這是入門問題。回答不好，代表沒有入門。

一般人會告訴你它排除了情緒的干擾，這沒入門；

還有人說提高了「勝率」、盈虧比，這仍然沒入門。勝率，盈虧比，會變啊，註定提高就是個夢啊同志，醒醒，賺錢可以，賺的這麼容易會遭天譴。

操作和分析都分不清楚，自然是沒有入門的。

量化分析，本質是利用電腦執行速度優勢，在大數據中找到概率優勢，如果人腦也能像電腦一樣的快速，人腦完全能做。所以分析這塊，是少量人腦的創造性勞動+機器的快速驗證。

操作，是個重複動作。馬克思時代就由機器代替人類勞動了，你還跟機器爭什麼呢？

程序化交易，是事先已經定好了策略，而這個策略回測下來是可以盈利的，操作已經事先定好了

我們可以把投資活動想像成汽車工廠里裝配汽車的過程。量化投資，就好比一間全自動裝配車間，所有的裝配工作都是由機器完成的。而人為投資，則好比比較傳統化的汽車裝配車間，絕大部分的裝配工作還是需要工人來完成。

值得指出的是，不管是量化投資，還是人為投資，最終都還是需要人進行控制和決策，只是它們的決策層不同。

在機器組裝汽車這個例子中，傳送帶上的汽車組裝工作，完全由機器完成，沒有人的決策參與。但是在那個層級之上，規定機器手臂做哪些事情，按照什麼順序做，哪個機器完成哪部分工作，還是需要人來決定。

類似的，在量化投資體系中，具體到選哪個股票買，哪個股票賣，買賣多少量，這些決策都有電腦程序做出。但是作為一個量化投資經理，他需要在頂層做出更多的決策。比如在目前的環境下，用哪套系統來選股？如何在不同的系統之間分配風險資金，或者進行切換？在交易系統中加入哪些因子，或者去除哪些因子，等等。

完全自動化的投資系統，是每一個量化基金經理的夢想。這就好比造出了一台印鈔機，只要把機器打開，在那裡夜以繼日不停的工作，而機器的擁有者則可以去睡大覺，每天躺著收錢就行。但是到目前為止，在業界還沒有這樣的「印鈔機」。當然，如果有一天真的有這樣一台全自動量化交易「印鈔機」被發明，這也未必是個好消息，因為這可能也意味著很多量化經理從此將失業了。

在這場「人」和「機器」的大戰中，很多人比較關心的問題是：到底人為投資更好，還是量化投資更好？

人和機器之間的競爭關係，被過度宣傳了。

電腦和機器比較佔優的市場，一般符合以下特點：

1）該市場有豐富和可靠的歷史數據。讓電腦程序做出更優的投資決策的前提之一，就是有海量的數據供研究人員進行測試和分析，然後摸索出一定的可重複性規律，將其寫入代碼之中，讓機器忠實的執行。因此相對來說，發達國家的金融市場，歷史數據相對來說更加豐富和可靠，因此也更容易讓量化交易有更大的用武之地。

2）市場規則透明穩定，因此一些歷史模式可能得以重複。量化交易的核心，就在於發現歷史規律和模式，並從這些模式在未來的重複中獲利。而歷史模式得到重複的前提，是市場的規則比較穩定透明，不受那些無法預測的「意外」的影響。

舉例來說，在一些發展中國家，監管部門每隔幾年，可能會修改會計準則，改變上市公司會計報表的披露要求。在這種情況下，十年前的數據和十年後的數據不一定具有可比性，因此也很難從中總結出什麼可靠的規律。這樣的市場，對於機器來說就會有比較大的挑戰。

與之相反的，人比較佔優勢的市場，一般符合以下條件：

1）缺乏歷史數據，或者儘管有歷史數據，但數據不甚可靠，其中有很多噪音。

舉例來說，如果某國有不少上市公司都在財務數據上作假，虛報盈利，那麼用機器學習的方法，很可能會「垃圾進、垃圾出」，得到不少錯誤的結論。而如果一位基金經理經驗豐富，對做假賬的方法比較熟悉，那麼他就能更快和更準確的看出這些假冒數據背後的端倪，也更能夠離真相更進一步。

