金融市場是一個沒有標準答案的地方。同時，金融市場也是沒有標準方法論的地方。如果說哪個領域最“百花齊放，百家爭鳴”，那么非金融領域莫屬。
由于巨大的利益驅動，科技領域里新的發明創造總是會被率先應用到金融領域。如果說近半個世紀以來，人類最重大的創新，那就是從半導體集成電路開始的信息技術革命。在深刻改變人類的生產生活方式的同時，信息技術也必然深刻的變革著金融市場。
在這一篇中，我們談一談信息技術對于投資方法論的變革，即量化投資的興起。
時代背景
我們先來看看時代背景，這樣可以更好的理解量化投資興起的緣由。
首先，計算機以及互聯網的興起，使得投資者可以更為便捷的獲得投資相關的各種信息，無論是公司的新聞報道、基本信息、財務狀況、重大事項，還是券商研究所對公司及其所在行業的深度研究和即時跟蹤，更不用說交易時段的行情信息和突發事件。
其次，金融信息服務商的崛起，為專業投資者提供了更為豐富的金融數據。在市場中摸爬滾打過的投資者，多多少少都會試用或者購買一些金融服務。
再次，新興的在線投研平臺，讓有一定計算機編程基礎的投資者，可以方便的編寫自己的交易策略，并高效的進行歷史數據的回測，以檢驗策略的歷史效果。
最后，金融數據分析的算法、軟件、平臺的誕生與發展，讓海量數據的高效分析與挖掘成為可能。
正是在計算機、互聯網、云計算、大數據乃至人工智能的聯合推動下，量化投資及其所代表的投資方法論才迎來了蓬勃發展的契機。
什么是量化投資？
我們來看看優礦在其知識庫中給出的定義：
“量化投資是借助量化金融分析方法來進行資產管理的一種投資方法，量化金融分析方法是指結合金融數據，個人經驗，數學模型，計算機技術的一種復雜金融建模，分析方法。”
為什么要量化投資呢？
為什么量化投資是一種新的投資方法，它和傳統方法有什么區別呢？
讓我們先來看一個例子，大家都知道在地球上水往低處流。學過物理的朋友，會知道這是由于重力的作用，在高處的水由于地球引力的吸引，會自發的流向低處。對于沒有學過物理的朋友，如果她善于觀察，發現山坡上的水會沿著山脊流向低處，空中的雨水會滴落到地面，屋頂的水會沿著排水管道流走，從盆里潑出去的水會落下，等等。當積累到足夠多的觀察之后，你去問她，水是從高往低流呢，還是從低往高流呢？我想，她會基于經驗說“從高往低流”。
這個小故事，說出了我們認識世界的兩種基本方法，分別叫做理論型方法和經驗型方法。理論型方法對世界的認知基于科學模型及其假設，這也是我們大家比較熟悉的科學范疇。比如，穩定可控并且具有長距離航程的大型飛機就是工程師應用空氣動力學的一項成果。而經驗型方法則認為，當我們對世界的觀察足夠多了以后，我們也能具備對未來的預測能力，或者說，知識來自于經驗。人類基因圖譜測定的科學項目就是經驗科學應用的一個重要例子，這個項目研究在人類的各種特征與構成人類DNA的化學堿基對序列之間建立一種對應關系。
經驗型方法能夠成立的前提是需要有足夠的數據。什么是足夠呢？我們用數學中的函數來做個類比。
采樣二次函數
函數表達的是，對于給定的輸入（自變量），其所對應的輸出（因變量）是什么。輸入一般定義為字母x，其取值范圍稱為定義域；輸出一般定義為字母y，其取值范圍稱為值域，根據x確定y的方法稱為對應法則，一般以字母f表示。
有了函數的例子，我們可以簡要的說明“足夠的數據”是什么意思啦。我們可以考慮在定義域內采樣，記錄下來一系列的數值對（x, y）。對于特定的問題而言，只要這個采樣沒有遺漏重要的數值對（x，y），我們就可以認定“足夠”啦。那什么是“重要的數值對”？通俗來說，就是那些特別能夠代表這個函數的，比如曲線端點、極值點、轉折點啊，等等。
回到金融市場，如果我們積累了足夠多的金融數據，根據這些數據我們能夠推測相關金融數據與交易標的價格之間的“函數”大致長什么樣子，那是不是我們可以據此構建出交易策略了呢？
