量化不是算命！勝率只有51%，怎麼就成了印鈔機？演算法不看名字和故事，只給股票稱重和算期望值；散戶求一次做對，演算法允許十萬次犯錯，不追求贏只追求對！量化五臟拆給你看，拼的不是演算法是邏輯！
本期節目詳細拆解了量化交易的核心邏輯與執行系統。節目指出量化不是算命或預測漲跌，而是基於數學期望值與機率優勢的複利系統，並講解了從資料清洗、因子挖掘、主成分分析、正交化到配對交易等量化五大維度與完整流程，強調量化拼的不是演算法本身，而是背後的邏輯。
影片連結：
完整文字：
如果這個邏輯本身它都不存在，你就是把演算法寫的再複雜再精密，也沒有任何卵用。觀物如實，拒絕碎片認知。今天呢，我們聊一下量化到底是什麼玩意兒。其實今天這期節目呢，不光是給大家把量化這個神秘東西來個大起底，同時我還想讓大家理解什麼是量化思維。實際上，量化本質上呢，它就是一種思維方式，一種由機率跟因果共同造就的預期回報。首先呢，量化呢，它不是算命。市面上那種什麼狗屁的AI預測明天漲跌這玩意兒，那跟真正量化半毛錢關係都沒有。其實真正的量化交易就只做一件事兒，那就是計算數學期望值。演算法會先算出盈利的機率乘上預期能賺的那個金額，再減去虧損的機率乘上預期會虧的金額，最後還要精準扣除這個交易成本，像什麼手續費啊，像什麼滑點啊這些成本。只要算出來最終那個期望收益大於零，演算法就會立刻執行下令。其實整個流程看起來。
那你會發現根本就不存在任何的主觀預測，未來這個漲跌這個環節，業內那些最賺錢的量化策略，實際上勝率往往只有百分之五十左右，好一點的五十二五十三左右，聽起來確實跟拋硬幣差不多吧。但是就靠這個多出來的百分之幾，甚至百分之一的微弱的機率優勢，量化機構呢就能透過海量的交易實現長期穩定的盈利。今天呢，我們就從頭到尾詳細的看一遍，看看一整套完整的量化系統是怎麼跑的，就是它的資料輸入模組、策略的執行邏輯以及自動執行程式那個具體的日，哎，它是如何運轉的？我們呢先鑽進演算法這個視角里面啊，我們其實可以先從人的視角進行一個對比，人看股票看啥呢？先看名對吧？什麼蘋果啊、茅臺啊，反正這些名字後邊呢掛著個產品，有的呢還關注老闆的一些八卦呀，甚至一些市場小作文啥的。但演算法呢是從來不看這些玩意兒。
屬於克隆綿羊，沒爹沒孃，更沒有什麼童年的記憶，也沒有任何的品牌崇拜，不會因為哪個創始人講話跟那個救世主似的熱淚盈眶似的。在演算法的眼裡，任何一隻股票都只是一個不斷吐出數字的黑盒子，因此呢，演算法根本就不關心人類所關心的東西。其實人類的認知方式要比機器更加複雜，因為人呢會產生各種情感，例如說體驗感都是敘事帶來的一些幻想，但這方面恰好變成了什麼？變成碳基生物在市場搏殺的一個弱勢，因為不夠純粹。而演算法呢是完全不同的，演算法真正想問的也不是明天漲不漲，而是當下這一堆條件同時出現的時候呢，往上走的可能性是不是比往下走多了那麼一奶奶？也就是說一個交易它能不能做，嚴格就等於贏的可能乘以贏的幅度，減去輸的可能乘以輸的幅度，再減。
減掉交易成本，不是在預言，它是在稱重。整個量化帝國的地基呢，就是這麼一杆秤。那量化靠什麼賺錢呢？量化賺錢的邏輯跟賭場的莊家呢是一模一樣的，都是在微弱優勢下的複利效應。你別看像那些比較著名的什麼SIG這些大廠，他們只有百分之五十一的勝率，但百分之五十一的勝率足夠變成印鈔機的了。我給你算筆賬啊，好比說一個策略，它的贏的機率呢是百分之五十一，輸一次掉一塊，贏一次呢能拿一塊二，單看一次跟瞎猜呢沒有任何區別。可要是這個小偏差能被紀律嚴明的重複十萬次呢，你的每一次的期望值都是掙的那麼一小截，你十萬次疊上去，那這個百分之一的優勢就不再是一粒灰塵了，就跟雪崩似的，慢慢越滾越有重量。這就是散戶跟量化的一個最根本的分叉。散戶想找什麼？想找神域，要。
