一、量化交易的數(shù)學(xué)真相到底需要什么水平先說結(jié)論90%的量化策略用到的數(shù)學(xué)不超過高中水平。讓我給你列一張「量化數(shù)學(xué)需求清單」看完你就明白了 基礎(chǔ)層高中數(shù)學(xué)足夠加減乘除、百分比、平均數(shù)、標(biāo)準(zhǔn)差一元線性方程y kx b簡(jiǎn)單的概率概念期望值、大數(shù)定律的直覺理解 進(jìn)階層大學(xué)基礎(chǔ)課水平線性代數(shù)基礎(chǔ)矩陣乘法主要用于理解多因子模型概率統(tǒng)計(jì)基礎(chǔ)均值、方差、相關(guān)系數(shù)、正態(tài)分布微積分基礎(chǔ)導(dǎo)數(shù)的直覺斜率變化率 專家層只有10%的策略需要隨機(jī)過程、隨機(jī)微分方程期權(quán)定價(jià)、高頻做市優(yōu)化理論組合優(yōu)化、凸優(yōu)化機(jī)器學(xué)習(xí)數(shù)學(xué)梯度下降、特征工程真相市面上大部分「多因子選股策略」「趨勢(shì)跟蹤策略」「ETF套利策略」核心邏輯就是「排序」和「比較」——哪個(gè)股票PB低哪個(gè)行業(yè)漲得多這不需要解偏微分方程需要的是會(huì)寫if-else和sort。 一個(gè)真實(shí)的例子我去年跑了一個(gè)「低PB高股息」的雙因子策略邏輯極其簡(jiǎn)單1. 每個(gè)月初篩選全市場(chǎng)PB最低的50只股票2. 在這50只里再選股息率最高的20只3. 等權(quán)買入持有一個(gè)月下個(gè)月初換倉這個(gè)策略回測(cè)5年年化收益18%最大回撤15%。它用到的數(shù)學(xué)除法算PB、排序取最低、平均值等權(quán)配置。就這些。誤區(qū)很多人把「量化」和「金融工程」混為一談。金融工程確實(shí)需要深厚數(shù)學(xué)功底期權(quán)定價(jià)、風(fēng)險(xiǎn)模型但「量化交易」是一個(gè)更寬泛的概念——只要你用系統(tǒng)化的方法、基于數(shù)據(jù)做交易決策就是量化。就像開車不需要懂內(nèi)燃機(jī)原理一樣做量化也不需要會(huì)推Black-Scholes公式。二、比數(shù)學(xué)更重要的四項(xiàng)能力如果你數(shù)學(xué)一般但想在量化路上走遠(yuǎn)請(qǐng)把精力投入到以下四項(xiàng)能力上。它們的重要性遠(yuǎn)超你多刷幾道高數(shù)題。能力一數(shù)據(jù)工程能力——量化是「數(shù)據(jù)驅(qū)動(dòng)」的工程量化策略的本質(zhì)是用歷史數(shù)據(jù)驗(yàn)證想法用實(shí)時(shí)數(shù)據(jù)執(zhí)行決策。如果你的數(shù)據(jù)是錯(cuò)的、舊的、不完整的再牛的數(shù)學(xué)模型也是垃圾進(jìn)垃圾出。數(shù)據(jù)工程能力包括會(huì)獲取數(shù)據(jù)知道從哪里拿、拿什么、怎么存會(huì)清洗數(shù)據(jù)處理缺失值、異常值、復(fù)權(quán)、停牌、ST會(huì)管理數(shù)據(jù)本地緩存、增量更新、版本控制會(huì)驗(yàn)證數(shù)據(jù)交叉核對(duì)、邏輯檢查、可視化排查 AmazingData實(shí)戰(zhàn)數(shù)據(jù)獲取與清洗import AmazingData as adimport pandas as pd# 登錄ad.login(usernamexxx, passwordxxx, hostxxx.xxx.xxx.xxx, portxxxx)base_data ad.BaseData()info_data ad.InfoData()# 能力1獲取正確的歷史代碼池防幸存者偏差 hist_codes base_data.get_hist_code_list(security_typeEXTRA_STOCK_A_SH_SZ,start_date20190101,end_date20231231,local_pathD://AmazingData_local_data//)print(f2019-2023年真實(shí)存在過的A股{len(hist_codes)}只)# 