量化是怎么挣钱的？－一个量化韭菜的思考 文艺复兴是全球量化公司中的翘楚，，它的大奖章基金自1988年到2023年夏天，获得费前66%的年化收益，费后39%的年化... 

来源：雪球App，作者： 二哥吃鹅蛋，（https://xueqiu.com/1843647871/191875272）

文艺复兴是全球量化公司中的翘楚，，它的大奖章基金自1988年到2023年夏天，获得费前66%的年化收益，费后39%的年化回报率。向外部投资者开放的三只对冲基金的表现也优于同类的竞争对手和市场指数。 

文艺复兴的成功提醒了我们人类行为的可预测性。研究过去，是因为相信投资者在未来也会做出类似的决定。采用科学方法来对抗认知和情感偏差，提出假设，然后测试、测量和调整他们的理论，试图让数据，而不是直觉和本能，指导交易。 

如今，似乎金融行业的每个人都在尝试以文艺复兴的方式进行投资：分析数据，建立数学模型以预测各种投资的方向，并采用自动交易系统。 

我是巴菲特的信徒，传统的价值投资派。这个认知让我对量化一直存在偏见，尽管有几个做量化的朋友，但确认偏差(Confirmation Bias)导致我对量化基金的接受比较慢。直到看其他人从量化基金上挣了好几年钱之后，才在去年买了幻方的500指增产品。 

我的情况并不特殊。前年和一个很厉害的基金经理吃饭时，他也曾说过，不知道量化是如何长久赚钱的，感觉不靠铺。现在想想，当我们内心排斥一个东西的时候，确认偏差会阻止我们思考。聪明，出色如他，也依然无法摆脱这种桎梏。 

那么，量化为什么可以挣钱呢？量化如何挣钱呢？量化策略的发展经历过哪些阶段呢？ 

量化为什么可以挣钱？  

想想赌场的生意模式，保险业务，天气预报，甚至是机器学习，就明白量化的逻辑根基是毋庸置疑的。 

赌场如何赚钱 

赌场的盈利模式基于数学概率（大数定律）。

比如扔硬币，结果可能是正面，也可能是反面。扔两次，可能一正一反，也可能两正，两反，但是扔的次数越多，正反面比例就越趋向于五五开。赌场的所有游戏，庄家的赔率都不同程度的高于玩家，或者只收取佣金，所以长期下来庄家就可以稳稳的挣钱。比如老外喜欢玩的轮盘，0-36一共37个数字，压中一个数字，赔35倍。显然，赌场的收益就是2/37，略高于5%，押大小，红黑，区间，赌场优势更大。如果是美式轮盘，还增加一个数字00，庄家的优势更大，超过7%。其他的比如百家乐，五张牌，21点等都是一个道理。 

对文艺复兴的成功作出过很大贡献的Berlekamp说，“如果你大量交易，只需要在51%的情况下是正确的。我们只需要在每一笔交易上有略超过一半的赢面。”他认为，不频繁的买卖会放大每一个举动的后果。然而，如果你做了大量的交易，那么每一次交易的重要性就会降低，从而降低投资组合的整体风险。他希望大奖章基金能像一个赌场。赌场每天要处理如此多的赌注，他们只需要从一半多一点的赌注中获利就足以。量化基金也能够如此频繁地交易，从而通过胜率略超过一半的交易获利，获得巨额利润。由于统计上的优势，大数定律会站在他们一边，就像赌场一样。 

另一个作出贡献的Carmona 说“（量化）这个游戏的关键不在于永远正确，而在于正确的次数够多就可以。The name of the game is not to always be right, but to be right often enough.” 

