量化交易政策的硬核是什麼？

先來說兩個有趣的現象：

1、《Margin Call》這部描述金融危機前夕的電影中，提前發現公司資産“問題”的年輕分析師皮特·蘇利文，是斯坦福大學空氣動力學的博士，也就是一名火箭工程師；而他所在風險分析部的上司則是一名過目不忘、心算能力逆天的橋梁工程師。

2、目前美國華爾街的公司正在大量的購買一種産品，你絕對想不到，這個産品盡然是——GPU，因為如果單純的比拼“計算量”，GPU的能力要遠遠大于CPU。

當海外對沖基金的焦點從宏觀對沖基金轉向量化對沖基金，當索羅斯的名氣被數學家西蒙斯超過時，當股神巴菲特年化20%的收益神話被大獎章年化35%（1989-2007）打敗時，量化基金的神秘逐漸被投資者所知。正如電影中所描述的，從事金融，尤其是量化的人不再是傳統的金融出身，換成了數學家、統計學家、實體學家甚至是火箭動力學家，就像電影裡說的“It’s just all about numbers”。量化好像成為了投資領域的一種高維武器。

今年5月，《機構投資者》旗下出版物《阿爾法》公布的“2016年全球收入最高的對沖基金經理”排行榜顯示，前十位收入最高的對沖基金經理中，有八位被歸為量化基金經理，前25位有一半屬于量化分析。與國外已經發展許久的量化基金相比，國内還是處于起步階段，昨天我們分析了目前國内所有的主動管理型的量化基金，在目前來看，量化基金取得成績證明了其可以戰勝市場。

 “市場效率越是不高的市場，量化投資獲得超額收益的空間越大。”就國内目前的量化基金來看，國内的量化分成兩個陣營：披着量化的外衣，通過一些模型和具體政策來進行“量化”選股，但在配置和交易上還是依賴于基金經理的主觀經驗；有人說，真正的量化，涉及機器學習。基金經理隻負責對現有政策的管理和維護，或者開發新政策。那麼量化“黑箱子”到底裝的是什麼？每個量化基金的“黑箱子”都是不向外公開的秘密，但是量化黑箱子形成的過程大緻相同：

1、先有個想法  提出一個交易思路“市值超過10億就剔除”的小市值輪動、或者是“隻選擇分紅最多最勤”的紅利企業思路，或者是多因子，或者是什麼“隻炒次新”，總之你要有個想法。

2、變成一個政策  想法是好的，但是想當然就不好了。當你通過一些開放、易得的資料對你的想法進行驗證時，發現3年翻倍喲。在量化領域，一個成功的選股政策稱為“因子”，而要實作穩定的盈利，你需要有較大的、高品質的“因子庫”來支援。

3、搭建一個量化模型  這才是真正的量化核心，關于這一部分就不多做介紹了，但是顧名思義還是可以了解的，并且三者要達到一個動态平衡，就是你既要追求高利潤、還要限制風險，還要降低交易成本。

4、讓機器跑起來  當量化模型建議後，你就獲得了一個最優目标組合，然後讓機器來交易吧。

5、完事了嗎  是不是交給機器就可以了？不，你依然需要時刻盯着模型，因為魔鬼在細節裡。機器的了解能力依然無法達到人腦的程度。比如，你的政策裡有一個限定條件，當某隻股票當日漲停後賣出獲利。但是，如果這個股票是因為重組停牌，是有可能連續漲停的，這個時候就需要人為幹預，通過修正參數和調整政策來讓模型更好的獲利。而不是在第一個漲停闆就跑掉。

量化的黃金時代到來了嗎？專家預計，國内目前有着最适合量化投資的土壤：

第一，市場處于弱有效狀态，量化投資戰勝市場的機會很大。A股市場的發展曆史較短，市場效率相比發達市場要低不少，是以有更多獲得超額收益的機會。

第二，量化投資的市場佔有率小。與海外動辄數百、上千億美元的量化基金相比，國内目前的基本面量化産品規模總體不大，其中嚴格遵循量化投資理念的基金更少，是以有很大的市場空間和盈利機會。

第三，A股市場容量大。目前A股市場已經有超過2500隻股票，還在快速擴容中，這對量化投資而言，提供了足夠的投資寬度和行業寬度。

第四，A股的資料品質不斷提高。資料供應商的資料逐年不斷提升，再加之識别上市公司資料可靠性的技術手段不斷提升，使得以資料為基礎的量化投資的環境和投資能力不斷提升。

做出一個量化政策有多難，什麼樣的量化政策能賺錢？我們調研了很多資料，看了許多量化政策後，發現要做出真正長期有效的政策，最佳的靈感來源，根本不是參數、代碼、名額、程式、各種因子的堆砌，而是長期對于實盤的觀察，長期對于行情的關注，長期對于賬戶運作的了解，長期對于測試政策的不斷重複和實踐。

拓展閱讀：

市面上經典的量化交易政策都在這裡了！（源碼）

期貨/股票資料大全查詢（曆史/實時/Tick/财務等）

網格交易法，一個不容易虧錢的投資政策（附源碼）

配對交易—這個股票政策曾年賺5000萬美元

一個量化政策師的自白（好文強烈推薦）