注意不是當(dāng)前活著的5000只而是包含已退市的「全部」# 能力2獲取后復(fù)權(quán)K線防價(jià)格斷層 market_data ad.MarketData(base_data.get_calendar())kline_dict market_data.query_kline(code_list[600519.SH],begin_date20200101, end_date20231231,periodad.constant.Period.day.value)df kline_dict[600519.SH]# 獲取后復(fù)權(quán)因子factor base_data.get_backward_factor(code_list[600519.SH],local_pathD://AmazingData_local_data//,is_localTrue)df[close_adj] df[close] * factor[600519.SH]# 能力3過濾ST和停牌防策略失真 status info_data.get_history_stock_status(code_list[600519.SH],local_pathD://AmazingData_local_data//,is_localTrue)# IS_ST_SEC1表示STIS_SUSP_SEC1表示停牌clean_df df.merge(status[[TRADE_DATE,IS_ST_SEC,IS_SUSP_SEC]],left_ondf.index.strftime(%Y%m%d), right_onTRADE_DATE)clean_df clean_df[(clean_df[IS_ST_SEC]!1) (clean_df[IS_SUSP_SEC]!1)]print(f清洗后數(shù)據(jù)量{len(clean_df)}條)print(數(shù)據(jù)工程沒有高數(shù)公式只有細(xì)心和耐心。)能力二編程實(shí)現(xiàn)能力——想法不值錢能跑通才值錢量化圈有個(gè)殘酷的事實(shí)90%的「好想法」死于實(shí)現(xiàn)階段。你能不能把策略邏輯寫成代碼、能不能處理邊界情況、能不能優(yōu)化運(yùn)行速度這些才是區(qū)分「PPT量化」和「實(shí)盤量化」的關(guān)鍵。你需要掌握的編程技能Python基礎(chǔ)Pandas數(shù)據(jù)處理、NumPy數(shù)值計(jì)算代碼組織函數(shù)封裝、模塊化、日志記錄調(diào)試能力print調(diào)試、斷點(diǎn)調(diào)試、異常捕獲性能意識(shí)向量化運(yùn)算、避免循環(huán)、本地緩存 AmazingData實(shí)戰(zhàn)用內(nèi)置算子避免手寫復(fù)雜公式from AmazingData.operator.time_series_function import TimeSeriesFunctionfrom AmazingData.operator.statistics_function import StatisticsFunctionfrom AmazingData.operator.cross_section_function import CrossSectionFunction# 場(chǎng)景計(jì)算20日均線和20日波動(dòng)率# 不需要你推導(dǎo)EMA公式直接調(diào)用接口ma20 TimeSeriesFunction.MA(df[close_adj], 20)vol20 StatisticsFunction.STD(df[close_adj].pct_change(), 20)# 場(chǎng)景全市場(chǎng)PB因子截面標(biāo)準(zhǔn)化# 不需要你手動(dòng)算Z-Score一行代碼搞定pb_df pd.DataFrame(...) # 全市場(chǎng)PB面板行日期列股票pb_zscore CrossSectionFunction.CSZSCORE(pb_df)# 場(chǎng)景金叉信號(hào)# 不需要你理解交叉的數(shù)學(xué)定義直接調(diào)用ma5 TimeSeriesFunction.MA(df[close_adj], 5)ma10 TimeSeriesFunction.MA(df[close_adj], 10)signal TimeSeriesFunction.CROSS(ma5, ma10) # 5日線上穿10日線返回1print(AmazingData把數(shù)學(xué)封裝成了「樂高積木」你只需要會(huì)拼裝。)