量化交易的范式：从经验决策到数据决策

当投资决策仍主要依赖“经验、直觉与叙事”时，结果往往呈现出两种特征：其一，收益高度依赖个体能力与情绪稳定性，难以复制；其二，决策过程难以被准确记录与复盘，因而很难持续改进。量化交易（Quantitative Trading）的核心贡献，并不在于“用机器替代人”，而在于把投资从一套不可检验的主观判断，转化为一套可度量、可证伪、可迭代的工程化流程：用数据表达观点，用统计检验评估观点，用系统约束执行观点，并用风险框架管理观点可能失败的方式。

1. 量化交易与主观交易：差异不在“聪明”，而在“可检验”

量化交易与主观交易并非简单的对立。现实中，许多成功机构同时使用两者：宏观判断决定“交易什么”，量化模型决定“何时、多少、如何交易”。二者的关键差异在于：决策依据如何被表达、如何被检验、如何被复制。

1.1 决策表达：从语言叙事到数学对象

主观交易常见表述是：“这家公司基本面改善、估值便宜、市场情绪回暖，所以可以买。”量化交易则需要把这些判断转写为可计算的变量与规则，例如：

• “基本面改善”→ 营收/利润同比增速、现金流质量指标等
• “估值便宜”→ 市盈率分位数、市净率相对行业偏离
• “情绪回暖”→ 波动率回落、资金流入、新闻情感得分

> 侧边栏提示：把观点写成代码，是量化的第一门槛。不是为了炫技，而是为了让观点“落地”为可执行、可复现的对象。

1.2 可证伪性：量化强调“我可能错”，并定义错的方式

主观交易常见问题是：当结果不佳时，失败原因可以被无限解释（“时点不对”“市场太极端”“消息面扰动”），从而缺少明确的改进方向。量化交易强调可证伪性（falsifiability）：在策略设计时就说明

• 信号预期在什么市场条件下有效
• 预期收益与风险大致处于什么量级
• 如果表现偏离，哪些指标会首先恶化（如换手、滑点、胜率、回撤）

这使得策略从“观点”变为“假设”，从“信仰”变为“实验”。

1.3 迭代方式：主观依赖经验积累，量化依赖实验闭环

主观交易的优势在于对非结构化信息（政策、产业链、突发事件）的理解更灵活；量化交易的优势在于更稳定的学习机制：通过回测、仿真与实盘监控，将每一次交易都纳入数据集，形成可迭代的改进路径。

下表给出一种更具操作性的对比：

| 维度 | 主观交易（Discretionary） | 量化交易（Quant） | |---|---|---| | 决策载体 | 语言、经验、盘感 | 特征、规则、模型、约束 | | 复盘方式 | 叙事复盘为主 | 指标复盘 + 归因分析 | | 稳定性来源 | 交易者状态与纪律 | 系统化流程与风控 | | 风险暴露 | 容易“说不清” | 可被分解与约束（因子/行业/久期等） | | 主要盲区 | 情绪、确认偏差 | 过拟合、数据偏差、制度约束 |

2. “信号—组合—执行—风控”：量化交易的闭环结构

量化交易不是“找一个因子就能赚钱”。可持续的量化体系更像一条生产线：信号产生观点，组合表达观点，执行兑现观点，风控约束观点。任何一环薄弱，都可能让策略从“理论可行”走向“实盘失真”。

```mermaid graph TD A[数据与研究] --> B[信号 Signal<br/>预测/排序/分类] B --> C[组合 Portfolio<br/>权重与约束] C --> D[执行 Execution<br/>订单/成本/冲击] D --> E[风控 Risk<br/>限额/止损/压力测试] E --> F[绩效归因与监控<br/>回测-仿真-实盘对齐] F --> A ```

2.1 信号：把“可预期的统计偏差”提炼出来

信号（Signal）是对未来收益或风险的预测变量，常见形式包括：

• **横截面信号**：在同一时点给资产排序（如动量、价值、质量）
• **时序信号**：判断单一资产的方向或仓位强度（如趋势跟踪）
• **事件驱动信号**：围绕公告、财报、宏观数据发布构建规则

评价信号质量时，常用指标包括信息系数（IC）、预测回归的显著性、分层收益的单调性等。直观地说：好信号不一定高胜率，但应当在统计意义上带来“可重复的优势”。

> 引用要点：量化不是寻找“必胜法则”，而是寻找“期望值为正且可规模化的偏差”。

2.2 组合：把信号翻译成可持有、可承受的仓位

组合（Portfolio）解决的问题是：买多少、买哪些、持有多久、如何分散。最经典的框架来自均值—方差理论，其核心思想是：在给定风险下最大化期望收益，或在给定收益下最小化波动。

常见的数学表达之一为： $$ \max_{w} \;\; \mu^\top w - \frac{\lambda}{2} w^\top \Sigma w \quad \text{s.t.}\;\; \sum_i w_i=1,\; w \in \mathcal{C} $$

其中，$w$ 为权重向量，$\mu$ 为预期收益，$\Sigma$ 为协方差矩阵，$\lambda$ 为风险厌恶系数，$\mathcal{C}$ 表示各种约束（如行业中性、单票上限、杠杆限制、换手上限等）。

对普通读者而言，最重要的理解是：组合层是“把观点变得可控”的地方。即便信号正确，如果仓位过于集中、相关性过高或隐含杠杆过大，结果仍可能不可接受。

2.3 执行：把“理论收益”与“可获得收益”之间的鸿沟填平

执行（Execution）决定策略是否能在真实市场兑现。交易成本一般包括：

• **显性成本**：佣金、税费
• **隐性成本**：买卖价差（spread）、冲击成本（market impact）、滑点（slippage）

许多策略在回测中看似优秀，实盘却显著衰减，根因往往在执行层：信号带来的收益被成本吞噬，或成交无法按预期完成。尤其在小市值、低流动性、或高换手策略中，这一问题更突出。

下面给出一个用于“把成本纳入回测”的简化伪代码示例（强调思路而非工程完备）：

