1.0 量化交易的本质
量化交易（Quantitative Trading）是用数学模型和计算机程序来做出交易决策，而不是靠直觉、消息或"盘感"。
核心哲学
量化交易有三大支柱：
| 支柱 | 含义 | 问法 |
|---|---|---|
| 系统性 | 每个决策由规则驱动，而非情绪 | "如果 A 发生，就做 B" |
| 可验证 | 每个策略可以用历史数据回测 | "过去 5 年这个规则赚钱了吗？" |
| 可改进 | 用统计方法评估和优化 | "这个改进真比原来的好？" |
Quant Link：全球最著名的量化基金 — 文艺复兴科技（Renaissance Technologies）、Two Sigma、D.E. Shaw — 都建立在这三个支柱之上。它们雇佣的不是交易员，而是数学家、物理学家和计算机科学家。
系统化 vs 主观交易
| 维度 | 主观交易 (Discretionary) | 系统化交易 (Systematic) |
|---|---|---|
| 决策依据 | 经验、直觉、新闻解读 | 数学信号、统计概率 |
| 一致性 | 容易受情绪干扰 | 严格执行规则 |
| 可回溯 | 事后难以复现决策过程 | 完整记录 + 可回测 |
| 扩展性 | 靠个人，容量有限 | 可同时运行数百策略 |
| 典型代表 | 索罗斯、彼得·林奇 | 西蒙斯（文艺复兴） |
为什么需要量化框架？
假设你有两个策略：
| 策略 | 胜率 | 年化收益率 | 最大回撤 |
|---|---|---|---|
| A | 60% | 18% | -25% |
| B | 55% | 22% | -40% |
问题：A 胜率更高，B 收益率更高，哪个更好？
直觉会说"A 更靠谱"，但我们要用数据说话。这里引入最核心的概念之一：夏普比率（第 2.2 节会详细讲）。
不过先做个更简单的计算：贝叶斯更新。
手算：两个策略的胜率比较
假设两个策略各交易 100 次，A 赢了 60 次，B 赢了 55 次。我们想知道 A 的真实胜率是否显著高于 B。
使用 z 检验（比例检验）：
| 步骤 | 计算 | 结果 |
|---|---|---|
| 1. A 胜率 | 0.60 | |
| 2. B 胜率 | 0.55 | |
| 3. 合并胜率 | 0.575 | |
| 4. 标准误 | ||
| 5. z 统计量 | ||
| 6. p 值 |
结论：p 值 ，远大于 0.05。100 次交易的数量下，我们无法确认 A 的胜率显著高于 B。这就是为什么量化交易需要足够多的样本 — 一个策略跑一个月就说"我赢了 60%"，可能只是运气。
扩展思维：交易次数的重要性
| 交易次数 | A 赢 | B 赢 | z 统计量 | p 值 |
|---|---|---|---|---|
| 100 | 60 | 55 | 0.72 | 0.474 |
| 500 | 300 | 275 | 1.59 | 0.112 |
| 1,000 | 600 | 550 | 2.26 | 0.024 |
| 10,000 | 6,000 | 5,500 | 7.14 | < 0.001 |
当交易次数达到 1,000 时，60% 对 55% 的差异才在统计上显著。这就是为什么量化交易需要长时间、高频率的数据。
Quant Link：专业量化基金在实盘部署前，会做长达数年的模拟回测，用数千次虚拟交易来确认策略的统计显著性。他们说的"验证"不是跑过去 3 个月的数据，而是跑成千上万次蒙特卡洛模拟。
本章路线图
| 你在这里 | 下一站 |
|---|---|
| ✅ 1.0 量化交易的本质 | ➡️ 1.1 交易品种 |
| ⬜ 1.1 交易品种 | 股票、期货、期权的基本计算 |
| ⬜ 1.2 订单类型 | 市场微观结构的入门 |