一、背景

谁是西蒙斯？

夜景001.jpg

2019 年，我天天对着堆成山的财务报表加班，眼睛都快看花了。Excel 和财务软件上跳动的数字突然变得陌生 —— 难道我的人生就要永远困在这些冰冷的账目里？难道我就这样替人做利润表一辈子，自己的财务人生却还是空白？

想起大学时炒股的 “黑历史”，看了两本技术指标书后，啥也不懂就瞎买，最后被割得干干净净，成了妥妥的韭菜。但心里一直藏着个梦想：总有一天成为厉害的投资者。

直到有天深夜在油管刷视频，刷到西蒙斯老爷子。这位量化投资界的传奇，靠着数学模型和代码，把文艺复兴科技公司做成了 “赚钱机器”，年化收益率高得吓人！

西蒙斯照片.jpg

“量化投资” 这四个字一下就抓住了我，就像在黑暗里突然照进来一束光。当时就想：原来投资还能这么玩？我当场决定，必须试试这个！

可真学起来才知道有多难。Python 代码看得我直挠头，金融术语听得我晕头转向，AI 知识和数理知识更是让我怀疑人生，感觉脑子都要烧糊了。

不过我始终记着：“每天进步 1%，一年认知积累将会达 37 倍。” 这几年，我硬着头皮啃书、考相关证书，终于在 2022 年转行做了 IT。

即便遇到不少挫折，我也一直坚持摸索，因为我知道，不拼尽全力，永远摸不到量化投资的大门。

2025 年初，偶然在网上看到 “量变学院” 的线下课程，果断报名参加。在课上经过一系列学习，我才真正摸到了量化投资的门槛，开始慢慢理解什么才是真正的量化。

这些年踩过的坑、走过的弯路，都成了我的独家经验包。接下来，我将从代码、数理、金融、交易这 4 个关键板块，把自己的闯关心得全掏给你，准备了这个《文科生の量化闯关记》系列，帮你少走些冤枉路！

二、量化交易纵览与概论

（一）、量化投资

接下来分享的量化知识，是我结合‘量变学院’课程体系与《量化李不白》自媒体内容，系统整理的学习笔记。

1、什么是“量化”？

量化投资是一种基于数学模型、统计学方法及算法的投资方式，核心是通过数据分析驱动决策，而非依赖个人经验或直觉。其本质是将投资逻辑转化为可验证的量化规则，通过回测、优化、实盘的闭环流程，实现系统化交易。具体特点包括：

数据驱动决策：基于公开数据（如财务、量价、文本等）构建模型，通过统计推断预测市场走势，例如用因子投资框架挖掘有效指标（如财务因子、动量因子），并通过多因子模型生成交易信号。
系统化流程：涵盖“数据获取-清洗-因子挖掘-策略构建-回测验证-模拟交易-实盘落地”全流程，每个环节需严格遵循量化逻辑，例如回测时需关注收益率、最大回撤等指标，规避过度拟合。
多学科交叉：涉及编程（Python工具栈，如pandas处理数据、matplotlib可视化）、数理（线性代数、概率论、机器学习）、金融（资产定价模型、因子投资）等领域，例如用 Python 的 pandas 处理财务数据，结合线性代数构建因子矩阵，再通过 CAPM 模型完成多因子选股策略的回测与验证。
核心在于统计与算法：真正的量化并非简单的程序化交易（如用麦语言自动选股），而是通过算法优化（如高频交易中控制延迟在微秒级）和统计分析（如相关性检验、假设检验），实现策略的可持续性，例如中低频交易中通过截面维度和时间序列预测构建策略。