```python def net_return(gross_return, turnover, fee_bps=5, impact_bps=10):

gross_return: 组合毛收益

turnover: 换手率（0~1）

cost = turnover * (fee_bps + impact_bps) / 10000 return gross_return - cost ```

2.4 风控：承认不确定性，并为失败预留制度空间

风控（Risk Management）并不是“亏了就止损”这么简单，而是对风险来源进行拆解并设定边界，例如：

• **市场风险**：整体下跌时组合能否承受（Beta 暴露）
• **风格风险**：价值/成长、大小盘、动量等因子暴露
• **流动性风险**：极端行情下能否退出
• **模型风险**：参数失效、结构性断裂（regime shift）
• **操作风险**：数据错误、下单错误、系统延迟

常用风险度量包括波动率、最大回撤（Max Drawdown）、VaR/ES、压力测试等。对普通投资者而言，最大回撤尤其重要，因为它同时体现了策略在“坏时刻”需要付出的心理与资金成本。

3. 收益、风险与不确定性：从“赚不赚”到“分布如何”

量化交易强调以概率分布看待结果。与其问“这策略能不能赚钱”，不如问：

• 收益分布的均值与方差如何？
• 尾部风险（极端亏损）概率多大？
• 在多长时间尺度上，优势才能显著显现？

3.1 期望收益与风险：常见指标的“可理解版本”

最常用的风险调整收益指标之一是夏普比率（Sharpe Ratio）： $$ \text{Sharpe}=\frac{E[R_p - R_f]}{\sigma(R_p - R_f)} $$ 其中 $R_p$ 为组合收益，$R_f$ 为无风险利率，$\sigma$ 为超额收益波动率。

直观解释：单位波动带来多少超额收益。但它也有局限：在收益分布肥尾、存在跳跃或波动率聚集时，单一指标会掩盖尾部风险。因此在量化实践中，夏普通常与最大回撤、卡玛比率（Calmar）、偏度/峰度等共同使用。

3.2 不确定性：你面对的是“噪声中的微弱信号”

金融市场的一个基本事实是：短期价格波动中，噪声占比极高，能被稳定提取的可预测成分往往很弱。这意味着：

• 策略在短样本期内的好坏，可能主要由运气驱动
• 回测结果容易被“选择偏差”与“过拟合”放大
• 真实世界会出现结构变化：制度、参与者、流动性、交易成本都会变

学术与行业研究反复提醒：主动投资获得超额收益并不容易。例如，长期跟踪报告（如 SPIVA）经常显示，在较长周期内，多数主动基金在扣除费用后难以跑赢相应基准指数；行为金融研究亦表明，过度交易往往导致收益被成本侵蚀[^1]。这些结论并非否定主动或量化，而是在强调：优势如果存在，通常是“薄利”且需要严格的流程保护。

[^1]: 可参考：Barber & Odean 关于个人投资者交易行为的经典研究；以及 S&P Dow Jones Indices 的 SPIVA 系列报告（见：https://www.spglobal.com/spdji/en/spiva/ ）。

4. 不同市场环境下的优势与局限：没有“永动机”，只有“适用域”

量化交易的优势常被概括为三点：纪律、规模化、可复盘。但在不同市场环境中，优势能否显现取决于策略类型与市场微观结构。

4.1 环境一：趋势显著的市场——趋势策略更占优，但也更“磨人”

案例 A：期货趋势跟踪（CTA） 趋势策略通常在价格出现持续单边运动时表现较好，因为信号可以在噪声之上捕捉到方向性漂移；而在震荡市（来回反转）中，趋势策略容易频繁止损，形成“鞭打效应（whipsaw）”。这解释了为何同一类策略会出现较长的低迷期：不是模型失效，而是环境不匹配。

