量化與傳統(tǒng)交易模式融會貫通

用科學(xué)解釋市場變化，用數(shù)據(jù)推導(dǎo)答案，這與部分交易者缺乏原則的人為主觀決策，用感性面對市場波動，然后為答案尋找原因（特別是不總結(jié)失敗教訓(xùn)，僅用少數(shù)成功案例構(gòu)建起搖搖欲墜的投資邏輯）相比，顯然數(shù)學(xué)的定量分析方法更值得信任。

并不是隨著計算機的普及量化投資才得以實現(xiàn)，早在20世紀(jì)初，《股票大作手回憶錄》的主角杰西·利弗莫爾（Jesse Lauriston Livermore,1877—1940年），從報紙刊登的個股開盤與收盤的高低數(shù)據(jù)、交易量等數(shù)據(jù)預(yù)測第二天的交易價格，這實際上就是最原始的量化投資。而更早的還有道氏理論的提出者查爾斯·亨利·道（Charles Henry Dow,1851—1902年），已經(jīng)使用了移動平均線來表達趨勢。而現(xiàn)代的科學(xué)家詹姆斯·西蒙斯（James Simons），在1989年到2009年間，他設(shè)計并主導(dǎo)的大獎?wù)禄鹌骄昊貓舐矢哌_35%，較同期標(biāo)普500指數(shù)年均回報率高20多個百分點。

我們反復(fù)強調(diào)量化投資的優(yōu)勢，但并不意味著這和非量化模式是沖突的，不僅不沖突，我們經(jīng)常向采用非量化模式的投資者學(xué)習(xí)，他們也在分析過程中更大比例地引入量化方式加速數(shù)據(jù)的獲取和對其的分析。毫無疑問，量化和主觀的融合與滲透越來越明顯，兩種投資方法的邊界反而越來越模糊。我非常欽佩基本面分析者對于好公司的判斷，以及交易員對于好價格點位的判斷。在本書中也試圖重現(xiàn)投資大師彼得·林奇的PEG選股方法，重現(xiàn)主力資金和散戶資金博弈的資金流入占比，以及經(jīng)典技術(shù)指標(biāo)雙均線在期貨和股票系統(tǒng)中的應(yīng)用效果，毫無疑問，這些知識都來自對投資者行為的學(xué)習(xí)。

本書將著力公布一批基于動量效應(yīng)的期貨CTA模型，以及股票基本面和量價關(guān)系投資模型，進而到更加復(fù)雜的CTA模型和股票多因子模型，最后講解機器學(xué)習(xí)方法在多因子建模中的實戰(zhàn)。本書的特色之一是每個模型都公布源碼，公布我們的思考假設(shè)和路徑，并考慮到讀者的編程門檻，從基本的語言結(jié)構(gòu)講起，并對模型做充分注釋。

關(guān)于為什么要涉及機器學(xué)習(xí)的問題，首先是因為這種算法有絕對的數(shù)據(jù)挖掘優(yōu)勢，對于數(shù)據(jù)的擬合度非傳統(tǒng)模型能比，其次是因為在我們嚴(yán)格進行因子篩選，且邏輯清晰的情況下，機器學(xué)習(xí)算法可以完全保證模型的穩(wěn)健性，或者叫魯棒性（Robustness）。最后感謝所有機器學(xué)習(xí)的開發(fā)者所編寫的可調(diào)用程序，這讓普通金融建模者幾乎只用一兩行代碼，即可完成對于機器學(xué)習(xí)的初級使用。

本書面向有一定金融學(xué)知識的交易者，或者在校學(xué)生，或者具備部分編程知識的IT從業(yè)人士，你們可以結(jié)合自身的知識結(jié)構(gòu)放大自己的長項，補充自己在量化投資領(lǐng)域所缺乏的知識，最終構(gòu)建出可以實盤交易的穩(wěn)健的模型。我不希望本書像教科書式的學(xué)術(shù)論文那樣晦澀難懂，對于在量化行業(yè)從業(yè)的基金經(jīng)理和研究者，以及資金曲線異常完美的資深交易者，可能僅能從本書中得到一些靈感啟示，但我相信這些模型都是他們成長道路上已經(jīng)走過的路。