天气预报如何精确预测 

大气是个混沌系统，天气的形成非常复杂，影响的因素太多，因此完全准确的预测是不可能的。尽管科学仍未透彻了解大气形成的过程，却并不妨碍今天的天气预测达到很高的准确度。 

文艺复兴的西蒙斯在创立公司之前就认为，无论市场看起来多么混乱，金融价格似乎确实具有一些确定的模式，就像天气模式的明显随机性掩盖了可识别的趋势一样。曾经在文艺复兴帮忙的Carmona是随机微分方程的专家，这些方程可以利用看似随机的数据做出预测；而天气预报模型正是使用随机方程来产生相当准确的估计。 

一般来说一个地区的天气现象有其固有的规律，只要长期收集一个地区的天气资料和天气现象，就可以总结出相应的统计规律。而现今的天气预报以流体力学为基础，通过收集气温、湿度、风向、风速等信息，使用计算机模拟大气的未来状态，从而给出预测。为了提高预报精度，还用到了端到端的深度学习。比如预测降雨，使用积累的天气数据和对应的天气情况训练模型，计算机就能自动学会分辨哪些情况下会下雨，哪些不会。 

天气预报基本就是这样，通过数理运算、经验统计和上游外推，综合后得出一个预报。而量化交易只是比这个过程增加了决定交易权重这个环节。 

量化如何挣钱？ 

几个比较简单形象的例子说明大奖章如何赚钱。 

西蒙斯和他的研究人员不会花太多时间提出和测试他们自己直觉的交易想法。他们从数据中找到异常信号的机会。对他们来说，重要的是，它们发生的频率足够高，并且可以通过测试来确保它们不是统计上的偶然现象。 

重复交易序列及周末效应 

团队发现，一些投资标的的价格通常在关键经济报告发布前下跌，在报告发布后立即上涨，但并不总是如此。有足够的数据表明这种现象最可能发生的时间，所以该模型建议在经济数据发布前购买，而在经济数据发布后几乎立即销售。 

Laufer也发现某些基于一周中某一天的重复交易序列。举例来说，周一的价格走势往往跟随周五的走势，而周二则出现了早先趋势的逆转。Laufer还发现前一天的交易通常可以预测第二天的交易活动，他称之为24小时效应。例如，如果周五出现明显的上涨趋势，模型就会在当天晚些时候买入，然后在周一早间卖出，利用他们所说的“周末效应”。 

团队还发现了周五的一个特殊模式。Berlekamp认为，那些在市场上买入或卖出商品和债券的人,通常喜欢在一周结束前清空期货合约或者只持有很少量合约，以防周末可能出现的坏消息让他们损失。同样，商品交易所的经纪人似乎在经济报告发布前削减了期货头寸，以避免意外消息可能削弱他们的持仓。这些交易员在周末之后或新闻发布之后重新买回那些头寸，导致价格反弹。大奖章的系统会在这些经纪人卖出股票时买入，并在他们对风险更适应时将投资卖回给他们。因此Berlekamp说，“我们从事的是保险业务”。 

外汇市场 

Baum发现在一段时间内，一些货币尤其是日元，似乎呈稳定的直线走势，市场似乎确实存在某种固有的结构。Baum猜想，日元的稳步攀升可能是由于日本政府在外国的压力下，以“精确的日本方式”干预购买货币，以降低日本出口的竞争力。 

德国马克的交易机会似乎也特别多。当马克在某天升值后，它在第二天也有令人惊讶的可能升值。当它下跌时，通常第二天也会下跌。研究团队对月与月、周与周、日甚至小时的相关性进行研究似乎都没有影响；德国马克表现出不同寻常的趋势倾向，从一个时期到下一个时期，这种趋势持续的时间可能超过人们的预期。 

当抛硬币时，你有25%的机会连续两次得到正面，但是从一次到下一次没有相关性。与此形成对比的是，团队发现连续两个时间段内德国马克价格变动的相关性高达20%，这意味着该序列重复的时间超过了一半。通过比较，其他货币连续时间段的相关性约为10%，黄金为7%，猪肉和其他商品为4%，而股票只有1%。 

这个发现与大部分经济学家相信的有效市场假说相悖，因为学院派认为从一段时期到下一段时期的相关性为零。 

这些外汇市场的发现给大奖章提供了大量的盈利机会。 

量化策略发展的不同阶段 

早期的量化交易比较简单，通常是通过配对交易和简单统计套利赚钱。 

上世纪八十年代初，MorganStanley的技术员Gerry Bamberger发现在进行配对交易时，交易员们大量买进股票时价格经常会像预期的那样走高。而交易员大量抛售股票时，会导致股价下跌。每一次，交易活动都会改变配对的相关股票之间的价差。比如，卖出大量可口可乐股票的命令可能会使该股下跌1个百分点甚至2个百分点，而百事几乎没有什么变动。一旦他们出售可口可乐股票的影响消退，两家公司股票之间的价差就会回到正常水平。于是Bamberger创建一个数据库，跟踪各种配对股票的历史价格，并押注这些价格在大宗交易或其他异常活动后会回到历史水平。这一策略非常有效，Bamberger用六七只股票来执行他的策略，为摩根士丹利赚了不少钱。 