可操作的启示是：趋势策略的风险管理重点常不是“预测错误”，而是控制反复止损带来的回撤与信心损耗，并通过多市场、多周期分散降低单一环境的依赖。

4.2 环境二：横截面分化明显——选股因子更容易发挥，但拥挤风险上升

案例 B：股票横截面动量/质量因子 大量实证研究发现，动量、价值、质量等因子在长期数据中呈现一定风险溢价特征，但因子收益并非线性稳定：它会经历长时间的失效、拥挤、与风格切换。例如动量在某些急剧反转阶段可能出现“动量崩盘”，表现为此前强势资产快速回撤。

启示在于：因子策略的“敌人”不仅是随机噪声，还有参与者结构变化与交易拥挤。当同质资金集中在相似信号上，流动性约束会放大尾部风险。

4.3 环境三：相关性骤升与流动性枯竭——多数模型都会变脆弱

案例 C：统计套利与“相关性上升”冲击 统计套利（如配对交易、均值回复）依赖历史相关结构的相对稳定。当市场进入危机模式时，相关性可能显著上升、价差结构发生断裂，同时融资与流动性条件收紧，策略会出现超预期回撤。历史上多次“量化集体回撤”事件都提示：即便每个模型都合理，组合层面的拥挤与杠杆也可能导致系统性脆弱。

启示是：对极端情景的压力测试与去杠杆机制，往往比“把信号再拟合得更好”更重要。

5. 学习路线与实践边界：把“会做模型”升级为“能做系统”

本书规划为 18 章，目标不是教读者背诵某个策略，而是建立从研究到实盘的完整能力栈。对普通读者而言，最有效的学习方式是沿着“闭环”逐层推进，而不是一开始就追逐复杂模型。

5.1 建议的学习路径（从低门槛到高门槛）

• **第一阶段：建立语言与度量**

理解收益、波动、回撤、相关性、基准与超额收益，学会用图表与指标描述策略。

• **第二阶段：从数据到信号**

数据清洗、样本划分、避免未来函数；学习基础因子与简单预测模型。

• **第三阶段：从信号到组合**

仓位管理、分散、约束、再平衡频率；理解“换手—成本—容量”的权衡。

• **第四阶段：从组合到执行与风控**

交易成本建模、滑点、冲击；风险预算、压力测试、限额体系。

• **第五阶段：工程化与治理**

研究与生产隔离、日志与监控、版本管理；策略上线的审计与复盘机制。

> 关键提醒：多数初学者失败并非因为“不会机器学习”，而是因为忽视了数据偏差、成本与风控三件事。

5.2 常见误区：看似细节，实则生死线

1. 把回测当成结论，而不是实验：回测只是历史条件下的模拟，不是对未来的保证。 2. 数据泄露与未来函数：不经意地使用了未来才知道的信息（如财报发布日期对齐错误）。 3. 幸存者偏差：只用现存股票池回测，忽略退市与并购，结果高估收益。 4. 忽视交易成本与容量：策略收益被成本吞噬，或资金一大就无法成交。 5. 过拟合（Overfitting）与“参数寻宝”：为了让曲线好看不断调参，得到的是噪声的拟合。 6. 用单一指标评判策略：只看年化收益不看回撤，只看夏普不看尾部风险。

5.3 合规与边界：量化不等于“无约束的自动赚钱机”

量化交易在合规上与主观交易同样严格，甚至更需要制度化约束。实践中应特别关注：

• **信息合规**：严禁内幕信息交易；对数据来源、授权范围、隐私与版权保持审慎。
• **交易合规**：避免可能构成市场操纵的行为（如虚假挂单、对倒、拉抬打压等）。
• **适当性与披露**：若涉及向他人提供策略或资金管理，应遵循当地监管对资质、风险揭示、宣传合规的要求。
• **记录与审计**：保留研究、回测、参数、上线变更与交易日志，以便复盘与合规审查。

> 本书内容用于学术讨论与方法论学习，不构成任何投资建议。读者在真实交易前，应充分理解所在市场与平台的规则，并评估自身风险承受能力。

6. 小结：从“做对一次”到“长期做对的概率更大”

量化交易的范式迁移，本质上是把投资从“个人技艺”转化为“系统工程”：用数据定义问题，用模型表达假设，用组合与执行将假设变成可交易的仓位，用风控为不确定性设置边界，并用持续复盘驱动迭代。它并不保证收益，但能显著提升两件事：决策的可解释性与改进的可持续性。

下一步需要回答的问题将更具体：数据从哪里来、如何清洗才不引入偏差、信号如何评估才不被噪声欺骗、组合如何构建才能在现实约束下存活。只有沿着闭环逐层推进，量化交易才会从“看起来很科学”，变成“在实盘里能工作”。