本文是科普文，对之前个人所写的量化投资相关的文章进行了一些整理，方便初次接触量化的朋友进行学习。

如果你已经看过我之前关于量化的文章，并且已经走在了量化的路上，为了节省您的时间，那么本文可以不用继续往下看了。

量化投资，可以按照字面分成两部分，分别是“量化”和“投资”。“投资”是指我们把钱投出去，而“量化”指的是投资之前需要做的准备工作。

为什么量化？
量化是什么？
怎么学量化？
要注意什么？

下面，我将会从这几个方面对量化进行展开，当你弄清楚这些问题之后，就可以快速上手量化投资了。

1 为什么要学习量化？

最近两年，网络上的量化平台如雨后春笋一般涌现出来。

就算你没有接触过量化投资，也或多或少从别人那听说过。

就算你没有听说过，也至少知道alphaGo战胜了李世石、战胜了柯洁的新闻。

机器人可以战胜人类，这不再是一件新鲜事。

在可以预见的未来，投资也会如此。

1.1 量化可以给我们带来更高的收益

对于常常和数字打交道的投资领域，量化能够发挥出什么样的光彩呢？

詹姆斯·西蒙斯^[1]是量化投资的先行者，也是最早的一批人之一，更是其中最厉害的一个。

他在1988年3月成立的大奖章基金。在1989-2009年期间，大奖章基金给客户的平均年回报率高达35%。

如果不考虑高达44%的提成，大奖章基金的年收益率实际上要超过60%。

詹姆斯·西蒙斯给投资界树立了一个标杆，告诉了人们通过量化的方式，可以获得远远超出平均水平的收益。

了解过詹姆斯·西蒙斯的人可能知道，他在进行量化投资之前，是一个数学家。

而我们大部分人都是普通人，他的那套“弹指神通”我们可以学得会吗？

我不是专业学习数学的，也是普罗大众的一员。

同样作为量化的初学者，我的一些经验或许能够给你提供一些参考。

之前，我写了一篇文章《曾经，我找到了投资的圣杯》^[2]，介绍小市值策略在过去能够达到的程度：

2007年1月1日到2016年11月24日初始资金5万的回测结果

投资将近10年，收益6841.38倍，有没有被这样的收益率惊到？

惊叹过后，我马上就用于实盘，下图是joinquant模拟盘至今的结果：

二八轮动小市值

实盘是从2016年6月6日开始的，一年多一点的时间里，获得了年化14.02%的收益。

去年6月份也正好是重组新政开始的时候，在这样严峻的环境下，能够获得这样的收益也还算不错了。

当然，我实际上并没有紧跟这个模拟盘，因为中间对小市值未来存疑，我在2017年4月24日开始更换策略，就是我之前发布过的动态因子策略：

动态因子策略

所以实盘的结果是，从2016年6月6日至2017年7月13日，实现了24.49%的收益，折算成复合年化收益是21.95%。

熊途漫漫，能够获得这样的收益我已经比较满足了。

对于一些牛人来说，量化的模拟盘可能是这样的：

蚂蚁搬家03_精选策略

也可能是这样的：

银行日内

1.2 可以免受情绪的干扰

如果你交易过股票，肯定会有这样的感受，在决策的时候，常常容易纠结。

买了是否还会跌呢？
卖了是否还会涨呢？

每当我们下定了决心，价格的变化，又将我们打回原形。

既浪费了时间，又消耗了精力，还对我们长期地投资结果没有什么影响。

明明是一种捡芝麻丢西瓜的行为，很多人也清楚这个道理，但是常常就是忍不住。

我们的投资决策，常常会受到情绪的干扰，这源于人性，很难解决。

通过量化，其实可以很好地绕开这个干扰。

在制定好量化策略之后，策略会根据市场的情况，对标的进行轮动。

如果不进行同样的计算，我们在当天往往不知道交易的股票是什么，甚至不清楚是否需要交易。

以我个人为例，我设置的策略交易时间为14:50。

在这之后，我了解到需要轮换的股票，并进行交易。先是卖出，然后买入，最多的时候，需要进行20笔。

因为后面三分钟是深交所集合竞价时间，实际上交易的时间只有不到10分钟。

在这么段的时间里，我常常弄得手忙脚乱，有时候甚至没有完全轮换完毕。