2、量化交易与主观交易的核心区别

对比维度	量化交易	主观交易
决策依据	基于数学模型、统计规律和历史数据，通过因子分析、回测等科学方法验证策略有效性。例如用Barra风险模型控制因子暴露，或通过多因子检验筛选有效指标。	依赖个人经验、直觉、市场观察及主观判断，例如根据K线形态、均线金叉死叉或“盘感”决策，易受情绪（如恐惧、贪婪）影响。
试错成本	成本低，可通过历史数据回测、模拟交易提前发现策略缺陷，无需实盘亏损。例如用100万资金回测，亏3%即可定位因子失效或风控漏洞，快速优化。	成本高，需通过实盘交易亏损“悟道”，且难以确定方法论是否正确。例如亏20%-30%才意识到策略失效，且纠错依赖个人顿悟，效率低。
策略逻辑	以截面策略为主，核心是“排序”（如对股票按因子得分排序，选择高分标的），注重多因子组合与风险分散，例如趋势跟踪策略通过量化指标判断市场高波动环境并开仓。	以时序策略为主，聚焦个股买卖点优化（如寻找“最佳买点”），依赖单一品种或技术形态，例如主观认为某股票突破均线即买入，忽视整体市场环境。
标准化与复制性	有相对标准化的方法论，例如因子投资流程（挖掘-检验-组合）、风险控制框架（如行业集中度限制），策略可复现。例如同一套量化模型，不同人使用结果差异小。	无标准答案，策略依赖交易员个人认知、经历，难以复制。例如优秀主观交易员的决策融合个股、行业、甚至社交信息，其“盘感”无法通过数据量化。
收益与风险特征	收益相对稳定，因风控严格（如限制单一品种仓位），难以实现几十倍高收益，但长期复利效应显著。例如量化基金年均收益15%-25%，最大回撤可控。	可能通过单一品种重仓获取高收益（如某年份收益几十倍），但风险极高，易受市场波动影响，收益随机性强，例如某主观交易员今年赚300%，明年可能亏损50%。
执行力与干预	依赖代码执行，减少人工干预，策略纪律性强。例如回测验证后的策略自动运行，避免“犹豫不卖”等心态问题。	易受心态影响，执行力不稳定，例如计划止损但因侥幸心理扛单，或因贪婪提前止盈。
数据分析能力	依赖庞大的数据分析框架，例如用Python处理TB级量价数据，通过机器学习挖掘非线性关系，例如用神经网络预测股价趋势。	依赖肉眼观察和人脑分析，难以处理复杂数据，例如无法快速计算数百只股票的因子相关性，易忽略隐性风险。
市场适应性	擅长处理可量化的规则化市场（如高波动、因子有效环境），例如量化定义“高波动”为价格突破历史标准差极限，此时策略盈利概率高。	擅长处理无法量化的突发信息（如政策突变、产业动态），例如主观交易员通过调研某公司产能变化，提前布局股票。

类比说明：

量化像赛车：依靠标准化的机械结构（模型）、精准的参数调校（因子优化）和严格的规则（风控），在大多数情况下稳定行驶，虽难瞬间爆发，但持续复利；
主观像赛马：依赖骑手的经验（盘感）和马匹的临场状态（个股突发消息），可能某段赛程一骑绝尘，但难以持续，且受骑手状态（心态）影响大。

二、量化学习路线图

4个维度.png
在 “量变学院” 学习量化投资期间，我以课程的《量化投资进阶知识图谱》为指引，系统梳理编程、数理、金融、交易等核心技能点，最终串联成清晰的学习路线图。

1、金融（因子投资 + 金融应用）

因子投资全流程：多维度因子挖掘（财务/量价/文本）→ 单/多因子检验筛选 → 技术分析融合生成交易信号 → 构建趋势跟踪、均值回归等策略 → 回测验证（收益率、最大回撤等指标）→ 仓位动态管理（固定/风险平价等策略）→ 模拟交易演练 → 实盘落地，强调因子配置优化与风险控制闭环。
金融模型与应用：资产定价模型（CAPM、APT、Fama - French 三因子）、蒙特卡洛模拟（期权定价等场景）、事件研究法（分析事件对资产价格影响），支撑金融场景实操。

因子投资全流程如同找股票的 “加分项”—— 先从财报、量价数据、新闻中挖掘线索（因子），再逐一测试其有效性（如 “该因子能否预测股价上涨”），通过后组合成策略（如均值回归策略），接着用历史数据回测验证（检验策略历史收益），动态调整仓位并实盘验证，全程需做好风险控制。

金融模型与应用好比 “金融操作手册”。例如 CAPM 模型用于计算股票合理估值；蒙特卡洛模拟通过计算机模拟 100 种股价走势，测算期权价值；事件研究法分析财报等事件对股价的具体影响。这些模型能将主观判断转化为有据可依的投资决策。

2、代码编程（Python 工具栈）

基础语法：覆盖 Python 数据类型（字符串、列表等）、函数（def、lambda ）、模块管理，搭建编程基础。
金融专属库：数据处理（numpy、pandas ）、可视化（matplotlib、seaborn ）、网络请求（requests ）、爬虫（scrapy、selenium ）、并发处理（threading、multiprocessing、asyncio ），为量化流程提供工具支撑。

Python 是 “能听懂人话的电脑语言”，你告诉它 “做什么”（如 “对比 A、B 股票收盘价”），它就能执行。基础语法就是学 “如何指挥它”——“字符串” 存文字，“列表” 装数据，“函数” 是 “一键完成任务的快捷方式”。