舉一個具體的例子。均線是市場上平均交易價格的代表，如果當前價格在均線之上，代表近期大多數人都在盈利，也意味著大家對于后市的看好。反之，如果當前價格在均線之下，代表近期大多數人都在虧損，也意味著大家對于后市的看空。基于這個樸素的思想，我們可以大量采樣價格從均線下走到均線上（即所謂的“金叉”）時，后續的價格是漲還是跌。同理，我們同樣的采樣價格從均線上走到均線下（即所謂的“死叉”）時，后續的價格是漲還是跌。如果，大量的統計顯示，出現“金叉”后大多數時候價格出現上漲，出現“死叉”后大多數時候價格出現下跌。那么，恭喜你，發現了一個有歷史數據支持的交易策略。
當然，這個方法過于簡單，但足夠說明問題了。基于此，我們可以來看看量化研究的流程。
量化研究的流程
量化研究是一個系統的過程，由若干環節依次構成。
量化研究的流程
數據獲取：數據挖掘所需的各類原始數據的獲取，比如公司財務數據、產業兩上下游、行情數據等。
數據清洗：對獲取的原始數據進行格式化，并對無效數據進行清理，以方便后續的數據挖掘。
數據挖掘：采用統計、機器學習等各類算法，對清洗好的數據進行特征分析、提取與統計。
信號生成：基于挖掘出的特征，進行必要的處理，如標準化、去極值、中性化；之后，生成基礎信號，并進行分組回測，計算統計特征。有時候，需要復合多個基礎信號生成復雜信號。
策略生成：確定交易市場和標的范圍，交易周期，調倉頻率，倉位確定方法，訂單類型，以及止盈止損方案等，完整的構成一個交易策略。
歷史回測：盡可能選擇較長的歷史周期，測試生成的交易策略的歷史表現。需要妥善處理股票的分紅送轉、漲跌停、停復牌、市場沖擊、交易滑點、手續費、大單分筆成交等交易細節，期貨策略還需要考慮保證金。
策略分析：核心是分析交易結果是否表明該策略具備長期、穩健的正收益，否則是個無效策略。需要仔細觀察在不同市場狀況下，該策略是否都應對妥當，是否有明顯的短板需要改進。同時，進行策略歸因分析和風險歸因分析，以理解該策略所暴露的風險水平，以及收益的來源。
策略優化：基于策略分析的結果，思考策略的短板，以及可能的優化方法。核心是要避免過度優化，這是策略失效的根源之一。優化后，要再次進行策略分析，同時需要和優化前的結果進行比對，以確定優化是否有效，是否過度。
模擬交易：接入實時行情，實時獲取成交回報。在此基礎上，看策略是否如預期般穩健運行，是否有漏洞沒有考慮到。
實盤交易：接入真實券商賬戶，真金白銀的進行交易。
量化策略的分類
按照投資標的，可以分為：
按照投資標的分類
按照收益來源，可以分為：
按照收益來源分類
按照敞口的方向，可以分為：
按照敞口方向分類
按照操作方式，可以分為：
按照操作方式分類
量化投資簡史
早期理論階段，20世紀初
1900年法國數學家Louis Bachelier發表了博士論文《投機的理論基礎》，討論了使用數學統計分析方法來研究股票波動，這篇論文基本上公認是量化投資的開端。但是，當年該理論并沒有引起關注。（時代背景的重要性啊！）
價值投資，20世紀30年代
在 1929年 ～ 1933年 期間的全球性經濟大蕭條后，哥倫比亞大學的兩位教授 Benjamin Graham和 David Dodd出版了著名的《證券分析》。書中提出了一種評估公司股價是否高估／低估的方法。即使用公司財務數據估算公司內在價值，并與公司市值做比較，以此得出公司股價是否存在溢價／折價現象，來指導基金經理進行投資管理。這種方法即“價值投資”的開端。（Benjamin Graham即是股神巴菲特當年的老師！）
現代投資組合理論，20世紀中期
1952 年，美國經濟學家Harry Markowitz 提出現代投資組合理論，提出均值-方差分析方法和投資組合有效邊界模型，他因此獲得了諾貝爾經濟學獎。現代投資組合理論為“分散投資”理念，以及投資組合優化奠定了數學基礎。
資本資產定價理論（CAPM），20世紀60年代
自從 Markowitz 提出使用標準差來度量股價的波動性后，人們開始研究更多的將風險與收益結合起來的金融模型。其中資本資產定價模型（CAPM）最為成功，也是應用最為廣泛的一個模型。
CAPM 認為所有股票在市場波動中都是有所暴露的，只是暴露的程度不同而已。這里所謂的暴露，是指當市場發生波動時，個股也會不同程度的跟隨市場變化。為此，CAPM 定義了 beta 這樣一個概念。所謂一個股票的 beta，即個股針對市場整體的風險暴露程度。