你说，这样的情况下，还有心思去纠结吗？

1.3 可以节省出很多时间

功课应该在投资之前就做好。

但是这样的功课，往往需要花费大量的时间和精力。

刚刚学习完价值投资，我就有这样的感觉。

每投资一家企业，我们都需要看它的年报，了解它的财务状况。

我们还需要了解公司的商业逻辑，分析其竞争环境。

每投资一家公司，就需要付出一份时间和精力的。

在刚开始还不熟悉的时候，常常需要花费十天半月的时间，才能研究好一个公司，并且这个公司还不一定适合投资。

成本是放弃了的最大代价，我们在投资上多投入一份精力，就会在工作上少花费一份精力。

也不怪有人会说，年轻人最重要的是投资自己。

因为本金比较少，通过这样的方式投资，往往得不偿失。

量化投资，其实很好地解决了这样的问题。

在制定了一个策略之后，我们只需要花费很少的时间进行维护，付出的成本比价值投资要低得多。

如果你是一个上班族，想要获得不错的收益，又不想在投资上花费太多的精力，量化就是一个非常好的选择。

如果你是一个价值投资者，同样也应该学习量化。

因为通过量化，你可以节省很多采集数据的时间^[3]，让自己专注于定性方面的研究和分析。

1.4 可以快速地检验自己的想法

对于投资，不知道你有没有一些自己的看法？

我刚刚接触投资的时候，想法不多，只求通过抄作业得到一个标准的答案。

但是随着研究和理解的深入，我发现作业抄得再好，你也很难超越写作业的人。

同时你能够抄到的作业，别人自然也能够抄到，这就会有那么一些风险。

然后我就不满足于抄作业，也有了一些自己的想法。

第一次出现了问题，是对港股牛熊证的投机。

之前看到别人分享的方法论，胜率挺高的，并且实现起来也不困难。

然而我在实盘的时候，却发现不是这个样子，除了一开始稍有盈利，后面一直在亏损。

还好当时总投入的金额并不多，并且在亏损之后也没有继续出现想要回本的赌徒心态。

不过这样的损失，其实是可以避免的。

在那之后，我通过量化的方式，使用历史的数据进行了简单的回测，结果是：短期能够获益，长期是要亏损的。

问题的主要原因是出在手续费和滑点上面。

很多投资策略，都可以先通过量化的方式进行回测验证。

策略回测效果很好实盘效果不一定会很好，但策略的回测效果都不好，我们很难相信实盘会拥有良好的效果。

例如我觉得技术指标效果不是很好^[4]，然后我就统计了果仁网所有现成的技术指标数据：

技术指标胜率

在经过回测之后你会发现，单独使用的技术指标，大部分都跑不赢指数，胜率也不高。

当然，也许经过一定的组合可能获得更好的效果，不过那是另外一回事了，需要进一步的验证。

又例如，之前听说在节假日前，市场一般都会上涨^[5]，我就忍不住去验证了一下：

节前最后一天上涨的概率

发现还真有这回事。

通过历史的数据，你可以看到这些节假日前一天的上涨的概率都大于50%。

再例如，我们说中国大部分都是散户^[6]，怎么样验证这个说法呢？

我们可以对比新增投资者（开户）数量和指数点位的变化趋势：

新增投资者数量和上证指数点位变化情况对比

我们可以对比交易投资者的数量和指数点位的变化趋势：

交易A股的投资者数量和上证指数点位变化情况对比

2 量化是什么？

简单来看，量化其实是对数据的统计。

量化的工具我们在工作和生活中，或多或少应该都有用到过——Excel。

据说雪球大V持有封基，用了十年的Excel，量化十年赚了十倍。

在雪球有一个策略很出名，叫做蛋卷斗牛二八轮动。

第一次看到的是这个模型的2.0版本^[7]：

每周五(或者本周的最后一个交易日)临近收盘时，将沪深300指数和中证500指数切换到周线状态，分别查看两者过去四周的累计涨幅。如果过去四周涨幅大的那个指数在四周中能够获得正回报，那么就在收盘前买入对应的ETF持有一周，直至下一次的切换；但是如果过去四周涨幅大的那个指数在四周中依然是亏损的，那么就选择空仓，直至下一次切换。