能力三金融直覺——知道「為什么」比知道「怎么算」更重要數(shù)學(xué)能告訴你「怎么算」但金融直覺能告訴你「算什么」。比如? 為什么低PB策略長(zhǎng)期有效因?yàn)槭袌?chǎng)會(huì)周期性地過度悲觀給予優(yōu)質(zhì)資產(chǎn)過低估值。? 為什么高換手策略在A股容易失效因?yàn)锳股散戶占比高情緒驅(qū)動(dòng)導(dǎo)致短期噪音大。? 為什么小市值因子近年回撤因?yàn)樽?cè)制改革改變了殼價(jià)值市場(chǎng)生態(tài)變了。這些判斷不需要數(shù)學(xué)公式需要的是對(duì)金融市場(chǎng)運(yùn)行規(guī)律的理解。AmazingData提供的財(cái)務(wù)數(shù)據(jù)、行業(yè)數(shù)據(jù)、股東數(shù)據(jù)正是培養(yǎng)這種直覺的「養(yǎng)料」。能力四風(fēng)控紀(jì)律——活得久比賺得多更重要量化交易不是「找到圣杯」而是「在牌桌上活足夠久讓大數(shù)定律生效」。風(fēng)控紀(jì)律包括? 倉位管理單票不超過5%行業(yè)不超過20%? 止損規(guī)則單票虧損8%強(qiáng)制止損組合回撤15%降倉? 分散化至少持有20只以上標(biāo)的跨行業(yè)配置? 定期復(fù)盤每月檢查策略表現(xiàn)失效時(shí)果斷下線這些規(guī)則的執(zhí)行靠的是紀(jì)律不是數(shù)學(xué)。核心觀點(diǎn)數(shù)學(xué)是量化的「工具」不是量化的「門檻」。就像攝影師不需要懂光學(xué)公式但需要懂構(gòu)圖和后期量化交易者不需要會(huì)推偏微分方程但需要懂?dāng)?shù)據(jù)、會(huì)編程、有紀(jì)律。三、AmazingData實(shí)戰(zhàn)一個(gè)「數(shù)學(xué)不好」的人也能寫的策略為了證明我的觀點(diǎn)下面展示一個(gè)完整的策略——「雙低可轉(zhuǎn)債輪動(dòng)策略」。這個(gè)策略邏輯簡(jiǎn)單、代碼清晰、數(shù)學(xué)要求極低但回測(cè)表現(xiàn)穩(wěn)健。3.1 策略邏輯簡(jiǎn)單到用一句話能說清「每個(gè)月初買入轉(zhuǎn)債價(jià)格最低且轉(zhuǎn)股溢價(jià)率最低的前10只可轉(zhuǎn)債持有一個(gè)月后換倉。」核心邏輯? 轉(zhuǎn)債價(jià)格低 → 債底保護(hù)強(qiáng)下跌空間有限「下有保底」? 轉(zhuǎn)股溢價(jià)率低 → 股性強(qiáng)跟隨正股上漲「上不封頂」? 雙低 價(jià)格低 溢價(jià)率低 → 兼顧安全性和進(jìn)攻性這個(gè)策略不需要解方程、不需要優(yōu)化、不需要機(jī)器學(xué)習(xí)。它需要的只是獲取數(shù)據(jù) → 計(jì)算兩個(gè)指標(biāo) → 排序 → 買入。3.2 代碼實(shí)現(xiàn)全程沒有希臘字母import AmazingData as adimport pandas as pdimport numpy as npad.login(usernamexxx, passwordxxx, hostxxx.xxx.xxx.xxx, portxxxx)base_data ad.BaseData()info_data ad.InfoData()market_data ad.MarketData(base_data.get_calendar())# Step 1獲取可轉(zhuǎn)債列表 kzz_codes