在 AI 这个话题被不断神化的同时，量化对于大多数人来说也成了一个越来越遥远的领域。但近年来量化投资越来越受到投资者的关注，量化产品也为投资者创造了较好的回报，很多人对量化交易就有了最为直观而浅显的认识：这能赚钱，而且能赚很多钱。

但是量化交易究竟怎么做？从小白到入门又分为几步，很多人其实在入门级别就倒下了。为了让大家能更直观的感受到量化的学习过程，我也会分享我们一个学员学习量化的小故事，这位学员在无编程经验的背景下，花费了4个月左右时间成功从传统金融背景转行进入量化团队。

本篇文章我将从以下几方面为大家讲解量化的入门知识

一、什么是量化交易？

（一）普通人眼中的量化交易

（二）真实的量化交易

1.量化的定义

2.近在咫尺的量化交易

二、如何成为量化交易员

（一）第一步：量化交易的养成

（二）第二步：从Python上手编程

（三）第三步：走向量化

下面就跟着老李一起来揭开量化投资的神秘面纱。

一、什么是量化交易？

（一）普通人眼中的量化交易

在和很多金融领域的学生聊天时，我发现大多数人在聊到量化时第一反应就是：它很难。
接着会继续问道：
- 量化岗是不是需要数学、物理博士？
- 量化是做高频么？
- 量化需要会C语言么？
- 现在量化是不是在往AI方向上走？
其实这些问题的答案很难用简单的「是否」去解答，对于一个领域的探讨永远是多元化的，在能够帮助大家解答这些问题之前，我们还要先从量化最本质的话题聊起：什么是量化交易？

（二）真实的量化交易

通常人们在科普量化时，会和大家解释Q-Quant和P-Quant，或者卖方/买方量化的角度将量化交易进行划分，这些类似的话题在知乎有很多，笔者今天想更多的从量化本身的定义出发，和大家聊聊这个话题。

1.量化的定义

量化，就是用数学模型（而非人脑），决定交易的品种、数量、方向、时机。
不难理解，量化的一大核心就是用数学模型去替代人脑，让模型的理性替代人的感性，将我们的投资逻辑转化成数学语言，去严格执行模型中制定的交易规则，去决定交易中的买卖要素（品种、数量、方向、时机）。

正所谓英雄不问出处，实时造就英雄，量化策略也是一样。

一个量化策略好坏是根据它实盘的战记，观察它是否适合当前的市场、当前的资产情况、当下的时代背景，而非依据模型的复杂程度来进行评判，其底部是由投资逻辑去做支撑。这也就意味着，当大家在谈起量化时，不必与高频、深度学习、AI等这些高深词汇画上等号。

一个好的策略它可以是简单的，也可以是复杂的，究其根本，是对底层投资逻辑的考量。
2.近在咫尺的量化交易

事实上，在我们的身边就有一个简单又好用的量化交易模型——当你打开基金软件，选中基金后，指定每周五定投500元，点击确认按钮，你便已经实现了一个最简单的量化策略。

看到这里，你或许会轻笑，但不要小瞧这个用Excel就能实现的量化策略，定投策略在很多时候比我们跟风式的买卖更容易实现稳定的收益，原因如下：

a.基金定投具有类似长期储蓄的特点，能积少成多，平摊投资成本，因此定期定额投资可抹平基金净值的高峰和低谷，消除市场的波动性。

b.定投由于其量化属性（由规则决定买卖时机），可以规避投资者对进场时机主观判断的影响，大大降低因为主观判断失误（在市场高点买入，市场低点卖出）而造成的巨额损失。
因此，定投策略可以很好的弱化定投目标的波动性，以及投资人由于个人情感和信息因素造成的投资点判断失误等问题。也由此可以看出，定投策略是一项十分适合中长线投资的策略，而投资者唯一需要做的，只是选出一项自己中长期看好的标的，即可进行定投操作。
（ps：如果大家想从实例角度进一步理解定投策略及其优化的效果，可以在评论区留言，我们将在未来文章中进行进一步展开。）

二、如何成为量化交易员

通过前文的叙述，我们不难发现「量化」其实并没有大多数人想象的那样遥不可。那么，是不是意味着如果我们想要成为一名量化交易员，其实也没有想象中的那样困难呢？

老李这里参考了一位品职学员的亲身经历来简单和大家复盘一下他的转行经验，希望对各位读者有所帮助。这位学员在无编程经验的背景下，花费了4个月左右时间成功从传统金融背景转行进入量化团队，那他是如何做到的呢？

（一）第一步：量化交易的养成

正如在「量化的定义」中谈及的，大多数人会侧重在「数学模型」四个字上，而忽略了量化的另一个核心要义——交易。在整个量化策略的构建中，我们需要先将交易逻辑转换成数学语言，再通过编程语言等工具实现数学语言到程序的转化。

在这三个步骤、两次转化的过程中，其底部，是由扎实的交易逻辑做支撑。交易素养的培养是一个需要时间积累的过程，这也是传统金融从业者转行做量化时的一大优势。

而目前大多量化团队也没有做到「全自动化交易」，由于数学模型自身的局限，以及黑天鹅、周期轮动等因素的影响，大部分量化团队还是保持人工+智能的方式进行量化投资，这也更加提升了量化研究员本身对交易的理解。

