摘要：石川
摘要：很多人問我，搞量化是否學好數(shù)理和計算機就夠了。本文給出我的回答。

1

經(jīng)常有年輕人和立志轉(zhuǎn)行量化的朋友問我一個問題：“做量化，是不是只要數(shù)理統(tǒng)計和計算機科學夠強就行了？金融知識好像沒那么重要，反正數(shù)據(jù)里會告訴我們一切?！?/span>

作為一名在量化行業(yè)摸爬滾打多年的人，我想提供一個不同的視角：在量化投資這個復雜的定價系統(tǒng)中，金融洞見，恰恰是那個最重要、卻被普遍低估的“定價因子”。我們窮盡各種技術去尋找 Alpha，卻常常忽略了，深刻的理解本身，就是最寶貴的 Alpha 來源之一。

在展開論述之前，需深刻理解金融市場數(shù)據(jù)的根本特性：信噪比極低，且數(shù)據(jù)生成過程不滿足平穩(wěn)性假設。

這一特性，決定了量化研究與其他領域（如圖像識別、自然語言處理）的根本不同。在圖像識別中，一只貓的圖片特征在多年間是相對穩(wěn)定的；而在金融市場中，驅(qū)動資產(chǎn)價格的因素復雜多變，市場的“游戲規(guī)則”和參與者的行為模式會隨時間演變。這意味著，任何純粹的、無指導的數(shù)據(jù)挖掘，都極易在浩瀚的噪聲中擬合出毫無意義的“幻影”規(guī)律，這些規(guī)律在樣本外會迅速失效。

因此，在量化領域，無論是經(jīng)典的計量經(jīng)濟學模型，還是前沿的機器學習算法，其成功應用都必須在一個更高的框架下進行——即金融學與經(jīng)濟學理論的指引（這也是我為什么那么推崇 Nagel 的那本《Machine Learning in Asset Pricing》）。理論，為我們提供了寶貴的先驗知識。這些先驗能幫助我們：

• 約束模型：在參數(shù)估計時，將估計值引導至經(jīng)濟邏輯認為合理的范圍內(nèi)。

• 指導特征工程：優(yōu)先構建那些有堅實經(jīng)濟學解釋的因子，而非盲目地組合數(shù)據(jù)。

• 理解模型輸出：當一個模型做出預測時，我們能從金融邏輯上判斷其是否合理，從而避免做出荒謬的決策。

將金融數(shù)據(jù)視為一個純粹的數(shù)據(jù)問題，試圖僅憑算力“大力出奇跡”，往往是徒勞的。 唯有在金融理論的“燈塔”指引下，數(shù)理模型之“舟”才能在數(shù)據(jù)的噪聲海洋中，找到正確的航向，做到事半功倍。

2

近年來，隨著機器學習和大數(shù)據(jù)的興起，一種強調(diào)“數(shù)據(jù)驅(qū)動”、“快速實驗”的范式越來越流行。著名對沖基金 Winton 在其論述中，精準地描繪了量化研究的兩種面貌，并將其概括為 “實驗性”與“觀測性”的路徑分歧。理解這兩種范式，能讓我們更清晰地看到金融知識的核心價值。

Winton 的框架系統(tǒng)性地呈現(xiàn)了當前量化領域的兩種主流范式：

• “實驗性”范式：

• 核心：組合成千上萬個高夏普、低容量的信號。
• 特征：數(shù)據(jù)驅(qū)動，不追求單一信號的可解釋性；回測期較短，信號權重根據(jù)近期表現(xiàn)動態(tài)調(diào)整；是機器學習技術的沃土；對選擇偏差的敏感性較低。

• “觀測性”范式：

• 核心：組合 10 至 100 個低夏普、互不相關且高容量的信號。
• 特征：假設驅(qū)動——先形成金融邏輯假設，再用數(shù)據(jù)驗證；理解策略持倉邏輯至關重要，經(jīng)濟學或行為學原理能增強長期信心；依賴長期回測（理想情況下 30-40 年）以建立對信號性能及相關性的信任。

乍看之下，“實驗性”范式似乎更“酷”，更符合技術極客的審美：算力至上，數(shù)據(jù)說話，“邏輯靠邊”。這恰恰是“只需數(shù)理和編程”這一誤解的溫床。然而，正是在這條路徑上，金融知識扮演著防止研究墜入數(shù)據(jù)窺探深淵的“導航儀”角色。

