什么是量化：一场关于不确定性的统计游戏

假设有一枚并不完全公平的硬币，正面出现的概率不是 50%，而是 51%。

只抛一次，你和赌场里的任何赌徒没有区别。连续十次也说明不了太多。但如果能以足够低的成本重复十万次，同时控制每次下注的大小，这一点微弱的偏差就可能变得有意义。

量化的世界大致从这里开始。

当然，市场不是硬币。那 51% 不会写在硬币上，甚至不会保持不变。一旦很多人发现同一种规律，它可能减弱、消失，或者在最拥挤的时候反过来伤害所有人。手续费、延迟和市场冲击还会继续侵蚀本就微弱的优势。

所以量化面对的真正问题从来不是“怎样准确预测下一次涨跌”，而是：

当任何一次判断都可能是错的，我们还能否构造一套长期有效的决策方法？

量化不是预测，而是重复

新闻里常把量化描绘成一台黑箱：输入海量数据，经过复杂模型，机器便吐出买卖指令。这种描述抓住了它的外形，却错过了核心。

量化首先是一种组织决策的方法。它要求一个想法能够被写成明确规则，放回历史数据中接受检验，再以相同方式作用于大量标的和交易机会。最终结果不依赖某一次判断必须正确，而依赖一类判断在足够多次重复之后是否仍有微弱优势。

AQR 的 Cliff Asness 把量化投资称为一场统计游戏，并认为分散化是它的重要特征。一名主观投资者可能深入研究少数公司；量化投资者通常对单个对象知道得更少，却可以用一致的方法观察更大的样本。它牺牲局部叙事的丰富程度，换取规则的一致性和分散风险的能力。

这并不意味着量化与基本面或主观判断互相对立。系统化策略同样可以使用盈利、估值、政策和产业信息；区别在于这些信息怎样进入决策。AQR 在讨论系统化与主观投资时指出，两者甚至可以建立在相似的经济逻辑上，只是处理和执行信息的方式不同。

因此，量化不等于高频交易，不等于人工智能，也不等于全自动赚钱。日频资产配置是量化，跨市场统计套利是量化，毫秒级做市也是量化。频率和模型可以不同，真正共同的是：假设可以检验，规则可以重复，风险可以度量。

过去：人类逐渐学会处理不确定性

如果只列出 Bachelier、Markowitz、Black、Scholes 和 Merton，量化史很容易变成一张金融学家名单。但把这些工作放在一起看，会发现它们都在回答同一个问题：如何把无法消除的不确定性，变成可以讨论和处理的对象？

1900 年，法国数学家 Louis Bachelier 在《投机理论》中尝试用概率过程描述证券价格。重要的不是他是否预测对了市场，而是他把价格波动从故事变成了一个数学问题。市场或许无法被确定地预言，但它的随机性可以被描述。

半个世纪后，Harry Markowitz 改变了问题的单位。投资者不应只问“哪项资产最好”，还应该问“这些资产放在一起会怎样”。收益、波动和相关性由此进入同一个组合框架。1990 年的诺贝尔经济学奖说明将这项工作称为金融经济学理论发展的基础之一。

随后，期权定价理论又向前走了一步：面对一个不确定的未来价格，能否通过动态组合其他资产来复制并管理它的风险？Black、Scholes 与 Merton 的贡献并不是一条永远正确的价格公式，而是一种把风险拆开、定价和对冲的语言。1997 年诺贝尔经济学奖资料记录了这套方法对衍生品市场的重要影响。

这段历史不是“人类越来越会预测”的历史。恰恰相反，它是人类逐渐承认预测有限，并学会描述、分散和转移风险的历史。

计算机让统计游戏获得了规模

早期模型可以写在纸上，却很难同时作用于数千个证券。计算机、数字化数据和电子交易改变了这一点。

当同一条规则能够快速扫描大量资产时，量化不必再把希望寄托在少数重仓判断上。程序化交易、统计套利、指数套利、算法执行和电子做市随之发展。市场本身也变得可测量：订单在哪个市场发送、拆成多大、等待多久，以及一次成交究竟付出了多少点差和冲击，都可以成为模型的一部分。

这也是量化最容易被误解的时刻。人们看见计算机在交易，于是以为速度就是量化；看见复杂模型，于是以为复杂就是优势。但计算机真正带来的首先是规模和一致性——它能够不知疲倦地执行同一套规则，也能够不知疲倦地重复同一个错误。