就是透過一次交易呢獲得暴利，但是做錯了呢，那就覺得天塌了。允許自己不停的犯錯，因為每一筆錯的成本早就提前寫入了一個賬本了。說白了，量化追求的跟散戶追求的剛好是相反的。演算法呢，它不追求贏，它只求把事情給做對。大家呢一定要把這兩件事進行嚴格的區分。你一單盈利了，不代表你的決策是正確的。我就舉一個非常顯而易見的德州撲克的例子啊，哎，看一下這個大家就明白了。好比說你現在的手牌呢是KK，而對方的手牌呢是AA，此時呢如果你選擇了對方all in跑馬的話，你的勝率呢就只有百分之三十。好，現在呢一番公牌啪一下翻出個K來，你三條K贏了，但是你的決策是正確的嗎？哎，這就是當下視角與事後視角的絕對差別。因為在資訊的當下當中呢，你不可能知道未來的公牌必然會出現K。
對吧？你僅僅知道的是什麼？是KK贏AA的機率。因此這個決策本身呢，它不對。但是呢，它贏了。所以量化追求的跟散戶剛好是相反的。如果你要追求微弱優勢下的長期複利，那首先的前提就是什麼？就是得錯得起。我給這個錯得起呢一個數學底感啊，好比說你每筆期望呢只賺一分二厘，你聽著好像非常可憐。但是你十萬筆如果滾下來呢，就是一萬二的毛利，而且這十萬筆是相互獨立的小注壓下去的，總盈虧的波動呢是被攤的極薄的，它不是散戶那種過山車，它是一條微微上揚的一條直線。所以量化基金賣給客戶的其實並不是收益率，是這條直線的一個平滑值。你稱重那個具體的東西是什麼呢？哎，就是因子。大家呢可能聽過這個詞兒，好像挺高大上一樣。實際上這個詞兒呢沒那麼玄。我還給大家舉。
舉個例子啊，買股票像什麼呢？散戶看的是麵糰外邊這個名字，你比如說他要烤一個法棍吶，或者是個牛角包啥的，這就對應的是公司那個名字或者概念。而量化程式看的是麵糰內部的物理引數，例如說裡邊麵粉啊、蛋白質一些含量，還有什麼麵糰的含水量，還有什麼酵母的發酵時間等等等等吧。物理引數才決定了麵糰進烤箱之後呢能不能膨脹。而像這個麵粉的蛋白質含量對應的就是股票的價值因子，麵糰這個含水量呢對應的就是波動率因子，然後酵母當下的一個活躍程度呢對應的就是多樣性因子。這麼說呢，雖然不夠準確，但不耽誤大家直觀的理解。同一塊麵糰在環境溫度改變之後呢，它的內部的酵母的活躍引數呢就完全變了，最後烤出來的東西呢，哎可能完全不同。所以演算法根本就不在乎這塊麵糰它叫什麼，它只是是測算當前的蛋白質含量、水分還有酵母。
的一個配比，然後再計算放進烤箱之後這個膨脹變大的一個機率，只要這個機率達標，機器就會立刻執行這個買入操作。所以股票的名兒也好啊，還是概念也好，它只是一個外殼，因子才是決定這隻肉身怎麼漲跌的一個底層引數。比如這隻股票最近漲得特別猛，哎，這屬於動量因子的事兒；而如果它上下劇烈波動的話，這就屬於波動力因子管的事兒。再好比說它現在的價格比他媽淨資產還便宜，這就屬於價值因子。你看這個跟酵母的用量、發酵時間、蛋白質含量不同的配方進烤箱之後能烤出個什麼玩意兒來，這是同一件事兒。這就使得什麼呢？這就使得同一只股票今天可能是一個流動性枯竭的一個沉睡者，這個訂單部裡的資金就一擁而入，哎，它的引數呢就會瞬間變成一個極度活躍的暴走狀態。
有了這個秤跟成分表之後呢，接著就看這個工廠是怎麼開工的。演算法呢，每天要吞吐幾十億條資料，裡邊有什麼錯價啊、缺口啊、假新聞啥的，全混在裡邊。最後能炸出來的優勢呢，也許只是小數點後那一點點。其實大多數的資料呢，還是礦渣。你從這些資料裡邊能煉出多少金子？哎，這本質上跟演算法本身呢也是有關係的。我們現在設定的就是一個大型做日商的演算法啊，當然還有很多奇葩演算法，那那就是完全是garbage in garbage out了。下面說說，假如你想做量化，你要經歷一個什麼樣的流程啊？其實量化呢，包括你經營的生意或者是企業，其實都可以進行量化的資料化管理，它能讓你馬上知道到底問題出在哪裡了。所以做量化第一步絕對不是上來就建模型，而是必須要徹底檢查清理歷史資料。比如說資料裡邊顯示一隻股票昨天是十塊錢。