2）市場規則不透明，或者多變。在這樣的環境下，一些所謂的歷史規律，可能是在特定時間和特定規則下的產物，因此很難會在未來重複出現。

3）黑天鵝事件。顧名思義，黑天鵝事件就是那些人們預料不到的，幾十年一遇，甚至百年一遇的情況。這樣的事件幾乎沒有歷史先例可以參考，因此機器在這方面幾乎沒有應對能力。

我曾經特地和我的導師談到個人投資者和機構投資者在量化交易方面的優勢和劣勢這個問題。談這個問題的原因在於，首先我在這樣的投資機構中工作過，並且身邊許多朋友在家裡做投資DIY，因此對兩種方法的優缺點有更深的體會。其次，我相信很多讀者也有想在自己家裡試一試量化交易的想法，因此會對這個問題比較感興趣。

機構最大的優勢在於資金規模。由於資金規模比較大，因此他們可以把一套交易策略在成百上千個市場上鋪開施行。而一個中小個人投資者，由於資金量有限，只能在有限的市場里進行交易。

機構的另一大優勢是交易成本。很多大型的對沖基金，一個非常明顯的優勢就是他們的交易成本是個人投資者的1/10，1/100甚至更低。這裡的交易成本包括券商傭金和摩擦成本。機構有專業的交易團隊，同時有交易量優勢。在這方面，個人很難和機構匹敵。

機構的另一大優勢是研發能力。大機構一般都會僱傭不少PhD，匯聚了不同專業的高級人才，他們在研發上的投入是個人投資者無法比擬的。

當然在量化交易領域，機構的研發能力優勢的大小要視策略而有所不同。在高頻交易領域，機構的優勢比較明顯。因為很多高頻交易策略，需要不停的迭代更新，如果沒有研發更新，一個老的策略很可能過了半年到一年就不管用了。但是有一些比較長期的量化策略，比如趨勢跟蹤（trend following）之類，其迭代更新沒有這麼快，因此相對來說，機構的研發優勢就沒有那麼明顯。

和機構相比，個人投資者最大的優勢在於費用低廉。要維持一個大型投資機構的運轉，撐起一個大型的投資團隊（包括投資經理、研發、數據、交易、後台、法律等），需要非常高昂的費用。在這些費用之上，基金公司還需要賺錢，因此他們需要向投資者收取高昂的投資費用（比如2/20）。而如果是在家裡自己交易的個人投資者，就可以避開這些費用。對於想要提高自己投資回報的投資者來說，降低費用非常重要，有興趣的朋友可以百度搜索「伍治堅+投資費用」做擴展閱讀。

然後，我和導師聊了一下機器學習在金融投資中的應用。機器學習是目前比較時興的概念，很多讀者對這個話題一定也很感興趣。

首先我們要搞明白什麼是機器學習。

大致來講，機器學習可以被分為兩種：有人管的機器學習（Supervised Machine Learning）和沒人管的機器學習（Unsupervised Machine Learning）。

有人管的機器學習，是指工程師定義研究的變數。這種「機器學習」，其實和傳統意義上的量化交易策略研究沒有多大區別。很多這樣的機器學習，用的還是最小二乘法（OLS）和主成分分析（PCA）這樣的統計方法，而這些統計方法至少已經被用了幾十年。一些機構放上「機器學習」的標籤，主要就是為了追求一個噱頭，在營銷上讓人產生「高大上」的錯覺。

事實上，那些「掛羊頭賣狗肉」的機器學習，更值得我們投資者警惕。因為本來可以用一些比較簡單的傳統量化手段實現的交易策略，披上了「機器學習」的外衣，反而增加了投資成本和沒有必要的複雜之處，效果也不見得更好，對投資者來說沒有什麼價值。

更加值得我們關注的機器學習，是沒人管的機器學習。在這種機器學習中，電腦程序自己選擇最優的變數進行分析和計算。這是真正尖端的人工智慧領域，對數據處理和計算能力要求非常高，目前僅在高頻交易領域有一些嘗試性的應用。在這個領域，以後的科技發展值得關注。

