / 更新

关键步骤说明

步骤	目的	时间
回测	验证策略在历史上是否赚钱	1-2 周
样本外测试	防止过拟合	1-2 周
模拟盘	验证实盘运行	1-3 月
小资金实盘	验证可执行性	3-6 月
大规模实盘	真实收益	持续

🔧 主流策略详解

1. 多因子选股

核心思想：综合多个因子打分排序，选出最优质的股票。

常见因子：

因子	说明	方向
价值因子	PE、PB、PS 倒数	低估值高分
成长因子	营收增速、利润增速	高增长高分
质量因子	ROE、毛利率	高质量高分
动量因子	过去 N 月涨幅	高动量高分
波动因子	波动率	低波动高分
流动性因子	成交额	高流动性高分
规模因子	市值	小盘高分（小盘溢价）

示例模型（简化）：

python

# 伪代码
def score(stock):
    value = 1 / stock.PE
    quality = stock.ROE
    momentum = stock.return_12m
    return 0.4 * value + 0.4 * quality + 0.2 * momentum

# 每月选 top 50
top_50 = sorted(universe, key=score)[:50]

2. 趋势跟踪（CTA）

核心思想：跟随上涨趋势买入，跟随下跌趋势卖出。

典型指标：

均线：MA5 / MA10 / MA20
MACD：金叉 / 死叉
布林带：突破上轨 / 跌破下轨
ATR：波动率止损

示例：

股价站上 MA20 且 MA5 > MA20 → 买入
股价跌破 MA20 → 卖出
止损：买入价 - 2 × ATR

3. 均值回归

核心思想：价格偏离均值时反向操作。

典型指标：

布林带：跌破下轨买入、突破上轨卖出
RSI：< 30 买入、> 70 卖出
价格偏离均线 N% 买入

适合：

震荡市
短线（数天）

4. 市场中性（Alpha 套利）

核心思想：做多 alpha 股票 + 做空指数，对冲市场风险。

步骤：

选股模型选出预期跑赢市场的股票（alpha 50）
做多这 50 只（等金额）
做空等金额的沪深 300 指数（IF 期货 / IH 期货）
赚取 alpha 收益（不依赖大盘涨跌）

收益特征：

与大盘相关性低
适合绝对收益 投资者

5. 统计套利

配对交易：

找出高度相关的两只股票（A、B）
当 A/B 比值偏离历史均值时：
- 多 A 空 B（如果 A 相对低估）
- 多 B 空 A（如果 B 相对低估）
比值回归时平仓

跨期套利：

同一 ETF 不同月份合约
价差回归套利

💻 量化工具与平台

编程语言

语言	优点	适合
Python	易学、库丰富、主流	中低频、回测、数据分析
C++	速度极快	高频
R	统计强	因子研究
Matlab	矩阵计算强	学术

国内量化平台

平台	类型	特点
聚宽（JoinQuant）	在线	免费回测、模拟盘
优矿（Uqer）	在线	通联数据
米筐（Ricequant）	在线	量化社区
BigQuant	在线	AI 量化
迅投 QMT	券商	实盘交易
恒生 PTrade	券商	实盘交易
国信 iQuant	券商	实盘交易
华宝 ATC	券商	智能交易

数据来源

数据	来源
行情数据	Tushare、AKShare、BaoStock
财务数据	Tushare、Choice、Wind
指数数据	中证指数公司官网
新闻 / 舆情	Tushare、聚宽

📊 回测要点

1. 数据准备

复权方式：前复权（推荐）
样本期：至少 5 年
训练 / 测试划分：80% / 20%

2. 防止过拟合

方法	说明
样本内 / 样本外	数据分两段
Walk Forward	滚动优化
交叉验证	K 折
简化模型	参数少 = 过拟合风险低
经济意义	策略有"为什么赚"

3. 真实交易成本

成本	数值
印花税	0.05%（卖出）
过户费	0.001%
佣金	1-3‱
滑点	0.05-0.2%
冲击成本	大单买入 / 卖出时

⚠️ 滑点和冲击成本 是回测和实盘差距的主要来源。

4. 评估指标

指标	含义	优秀
年化收益	复利年化	> 15%
最大回撤	历史最大亏损	< 15%
夏普比率	(收益 - 无风险) / 波动	> 1.5
卡玛比率	年化收益 / 最大回撤	> 2
胜率	盈利笔数 / 总笔数	> 50%
盈亏比	平均盈利 / 平均亏损	> 2

⚠️ 量化投资的风险

1. 模型风险

过拟合：策略在历史有效，未来失效
黑天鹅：极端行情下模型可能失效

2. 技术风险

程序 bug 导致意外交易
服务器宕机、网络延迟

3. 监管风险

监管对量化交易越来越严格
高频交易可能被限制

4. 流动性风险

极端行情下无法成交
熔断 / 跌停 / 涨停 时的策略失效

5. 同质化风险

同一策略被很多人使用
收益会被摊薄

🎓 学习路径

新手阶段（1-3 月）

学习 Python 基础
学习 Pandas / NumPy
在聚宽 / 米筐等平台跑现成策略
阅读《打开量化投资的黑箱》

进阶阶段（3-6 月）

自己写多因子模型
学习回测框架（Backtrader）
学习专业数据接口
阅读《Advances in Financial Machine Learning》

高阶阶段（6 月+）

实盘策略
机器学习应用
高频 / 低延时系统
量化择时 / 资产配置

📚 推荐资源

书籍

《打开量化投资的黑箱》（Rishi Narang）
《Advances in Financial Machine Learning》（Marcos López de Prado）
《Quantitative Trading》（Ernest Chan）
《海龟交易法则》

网站 / 社区

聚宽社区：https://www.joinquant.com
优矿社区：https://uqer.io
米筐社区：https://www.ricequant.com
BigQuant：https://bigquant.com
Tushare：https://tushare.pro

开源框架

Backtrader（Python 回测）
Zipline（Python 回测）
vnpy（Python 实盘）
Qlib（微软 AI 量化）

量化投资入门 ​

🎯 什么是量化投资 ​

与主观投资的对比 ​

量化投资的优势 ​

📊 量化策略分类 ​

按持仓周期 ​

按策略类型 ​

🛠️ 量化投资的工作流程 ​

完整流程 ​

关键步骤说明 ​

🔧 主流策略详解 ​

1. 多因子选股 ​

2. 趋势跟踪（CTA） ​

3. 均值回归 ​

4. 市场中性（Alpha 套利） ​

5. 统计套利 ​

💻 量化工具与平台 ​

编程语言 ​

国内量化平台 ​

数据来源 ​

📊 回测要点 ​

1. 数据准备 ​

2. 防止过拟合 ​

3. 真实交易成本 ​

4. 评估指标 ​

⚠️ 量化投资的风险 ​

1. 模型风险 ​

2. 技术风险 ​

3. 监管风险 ​

4. 流动性风险 ​

5. 同质化风险 ​

🎓 学习路径 ​

新手阶段（1-3 月） ​

进阶阶段（3-6 月） ​

高阶阶段（6 月+） ​

📚 推荐资源 ​

书籍 ​

网站 / 社区 ​

开源框架 ​

📚 相关阅读 ​