2026-03-07

一部关于数学、博弈与自我的探索史

引言：当数学遇见不确定性

1900年，巴黎证券交易所门口，一位名叫路易·巴舍利耶(Louis Bachelier)的法国数学家，发表了一篇名为《投机理论》的博士论文。

论文的核心观点是：股票价格运动类似于布朗运动，是一个随机过程。

当时的华尔街没有人读这篇论文。60年后，经济学家们才”重新发现”了这篇论文的价值。

这是一个隐喻：量化投资的命运，从一开始就注定了——它总是领先于时代，然后被时代追赶。

第一章 数学的黎明：1900-1960

1.1 随机游走：市场的第一个数学模型

巴舍利耶在1900年提出了著名的”随机游走”假说。

这个公式描述了股价变动的概率分布——它假设未来的价格变动与过去无关，每一刻都是独立的随机事件。

这是一个深刻的哲学命题：市场可以被预测吗？

如果股价真的是随机游走，那么：

• 任何技术分析都是无效的（因为过去不能预测未来）
• 没有人能持续”打败市场”
• 只有”傻傻”地持有指数基金才是最优策略

这就是现代金融学的基石：有效市场假说。

当然，后来人们发现市场并不完全有效——这就有了量化的机会。

1.2 凯利公式：索普的入场券

1956年，贝尔实验室的约翰·凯利(John Kelly)在一篇论文中提出了著名的”凯利公式”：

$f^* = \frac{bp - q}{b} = \frac{p(b+1) - 1}{b}$

其中：

• $p$ = 赢的概率
• $q = 1-p$ = 输的概率
• $b$ = 盈亏比

凯利公式的精髓：不在于告诉你押多少，而在于告诉你什么时候该离开牌桌。

当胜率×盈亏比 < 1时，最好的策略是不参与。

“只在赢面大的事情上下注。” — 凯利

1.3 索普：第一个征服赌场的人

爱德华·索普(Edward Thorp)是一个数学家。1962年，他出了一本书《战胜庄家》(Beat the Dealer)，告诉人们怎么在21点中赢钱。

21点的基本策略：

• 当牌堆里”十点牌”（10、J、Q、K、A）多的时候，玩家优势更大
• 当”小额牌”（2-9）多的时候，庄家优势更大
• 通过算牌，玩家可以把胜率从48%提高到50%

50%意味着什么？

每玩100把，玩家平均赢51把，输49把。

加上凯利公式的资金管理，就能稳定盈利。

索普做了什么：

1. 用数学证明21点可以被战胜
2. 发明了具体的算牌方法
3. 真的去拉斯维加斯赢了几十万美元
4. 迫使赌场修改规则

但索普的真正贡献是思维范式：

“赌博是一种简化的投资方式。两者都可以用数学、统计学和计算机来分析。”

1967年，索普成立了可转换对冲基金，从拉斯维加斯搬到华尔街。

他把在赌场里学到的数学方法，用在了股票市场上。

这就是量化投资的起点：用数学和纪律，战胜人性的弱点。

第二章 华尔街的革命：1960-1980

2.1 现代投资组合理论：马科维茨的答案

1952年，哈里·马科维茨(Harry Markowitz)发表了现代投资组合理论的奠基之作。

核心问题：

给定一组风险资产，如何分配权重使得收益最大化同时风险最小化？

马科维茨的洞察：资产的”相关性”比单个资产的收益更重要。

通过组合低相关甚至负相关的资产，可以获得”免费的午餐”——即分散化收益。

“不要把鸡蛋放在一个篮子里。” — 这句古老谚语的数学证明

2.2 CAPM：市场是否有效？

1964年，威廉·夏普(William Sharpe)提出了著名的CAPM模型：

$E(R_i) = R_f + \beta_i (E(R_m) - R_f)$

其中 $\beta_i = \frac{\text{Cov}(R_i, R_m)}{\text{Var}(R_m)}$

CAPM的深层含义：

1. 只有系统性风险才有风险溢价
2. 个股/组合的收益完全由Beta决定
3. 如果市场有效，则无人能获得超额收益(Alpha)