最後我問導師，對於中國讀者有什麼建議或者想法要分享。他說到，如果想要做一個優秀的個人交易員，那麼他應該具備以下素質：謙虛、懷疑、縝密、堅韌、紀律和一致。

了解更多量化交易，智能選股，請加個人微信啦，更好了解量化家，幫你選股擇股不是夢。

在操作層面上

電腦比人更快

因此

電腦操作是比人為操作更快的方法，無論輸贏都更快是操作的目的

好處是可以自動化幫你虧錢

作者：量化分析師

鏈接：https://www.zhihu.com/question/329665360/answer/718051916來源：知乎著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。我們可以把投資活動想像成汽車工廠里裝配汽車的過程。量化投資，就好比一間全自動裝配車間，所有的裝配工作都是由機器完成的。而人為投資，則好比比較傳統化的汽車裝配車間，絕大部分的裝配工作還是需要工人來完成。值得指出的是，不管是量化投資，還是人為投資，最終都還是需要人進行控制和決策，只是它們的決策層不同。在機器組裝汽車這個例子中，傳送帶上的汽車組裝工作，完全由機器完成，沒有人的決策參與。但是在那個層級之上，規定機器手臂做哪些事情，按照什麼順序做，哪個機器完成哪部分工作，還是需要人來決定。類似的，在量化投資體系中，具體到選哪個股票買，哪個股票賣，買賣多少量，這些決策都有電腦程序做出。但是作為一個量化投資經理，他需要在頂層做出更多的決策。比如在目前的環境下，用哪套系統來選股？如何在不同的系統之間分配風險資金，或者進行切換？在交易系統中加入哪些因子，或者去除哪些因子，等等。完全自動化的投資系統，是每一個量化基金經理的夢想。這就好比造出了一台印鈔機，只要把機器打開，在那裡夜以繼日不停的工作，而機器的擁有者則可以去睡大覺，每天躺著收錢就行。但是到目前為止，在業界還沒有這樣的「印鈔機」。當然，如果有一天真的有這樣一台全自動量化交易「印鈔機」被發明，這也未必是個好消息，因為這可能也意味著很多量化經理從此將失業了。在這場「人」和「機器」的大戰中，很多人比較關心的問題是：到底人為投資更好，還是量化投資更好？

人和機器之間的競爭關係，被過度宣傳了。

電腦和機器比較佔優的市場，一般符合以下特點：1）該市場有豐富和可靠的歷史數據。讓電腦程序做出更優的投資決策的前提之一，就是有海量的數據供研究人員進行測試和分析，然後摸索出一定的可重複性規律，將其寫入代碼之中，讓機器忠實的執行。因此相對來說，發達國家的金融市場，歷史數據相對來說更加豐富和可靠，因此也更容易讓量化交易有更大的用武之地。2）市場規則透明穩定，因此一些歷史模式可能得以重複。量化交易的核心，就在於發現歷史規律和模式，並從這些模式在未來的重複中獲利。而歷史模式得到重複的前提，是市場的規則比較穩定透明，不受那些無法預測的「意外」的影響。舉例來說，在一些發展中國家，監管部門每隔幾年，可能會修改會計準則，改變上市公司會計報表的披露要求。在這種情況下，十年前的數據和十年後的數據不一定具有可比性，因此也很難從中總結出什麼可靠的規律。這樣的市場，對於機器來說就會有比較大的挑戰。與之相反的，人比較佔優勢的市場，一般符合以下條件：1）缺乏歷史數據，或者儘管有歷史數據，但數據不甚可靠，其中有很多噪音。舉例來說，如果某國有不少上市公司都在財務數據上作假，虛報盈利，那麼用機器學習的方法，很可能會「垃圾進、垃圾出」，得到不少錯誤的結論。而如果一位基金經理經驗豐富，對做假賬的方法比較熟悉，那麼他就能更快和更準確的看出這些假冒數據背後的端倪，也更能夠離真相更進一步。2）市場規則不透明，或者多變。在這樣的環境下，一些所謂的歷史規律，可能是在特定時間和特定規則下的產物，因此很難會在未來重複出現。3）黑天鵝事件。顧名思義，黑天鵝事件就是那些人們預料不到的，幾十年一遇，甚至百年一遇的情況。這樣的事件幾乎沒有歷史先例可以參考，因此機器在這方面幾乎沒有應對能力。

我曾經特地和我的導師談到個人投資者和機構投資者在量化交易方面的優勢和劣勢這個問題。談這個問題的原因在於，首先我在這樣的投資機構中工作過，並且身邊許多朋友在家裡做投資DIY，因此對兩種方法的優缺點有更深的體會。其次，我相信很多讀者也有想在自己家裡試一試量化交易的想法，因此會對這個問題比較感興趣。

