什么是量化交易？它和主观投资有什么本质区别？
我的掌握程度：
先掌握这个答案
量化交易 = 用数学模型和计算机程序系统化地做出投资决策并自动执行。核心三要素：①数据（客观输入）；②模型（统计规律，如"过去20天跌得多的股票平均会反弹"）；③纪律（计算机严格执行，不贪婪不恐惧）。 与主观投资的本质区别：主观投资回答"这家公司好不好"（深度判断）；量化回答"什么样的统计模式长期有效"（广度下注）。主观靠一个重的判断赚钱，量化靠一万个轻的判断赚钱。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
不懂的术语：股票（Stock）
背景 · 从一个困惑说起
传统投资靠人脑：看新闻、读财报、跑调研，然后凭判断下单。但人会被情绪绑架——盈利了贪婪加仓、亏损了死扛不认错、连错三次就乱了方寸。数学家西蒙斯观察到：即使最聪明的人类投资者，判断也不稳定、不可复制、无法规模化。
由此产生的问题
人的精力最多深挖几十家公司，而市场每天产生海量数据（价格、成交、财报、新闻）。有没有一种投资方式：①不受情绪干扰；②同样的输入永远得到同样的决策；③能同时覆盖几千个标的？
核心概念
量化交易 = 用数学模型和计算机程序系统化地做出投资决策并自动执行。核心三要素：①数据（客观输入）；②模型（统计规律，如"过去20天跌得多的股票平均会反弹"）；③纪律（计算机严格执行，不贪婪不恐惧）。
与主观投资的本质区别：主观投资回答"这家公司好不好"（深度判断）；量化回答"什么样的统计模式长期有效"（广度下注）。主观靠一个重的判断赚钱，量化靠一万个轻的判断赚钱。
为什么需要它
量化的三大结构性优势：①纪律性——模型说了算，杜绝情绪化操作；②广度——计算机同时跟踪全市场几千只股票，人脑做不到；③可验证——策略规则明确，可以在历史数据上回测检验（阶段6），主观逻辑则难以严格检验。这也是为什么量化能在全球市场占据越来越大的成交份额。
实际应用场景
你未来在本课程学的每一样东西都对应量化流水线的一环：因子研究=生产Alpha的原料（阶段5）；回测=上市前检验（阶段6）；风控=安全带（阶段7）；机器学习=更强大的合成器（阶段8）；BRAIN平台=行业版的因子车间（阶段9）。
与之前知识的联系
q-007定义了Alpha这个目标，本题回答"用什么方式稳定地获取Alpha"——系统化、纪律化、规模化。但还有一个悬而未决的问题：为什么系统化的"小优势"能变成稳定利润？赌场早就给出了数学答案——下一题：正期望与大数定律。
⚠ 常见误解
- 量化=高频交易：高频只是量化的一种（拼速度的军备竞赛）；大多数量化是日线级别的中低频多因子
- 量化稳赚不赔：量化赚的是"统计规律"的钱，规律会失效、模型会过拟合、成本会侵蚀——回测赚钱不等于实盘赚钱
- quant就是程序员：编程是工具，核心是"用统计思维在市场里找正期望"——数学和市场理解同样重要
🛠 本题实践任务
写下一条你自己猜测的"市场统计规律"（例如："大跌3%之后的第二天平均会反弹""周五买入周一卖出赚钱"，越具体越好）。不用验证对错——这条猜想就是你未来第一个量化策略的种子，课程后面（阶段5-6）你会亲手检验它。
💡 提示（先自己想5分钟再看）
好的猜想格式：「条件 → 结果」，例："当某股票连续N天换手率翻倍且下跌 → 未来5天平均表现差"。灵感来源：自己的交易经验、新闻现象、甚至民间股谚。
✅ 验收标准
写出一条明确的「条件→结果」式猜想，存在你的笔记里。阶段6回测作业时回来找它。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（收益率、风险、Alpha），再用案例、公式和代码帮助理解。此功能需要先启用服务。