这是量化投资的两难：如果CAPM正确，则量化无用；如果量化有用，则CAPM错误。

2.3 期权定价革命：Black-Scholes公式

1973年，费希尔·布莱克(Fischer Black)和罗伯特·默顿(Merton)发表了Black-Scholes期权定价公式。

这个公式的革命性在于：它把期权价格变成了一个”机械”的可计算问题。

交易员不再需要”感觉”期权值多少钱，只需要把参数代入公式。

华尔街由此进入了”金融工程”时代。

第三章 黄金时代：1980-2000

3.1 西蒙斯与文艺复兴：大奖章的奇迹

1977年，数学家詹姆斯·西蒙斯(James Simons)创立了文艺复兴科技。

1989年起，大奖章基金(Medallion Fund)开始创造奇迹：

• 年化收益率：~35%
• 费后收益：~39%
• 连续30多年正收益

“我信奉数学模型。当模型失效时，我相信更复杂的模型。” — 西蒙斯

但西蒙斯从不公开他的模型。原因深刻：

1. 模型无法用语言表达 - 几千个因子的非线性组合
2. 说出来就不灵了 - 市场是博弈的
3. 数学家相信系统 - “有效就继续，无效就换”

3.2 LTCM的崩溃：杠杆的陷阱

1998年，长期资本管理公司(Long Term Capital Management)崩溃。

这家由两位诺贝尔经济学奖得主(罗伯特·默顿、迈伦·斯科尔斯)创立的对冲基金，曾在4年内获得年化40%的收益。

然后在1998年8月，俄罗斯金融危机中，34天内亏损45亿美元，最终破产。

LTCM的教训：

1. 小概率事件不是”不可能事件” - 模型假设的”极端情况”，在现实中可能比预期更频繁
2. 杠杆是放大器 - 无论多聪明的策略，在杠杆面前都可能归零
3. 相关性会突变 - 危机时刻，所有资产的相关性趋近于1

“数学模型可以算到99%，但市场永远存在那1%的黑天鹅。“

3.3 量化投资的流派分化

这一时期，量化投资形成了三大流派：

学术派(AQR模式)

• 与学术界深度合作，发表大量论文
• 因子投资、风险溢价研究
• 代表：Asness, Fama, French

科技派(文艺复兴模式)

• 数学家团队，封闭模型
• 高频交易、算法套利
• 代表：Simons, DE Shaw

实战派(Two Sigma模式)

• 工程化流水线
• 因子挖掘、组合优化
• 代表：Two Sigma

第四章 中国的量化之路：2000-至今

4.1 2010年：中国量化元年

沪深300股指期货推出，中国量化投资正式起步。

早期的中国量化有几个特点：

• 策略简单：以市场中性、套利为主
• 规模小：管理规模几千万到几亿
• 人才少：海归+本土量化研究者

4.2 2015年：冰与火之歌

2015年6月12日，A股达到5178点峰值。

随后3周内，暴跌至2850点。

量化私募被推上风口浪尖：“做空主力”、“砸盘元凶”。

真实数据：

• 量化私募管理规模：约3万亿(占A股流通市值3%)
• 大多数量化策略：市场中性(做多股票+做空期货)
• 暴跌主因：杠杆泡沫，不是量化

4.3 四大天王的崛起

2015年后，中国量化私募形成了”四大天王”格局：

4.4 梁文锋的路径：从8万到330亿

2008年，一位浙江大学毕业生带着8万元本金，开始了独立量化交易之路。

关键时间线：

• 2008年：8万元本金，成都出租屋
• 2010年：沪深300期货推出，自营资金突破5亿
• 2015年：年化收益>100%，进入”亿元俱乐部”
• 2016年：All in AI，比AlphaGo还早
• 2019年：萤火一号(2亿+1100 GPU)
• 2021年：萤火二号(10亿+1万A100)，管理规模破千亿
• 2023年：创立DeepSeek，进军AGI
• 2025年：DeepSeek-R1发布，震动全球AI界