有了這個概念之后，后期在改理論基礎上又發展出了很多衍生理論和分析方法，比如說分散化投資，法瑪三因子模型等。CAPM 的出現讓人們意識到數學在金融方面的應用潛力，此后的幾十年中，數學開始在金融，經濟方面大放異彩，投資方法越來越專業化，理論化，系統化，和標準化。為量化投資奠定了堅實的理論基礎。
量化主動管理，20世紀80年代
有效市場假說（EMH）出現后，人們發現很多無法用 EMH 解釋的現象，比如說：小市值效應，月歷效應，均值回歸，市場過度反應，過度波動性，高市凈率股票異常效應等。這些發現讓很多堅持基本面分析的投資者更加堅信價值投資理念，隨著計算機技術的發展，以及金融市場數據越來越豐富規范，他們開始嘗試把計算機+金融數據結合起來，把傳統的分析工作移植到計算機上，甚至還涌現出了一些以此為主業的公司，其中 Barra 公司也是在此期間成立的。
量化投資成長期，20世紀末
20世紀80年代的研究吸引了不少人開始研究量化領域，更準確的說，是吸引了不少人開始用計算機+金融數據來設計模型，構建組合。這個時期最大的進步是引入了計算機技術和金融數據的規范化，人們開始慢慢在傳統的規模因子、盈利因子中加入更多類型的因子；投資組合上也更加多樣化，譬如從原始的純多頭策略擴展到多空對沖策略，以及多空不均衡策略等類型。其次，此期間還涌現出很多經典的投資策略，比如說當下耳熟能詳的動量策略。
量化投資黃金期，21世紀初
得益于計算機技術的發展，金融數據的存儲、傳輸更加快捷。人們可以更加高效、快捷的實現驗證投資思想和構建交易策略。特別是 2000年 ～ 2007年，量化基金得到很多金融機構的重視，相對于傳統投資方法，量化投資的很多優勢逐漸凸顯出來：比如策略本身都是基于深入研究基礎之上，可信度比較高；完善的在風險和回報之間的平衡；以及不受情緒干擾，嚴格的遵守投資紀律等。
風云突變，2007-2009
2007年下半年開始，美國次級貸款引發的流動性危機凸現，引發金融市場動蕩，以高杠桿為代表的很多量化對沖基金遭遇了量化史上最大的滑鐵盧，從微薄浮盈，開始虧損，連連大跌，到最后被迫清盤。可以說 2007 到 2009 這一年多時間里，是美國量化對沖史上最風云突變的一年。
數據顯示，2007年10月到 2009年03月，標普500指數從 1527 點直瀉到 666 點；有的基金甚至一個月內大跌超過 50%。2007年到 2009年，美國對沖基金資產管理規模大幅下滑，將近從鼎盛時期的 2500億美元到低谷時期的 500億美元；其中量化對沖基金的管理規模也顯著下滑。
災后重生，穩步發展，2010年至今
自 2010 年后，量化對沖基金開始緩步恢復。其實回顧 2007 ～ 2009 金融大動蕩時期，仔細反思，真正的導火索并不是對沖基金，也不是對沖基金投資、研究的方式方法，而是金融市場本身的規范存在漏洞，可能這也是一個真正健康、積極的金融市場必須要經歷的階段。
而對于對沖基金本身來說，其只需要擴充自己的投資領域，發展自己的投資策略，分散自己的投資標的，不再像之前一樣向同一個方向擁堵，從而在市場不利的時候造成流動性危機，那么長久積極健康的發展是可以預期的。
國內量化投資的發展
首只量化基金誕生，2004年
2004年8月27日，光大保德信量化核心證券投資基金成立，成為國內第一只公募量化基金。從此，量化投資走入公眾視野。
多因子策略誕生，2007年-2008年
2007年、2008年金融危機前后有很多海歸陸續回國以后加入公募基金，她們帶來了海外先進的量化投資策略，這個時期多因子選股策略逐漸在國內出現。
量化投資元年，2010年
2010年，滬深300股指期貨上市，國內開始研究股指期貨的實際應用。此時的量化基金終于具備了可行的對沖工具，各種量化投資策略如alpha策略、股指期貨套利策略才真正有了大展拳腳的空間，可以說2010年是中國量化投資元年。大量從事量化基金研究的機構開始投入到量化策略的大潮中，一批海外量化投資人才也是在這個時期察覺到機會相繼回國創業。
量化投資高速發展，2013年至2015年9月