base_data.get_code_list(security_typeEXTRA_KZZ)print(f當(dāng)前可轉(zhuǎn)債數(shù)量{len(kzz_codes)})# Step 2獲取可轉(zhuǎn)債基礎(chǔ)數(shù)據(jù) # 轉(zhuǎn)股數(shù)據(jù)含轉(zhuǎn)股價(jià)kzz_conv info_data.get_kzz_conv(kzz_codes, is_localFalse)# Step 3獲取轉(zhuǎn)債價(jià)格和正股價(jià)格 # 查詢可轉(zhuǎn)債日線kzz_kline market_data.query_kline(kzz_codes, begin_date20230101, end_date20241231,periodad.constant.Period.day.value)# Step 4每月初計(jì)算雙低值并選股 calendar base_data.get_calendar()# 取每月第一個(gè)交易日month_ends pd.to_datetime(calendar)month_starts month_ends[month_ends.to_series().dt.is_month_start]portfolio_history []for trade_date in month_starts[-24:]: # 最近24個(gè)月date_str trade_date.strftime(%Y%m%d)scores []for code in kzz_codes:try:# 獲取當(dāng)日轉(zhuǎn)債收盤價(jià)df_kzz kzz_kline.get(code)if df_kzz is None or date_str not in df_kzz.index.strftime(%Y%m%d):continuekzz_price df_kzz.loc[df_kzz.index.strftime(%Y%m%d)date_str, close].values[0]# 獲取轉(zhuǎn)股價(jià)從kzz_convconv_df kzz_conv.get(code)if conv_df is None or len(conv_df)0:continueconv_price conv_df[CONV_PRICE].iloc[0]# 獲取正股價(jià)格簡(jiǎn)化處理實(shí)際需要查詢正股K線# 這里用模擬數(shù)據(jù)演示邏輯stock_price 10.0 # 假設(shè)正股價(jià)# 計(jì)算轉(zhuǎn)股價(jià)值 100 / 轉(zhuǎn)股價(jià) * 正股價(jià)conv_value 100.0 / conv_price * stock_price# 計(jì)算轉(zhuǎn)股溢價(jià)率 (轉(zhuǎn)債價(jià)格 - 轉(zhuǎn)股價(jià)值) / 轉(zhuǎn)股價(jià)值premium (kzz_price - conv_value) / conv_value# 雙低值 轉(zhuǎn)債價(jià)格 溢價(jià)率 * 100double_low kzz_price premium * 100scores.append({code: code,kzz_price: kzz_price,premium: premium,double_low: double_low})except Exception as e:continueif len(scores) 0:score_df pd.DataFrame(scores)# 選雙低值最小的前10只selected score_df.nsmallest(10, double_low)portfolio_history.append({date: date_str,holdings: selected[code].tolist()})print(f{date_str}: 選中 {len(selected)} 只轉(zhuǎn)債)# Step 5回測(cè)收益簡(jiǎn)化示意 # 實(shí)際回測(cè)需要計(jì)算每月持倉收益這里展示核心邏輯print(策略核心邏輯)print(1. 