先来说两个有趣的现象：

1、《Margin Call》这部描述金融危机前夕的电影中，提前发现公司资产“问题”的年轻分析师皮特·苏利文，是斯坦福大学空气动力学的博士，也就是一名火箭工程师；而他所在风险分析部的上司则是一名过目不忘、心算能力逆天的桥梁工程师。

2、目前美国华尔街的公司正在大量的购买一种产品，你绝对想不到，这个产品尽然是——GPU，因为如果单纯的比拼“计算量”，GPU的能力要远远大于CPU。

当海外对冲基金的焦点从宏观对冲基金转向量化对冲基金，当索罗斯的名气被数学家西蒙斯超过时，当股神巴菲特年化20％的收益神话被大奖章年化35％（1989-2007）打败时，量化基金的神秘逐渐被投资者所知。正如电影中所描述的，从事金融，尤其是量化的人不再是传统的金融出身，换成了数学家、统计学家、物理学家甚至是火箭动力学家，就像电影里说的“It’s just all about numbers”。量化好像成为了投资领域的一种高维武器。

今年5月，《机构投资者》旗下出版物《阿尔法》公布的“2016年全球收入最高的对冲基金经理”排行榜显示，前十位收入最高的对冲基金经理中，有八位被归为量化基金经理，前25位有一半属于量化分析。与国外已经发展许久的量化基金相比，国内还是处于起步阶段，昨天我们分析了目前国内所有的主动管理型的量化基金，在目前来看，量化基金取得成绩证明了其可以战胜市场。

“市场效率越是不高的市场，量化投资获得超额收益的空间越大。”就国内目前的量化基金来看，国内的量化分成两个阵营：披着量化的外衣，通过一些模型和具体策略来进行“量化”选股，但在配置和交易上还是依赖于基金经理的主观经验；华泰柏瑞副总经理田汉卿说。真正的量化，涉及机器学习。基金经理只负责对现有策略的管理和维护，或者开发新策略。那么量化“黑箱子”到底装的是什么？每个量化基金的“黑箱子”都是不向外公开的秘密，但是量化黑箱子形成的过程大致相同：

1、提出一个交易思路“市值超过10亿就剔除”的小市值轮动、或者是“只选择分红最多最勤”的红利企业思路，或者是多因子，或者是什么“只炒次新”，总之你要先有个想法。

2、变成一个策略

想法是好的，但是想当然就不好了。当你通过一些开放、易得的数据对你的想法进行验证时，发现3年翻倍哟。在量化领域，一个成功的选股策略称为“因子”，而要实现稳定的盈利，你需要有较大的、高质量的“因子库”来支持。

3、搭建一个量化模型

这才是真正的量化核心，关于这一部分就不多做介绍了（因为小萝莉并不清楚。。。）但是顾名思义还是可以理解的，并且三者要达到一个动态平衡，就是你既要追求高利润、还要限制风险，还要降低交易成本。

4、让机器跑起来

当量化模型建议后，你就获得了一个最优目标组合，然后让机器来交易吧

5、完事了吗

是不是交给机器就可以了？不，你依然需要时刻盯着模型，因为魔鬼在细节里。机器的理解能力依然无法达到人脑的程度。比如，你的策略里有一个限定条件，当某只股票当日涨停后卖出获利。但是，如果这个股票是因为重组停牌，是有可能连续涨停的，这个时候就需要人为干预，通过修正参数和调整策略来让模型更好的获利。而不是在第一个涨停板就跑掉。

量化的黄金时代到来了吗？国家千人计划成员、华泰柏瑞副总经理、量化投资负责人田汉卿的预计，国内目前有着最适合量化投资的土壤：

第一，市场处于弱有效状态，量化投资战胜市场的机会很大。A股市场的发展历史较短，市场效率相比发达市场要低不少，因此有更多获得超额收益的机会。

第二，量化投资的市场份额小。与海外动辄数百、上千亿美元的量化基金相比，国内目前的基本面量化产品规模总体不大，其中严格遵循量化投资理念的基金更少，因此有很大的市场空间和盈利机会。

第三，是A股市场容量大，目前A股市场已经有超过2500只股票，还在快速扩容中，这对量化投资而言，提供了足够的投资宽度和行业宽度。

第四，是A股的数据质量不断提高。数据供应商的数据逐年不断提升，再加之识别上市公司数据可靠性的技术手段不断提升，使得以数据为基础的量化投资的环境和投资能力不断提升。

做出一个量化策略有多难，什么样的量化策略能赚钱？小萝莉调研了很多资料，看了许多量化策略后，发现要做出真正长期有效的策略，最佳的灵感来源，根本不是参数、代码、指标、程序、各种因子的堆砌，而是长期对于实盘的观察，长期对于行情的关注，长期对于账户运行的了解，长期对于测试策略的不断重复和实践。