本文为转载，作者为伦敦大学学院在读金融数学博士 龚晖 虽然“量化”看似主要在投资领域大放异彩，但其触角实际已彻底覆盖了金融领域的各个命脉。在作者看来，金融业的整个运作流程，归根结底，就是“把适量的钱投到适合的位置，从而以适度的金额购买适当的产品”（“Put the ‘RIGHT’ money in the ‘RIGHT’ place with the ‘RIGHT’ amount for the ’RIGHT’ price“）。但是究竟多少算是适量？也就是所谓的”RIGHT“? 难道万事一拍脑袋，全凭感觉？还是仰仗捕风捉影、真假难辨的小道消息？这些显然都太不靠谱。 投资不是赌博而是博弈，理性的投资者应该学会运用投资策略来实现自己的财富增值。那么该如何将模糊抽象的策略变成具体可信的数字？ 这其实就是“量化”在做的事情，即把投资策略通过数学模型和计算机代码数量化，让投资者可以基于数据分析和动态模拟而合理预测其投资行为的未来走势。投资者可以通过屏幕上显示的风险讲话指标，轻击鼠标生成定价模型结果或者是交易策略，根据实际情况略微修改参数，最终实现自己的资产配置及投资组合。无怪乎许多人都笑称，如今的伦敦金丝雀码头其实早已不再是全球的金融腹地，而是摇身变成了 IT 公司集散地。包括摩根大通、花旗以及瑞士信贷等在内众多欧美顶尖投行，都在不计血本的培养自己的 IT 团队，并命其专门从事产品模型研发，从而有力跻身到“得模型者得天下”的金融大战之中。 这些拥有专属开发任务的 IT团队也往往被称为量化团队，即 Quant Team，是买方或卖方机构中专门从事量化投资分析以及衍生品定价策略的肱骨砥柱。 在互联网的营销造势之下，一时间”大数据技术“风头无二，备受推崇。但若真问究竟什么是大数据，只怕众多跟风者也只能爆出个“Big Data” 装装“逼格”。其实在金融领域，并非只有“大数据”一枝独秀，下文我们就来谈谈“大数据”的发家史以及它和传统定价模型一较高下的那些事儿。 在开始之前，我们不妨先来厘清金融系统的基本架构。如果按照市场等级分，我们可以将金融市场分为一级市场和二级市场；但如果按照金融产品分，我们则将金融市场分为资本市场（主要进行股票买卖）、债权市场、商品市场、货币市场、衍生品市场、保险市场、以及外汇市场。 总的来说，金融量化技术可分为两大类，一类是P Quant，另一类是Q Quant。它们虽同为资产定价机制，但其原理和受众却大相径庭，而且各自的风头此消彼长，真可谓是金融量化领域的“少林”和“武当”。 Q Quant是指风险中性测度。在“风险中性”的理论假设下，历史数据只是记录过去的数字，它们与未来无关，因而并不能直接帮助预测金融产品的未来走势，定价机制还是主要应依据数学模型，比如随机过程、偏微方程，所以由此推导出的定价模型大多充满了学院派气质且理论性十足，显得高深晦涩，非常人可试。P Quant则指真实概率测度，与“风险中性”不同，在“真实概率”的理论假设下，搭建定价模型所需的概率分布应根据历史数据而估算出来，而非仅凭数学模型而演算出来，换言之，该种定价模型所预测出未来走势主要是以数据统计为基础的，因而是“真实”的，而且数据量越大，其预测效果就越可能接近未来的实际效果，也就是所谓的“大数据”（Big Data）。为了处理卷帙浩繁的历史数据，产品开发者们往往离不开计算机的辅助，所以与 P Quant相关的产品技术也主要是时间序列、贝叶斯算法、机器学习等与计算机技术密切相关的建模方法。 由此可以看出，根据对历史数据的亲疏不同，Q Quant和 P Quant的区别其实显而易见，前者基于对未来的假设推算现在，后者基于对历史的借鉴推测现在。两者虽然都需要运用到历史数据，但前者通常是先搭建一个模型，然后再通过历史数据来不断精化该模型的参数性能，因而历史数据的作用主要是优化模型的磨刀石；而后者通常会先搭建数个备选模型，然后将历史数据分别套用到不同的备选模型中去，并根据由此产生的计算结果来选择表现最佳的那个模型，因而历史数据在 P Quant中的作用就升格成了选择模型的试金石。我们很难论断究竟哪一种理论更为科学，因为历史既值得鉴戒，但历史也不会重演，历史数据既可能帮助我们科学预测，但也可能带领我们误入歧途。 不过这一区别对于角色各异的金融市场参与者而言，却是意义非凡。具体说来，由于 Q Quant主要背靠数学模型而不依赖历史数据，这意味着即便在数据相对匮乏的情况下，我们也依然可根据该理论凭空开发出一些新的产品，这对金融市场中的卖方而言，无疑是喜闻乐见的。