邏輯錨定：從“相關”到“因果”的橋梁

純“實驗性”研究允許“不需要理解算法為何交易”，但這建立在“任何單一信號權重很小且可快速終結(jié)”的前提下。這本質(zhì)上是一種風險分散和快速迭代的工程思想。然而，如何判斷一個信號是暫時失效還是永久性失效？如何科學界定實驗的邊界？

此時，金融知識所提供的邏輯先驗至關重要。它能引導你優(yōu)先在經(jīng)濟學直覺上更可能有效的領域（如價值、動量、質(zhì)量）進行探索，而非盲目測試諸如“太陽黑子與股價”、“股票 ticker 是不是順口和收益率”之類的關系。當面對一個回測優(yōu)異但邏輯怪異的因子時，它賦予你理性判斷的基石。缺乏金融知識的“導航”，再強大的算力也只是一臺在噪聲中盲目亂撞的挖掘機。

而在“觀測性”范式中，金融知識的作用更是從“輔助”升級為“核心”，成為驅(qū)動整個策略生命周期的核心生產(chǎn)工具。

假設生成：洞見的源頭與邏輯的錨定

在“實驗性”范式中，假設可以源于數(shù)據(jù)本身；但在“觀測性”范式中，一個強有力的、先驗的金融經(jīng)濟學假設是研究的起點與邏輯的錨點。這個假設深深植根于：

• 資產(chǎn)定價理論：引導我們探尋市場為何以及如何為“風險”定價，從而理解價值、動量等因子的經(jīng)濟學根基，而非視其為統(tǒng)計黑箱。

• 公司金融與會計學：幫助我們穿透財務報表，構建真正反映企業(yè)“質(zhì)量”或“困境”的指標，而非進行機械的比率組合。(說起“高質(zhì)量”，我又有話不得不說；等我后面的文章再來嘮嘮。)

• 行為金融學：為市場異象提供解釋，例如投資者系統(tǒng)性反應不足或過度反應的機理，為動量或反轉(zhuǎn)策略注入基于人類心理的穩(wěn)固邏輯。

在此，金融知識的作用是為策略“注入靈魂”并“錨定邏輯”，確保所尋信號建立在市場可能持續(xù)存在的“無效性”或“風險補償”之上。

組合構建：理解相關性、容量與風險的宏觀視角

“觀測性”范式要求信號具備“低相關性”和“高容量”。對這兩點的深刻理解，遠超純統(tǒng)計范疇，直接觸及金融核心。

• 低相關性：不僅僅是根據(jù)歷史數(shù)據(jù)計算而來的相關系數(shù)。它要求我們理解為什么不同資產(chǎn)或策略間的相關性會時變——這背后是宏觀經(jīng)濟周期、貨幣政策、風險偏好等宏觀金融理論的支撐。

• 高容量：直接關聯(lián)到市場微觀結(jié)構和資產(chǎn)流動性的理論與實踐。策略的容量上限由市場深度、廣度及交易成本決定。缺乏此知識，可能構建出回測完美、實盤卻無法實現(xiàn)的“紙上神話”。

值得注意的是，即便在“實驗性”范式中，當試圖將海量信號整合為實盤組合時，研究者也必須直面容量、交易成本與風險集中問題，完成從“數(shù)據(jù)科學家”到精通投資組合理論與資產(chǎn)定價的“基金經(jīng)理”的角色轉(zhuǎn)變。

Winton 將“觀測性”范式的科學靈感歸于醫(yī)學、引力波探測等低信噪比領域，這絕非巧合。在這些領域，缺乏強大的理論先驗，幾乎不可能從噪聲中提取真實信號。

• 對抗選擇偏差：在金融的低信噪比環(huán)境中，先形成基于金融理論的假設，再用數(shù)據(jù)驗證，是抵御數(shù)據(jù)窺探偏見（data snooping）的黃金法則。這如同按圖索驥，而非盲目掘金。金融知識提供了評判策略內(nèi)在合理性的終極標尺。

• 建立長期信心：策略在實盤中必然經(jīng)歷痛苦的回撤。若不明其盈利根源，極易在壓力下放棄。反之，深刻理解其背后的風險溢價來源（如價值因子承載的困境風險），才能做出正確的決策。

