零基础程序员要补哪些量化知识，才可能做出一个能赚钱的平台

本文首发于www.zicode.com。这是「程序员量化交易实战」系列的一篇基础地图：不讨论某个神秘指标，也不承诺任何收益，而是把一个零基础程序员真正需要补的量化知识系统地摊开。很多程序员第一次接触量化交易时，会下意识地问一个问题：有没有一个策略，能稳定赚钱？这个问题当然重要，但它来得太早了。如果把量化平台想象成一辆车，策略只是方向盘和油门。没有干净的燃料，没有能承重的底盘，没有刹车，没有仪表盘，没有保养记录，方向盘再漂亮也没用。更麻烦的是，回测里看起来飞快的车，到了真实道路上可能第一脚油门就熄火。所以零基础程序员要学量化，第一件事不是背一堆金融术语，而是建立一张地图：哪些知识决定数据是否可信，哪些知识决定回测是否在骗自己，哪些知识决定实盘是否活得下来，哪些知识才真正靠近“赚钱”。这篇文章就按这张地图来讲。先把量化本身讲清楚，再谈平台怎么做。什么是量化量化交易不是“用 Python 炒股”，也不是“把几个技术指标自动化”。更准确地说，量化是把交易判断写成可以被数据验证、可以被程序执行、可以被持续复盘的一套规则。它关心的不是某一次判断对不对，而是一组规则在大量样本、长期市场环境和真实交易约束下，是否仍然有正期望。人工交易常见的表达是：这家公司不错，位置也不高，可以买一点。量化系统需要把这句话拆成更硬的东西：股票池：沪深 300 成分股 买入条件：估值分位低于过去 5 年的 20%，且近 60 日动量为正 调仓周期：每月第一个交易日 持仓数量：20 只 权重规则：等权，单票不超过 5% 卖出规则：估值分位回到 60% 以上，或动量转负，或风控触发 交易约束：扣除手续费、印花税、滑点，不能买停牌和涨停股票这就是量化和“感觉不错”的区别：它把判断变成了可计算的规则，也把规则放到市场里接受检验。量化最重要的三个要素如果只记三个词，我会选：数据、模型、执行。数据决定你看到的世界是不是真的。模型决定你从世界里提取什么规律。执行决定规律能不能在真实市场里变成交易结果。要素它解决什么问题常见失败方式数据当时市场发生了什么，哪些信息已经可见数据缺失、未来函数、复权错误、幸存者偏差模型什么情况下买、卖、持有、调仓过拟合、样本太少、解释不清、换市场失效执行如何把信号变成真实成交成本过高、滑点过大、流动性不足、订单状态混乱这三件事缺一不可。只有数据，没有模型，平台只是一个数据库。只有模型，没有数据，策略像写作文。只有数据和模型，没有执行，回测再漂亮也只是纸面成绩。量化的几个层级量化不是一个单点技能，而是一层一层往上搭。第一层：指标自动化这一层最接近程序员入门。比如自动计算均线、涨跌幅、成交量放大、财务指标、估值分位。它能节省人工看盘时间，但还不等于策略。因为指标只是观察角度，不是完整交易规则。第二层：规则策略这一层开始有明确的买卖规则。比如“20 日均线上穿 60 日均线买入，下穿卖出”，或者“每月买入市盈率最低的 20 只股票”。规则策略的好处是可解释、可回测、容易发现错误。缺点是容易太简单，也容易被参数调参带偏。第三层：因子模型因子模型不只看一个规则，而是把多个解释收益的变量放在一起。比如价值、动量、质量、成长、波动率、规模、流动性。它通常会经历因子计算、截面排序、因子合成、行业和风格中性化、组合构建这些步骤。做得好时，比单一规则更稳定；做不好时，只是把一堆噪声混在一起。第四层：组合管理这一层关心的不是“买哪一只”，而是“整个组合承担了什么风险，资金怎么分配”。同样是 20 只股票，等权、按波动率倒数加权、按因子分数加权、按风险预算加权，结果可能完全不同。这里会涉及行业暴露、相关性、跟踪误差、换手约束和容量。第五层：交易执行和风控这一层离真实资金最近。它处理订单怎么拆、什么时候发、成交不完整怎么办、日内亏损过大怎么办、数据源断了怎么办。很多回测里有优势的策略，实盘收益被执行吞掉，就是因为这一层没有做好。先说清楚：什么叫“能赚钱”在量化里，“能赚钱”不是回测曲线很漂亮，也不是某一年收益很高，更不是参数调到刚好适配历史行情。一个更朴素、也更难糊弄自己的定义是：在扣掉交易成本、滑点、税费和错误损耗后，策略仍然有正期望；在市场状态变化时，亏损可控；在真实执行环境里，系统不会因为数据、延迟、权限、代码错误和人工疏忽把优势吃掉。这句话有点长，可以拆成五个问题：问题程序员容易忽略的坑历史上赚了吗回测用了未来数据，或者样本太少扣成本后赚了吗手续费、印花税、滑点、冲击成本没算全未来可能还赚吗参数过拟合，换一段行情就失效亏的时候扛得住吗