Day 1：从投资到量化投资——建立认知框架

发布日期：2026-07-24 | 系列：量化学习笔记 | Joakim Starr

写在前面

今天正式开始学习量化交易。按照计划，第一天的任务不是写代码，而是把基本概念理清楚。我选择了 DataWhale 的《WhaleQuant》作为主线教材，今天完成了第一章「投资与量化投资」的精读。
这篇文章是对今天学习内容的系统梳理，也是我后续学习路线的起点。

很多人（包括我自己）对"投资"这个词的理解停留在"低买高卖"的层面，但这并不准确。教材给出了一个更严谨的定义：

投资是指各类经济主体为获得未来收益或效益为目的，预先垫付一定量的货币或实物以经营某项事业的行为活动。

进一步，投资分为两类：

在现代金融体系中，"投资"一词通常特指金融投资，尤其是证券（股票）投资。这也是我们学习量化交易的背景所在。

量化是一种决策方式，不是一种投资风格，它依靠数据和模型做出决策，而不是凭感觉或消息追逐短期利润。这一点对于建立正确的预期非常重要：量化不是一夜暴富的工具，而是一种系统化的、有纪律的投资方法。

量化投资的核心价值在于它将决策过程标准化、客观化，避免了人类情绪的影响。它的优势主要体现在：

投资范围更广泛：借助计算机技术，信息搜集更具速度和广度，分析范围覆盖整个市场，促进获得更多投资机会。
程序化交易，避免主观因素：通过回测去观察和分析策略的有效性，程序化交易自动下单，克服人性弱点，避免人为情绪等主观因素的干扰。但要注意回测用于评估策略在历史数据上的表现，而不能证明策略未来一定有效。
数据处理快速响应，创造交易价值：采用计算机自动分析，响应速度迅速，拥有强大的数据处理和信息挖掘能力，支撑高频交易，并验证每个决策背后的模型有效性，更有可能创造有效的交易价值。

A股市场存在多种投资流派，量化只是其中之一。理解各流派的定位，有助于避免陷入"量化万能"的误区。

宏观策略分析法（自上而下）
从宏观经济形势出发，判断整体市场环境，再选择行业和个股。专业机构使用较多。
价值投资法（自下而上）
深入研究单个公司的基本面（财务报表、护城河、管理层等），长期持有优质企业。代表：巴菲特、格雷厄姆。
主题事件投资法
根据重大事件或政策导向进行投资，例如 AI 概念、新能源政策等。
技术分析法
以价格和成交量为核心，通过 K 线、均线、MACD 等技术指标描述市场行为。散户群体中最常见。
量化投资法
利用数学模型和计算机程序自动执行交易策略，强调可验证、可复制、有纪律。但量化投资的核心并不在于"自动交易"，而在于将投资决策形式化、可检验化。自动交易只是策略执行的一种方式，许多量化研究最终仍可能由人工完成交易执行。

这些流派并非互斥，很多时候可以结合使用。量化投资的核心价值在于它将决策过程标准化、客观化，避免了人类情绪的影响.

教材给出的定义非常清晰：

量化投资不是一种金融产品品类，而是一种投资交易策略。它是利用统计学、数学、信息技术、人工智能等方法取代人工作出决策，通过模型完成股票交易来构建投资组合的过程。

通俗地说，就是把你的投资思路写成一套明确的规则，交给计算机去执行。这套规则必须包含完整的交易逻辑，例如：

A股市场常见的量化策略包括：

量化投资最大的特点就是拥有一套完整的、基于数据的交易规则，所有决策环节都有明确的量化标准。

但是需要注意，回测曲线再漂亮，也不能保证实盘盈利。任何时候都要做好风险控制和资金管理。

教材给出了一个清晰的四步流程，这也是我后续所有实践的基本框架：

策略设计 → 回测验证 → 模拟盘验证 → 实盘交易

每一步都不能跳过，尤其是回测和模拟盘阶段，是避免"回测猛如虎，实盘亏成狗"的关键。

基于 WhaleQuant 的八章结构，我制定了如下学习路线（第一版）:

时间段	内容
Week 1–2	第1章（投资与量化投资）+ 第2章（金融市场基础，重点数理统计）
Week 3	第3章（股票数据获取，Pandas + Baostock/Tushare）
Week 4–5	第4章（量化选股策略，多因子模型）
Week 6	第5章（量化择时策略，双均线、MACD、Hurst指数）
Week 7	第6章（量化调仓策略，仓位优化）
Week 8	第7章（量化回测）
Week 9+	第8章（机器学习与量化策略，选修）

参考资料