2007 年的量化危机、2008 年的金融危机以及此后的多次市场冲击反复提醒从业者：历史上很少发生，不等于未来不会发生；在正常时期相关性很低，也不等于压力时期仍然如此。关于主动量化管理未来的研究因此开始强调动态风险、极端情景与定性推理，而不是把历史拟合得更加精细。AQR 收录的 A Dynamic Future for Active Quant Management 就表达了这种反思。

现在：公式只是系统里最短的一行

今天，一条信号从研究走到真实盈亏，中间隔着一整套系统。

行情首先要被准确接收、清洗和对齐。研究代码要避免使用当时不可能获得的信息，回测要计入手续费、滑点、冲击和容量。目标头寸要经过组合约束和风险检查，再由执行系统转化为订单。交易开始后，还要持续判断数据是否中断、模型是否漂移、成交是否异常，以及什么时候应该主动停止。

在研究员的电脑里产生收益的公式，只能叫一个结果。扣除信息穿越、幸存者偏差和反复试验的影响后仍然成立，它才可能是一个信号；计入交易成本和市场容量后仍然存在，它才接近策略；经过风险、执行和生产系统的考验后，它才可能成为真实交易。

一条量化策略往往会死三次：第一次死在数据里，第二次死在回测里，第三次死在执行里。

这也是为什么量化从来不只是研究员的工作。市场数据系统决定研究看到的世界是否真实；交易系统决定理论价格能否变成实际成交；风控系统决定一次异常是否足以终结整个策略；监控和可观测性则决定团队能否在损失扩大前发现问题。

美国证券交易委员会在算法交易市场报告中总结过这种双重性：算法交易已经深度参与现代市场，它通常能够改善市场质量，却也可能在特定压力条件下放大风险。自动化减少了某些人为错误，同时把另一些错误放大到了机器的速度。

所以今天真正困难的并不是写出一个会下单的程序，而是建立一套知道自己何时可能出错的系统。

未来：模型会越来越便宜，真实世界依然昂贵

人工智能会显著改变量化研究。它可以阅读过去难以规模化处理的文本和图像，帮助研究员生成代码、寻找异常、组织实验。很多过去需要数周完成的工作，可能缩短到几天甚至几小时。

但工具普及也意味着同一类想法会被更多人、更快地发现。如果数据和模型都能被轻易购买或调用，优势就会继续从“拥有某个公式”迁移到其他地方：更可靠的数据、更快的研究闭环、更好的组合构建、更低的执行成本，以及面对异常时更克制的风险控制。

AI 也不会消除量化最根本的困难。市场不是一个等待拟合的静态数据集。参与者会学习，制度会变化，模型的使用本身还会改变价格。当许多系统依赖相似数据、模型或基础设施时，它们可能在压力中做出相似反应。金融稳定理事会在人工智能与金融稳定报告中讨论的第三方依赖、市场相关性、网络安全和模型风险，都会逐渐变成交易系统必须面对的工程问题。

未来的量化系统因此不仅要回答“为什么买”，还要回答更多不那么令人兴奋的问题：这条数据来自哪里？模型为什么改变仓位？谁修改了参数？什么状态会触发降级？系统失去行情或交易通道时，怎样安全地停下来？

模型越强，治理模型的系统就越重要。

人的位置也不会消失。机器可以扩大搜索空间，却不能替团队决定什么问题值得研究，某种关系为什么可能持续，以及一个漂亮结果是否违背了市场常识。未来优秀的量化研究员会更像科学家，优秀的量化开发者则不只是把公式翻译成代码，而是把不确定的研究结论变成一个可运行、可观察、可控制的真实系统。

回到那枚硬币

现在再看开头那枚胜率 51% 的硬币，真正重要的显然不只是 51%。

你还需要确认这枚硬币没有被调换，确认统计过程没有偷看未来，知道每次应该下注多少，承担得起连续失败，并在优势消失时停止。你需要的不是一次神奇预测，而是一整套与不确定性相处的方法。

这就是我理解的量化。

它不承诺知道未来，只要求我们把不知道什么、愿意承担多少，以及出错时怎么办说清楚。量化的第一课或许不是 Python、回归或回测，而是对不确定性保持诚实。