第三部分 · 他们怎么交易
量化：用统计代替判断
上一课我们卡在一个尴尬的地方：基本面交易者把公司算成一个数，可「价值」太主观、还能错很多年——市场保持非理性的时间，能比你保持不破产的时间更久。于是有人换了个思路：不去争论「这家公司值多少」，干脆不讲故事，只问一件事——历史上有没有一条可重复、可检验的统计规律，能把未来的赢家和输家稍微分开一点？这就是量化（quantitative / systematic investing）。
一、从「我相信这家公司」到「我相信这条规律」
先把上一课的难处说透。基本面交易者的下注，本质是一句话：「我相信这家公司被低估了，迟早会有人发现。」可这里有两个软肋——「相信」是主观的，不同人算出的内在价值能差一倍；而且就算你算对了，价格纠正的那一天可能在好几年后，期间你得扛住浮亏、扛住赎回。第 13 课的那句凯恩斯名言就是说这个：市场能比你想象的更久地不讲道理。
量化的回应很干脆：别去赌某一家公司，去赌一条统计规律。具体怎么做？把上面那句主观的「我相信」，翻译成一条能写成代码、能回放历史的规则。例如——
量化版：「在全市场几千只股票里，每个月挑出『市盈率最低的 20%』买入、『最高的 20%』卖出，持有到下个月再换一批。」
看出区别了吗？后者不带任何对单个公司的看法。它不关心这家公司是做什么的、CEO 是谁、故事好不好听——它只执行一条跨越成千上万只股票、可以一字不差重复的统计规则。判断被换成了统计。
这条被提炼出来、能稳定区分「未来表现好/坏」的特征，就叫一个信号 (signal)，或者当它足够稳健、被反复验证后，叫一个因子 (factor / alpha factor)。量化交易者一生都在做两件事：找到这样的因子，以及检验它到底是真规律还是历史的巧合（这正是第三节的主题）。
二、几个公认的因子：每个都是「历史上能区分赢家输家」的统计规律
过去几十年，学术界与业界反复挖出过一批相对稳健的因子（最有名的谱系来自 Fama–French 的研究，这里只讲直觉、不展开公式）。每一个因子，本质都是一句「历史上，具备某种特征的股票，平均跑得比不具备的好（或差）」：
请注意这些描述里反复出现的两个词：「平均」和「历史上」。这不是偶然，它暴露了量化的全部性格——
- 「平均」意味着：任何单只股票都可能反着来。便宜的股票里照样有破产的，涨势好的照样有崩盘的。因子从不预测某一只，它赌的是「一大篮子里的平均」。这就需要分散（第三节末尾讲）。
- 「历史上」意味着：所有这些规律都是从过去的数据里挖出来的。而你交易的是未来。「过去成立」和「未来还成立」之间，隔着一条深渊——这条深渊，就是下一节要讲的回测陷阱，也是量化最容易翻车的地方。
三、回测，以及为什么「在历史上完美」几乎一文不值
量化交易者验证一个因子的工具，叫回测 (backtesting)：把规则拿到过去的历史数据上「重放」一遍，算出「如果当年一直这么做，账户净值会怎么走」。听起来很科学——可这恰恰是整门手艺最危险的环节。原因是，历史只有一条，而你可以反复在它上面试错，直到「碰巧」找到一条完美的曲线。这种「完美」绝大多数是假的。下面四个陷阱，是它假在哪里：
那量化凭什么能赚钱？靠的不是某一个神准的因子，而是分散 (diversification)：把很多个各自只有微弱优势的信号组合起来。单个因子也许胜率只有 51%，单押它跟掷硬币差不多；但如果你能找到几十条互相独立的弱信号，同时押在成千上万只股票上，大数法则 (law of large numbers) 就会替你工作——就像赌场不赌单局输赢，而赌「开足够多局之后，那 1% 的优势必然兑现」。这正是《数学的逻辑》里讲的概率与大数法则在金融里的直接应用：把不确定性摊薄到无数次独立下注上，让微弱的边际优势变成稳定的整体收益。
四、动手：因子回测台
下面这台机器在一段合成的「模拟」历史上（不是任何真实市场数据，纯属为演示而生成），跑三条策略：买高动量组、买低估值组，对照等权大盘。它画出三条累计净值曲线，并报出最大回撤。重点是右上角那个「过拟合」开关——打开它，机器会在前半段历史上「挑出表现最好的参数」，然后你会亲眼看到：这条被精心挑出来的曲线，在后半段（样本外）立刻原形毕露。这就是第三节那句话的活体演示。
反复点几次「换一批」你会发现：不开过拟合时，三条线高低互有胜负——有时动量赢、有时价值赢、有时都输给大盘，因子的优势微弱且不稳定，这才是真实的样子。一旦打开过拟合，那条被挑出来的曲线总是在左半段（样本内）遥遥领先、光滑漂亮，却在分隔线右侧立刻原形毕露——那道凌厉的上升戛然而止，要么原地打转、要么把样本内的盈利回吐一截。它在样本内的「神话」，换到没见过的数据上几乎一钱不值。这就是量化的核心纪律：判断一条策略，永远只看它在没参与调参的数据上的表现。
五、量化是个赌注：把它接回主线三
现在把这一课接回全程的主线三 · 反身性 / 预期差。量化常被包装成「客观、科学、靠数据说话」，仿佛它跳出了人的偏见。但请看清它的底层那句话——
所以量化不是「找到圣杯」，而是一场永不停歇的军备竞赛：旧因子拥挤失效，就得不断挖新的。它没有逃出市场的反身性，只是把这场博弈搬到了统计的战场上。（这门课不是投资建议——这里讲的是量化如何运作，绝不意味着任何因子能让你稳赚。）
六、常见误解
- 误解：量化是「客观科学」，不像基本面那样靠主观判断。 （澄清：量化只是把判断前移到了「选哪些因子、怎么验证」上——它依然是一个赌注，赌「这条规律未来还成立」。客观的是执行，不是那个赌注本身。）
- 误解：回测越漂亮、回撤越小，策略越好。 （澄清：恰恰相反——过分漂亮的回测通常是过拟合的危险信号。真正的检验是样本外表现，而非历史上多赚。）
- 误解：找到一个有效因子就能一直赚下去。 （澄清：因子会拥挤、失效。被太多人发现并押注后，超额收益会被抹平甚至反转——这是主线三的反身性。）
- 误解：量化靠的是某一个「神准」的信号。 （澄清：靠的是分散——把很多个各自微弱的信号组合起来，让大数法则替你工作，而非押宝单个信号。）