因此，在“觀測性”范式的全周期中，金融知識已超越輔助角色，成為最核心的生產(chǎn)資料和決策依據(jù)。它幫助我們提出正確問題，理性解讀數(shù)據(jù)，并最終建立起對策略的長期信念。

3

在我們討論了兩種研究范式之后，我們或許可以從一個更現(xiàn)實的視角——個人職業(yè)發(fā)展——來審視這個問題。

短期來看，卓越的數(shù)理統(tǒng)計與計算機科學能力，是您踏入量化行業(yè)最硬的“敲門磚”和最可靠的“安全網(wǎng)”。它能讓你迅速融入團隊，負責因子挖掘、模型實現(xiàn)、回測引擎開發(fā)等具體任務。在這個階段，你是一個價值極高的“執(zhí)行者”。市場對這類人才的需求旺盛，你能憑借純技術能力成為一名合格的、甚至非常優(yōu)秀的“工具人”。

然而，長期來看，若想實現(xiàn)職業(yè)的躍遷，從“執(zhí)行”走向“決策”，從“研究員”成長為“基金經(jīng)理”或“合伙人”，金融洞見的重要性將無可替代地凸顯出來。

這背后的邏輯在于：

• 資源分配與方向決策：作為團隊領導者，你需要決定“向哪里投入研發(fā)資源”。這個決策無法僅靠回測做出，因為它關乎對未來市場結(jié)構的預判。這需要你對經(jīng)濟周期、貨幣政策、市場生態(tài)有超越數(shù)據(jù)層面的理解與信念。

• 策略的“信仰”與堅持：一個只懂模型代碼而不懂其金融內(nèi)核的經(jīng)理，在策略大幅回撤時，很容易陷入自我懷疑。而一個深刻理解策略背后風險溢價來源的掌舵者，才能擁有“穿越低谷的信仰”。

• 創(chuàng)新與范式轉(zhuǎn)移的感知：真正的創(chuàng)新往往不是來自對歷史數(shù)據(jù)的窮舉，而是源于對市場無效性的先驗性洞見。這種能力，源于對金融學經(jīng)典理論的深刻理解，以及對現(xiàn)實市場運行的持續(xù)觀察與思考。

因此，可以說：你的技術能力讓你不可或缺，但你的金融洞見讓你無可替代。技術能力決定了你職業(yè)生涯的“下限”，而金融洞見則決定了你職業(yè)發(fā)展的“上限”。

4

優(yōu)秀的量化機構，往往不是在兩種范式中二選一，而是尋求其精妙的融合。我們可以用“實驗性”范式的技術和流程，去高效地探索和驗證海量想法；但同時，我們必須用“觀測性”范式的金融邏輯和嚴謹性，去指導實驗的方向、甄別結(jié)果的真?zhèn)危嫿ň邆溟L期生命力的核心資產(chǎn)。

對于個人而言，這條職業(yè)道路何嘗不是如此？我們花費大量時間優(yōu)化模型參數(shù)、提升計算效率，這都是在為已知的因子尋找更優(yōu)的權重。但職業(yè)的躍遷，更來自于發(fā)現(xiàn)并為你策略庫中那個名為“金融洞見”的關鍵因子賦予更高的權重。

量化投資是一場在非平穩(wěn)、低信噪比的復雜環(huán)境中進行的科學探索。數(shù)理和編程提供了探索所需的精密儀器和強大動力，而金融知識則是指導我們探索方向、并解讀探索發(fā)現(xiàn)的地圖與詮釋理論。

當整個行業(yè)都在算力與數(shù)據(jù)的軍備競賽中不斷內(nèi)卷時，不妨回歸本源：為你自己的認知“定價”，深度挖掘“金融洞見”這個因子，它或許能為你帶來下一個顯著的策略 Alpha，以及職業(yè)生涯的終極 Beta。

當我們驚嘆于某些經(jīng)典因子（如價值、動量）歷經(jīng)數(shù)十年市場洗禮而依然有效時，我們驚嘆的不僅僅是其統(tǒng)計上的穩(wěn)健性，更是其背后金融邏輯的深刻與持久。

免責聲明：入市有風險，投資需謹慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構成對任何人的投資建議。在任何情況下，本文作者及所屬機構不對任何人因使用本文的任何內(nèi)容所引致的任何損失負任何責任。除特別說明外，文中圖表均直接或間接來自于相應論文，僅為介紹之用，版權歸原作者和期刊所有。