雙低值 轉(zhuǎn)債價(jià)格 轉(zhuǎn)股溢價(jià)率 × 100)print(2. 每月選雙低值最小的10只)print(3. 等權(quán)持有月初換倉)print(用到的數(shù)學(xué)除法、乘法、加法、排序。高中水平足夠。)策略亮點(diǎn)雙低策略在2019-2021年表現(xiàn)優(yōu)異2022年后因轉(zhuǎn)債市場(chǎng)擴(kuò)容有所衰減但加入「排除正股ST」「排除溢價(jià)率50%」等過濾條件后仍能跑出正超額。這說明策略的競(jìng)爭(zhēng)力不在于數(shù)學(xué)復(fù)雜度而在于對(duì)市場(chǎng)的理解和細(xì)節(jié)的打磨。3.3 為什么這個(gè)策略能跑通邏輯簡(jiǎn)單基于可轉(zhuǎn)債的「?jìng)妆Ｗo(hù)股性彈性」特性邏輯自洽數(shù)據(jù)可得AmazingData提供完整的可轉(zhuǎn)債發(fā)行、轉(zhuǎn)股、贖回、回售數(shù)據(jù)規(guī)則明確沒有模糊地帶代碼實(shí)現(xiàn)零歧義風(fēng)險(xiǎn)可控單只轉(zhuǎn)債最大虧損有限債底組合分散后回撤可控這就是「普通人能做量化」的最佳證明不需要隨機(jī)過程不需要優(yōu)化算法只需要理解產(chǎn)品特性、會(huì)寫代碼、有紀(jì)律地執(zhí)行。四、什么時(shí)候數(shù)學(xué)真的重要——不制造焦慮但說清邊界我前面一直在說「數(shù)學(xué)不重要」但這不是讓你完全放棄數(shù)學(xué)。數(shù)學(xué)在量化的某些領(lǐng)域確實(shí)是硬門檻只是這些領(lǐng)域離「普通人入門」還很遠(yuǎn)。4.1 數(shù)學(xué)是「硬門檻」的三個(gè)場(chǎng)景場(chǎng)景一期權(quán)定價(jià)與希臘字母風(fēng)控? 需要Black-Scholes模型、伊藤引理、希臘字母Delta/Gamma/Vega/Theta? 適用期權(quán)做市商、波動(dòng)率套利基金? 門檻數(shù)學(xué)系研究生水平場(chǎng)景二高頻交易與最優(yōu)執(zhí)行? 需要隨機(jī)最優(yōu)控制、偏微分方程、市場(chǎng)微觀結(jié)構(gòu)模型? 適用高頻做市商、算法交易團(tuán)隊(duì)? 門檻數(shù)學(xué)/物理博士水平場(chǎng)景三復(fù)雜衍生品與結(jié)構(gòu)化產(chǎn)品? 需要蒙特卡洛模擬、有限差分法、Copula函數(shù)? 適用投行量化部、保險(xiǎn)資管? 門檻金融工程碩士以上現(xiàn)實(shí)上述三個(gè)場(chǎng)景加起來只占量化行業(yè)的不到10%。剩下的90%包括多因子選股、CTA趨勢(shì)跟蹤、ETF套利、可轉(zhuǎn)債策略、資產(chǎn)配置等都不需要高深數(shù)學(xué)。就像醫(yī)院里有神經(jīng)外科醫(yī)生但更多的是全科醫(yī)生和護(hù)士——量化行業(yè)也是金字塔結(jié)構(gòu)底座足夠大。4.2 數(shù)學(xué)是「加分項(xiàng)」而非「必選項(xiàng)」即使不做上述高難度策略數(shù)學(xué)好也有明顯優(yōu)勢(shì)? 理解因子背后的統(tǒng)計(jì)原理如為什么IC0.02算有效? 能讀學(xué)術(shù)論文把前沿研究轉(zhuǎn)化為策略? 優(yōu)化組合權(quán)重時(shí)理解均值-方差模型的假設(shè)和局限? 做機(jī)器學(xué)習(xí)策略時(shí)理解過擬合、正則化、交叉驗(yàn)證但這些能力可以在實(shí)戰(zhàn)中逐步積累。你不需要先學(xué)完《隨機(jī)過程》再開始寫策略——邊做邊學(xué)才是最高效的路徑。建議如果你時(shí)間有限優(yōu)先學(xué)「線性代數(shù)基礎(chǔ)」和「概率統(tǒng)計(jì)基礎(chǔ)」。這兩門課能覆蓋90%的量化場(chǎng)景。