今天呢變成五塊了，你就必須得查清楚是真的下跌了百分之五十，還是因為公司呢哎做了拆股。如果你不把這裡的歷史價格按照比例調整好的話，模型學到的邏輯就是完全錯誤的。還有一個非常容易犯的錯誤，就是很多倒閉退市的公司呢會被清理出歷史資料。就是如果你只用今天還在正常交易的公司資料去測十年前的策略，你算出來的收益率呢會非常的高，因為這整個樣本庫就是一個大型的倖存者偏差，你忽略的就是當年那些推前退市的失敗樣本。還有一種非常非常難排查的一個資料錯誤，好比說呢一個公司的財務報表今年三月份才出來，還把它放在一月份的一個行情資料裡邊了，這就會導致你的測試成績會提前使用未來的資訊，一旦投入真實的實盤交易，立刻就會虧損。它會在測試階段讓你產生一種自己是天才的錯覺，就是復權處理這個。
問題，還有就是要消除這個倖存者偏差這個問題，以及要防範未來函式這個問題。其實它叫啥或者名詞都不重要，其實核心原則就一個，就是隻要你在歷史測試階段出了一個極其驚人的一個收益率的話，你第一時間就要核對基礎資料他媽是不是錯了，千萬不要第一感覺認為自己演算法特別牛逼。你做完第一步就第二步，就是量化研究員開始要找真正的價格規律了，哎，也就是挖因子這個過程。因子就是能對價格產生解釋力的東西。記住啊，量化是在挖掘機率跟因果這種雙重關係，在量化當中只有可解釋，沒有必然。這個因子就必然如何如何，沒有這種因子。如果真有的話，那隻能是習近平因子了。畢竟指方向這塊沒人拼得過這傻逼。其實這一步的最大敵人呢，就是人的自己的這個腦子，人的腦子吧他媽天生有個臭毛病。
就愛在雨裡邊看見龍，在牆皮裡邊看見人臉。你測一萬個方法，總有幾個純靠巧合也能擺出的一個神蹟的哎那個樣兒。我就說幾種比較奇葩的啊，哎我跟你說，這他媽不是在黑誰啊？華爾街真的有人在這麼幹，有那種什麼星期幾買入特別賺錢的，還有就是名字裡邊帶某個字母，公司又會漲得特別好的。你這類規律你要多少有多少，那資料不會阻止你胡說的。你只要試的夠多，巧合也會給你頒獎的。所以真正的檢驗不是問這個想法過去賺沒賺錢，而是把想法當嫌疑人拖進不同的年份、不同的市場以及不同的成本環境裡邊反覆的做壓力測試。如果換個房間換個行，那就不行了，那就不叫規律。大家想啊，市場裡邊有幾千只股票，表面上好像是各玩各的，但實際上大量的漲跌動作都是被同一個主因牽著走的。好比說現在這。
只要往上一抬，哎，一大群高估值的股票呢，立馬就會集體跳水。再好比說油價這麼一漲，所有的能源公司都會跟著一起亢奮。有一門技術專門是用來揪這些提現幕後背後那隻手的，專業名詞呢叫做主成分分析，也就是我們經常聽到的PCA檢測。好比說現在有五個人異口同聲的喊出了一句話，他會把這五個個體提供的資訊壓縮成一個資訊，所以PCA會把大家共同關注的主方向呢先給抓出來。其實很多板塊分類就是這麼分出來的，然後再順藤摸瓜去找下一個完全不重合的新方向。好比說科技公司呢，就是典型的利率敏感，因為高科技公司都有這個特性，那就把這些科技公司打包成一個類，叫做利率敏感型行業，就是公共事業類的嘛，因為它受到利率影響的是有限的。這玩意兒你經濟好不好，你都得用嘛，這就是一個。
低利率敏感型，所以主成分分析它實際上是一個雙向邏輯，既看共性也看差異。另一道工序就是什麼？就是專門用來對付假證人的。好比說，你可能以為自己手裡邊捏了三個無敵的因子，像什麼低市盈率、低市淨率，外加一個高股息因子。如果你用這三個因子，必然過擬合。為啥呢？因為這三個玩意兒告訴你的是同一個事兒，反反覆覆強調的就是這家公司非常便宜。這個時候就要用到正交化了。正交化乾的活呢，就是無情的刪掉重複囉嗦這個部分，還有就是邏輯重疊這個部分。前面那個人已經交代過的資訊呢，後邊絕不允許換個語氣再糊弄一遍。好比說那三個指標都是表達同一個事兒，那就是把你鎖在什麼？就是這個資產便宜不便宜上了。這就是為什麼無腦疊指標這個事兒呢，根本就狗屁用都沒有，它會加深人的認知幻覺。
