量化投资十八问 涵盖概念、策略、风险、发展等方面：

一、基础概念篇
什么是量化投资？
基于数学模型、统计分析和计算机技术，系统化执行投资决策的方法 

与主观投资有何区别？
量化依赖数据与规则，避免情绪干扰；主观投资更依赖经理的经验与直觉 

核心组成部分有哪些？
数据、模型、策略、回测、执行与风控 

二、策略开发篇
常见策略类型有哪些？
趋势跟踪（如均线突破）
均值回归（如配对交易）
统计套利（多因子模型）
高频交易（微观结构策略）


如何获取和处理数据？
使用行情、财务、另类数据（卫星图像、舆情），并进行清洗、对齐、去噪 

什么是Alpha因子？
能预测资产超额收益的指标（如估值、动量、质量因子） 

如何避免过拟合？
严格区分训练集与测试集，使用交叉检验，避免复杂度过高，重视经济逻辑 

三、回测与验证
回测常见陷阱有哪些？
未来函数、幸存者偏差、交易成本忽略、数据 snooping（重复优化导致虚假效果） 

如何评价策略性能？
看夏普比率、最大回撤、胜率、盈亏比、容量等指标 

四、实战与风险
实盘与回测为何差异大？
市场结构变化、流动性冲击、交易成本低估、模型失效 

量化风险如何管理？
设置风险预算、分散策略与资产、监控暴露敞口、实时止损 

黑箱模型有何隐患？
可解释性差，极端市场可能失效，需结合逻辑分析与压力测试 

五、市场与竞争
量化投资影响市场吗？
提供流动性，但可能加剧波动（如闪电崩盘），需警惕同质化策略共振风险 

个人投资者如何入门？
学习Python/数学金融，
使用量化平台（如JoinQuant、QuantConnect），从简单策略开始 

六、前沿与未来
机器学习在量化中的应用？
用于非线性模式识别、自然语言处理（新闻情绪分析）、高频预测，但需防范过拟合 

另类数据有何价值？
如卫星监控停车场预测零售销量，提供信息优势，但处理成本高 

量化领域的主要挑战？
数据衰减加速、竞争加剧导致Alpha衰减、监管变化、技术壁垒上升 

量化投资会完全替代人吗？
短期内不会 
人负责框架设计、逻辑验证与极端风控；
机器负责执行与优化 


建议延伸学习
经典书籍：《主动投资组合管理》《量化交易如何建立自己的算法》
技能树：统计学、时间序列分析、编程（Python/R）、机器学习
实战：参与Kaggle金融赛道、模拟交易竞赛