意识到量化的底层逻辑是由什么支撑后，这名学员消除了最开始的竞争焦虑，不再忧心「量化更偏爱程序员」的传言，开始逐步投入自己该做的事情。

由于学员属于金融后端的工作，除了基础的金融知识外，还需要补充一些前端交易的内容，于是决定从学习和模仿投资大佬们所分享的交易经验开始入门，在工作和学习编程之余，阅读了一些经典投资传记，并记录和梳理了大量的读书笔记，尝试站在巨人的肩膀上进行快速成长。

• 《巴菲特的第一桶金》作为最出圈的投资者，伟大的投资家沃伦·巴菲特，用37年，22笔投资，赚得了自己的第一个1亿美元。书中再现了这一历程中巴菲特的进化、思考和他的投资路线图。
  
• 《彼得·林奇的成功投资》作为华尔街最为优秀的股票投资者和证券投资基金经理之一，彼得·林奇在书中分享了他的选股逻辑，告诉普通投资者如何成为股票投资专家。只要仔细观察一下商业的发展趋势，留心一下周围的世界，从购物中心到自己工作的地方，你就可以比专业分析人员更早地发现那些潜在的将会大获成功的公司。
  
• 《战胜一切市场的人》在本书中，这位传奇的金融天才用清晰简单的语言分享了自己在赌场和市场这两大领域的激动人心的冒险之旅，并分享了他击败庄家、战胜市场的秘诀，比如盯住“5”和“A”两张牌，就能决胜21点；而“凯利公式”“科学预测”和“价格锚点”则是战胜市场的最重要的投资策略。
  
• 《笑傲股市》本书作者威廉·欧奈尔是华尔街经验最丰富、最成功的资深投资人之一，在这本书中总结了他的选股模式CAN SLIM，也被众多投资者应用于量化领域的实现。美国个人投资者协会将本书中的CAN SLIM方法与彼得·林奇和沃伦·巴菲特的方法进行比较后，于2001年发表独立研究，结果显示CAN SLIM方法每年都可以取得最好和最持续稳定的业绩，是最佳投资系统方案。

（二）第二步：从Python上手编程

在学习投资交易的同时，该学员开始尝试补齐最大的短板——编程，尝试从网红编程语言Python入手，快速上手量化所需的编程工具。
1.Python是学习量化的拦路虎吗？

这个对于很多人来说曾经是魔王级难度的关卡，在网红编程语言Python的帮助下，大大降低了我们与编程之间的距离。而对于量化小白而言，除了Python简单易学的特性外，其强大的模块社区支持，也能很好的帮助量化交易员实现大量机器学习算法模型。

很多时候，我们不需要花大量的时间研究如何用编程去实现某个算法，而只需要去了解算法，并懂得如何将其应用就行了。相当于为侠客配备好了武器库，而我们只需要专注于练好武功心法即可。Python能够帮助很多量化交易员大大加快了编程效率。
2.如何自学Python

关于Python的学习，和大多数人一样，他购买了大量的学习资料，也曾询问过我相关内容的推荐，和学习方法，我给了他两方面的建议：

第一：在学习前期语法和pandas阶段，尽可能快速的学习和掌握知识，学习过程中可以不求甚解。在大致理解了整体框架和Python能提供的功能后，在后续的实践案例中进行一次次巩固，才能在自学过程中快速又精确的掌握自己最需要的技能。

第二：书籍推荐：图灵系列丛书中非常经典的「动物书」系列：

• 语法入门
  • 《Python编程 从入门到实践(第二版)》

真正针对零基础入门，从安装到环境配置，从基础语法到实践项目，十分适合小白自学使用。

• 数据分析
  • 《利用Python进行数据分析（第二版）》

Python数据分析中的核心库「Pandas」创始人编写的数据分析书籍，十分详细的讲解了Pandas库的使用，结合了一些数据分析案例，让大家在能更好的在案例实践中掌握Pandas的应用方法。

• 数据爬虫
  • 《Python 3 网络爬虫开发实战》

在量化研究中，除了策略本身以外，数据也是十分重要的一环，而网络爬虫是我们获取数据的重要手段之一，也是各个领域的数据分析人员（包括量化）十分重要的一大技能。本书中涉及丰富的实战案例，通过多个案例介绍了不同场景下如何实现数据爬取。
（三）第三步：走向量化

上述三本书大概花费了该学员一个半月的时间，此时的他对于编程也仅仅是入门，还算不上熟练，对于语法和pandas的应用也只能算得上刚刚及格，但正如我之前提到的那样，走向精通的道路可以在量化实战中不断深化。

接下来，他开始自己寻找一些量化相关的视频及书籍，尝试学习和掌握经典的量化策略，利用Python构建了属于自己的基础回测框架。在学习经典策略的过程中，开始逐步优化基础框架，尝试利用回测框架进行一些开源研报的策略复现。在这个过程中，开始深入的推敲不同数据类型（如：价量数据、财务数据、资金流数据等）背后的数据逻辑，了解分析师们的分析方法和思路，掌握因子构造的基本方法，尝试对已有策略做优化和迭代。

在后期，开始结合投资传记中提炼出来的交易逻辑，做一些独立策略的构建，并将自己的策略研究结果写入简历中开始尝试做一些建立的投递和面试。
整个转行跨行的过程中是十分煎熬又充实的，中间学员也曾和我聊过几次，反思自己为了不知能否成功的理想而付出的各种机会成本是否值得，除了对未知领域探索时的恐惧，更多是对前途的迷惘和担忧。

很多时候难住我们的可能并不是学习量化本身，而是在选择跨行转行时能否放下现在的所有，而幸运的是，这位学员坚持了下来。量化本身不难，难的在于自己勇敢的迈出第一步。