金融专属库是量化的 “工具箱”：pandas 像 “智能 Excel”，能整理杂乱数据；numpy 是 “计算加速器”，可快速处理大量数值；matplotlib 是 “绘图铅笔”，能将涨跌趋势可视化；requests 是 “数据快递员”，可自动爬取新闻或股价。这些工具能帮你轻松处理海量数据，告别手动计算。

3、数理（数学 + 统计 + 计量）

数学基础：线性代数（矩阵运算、特征值）、概率论（概率分布、随机变量）、微积分（导数、积分刻画金融变量关系）、运筹学（线性规划），构建底层逻辑。
统计与计量：假设检验、回归分析（经典线性回归模型假设/检验/拟合优度）、异方差/自相关/季节性/正态性处理、动态模型（AR/MA/ARMA/ARIMA ），为金融建模与策略开发提供统计方法。
机器学习延伸：聚类、分类、神经网络，及深度学习/强化学习基础，拓展策略算法维度。

数学基础是量化的“底层逻辑”。例如线性代数是“处理多变量的工具”——若同时分析市盈率、成交量、新闻情绪三个因素对股价的影响，需通过矩阵运算“合并分析”；概率论是“计算涨跌概率的标尺”——如“明日股价上涨概率为60%”；微积分是“衡量变量变化速率的显微镜”——例如“股价每上涨1元，成交量同步增长的幅度”；运筹学是“优化资源分配的艺术”——比如“用10万元资金投资股票时，如何分配仓位能实现收益最大化”。

统计与计量是“验证市场规律的核心工具”，也是我个人认为最为关键的部分。比如假设检验用于“验证投资猜想的真伪”——当你猜想“月线收红的股票下月更易上涨”时，可通过统计方法检验该猜想是否成立；回归分析旨在“探寻变量间的关联”——如“广告投入每增加1万元，产品销量相应增长5万元”的量化关系；ARIMA模型是“预测时间序列的利器”——可依据过去3个月的股价数据，推断下月走势；而机器学习（如神经网络）则是“让计算机自主挖掘规律的引擎”——向其输入海量股票数据后，能自主“学习”出一套判断涨跌的逻辑。

4、交易（全流程闭环）

数据与信号：因子数据全链路（获取 - 清洗 - 存储 - 配置）→ 交易信号生成（因子 + 技术分析融合）。
策略与验证：趋势跟踪、均值回归等策略构建 → 回测（指标计算、过度拟合规避）→ 模拟交易（流程熟悉、策略打磨）。
实盘与风控：实盘交易（接口对接、订单执行、成本控制）→ 仓位管理（金字塔加减仓等）→ 止损/止盈风控，实现从策略到落地的完整闭环。

数据与信号：先准备 “原材料” 和 “信号灯”。比如做 “均线金叉” 策略（短期均线上穿长期均线即买入），需先获取股票收盘价数据，补全缺失日期并存储，再配置金叉条件。条件满足时，系统会生成 “买入” 信号。

策略与验证：先 “纸上模拟”，再 “实战演练”。有了 “时序买入” 信号后，用历史数据回测：“过去 5 年按此信号买卖，收益如何？最大回撤是多少？” 若发现 “部分该涨行情亏损”，可能是过度拟合（策略仅适配历史特定行情），需调整。回测通过后，用模拟盘练习，熟悉交易流程。

实盘与风控：最后 “真刀真枪” 入场。实盘交易需对接券商接口（如 QMT、PTrade）实现自动下单，同时控制交易成本（如手续费）。仓位管理要到位（如 10 万资金分批次投入），设置止损线（如亏损 10% 清仓）和止盈线（如盈利 20% 落袋）。整个过程如同开车 —— 既要追求收益（踩油门），也要控制风险（踩刹车）。

这份知识图谱或许无法让你立刻精通量化，但至少能帮你理清学习路径，少踩我当年踩过的坑。遇到不懂的地方，不妨多向 DeepSeek 等大模型 “请教”，直到把知识点吃透为止。

日后我们一起按照这张地图，带着你逐个攻克这些知识点！

三、总结

回顾这四年的学习历程，我深知自己仍在量化投资的道路上不断探索，目前尚未开启实盘操作。但这些年积累的经验与教训，或许能为刚入门的你提供一些参考。我明白作为外行人踏入量化领域时的迷茫与无助，所以真心希望能用自己走过的路，帮你避开一些不必要的阻碍。

接下来，我将从代码、数理、金融、交易这四个核心维度，分享自己学习过程中的经验与思考。先从最基础的 Python 安装与配置开始讲起，这些看似琐碎的步骤，却是搭建量化学习框架的重要基石。如果你在阅读过程中有任何疑问，欢迎随时留言交流。