現在再說說量化最喜歡做的一個交易型別，也就是配對交易。我就拿這件產品把量化的完整流程呢，哎，跟大家走一遍。你好，比如說百事跟可口可樂的，那是幾十年的老冤家了，賣相似的飲料，面對相似的客人，都是一起影響這兩家。其實大多數時候呢，走的是有快有慢的，但不會離得太遠。就像這倆貨吧，腰上綁著一根看不見的橡皮筋兒一樣。但是好比說突然某一天百事猛衝，但是呢可口可樂原地它沒動，就被拉長了嘛。那麼人的直覺就會想，哎，肯定有一個走錯了嘛，並且呢還會判斷，要麼就是百事退回來，要麼就是可口追上去。但是演算法呢是不看這個的，演算法要先確定的是這個皮筋兒到底存不存在。這道檢驗學名呢叫做學整，其實動作呢也是非常樸素的。我就是先給兩家找一個合適的配對兒。你比如說一份百事的股票對應的是一。
點三分的可口的股票，這在量化裡面叫做對沖比例。為什麼不能簡單粗暴的一比一進行對沖呢？因為兩家公司的股價的絕對值呢它是不同的，並且每天波動的劇烈程度呢也是不同的。你好比說百事的股價呢非常高，可口的股價呢比較低。如果你各買一股去對沖的話，兩邊的力量天平呢它是傾斜的，所以演算法就必須透過這種線性迴歸的計算，找出一個極其精確的常數。你比如說這裡邊的一點三，就是使得一股百事的波動力量剛好完全抵消一點三股可口可樂的波動力量。只有配湊出這個特定的比例，整個大盤的漲跌噪音呢才會被徹底的過濾掉。然後量化根本就不看各自的股價走多高，它只盯著兩者的距離。這個距離呢它晃歸晃，但是終歸會回到那個熟悉的範圍的。哎，就是均值迴歸。你只有達成以上條。
演算法才會承認歷史上這波脾氣似乎是真的存在的。注意啊，只是歷史上似乎存在，那也是不行的。所以進一步說，量化的研究物件是什麼？它是講證據的，它跟哲學研究這塊呢是完全不同的，也不看任何的形而上學。所以演算法對任何關係的信任都帶著一個有效期。那我們還差一把尺，就是算多遠才算遠，對吧？你十塊錢算遠嗎？有的股票一天就能晃十塊，所以演算法給每對搭檔呢都按照各自的脾氣造了一個私人刻度，這把尺就叫z分數或者z分佈。它只幹兩件事，就是先量今年的距離比平時多多少，再看這個配對的搭檔平常一次分歧本來能走多遠，你這麼一除，所有脾氣不同的脾氣呢就換成一個統一的語言了，也就是z分數，這就是一個無量綱。它的意思就是離開了兩個方差的距離，哎，這就已經不是。
普通的分歧了，這是一個巨大分歧。好比說，你的演算法規則就是z一過二，馬上就動手賣掉那個跑得太快的，買入落在後邊那個。你不是在賭漲，也不是在賭跌，對吧？只賭這個距離的迴歸的日常。這個z一回到零附近呢，馬上就離場，因為這個皮筋它也會斷。也許因為某個公司的商業模式變了，你說這個英偉達要收購百世，全面要做這個AI的百事可樂，那他倆這根皮筋不就完了嗎？再或者就是什麼，就是發生大規模金融危機，那個時候全部資產無差別暴跌，皮筋呢也就沒了，這就是解耦。所以真正的量化從來都不是相信規律，而是一邊用規律，一邊摸這個規律本身還涼沒涼，這就是邊緣分佈計算的事兒了。量化流程呢我們走完了，我們再把這個鏡頭呢拉高一層，看什麼呢？看市場每天到底在給什麼東西標價？教科書上說那個什麼定價是。
