量化投资
量化投资 = 利用数据和模型驱动、一般通过计算机系统实现的投资方式，与程序员工作千丝万缕，是程序员技术优势的集中体现。本页综合课程的量化系统架构、对冲思想、多因子模型、机器学习应用与从 0 到 1 实战。
程序员的技术优势（三方向）
- 高效获取信息（案例：写爬虫算租售比指导买房，一个周末创造几十万超额回报）。
- 投资支点的验证（案例：回测日历效应策略——月初前 5 日满仓沪深 300，回撤 47%→18%、年化 8.4%→10.5%；要做对照实验防过拟合）。
- 固化规则、解放人力（程序化交易，如期货 CTP 接口，避免情绪影响）。
量化投资系统六模块（李腾）
形成良性迭代闭环：
- 账户及策略管理模块（核心领导：发启停指令、调权重、控风险、记录明细、生成报告）。
- 策略模块（投资经理仓库，研发投入最多；策略按来源分四类：投资想法类、因子驱动类、交易策略类、交易模型类）。
- 交易模块（执行者，算法拆单；全手动/半自动/全自动高频）。
- 回测平台（类似 ML 离线训练/评测，研发新策略主要工具）。
- 业绩分析模块（裁判，算账+业绩归因到具体因子/环节）。
- 数据中心（基础数据库+账户数据库）。
经典策略思想
- 对冲思想：持有一组对主要风险因素反向暴露的标的，规避不想要的风险、只精确暴露于核心判断。诞生于 1949 年阿尔弗雷德·琼斯（对冲基金之父）。经典策略：配对交易、宏观对冲（索罗斯狙击英镑）、市场中性（回撤可降到 5% 以下）。详见趋势/对冲。
- 多因子模型：量化投资最重要的模型，整合多因子多策略的顶层框架。五类因子：宏观、行业、技术面、基本面、大数据因子。线性形式 r = f1X1 + … + fKXK，用股票面板样本做多元线性回归、滑动更新。
机器学习应用（王喆）
- 思路同推荐/广告，只是特征换成投资因子；滑动窗口生成样本，铁律：不引入未来信息。
- 序列模型（RNN/LSTM/GRU）适合走势预测、高频更易出效果；XGBoost/DeepFM 善于特征交叉、适合低频。
- 成功关键在细节：严格数据清洗 + 精准问题定义（缩小范围）；业余选手挑准细分角度才可能击败专业团队。
- 三大局限：过拟合、黑盒难解释、金融数据强随机性（模型有效期短）。
从 0 到 1 实战（“量化一号”）
- Python + Excel（数据中心）+ Jupyter，代码开源（GitHub SmartInvest）。
- 集成日历策略 + 二八轮动（满仓/可空仓），针对沪深 300/中证 500/中证 1000。
- 成果：年化 18.8%、最大回撤 29.8%、夏普 1.27（沪深 300 夏普 0.38、中证 500 0.41），摸到专业量化产品门槛。
- 投资指数两种低成本法：场内 ETF（最推荐，费率极低）、场外 C 类基金（适合频繁交易）。
- 现实约束：无免费稳定数据源、股票交易 API 对散户不开放（仅期货 CTP 可申请）；建议借助量化交易平台聚焦策略开发，“量化策略 + 手动交易”。
quant 职业与态度（李腾）
- 做好量化需三方面出众：投资经验与直觉、数学建模、编程；数学编程只是工具，不能代替投资想法本身，别做成纯数据挖掘（过拟合）。
- 程序员业余搞量化：有章法、发挥编程优势、不轻敌也不妄自菲薄、做有章法的长期积累。