至于隨機(jī)過程、隨機(jī)微分方程等你真的做到期權(quán)策略那天再學(xué)也不遲。五、給普通人的量化學(xué)習(xí)路徑從0到實(shí)盤最后送大家一張「數(shù)學(xué)不好也能走通」的學(xué)習(xí)路線圖。按這個(gè)順序走每一步都有明確產(chǎn)出不會(huì)陷入「學(xué)了忘、忘了學(xué)」的循環(huán)。? 第1-2周Python基礎(chǔ)? 目標(biāo)會(huì)寫函數(shù)、會(huì)操作Pandas DataFrame? 資源《利用Python進(jìn)行數(shù)據(jù)分析》第5-10章? 產(chǎn)出能讀取CSV、篩選數(shù)據(jù)、計(jì)算均值標(biāo)準(zhǔn)差? 第3-4周數(shù)據(jù)獲取與清洗? 目標(biāo)用AmazingData獲取K線、財(cái)務(wù)數(shù)據(jù)、基礎(chǔ)信息? 重點(diǎn)理解復(fù)權(quán)、停牌、ST、幸存者偏差? 產(chǎn)出能拉出一只股票的5年后復(fù)權(quán)K線并清洗成可用格式? 第5-6周第一個(gè)策略? 目標(biāo)實(shí)現(xiàn)一個(gè)簡(jiǎn)單策略并回測(cè)? 推薦雙均線策略、低PB策略、高股息策略? 產(chǎn)出一份帶收益曲線、最大回撤、夏普比率的回測(cè)報(bào)告? 第7-8周因子與截面分析? 目標(biāo)理解多因子模型會(huì)用截面標(biāo)準(zhǔn)化? 工具AmazingData的CrossSectionFunctionCSZSCORE、CSRANK等? 產(chǎn)出一個(gè)三因子合成選股策略? 第9-12周風(fēng)控與實(shí)盤準(zhǔn)備? 目標(biāo)加入成本模型、倉位管理、止損規(guī)則? 重點(diǎn)滑點(diǎn)、傭金、印花稅、流動(dòng)性限制? 產(chǎn)出一份接近實(shí)盤的完整策略框架? 第3-6個(gè)月模擬盤驗(yàn)證? 目標(biāo)用模擬盤跑策略觀察與回測(cè)的差異? 重點(diǎn)記錄每筆交易的偏差原因滑點(diǎn)、停牌、漲停等? 產(chǎn)出修正后的策略參數(shù)和交易規(guī)則? 第6-12個(gè)月小資金實(shí)盤? 目標(biāo)用可承受虧損的小資金驗(yàn)證策略? 原則單筆虧損不超過總資金的2%總回撤不超過15%? 產(chǎn)出實(shí)盤運(yùn)行記錄和策略迭代日志關(guān)鍵心態(tài)不要追求「第一個(gè)策略就賺錢」。前三個(gè)策略大概率會(huì)虧錢或表現(xiàn)平庸這是學(xué)費(fèi)必須交。重要的是通過這個(gè)過程建立「數(shù)據(jù)→模型→回測(cè)→風(fēng)控→執(zhí)行」的完整閉環(huán)。六、寫在最后量化是工程不是數(shù)學(xué)競(jìng)賽回到文章標(biāo)題量化交易真的需要數(shù)學(xué)很好嗎我的答案是不需要。量化交易需要的是一個(gè)能獲取高質(zhì)量數(shù)據(jù)的平臺(tái)如AmazingData一雙能發(fā)現(xiàn)市場(chǎng)規(guī)律的眼睛金融直覺一雙能把想法變成代碼的手編程能力一顆能承受波動(dòng)、遵守紀(jì)律的心風(fēng)控意識(shí)數(shù)學(xué)它是錦上添花不是雪中送炭。我認(rèn)識(shí)年化收益30%的量化交易者高數(shù)補(bǔ)考三次也認(rèn)識(shí)數(shù)學(xué)系博士實(shí)盤跑了一年還在虧損。區(qū)別不在于數(shù)學(xué)水平而在于前者知道「數(shù)據(jù)比模型重要」后者迷信「模型能預(yù)測(cè)一切」前者懂得「簡(jiǎn)單策略嚴(yán)格執(zhí)行」的力量后者追求「復(fù)雜公式完美擬合」的幻覺。所以如果你數(shù)學(xué)不好別焦慮。打開AmazingData拉出第一根K線寫下第一個(gè)if-else跑通第一個(gè)回測(cè)——你的量化之路就從這里開始。數(shù)學(xué)不好沒關(guān)系。代碼能跑通策略能賺錢才是硬道理。