機構最大的優勢在於資金規模。由於資金規模比較大，因此他們可以把一套交易策略在成百上千個市場上鋪開施行。而一個中小個人投資者，由於資金量有限，只能在有限的市場里進行交易。機構的另一大優勢是交易成本。很多大型的對沖基金，一個非常明顯的優勢就是他們的交易成本是個人投資者的1/10，1/100甚至更低。這裡的交易成本包括券商傭金和摩擦成本。機構有專業的交易團隊，同時有交易量優勢。在這方面，個人很難和機構匹敵。機構的另一大優勢是研發能力。大機構一般都會僱傭不少PhD，匯聚了不同專業的高級人才，他們在研發上的投入是個人投資者無法比擬的。當然在量化交易領域，機構的研發能力優勢的大小要視策略而有所不同。在高頻交易領域，機構的優勢比較明顯。因為很多高頻交易策略，需要不停的迭代更新，如果沒有研發更新，一個老的策略很可能過了半年到一年就不管用了。但是有一些比較長期的量化策略，比如趨勢跟蹤（trend following）之類，其迭代更新沒有這麼快，因此相對來說，機構的研發優勢就沒有那麼明顯。和機構相比，個人投資者最大的優勢在於費用低廉。要維持一個大型投資機構的運轉，撐起一個大型的投資團隊（包括投資經理、研發、數據、交易、後台、法律等），需要非常高昂的費用。在這些費用之上，基金公司還需要賺錢，因此他們需要向投資者收取高昂的投資費用（比如2/20）。而如果是在家裡自己交易的個人投資者，就可以避開這些費用。對於想要提高自己投資回報的投資者來說，降低費用非常重要，有興趣的朋友可以百度搜索「伍治堅+投資費用」做擴展閱讀。然後，我和導師聊了一下機器學習在金融投資中的應用。機器學習是目前比較時興的概念，很多讀者對這個話題一定也很感興趣。首先我們要搞明白什麼是機器學習。大致來講，機器學習可以被分為兩種：有人管的機器學習（Supervised Machine Learning）和沒人管的機器學習（Unsupervised Machine Learning）。

有人管的機器學習，是指工程師定義研究的變數。這種「機器學習」，其實和傳統意義上的量化交易策略研究沒有多大區別。很多這樣的機器學習，用的還是最小二乘法（OLS）和主成分分析（PCA）這樣的統計方法，而這些統計方法至少已經被用了幾十年。一些機構放上「機器學習」的標籤，主要就是為了追求一個噱頭，在營銷上讓人產生「高大上」的錯覺。

事實上，那些「掛羊頭賣狗肉」的機器學習，更值得我們投資者警惕。因為本來可以用一些比較簡單的傳統量化手段實現的交易策略，披上了「機器學習」的外衣，反而增加了投資成本和沒有必要的複雜之處，效果也不見得更好，對投資者來說沒有什麼價值。更加值得我們關注的機器學習，是沒人管的機器學習。在這種機器學習中，電腦程序自己選擇最優的變數進行分析和計算。這是真正尖端的人工智慧領域，對數據處理和計算能力要求非常高，目前僅在高頻交易領域有一些嘗試性的應用。在這個領域，以後的科技發展值得關注。最後我問導師，對於中國讀者有什麼建議或者想法要分享。他說到，如果想要做一個優秀的個人交易員，那麼他應該具備以下素質：謙虛、懷疑、縝密、堅韌、紀律和一致。了解更多量化交易，智能選股，請加個人微信啦，更好了解量化家，幫你選股擇股不是夢。

節省時間 提升效率。

雖然有點短小，但確實精幹。

我覺得量化投資可能解決的並不是策略方法的提出，主要是在操作運行方面給與技術上的可能性，還有維護運營的成本。 一部分量化投資的選股策略事實上跟傳統基本面投資研究做的事情差不多。 所以現在國內公募基金行業(以我有限的接觸和了解來看)，即便是基本面投資部門，也很多需要編程方面的支持，量化和基本面區分不算那麼大。在部分領域是互幫互助的感覺。

不過在某些量化領域比如高頻交易，這就與基本面投資關係不大了。 因為量化也是個很大的領域，分支非常多。

推薦閱讀：
相关文章