其实这个策略实现起来非常简单，下面我就告诉你一个5分钟内就可以实现的方法：

第一步：打开通达信软件，输入代码000300（沪深300），切换到周线，然后导出数据到Excel；
第二步：类似地将000905（中证500）的数据导出
第三步：数据拷贝到同一个表格中
第四步：计算四周涨幅（D6=B6/B2-1）
第五步：计算单周涨幅（F6=B6/B5-1）
第六步：根据四周涨幅，选择单周涨幅（H7=IF(D6>E6,F7,G7)）
第七步：添加涨幅小于零的止损（I7=IF(MAX(D6:E6)>0,H7,0)）
第八步：根据涨跌幅计算投资净值（J7=J6*(1+F7)）
第九步：拉表格，插入折线图

表格 净值曲线

橙色的曲线就是该策略的实现效果。

之前我还在这个基础之上，进行了些扩展，做了一个多指数轮动的策略，这是回测结果：

多指数轮动

所以我们没有必要将量化看成很高深的东西。

3 怎么学习量化？

使用excel量化，需要导出数据，也需要编写一些简单的公式。

很多人对量化敬而远之，其实是因为对编程的学习存在迟疑。学习需要花费巨额的时间，却并且不一定能产生相应的价值，这是很多人望而却步的原因。

但是现在有很多量化平台，例如果仁网、优矿、京东量化平台、聚宽，都会提供一些现成的指标，我们连这一步都可以省掉。

甚至很多策略在这些量化平台上，都已经实现了，我们直接拿来使用就可以了。

所以，我觉得“使用”是第一步，也是最重要一步。

我们之所以学了时间英语，却不能和外国人正常交流，原因是什么你想过吗？

但如果你立刻就开始使用的话，就不会存在这样的问题。

我们可以直接找到一个应用的切入点，例如拷贝别人的代码，然后改成自己想要的样子。

学习量化，我就是这样开始的。

拿之前发布的动态因子策略^[8]举例，这个策略真正编程的时间只有半天。

为什么可以这么快？因为里面大量地复用了别人的代码。

首先是回测部分，如果你看前面几行，还能发现别人的版本标识：

版本标识

其次是研究部分，代码也是来源于别人的文章《【研究】量化选股-因子检验和多因子模型的构建》^[9]。

老实说，在一开始的时候，文章的很多内容，我都看不懂。

但没有关系啊，我逐行去执行代码，把每一个疑问都研究清楚。

最终，我在别人代码的基础上，进行了一些微调，得到了自己想要的结果。

所以实际上，我只是代码的搬运工。

一开始我对DataFrame一窍不通，因为数据统计的需要，就学会了数据的批量操作，周二到周六分享的基金回测数据，就是使用得到的结果。

一开始我对matplotlib一窍不通，因为曲线展现的需要，就学会了如何绘图，周二到周六分享的上证指数温度计图片，就是使用得到的结果。

通过这样的方式学习量化，学习编程，你不会觉得枯燥，因为你没走一步，都在应用。

根据自己的需要，不断地去使用就好。也不用强求自己一开始就能做得很好，日拱一卒就够。

使用的需要，会给我们指引前进方向的。

4 量化的注意事项

量化的时候，有些东西^[10]你是需要特别注意的：

未来数据
边界条件
有效样本

未来数据是指那些对于过去的过去而言，已经发生的数据。例如前天的回测不应该用到昨天的数据。

边界条件一般是指那些我们不能达成或者很难达成交易的情况。例如停牌，例如涨跌停。

有效样本^[11]来源于样本规模和样本代表性。

样本的规模和策略中规则触发的频次有关。触发次数只有关键的几次，很可能这些规则就是过度拟合^[12]数据的结果，得到的样本自然就是无效的。

样本的代表性指的是数据量，数据量太小，不足以涵盖市场类型和交易时间，这样形成的策略，同样也是不可信的。

附

文章中涉及到的一些内容：

[1]：与横扫华尔街数学家的珍贵对话
[2]：曾经，我找到了投资的圣杯
[3]：有了这几个工具，我研究公司花费的时间下降了80%
[4]：看K线，赚大钱。
[5]：又是一年五一节了
[6]：跌跌不休，什么时候是个头？
[7]：二八轮动模型升级至2.0版，更简单更赚钱
[8]：动态因子策略，圣杯？
[9]：【研究】量化选股-因子检验和多因子模型的构建
[10]：是什么，让你对自己的策略确信无疑？
[11]：投资10年300倍，你相信吗？
[12]：量化的实盘效果为什么总是不如回测？