以投行和券商为代表的卖方，大多从事衍生品定价，即通过开发和销售新的金融衍生品来实现获利，同行竞争者之间比拼的是原始产品的技术优劣和认购市场的实际需求，所以他们更倚重 Q Quant所具备的可实现“从无到有”的制造特性。 如果说 Q Quant主要是卖方的心头好，那么 P Quant则是可谓是买方的白月光 。因为以对冲基金为主的买方主要从事大批量的产品筛选和投资决策，故而其核心业务本身就对数据处理技术有着极高的依赖度。此外，作为中间商，买方其实并不参与任何产品开发，而是仅仅专注于对现有产品的精细化加工，所以 P Quant所具备的“百里挑一”的优化特性无疑正中其怀。 实际上，当对冲基金在设计套利策略时，他们往往会尽可能地去搜集与其产品相关的所有历史数据，并对这些数据进行多角度、全方面、深层次的比较分析，从而寻找出众多历史数据之间的内在联系和统计规律。以股票策略为例，通过对现有数据的剖析归纳，对冲基金往往希望准确预测出诸如“上市公司的财务状况会对公司股价产生何种影响”，“特定行业的整体环境以及宏观经济的政策调控又会对该行业上市公司的股价产生何种影响”，并由此制定出极具产品针对性的套利策略。 在某种程度上，P Quant的跌宕起伏浮其实就是数据分析技术的兴衰荣辱。在历史数据基数不够，并行运算技术尚不成熟的年代里，P Quant理论难免因为外力不足而显得捉襟见肘，那时各类金融衍生品凭借着Q Quant定价模型大行其道，并一时间风头无两。可事实证明，即使是华尔街的天之骄子们，也最终难逃物极必反的命数。金融衍生品的空前成功使得那些狂热分子逐渐走火入魔，并开始不计成本的发行各类晦涩难懂但又毫无市场价值的金融衍生品。这一切的盲目投资的最终都在金融危机的血洗之下的惨淡收场，不仅使得投资者对 Q Quant失去了信心，而且也让Q Quant从此元气大伤。P Quant就是在这样的背景下，头顶着互联网的东风，脚踩着 Q Quant的疮痍，而一跃登上了时代舞台。 计算机技术的日新月异，使得海量数据处理瞬间成为了可能，在“大数据技术”的强力支持和“电子化交易”的产业革新下，P Quant乘势而发，如有神助，彻底告别了过去因为数据不足和技术不够而难有用武之地的困顿局面。近年来，众多欧美对冲基金以及投行的自营盘都开始热衷于开发基于“大数据技术”的套利策略，其中最具代表性的包括温顿资本 （Winton Capital）在牛津设立数据研究中心，以及瑞信信贷（Credit Suisse）对HOLT选股系统进行技术革新等等。此外，今年8月还有消息称，大摩 、小摩 和高盛未来将可能共同组建大数据公司，从而为三者提供“证券产品参考数据”（Securities Product Reference Data）。虽然时下这场以 P Quant为主角的数据盛宴卡司豪华，并受全民热捧，但念其对历史数据和电子技术的高度依赖，其未来的发展之路也依旧扑朔迷离。 尽管 Q Quant和 P Quant此消彼长，互不承让，但其终究还是同属“量化”一门；尽管金融市场中的买方和买方对P Quant和 Q Quant各有偏重，喜好相异，但其终究还是离不开“量化”之功。欧美投行几乎都无一例外的设立了“量化”部门，而与此相关的量化分析职位更是成为了众人眼中的香饽饽。即使是一个入门级量化交易员也往往能够拥有10万美金起的基本年收入，这对于普通交易员而言，无疑是可望而不可及的。 但与金饭碗相匹配的，便是这些职位的高要求。一位合格的量化交易员不仅需要拥有深厚的数学背景和坚实的金融理论，而且还必须掌握丰富的编程语言和熟练的建模技能。一般而言，为了保证模型计算的安全快速，Q Quant大多会倾向使用VBA/C++和C#等面向对象的语言或者类似F#这样的函数式语言。而P Quant则要求开发人员首先利用Hadoop或者Spark 来搭建初步的模型框架，并通常会为其提供分布式文件系統，用以存储所有计算节点的数据，而后再要求其根据R-Hadoop或者Spark-Python/Scala等程序语言来实现具体算法。毫不夸张的说，是人脑发明了前所未有的量化技术，而电脑则开创了绚烂恢弘的量化时代。

只有sweethome才有看懂的可能，我等只能暗自自卑

量化与盘感，客观与主观，做到极致殊途同归

你们玩高级的电脑吧，我还是用脚趾头算比较放心。。