什么是量化投资：从“经验判断”到“数据驱动”
量化投资以可复现的统计/数学模型为核心，用系统化流程把“想法→数据→信号→组合→执行→评估”闭环。相较主观投研，它强调数据质量、统计显著性与全过程风险控制；随着电子化交易普及，算法交易与机器学习已渗透到选股、择时与执行环节。
理论基石：风险–收益、因子与“基本定律”
- 现代投资组合理论（MPT）
马科维茨提出以期望收益–方差为目标的资产配置框架，奠定了有效前沿与分散化的数理基础。 - 因子模型（Fama–French）
在市场因子之外，引入规模（SMB）与价值（HML）等公共风险因子来解释收益横截面；此后又扩展至盈利能力与投资因子，成为风格/因子投资的学术基石。 - 主动管理基本定律（FLAM）
格里诺德–卡恩指出信息比率约等于“技巧质量×独立投注次数”的函数，提示通过多样化的独立信号与严格的风险控制来提升主动效率。 - 自适应市场假说（AMH）
洛（Andrew Lo）从进化视角解释市场效率与行为偏差的共存，提醒模型需随环境变化而自适应。
数据→特征→信号：量化研究与建模流程
- 数据与治理：结构化行情/基本面、非结构化文本/图像与替代数据的合规引入，强调数据质量、偏差与伦理框架。
- 特征工程与因子构造：价值、动量、规模、质量等风格在多资产上的可迁移性与度量方法，辅以回归/横截面分解评估组合暴露。
- 模型与验证：从线性/时序模型到树模型、深度学习与集成方法，配合走前验证、交叉验证与稳健性检验，避免非平稳数据下的过拟合。
- 绩效评估：在夏普/信息比率之外，引入概率性/去偏夏普（PSR/DSR）与回测过拟合概率（PBO/CSCV），对多重测试与非正态收益进行统计校正。
回测常见陷阱：如何避免“漂亮的假曲线”
- 数据窥探与多重检验：大量尝试后挑“最优”，易把噪声当信号；用PSR/DSR与CSCV/PBO校正显著性与最短样本期。
- 幸存者偏差与前视偏差：只用“活着”的成分或提前用了未来信息，会系统性高估绩效，需要使用含退市/实际时点戳的数据集并做字段时点化。
- 成本忽略：手续费、滑点、借券/冲击成本必须纳入；很多“纸面超额”在成本后消失。
从信号到收益：执行与交易成本的科学
- 实施偏差（Implementation Shortfall, IS）
Perold 将“理想决策价”和“实际成交价”的差距定义为实施偏差，成为评估真实可实现收益的核心指标。 - 最优执行模型
Almgren–Chriss 框架在“波动风险×冲击成本”的权衡下给出最优切片轨迹；与市场微观结构中的信息/冲击（如Kyle 1985）共同解释大单执行与价格影响。 - 算法执行与AI
传统VWAP/TWAP是基准；CFA研究亦指出强化学习等方法正用于自适应执行路径规划，以降低交易摩擦。
组合与风险：从均值–方差到Risk Parity与风险预算
- MPT与分散化：在均值–方差框架下通过相关性管理降低整体波动并实现有效前沿。
- 风险平价（Risk Parity/等风险贡献）：按风险而非资本配置，使各资产对组合总风险贡献大致相当，在不同经济情景下力求更平滑的风险–收益表现。
- 实践考量：风格/因子与资产维度的风险预算、杠杆与再平衡机制需要动态管理与压力情景测试。
AI/ML究竟改变了什么
- 研究侧：NLP/图像/语音使非结构化数据可量化；机器学习在选股、择时、风险建模与异常检测上扩展了特征与模型空间。
- 执行侧：从规则化切片到自适应/强化学习执行，AI在交易路径、子订单时机与盘口应对上降低实施偏差。
- 治理侧：IOSCO针对AI在资本市场的使用发布指引，强调数据质量、可解释性、测试与监控、外包与伦理等全流程责任。
合规与披露：把“好流程”变成“可托付”
- 披露与绩效呈现：GIPS为全球统一的业绩呈现标准，有助于透明对比与合规营销。
- 自动投顾/算法合规要点：SEC 针对Robo-Adviser发布合规框架，强调适当性信息收集、模型与合规程序、以及客户沟通与披露；市场接入（Rule 15c3-5）要求经纪商建立风险控制，减少快频交易引发的系统性风险。
上手与落地：一套可复用的研究→实盘清单
- 明确目标与约束：收益/回撤/波动/周转率/流动性边界。
- 数据治理：时点化字段、去幸存者偏差、记录数据版本。
- 建模与验证：分层CV/走前验证；记录尝试次数；用DSR/PSR与PBO评估稳健性。
- 组合与风险：暴露控制、风险预算与情景压力测试。
- 执行与成本：以IS为核心指标，对标VWAP/TWAP与最优执行模型；建立滑点与冲击曲线。
- 披露与监控：对齐GIPS/监管要求，建立告警、模型漂移监测与例行回顾。
常见问答（FAQ）
Q1：量化一定比主观管理更“高胜率”吗？
不必然。量化的优势在于流程化与可重复，但仍受数据质量、模型设定、交易成本与风控所限；应以统计显著性与可实现收益为准绳。
Q2：为何回测通过，实盘却失效？
常见原因是数据窥探/幸存者/前视偏差以及成本低估；应采用DSR/PSR与CSCV/PBO等方法约束过拟合，并在仿真/纸面交易中先验证实现成本。
Q3：AI模型不透明，如何合规落地？
遵循IOSCO关于AI的开发、测试、监控与可解释性指引，并根据当地监管就自动投顾/市场接入等条款建立内控与披露。