摩根士丹利的交易员也是首批接受统计套利策略的人。他们进行大量的并发交易，其中大多数交易与整体市场没有相关性，但目的是利用统计上的异常情况或其他市场行为。例如，该团队的软件根据股票在过去几周的涨幅或跌幅对其进行排名。他们随后会做空行业内前10%的赢家，而买入行业内后10%的输家，预期这些交易模式会恢复。当然，这种情况并不总是发生，但如果实施的次数足够多，这一策略就能带来20%的年利润。这是因为投资者往往对好消息和坏消息都反应过度，然后才会平静下来，帮助恢复股票之间的历史关系。 

文艺复兴的量化策略经历了以下的阶段： 

在商品上的简单策略 

早期在商品市场，大奖章的模型专注于两种简单而常见的交易策略。趋势策略，这时它会追逐价格，或者说购买各种价格上涨或下跌的商品，并假设这种趋势会持续下去。其他时候，模型押注价格变动将逐渐消失并将逆转，这是逆转策略。 

在投资价格上涨时买进，在价值下跌时卖出，这与著名的学术理论不符。该理论建议在价格下跌时买进，在价格上涨时收回资金。包括对冲基金经理Paul Tudor Jones在内的一些激进交易员采用了与西蒙斯团队类似的趋势跟随策略。 

压注能理解的模式 

到1997年，大奖章的员工已经确定了一个三步法来发现具有统计意义的赚钱策略（交易信号）。第一步，识别历史价格数据中的异常模式；第二步，确保异常具有统计学意义，即它们是非随机的；第三步，看看是否可以用合理的方式解释这些被识别的价格行为。 

这个阶段，他们押注的模式主要是那些自己能够理解的。多数是基于价格、成交量和其他市场数据之间的关系，并基于投资者的历史行为或其他因素。比如，一种能够持续成功的策略是押注回调。结果表明，在经历了价格突然大幅上涨或下跌的投资中，约有60%会回调，至少是部分回调。从这些回调中获得的利润帮助大奖章表现得很好，特别是在价格波动的市场中，突然上涨时发生的一些回调。 

压注不能理解的模式 

团队发现的交易信号中，有一半以上是非直觉式的，或者是他们不能完全理解的。当时，大多数量化公司如果不能建立一个合理的假设来解释这些信号，就会忽略它们，但文艺复兴不喜欢花太多时间去寻找市场现象的原因。如果他们的信号符合各种统计强度的衡量标准，他们就有信息押注这些信号。他们只是回避那些最不合情理的想法。 

他们努力发现统计上有效的策略。没有明显逻辑解释的重复模式还有一个额外的好处：它们被竞争对手发现和采用的可能性更小，因为大多数竞争对手不会碰这类交易。 

采纳不明所以的策略的明显危险在于：这些策略背后的模式可能源自无意义的巧合。量化专家称这种有缺陷的方法为数据过拟合。 

通常，在努力找到对异常现象出现的解释之前，大奖章的解决方案是在交易系统中加入这种信号，但在开始会限制分配给它们的资金。随着时间的推移，他们经常会找到合理的解释。他们的最终选择包括了一系列合理的信号、带有强大统计结果的令人惊讶的交易，以及一些非常可靠、不容忽视的奇怪信号。 

就像天文学家不断扫描银河系以寻找不寻常的信号一样，文艺复兴的科学家们也编写了监控金融市场的程序，不断地工作，直到发现被忽视的模式和异常现象。一旦这些信号被确定为有效的，并且该公司决定在交易中投入资金，这些信号就会被放入系统，让系统自行处理，不受任何干扰。基金越来越依赖于系统自学的策略，即机器学习的形式。计算机在得到足够的数据后，被训练出自己找寻答案。例如，一个不断挣钱的策略可能会自动获得