算公司值多少錢？但是那是個慢鏡頭，真實市場沒時間等你把故事講完的。你每條的訊息，每筆的一個集單，甚至每次恐慌都在逼所有人重新進行一個投票。所以價格 it 不是公司的天然本該有的身份證，它是啥呢？它更像是不斷更新的一個自我證詞吧。我只能這麼說，在這場投票裡邊，量化扮演的是什麼角色？第一是就是閱讀速度，財報這麼一出，人類還在找淨利潤那一行呢。那個時候演算法已經讀完全文了。好比說發現那管理層把以前的確定改成了可能，再好比說把一句話就能回答的問題繞成了五分鐘一個冗長的回答，是誰先讀懂潛臺詞對吧？還有就是什麼搶物理速度，好比說通脹數字一公佈，普通人能看數字，人類是幹嘛？是看這個數字，然後比這個預期，看看這個資料要不要降息，有沒有降去預期。也就是說把整個分析呢分成了三步，而演算法。
把這三步呢壓成了一次判斷，同一條新聞大家都收到了，拼的是誰先到，這就是量化的套利演算法。還有拼的就是什麼，就是誰著急嘛。高頻做市商的演算法根本就不care標的公司是幹啥的，甚至它業績好不好，其實這都不重要。你是造火箭的也好，還是賣廁紙的也罷，他只關心現在誰最著急。好比說現在有個人用市價單在猛買，這不就等於在暴雨裡邊衝到了一個傘攤前啊，喊這個傘多少錢一把我都要，馬上給我一把傘。這個時候做市商演算法呢就會撤掉所有的舊價格，然後在更高的安全位置重新賣給這個人，多出來的那分錢本質上就是急迫稅。當你要求世界立刻滿足你的時候，立刻本身就會變成商品，雨越大傘越貴，市場越恐慌，演算法的逆向選擇呢就會越兇，點差呢就會撐得越開。所以在你最想跑的那一刻，恰好要交最。
最貴的過路費，一個量化呢，至少五個基本維度。首先就是資料，把一大堆垃圾資料拉進模型，那就基本上沒開始呢就已經結束了。這一步要做的就是統計的過濾技術，不是大腦，它不負責保證勝利，它只負責回答這一槍值不值得打。風險模型的是什麼？它是一個安全帶，它專查你買那堆東西，哎，它是真分散還是換了十件衣服繼續壓同一場賭局？最後呢就是成本模型，它是一個摩擦力的計算器。好比說你正面賺一塊，但是你的交易成本也就是進出市場那花了一塊二，這就不叫策略了，這。
做死戰的，這是大家要知道，執行模型它是扣動脈機的手法。例如說，你大單能不能直接砸進市場？你得切開，你得藏好，然後慢慢的靠近，你別讓獵物先聽見你的腳步聲嘛。而風險決定的是什麼？是你能走多快？成本約束的是這單值不值得玩？執行成本決定的是這個倉位你能不能活著建完？最被外行低估的就是成本還有執行這兩個，外邊吹的那全是大腦有多聰明，多少紙面上的天才策略就是死在進出場那段路上的。
那普通人在這個演算法面前有自己的活路嗎？當然有了，就是認清自己的腦子。人腦呢是不擅長同時處理幾十個資產、幾百條這種關係的。你資訊一多，大腦就開始過載了，然後就會開始主動刪除自己不喜歡的證據，順便呢再編一個順耳的故事，把這個空白給補上。量化演算法也會算錯，但演算法呢不會因為自己一筆虧損傷了自尊嘛，更不會臨時的把交易系統改成一個尊嚴保衛戰。好訊息是什麼呢？是現在有了AI了，所以大模型真正帶來的不是人人一夜之間的就成為了一個量化大師了，這他媽也不現實。但是有一個實打實的好處就是大家不用再花時間，把大把的時間花在計算這個事兒上的。其實任何的演算法本質上就是一個邏輯的復現，只是用數學這種語言把你的邏輯給書寫出來而已。你比如說你認為資本開支的增長率的二階導就是現在市場的一個動量因子，那麼你就可以透過考察這個二階導跟動量的變化關係，看看這個因子與動量能不能建立穩定的可解釋，這就是個因子啊。
寫成演算法可能就是這樣，後邊呢也可以接入各種API去計算這種動量的約束，順便呢還能看看具有這個動量特徵的股票的型別啊，等等等等吧。所以真正上場拼的，它的也不是演算法，而是驅動演算法的邏輯。如果這個邏輯本身它都不存在，你就是把演算法寫的再複雜再精密，也沒有任何卵用。所以大家如果對量化感興趣，起點還是在邏輯培養上。好了，今天先跟大家畢業到這裡。如果大家喜歡節目，請點選下方鈴鐺。如果大家想支援我的話，可以加入會員頻道，歡迎到每個月四級的深度節目，歡迎加入好人通。我們下期節目再見。