2013年到2015年9月股指新政之前可以說是國內量化基金有史以來最風光的一段時期。2013年以來創業板、2014年下半年以來主板走出了波瀾壯闊的大牛市，在此期間，買創業板、拋股指成了最流行也最擁擠的量化策略。
2014年基金業協會推行私募基金管理人和產品的登記備案制，推動了私募基金的全面陽光化，加速了私募基金產品的發行，其中自然也包括量化對沖型私募產品。
從2014年年底至2015年6月，A股經歷了大半年的火爆牛市行情，隨后從2015年6月中旬至2015年8月，A股又經歷了幾輪慘烈的下跌。股民仿佛經歷了一輪過山車，市場波動巨大。中間出現過分級基金套利、可轉債套利、ETF套利、期現套利等一大波的套利機會，然后在大盤暴跌的時候有一部分量化對沖基金經受住了回撤的考驗。
在此期間，幾乎所有的量化投資產品都取得了很好的收益，海外投資人員開始成批回歸，國內量化投資機構成批涌現，國內量化投資高速發展，量化投資在公眾中開始具備了較高的知名度。
量化投資多元化發展，2015年9月至今
為了應對股災，在2015年9月2日，中金所出臺了嚴厲的股指期貨日內交易限制措施，市場流動性趨于枯竭，大量Alpha策略量化基金轉型相對價值復合策略。在此情境下，市場上已經聚集起來的比較有實力的量化團隊開始逐步轉型，一方面，從低收益低風險的套利對沖策略，逐步向多空策略、股票多頭策略、股票T+0策略轉變，另外一方面，從股票對沖向商品期貨、國債期貨等品種的CTA策略轉變，然而當時看似被動的轉型，實則開辟了量化投資的新時代。
下面兩張圖是截止2017年11月底，巴曙松等統計的公募量化基金的管理規模和基金數量。
公募量化基金管理規模
公募量化基金基金數量
下圖是巴曙松等統計的根據策略類型分類的公募和私募量化基金管理規模和基金數量。
中國量化基金產品數量和管理規模
目前中國的量化私募的資金管理規模僅為中國大陸所有私募資金管理規模的10%左右，量化基金的整體資金占比明顯低于成熟市場約30%左右的比例，同時規模上的差距也較大。展望未來，中國的量化投資還處于起步階段，未來的發展空間還很大。
網易財經統計的國內外量化基金的時間對比
量化投資的體會
最后，談幾點我個人從事量化投資的體會。
第一點，就像前文中“為什么要量化投資”那一節提到的兩種認知世界的基本方法：理論型和經驗型，量化投資也可以分為理論型和經驗型。理論型的量化投資是先有成熟的投資模型，通過計算機來提高其執行的效率；經驗型的量化投資是先有海量數據，然而從數據中挖掘出投資模型，除了提升執行效率，計算機更重要的是起到建立投資模型的作用。所以，有志于從事量化投資的讀者，可以考慮一下從那個方向入手。方向的確定，會讓后續的計算機工具、算法等軟硬件的選型更聚焦。
第二點，量化投資需要大量的資本投入，僅金融數據的購買一項，我所接觸到的幾家以量化為重點、服務機構投資者的私募基金公司都在數百萬元一年。更不用說，對于計算機硬件、軟件和專業人才薪資獎金的投入了。這一點，也構成了量化投資的門檻。
第三點，量化投資、特別是股票型量化投資，對于資金管理規模是有要求的。盡管有些高頻策略，資金管理規模要求不高，但相應的策略容量也很有限。要想取得統計意義上的預期回報，足夠分散的投資于足夠數量的投資標的，是一個關鍵。這一點，也符合“大數定律”的要求，同時也有效的規避了“踩雷”現象的發生。
第四點，量化投資要想執行好，對于交易工具有著更高的要求。像期貨市場，交易所開放接口，可以定制交易程序，各種程序化交易大行其道，交易效率很高。股票市場，目前交易所仍未開放接口，盡管券商通過PB系統提供了一攬子交易的工具，然而綜合考慮流動性、時效性等因素，與完全開放接口相比還是有很多不便。
最后，如同生命體一樣，量化策略也是有生命周期的。一個有效的策略，隨著參與人數的增加，其有效性會逐漸降低（退化）。一個有前提的策略，隨著前提的演變，也可能從盈利走向虧損。一個套利的策略，隨著獲利，價差逐漸縮小，再次登場的機會也隨之消失。所以，持續的研發能力是量化投資的核心。看一家量化投資公司，既要看歷史業績，還要看當前策略的實盤效果，更要看其應變市場、開發新策略的板凳深度。
總結
如果說投資是一門藝術，那么量化讓它走向科學。