梁文锋的洞察：

“中国AI不可能永远跟随。“

第五章 策略的本质：数学、博弈与统计

5.1 Alpha的来源

Alpha的本质 = 预测能力

$R_{portfolio} = \alpha + \beta \cdot Factor + \varepsilon$

Alpha来自三个地方：

1. 信息差 - 内幕/独家数据
2. 处理能力差 - 别人没发现的规律
3. 执行差 - 更好的算法/更低的手续费

5.2 因子模型演进

CAPM (1964): 只有一个因子：市场收益

Fama-French三因子 (1993):

• 市场因子
• 市值因子(SMB)：小市值 - 大市值
• 价值因子(HML)：低PE - 高PE

Barra模型:

• 行业因子 + 风格因子(Size, Value, Momentum, Volatility…)

5.3 因子有效性检验

IC (Information Coefficient):

• IC > 0.03: 有效因子
• IC > 0.05: 强因子

IR (Information Ratio):

• IR > 0.5: 值得实盘

5.4 一个深刻的矛盾

• 发现有效规律 → 赚钱
• 赚钱 → 别人复制
• 别人复制 → 规律失效
• 所以必须不断发现新规律

这是一个永无止境的军备竞赛。

第六章 实战要点：从理论到实践

6.1 数据处理常见坑

6.2 过拟合陷阱

信号与噪声比: 1000个因子中，可能只有5个真正有效。

解决方法：

1. 样本外测试 (Walk-Forward)
2. 交叉验证 (K-Fold)
3. 简洁优先 (Occam’s Razor)
4. 物理意义 (因子逻辑可解释)

6.3 滑点成本

假设：

• 单笔滑点: 0.01%
• 日换手: 100%
• 年交易日: 250

年化滑点成本 = 0.01% × 100% × 250 = 2.5%

这意味着策略年化收益至少要 > 2.5% 才有意义。

第七章 风险管理的哲学

7.1 风险层次

7.2 动态风控

• 止损: 单日亏损 > 2% → 降仓50%
• 波动率控制: 年化 > 20% → 减仓
• 最大回撤: > 15% → 全面风控

第八章 批判性反思

8.1 量化的局限

1. 数据依赖 - 过去的数据 ≠ 未来的规律
2. 过拟合陷阱 - 回测完美 ≠ 实盘盈利
3. 流动性约束 - 小市值策略无法放大
4. 模型风险 - 2020年3月，量化基金集体回撤

8.2 量化的真正价值

不是”稳赚”，而是：

1. 纪律性 - 克服情绪弱点
2. 可复制性 - 策略可以规模化
3. 可解释性 - 知道为什么赚钱/亏钱
4. 可迭代 - 不断适应市场

8.3 主观 vs 量化：一个伪命题

“量化本质上是统计套利，是统计过往的规律。市场是在变化的，如果下一年和过往完全不同，它肯定有一段时间就糊涂了。” — 郭学文 (茂源资本)

主观和量化的区别不在于”谁更好”，而在于：

• 主观：依赖个人判断，决策快，但受情绪影响
• 量化：依赖模型纪律，系统性强，但需要迭代

未来的趋势是融合：

“七分量化，三分主观。” — 盛丰衍 (西部利得基金)

结语：谦卑与进取

量化投资的本质，是一个哲学问题：

这个世界可以被数学描述吗？

如果可以 → 量化是终极答案 如果不可以 → 量化只是一个阶段性工具

索普用了60年证明了一件事：

市场可以部分被预测，但永远不会被完全征服。

这或许就是量化的终极领悟：

谦卑地承认不确定性，是量化最大的确定。

但正是这种”知道不能完全征服”的谦卑，让量化投资者不断前行——

因为每一次模型的失效，都是下一次进步的起点。

附录一：关键年份

附录二：进阶书单

数学/统计：

• 《概率论与数理统计》
• 《随机过程》- Shreve
• 《金融工程》- Hull

量化投资：

• 《主动投资组合管理》- Grinold
• 《Quantitative Trading》- Chan

因子投资：

• 《因子投资》- Rivera

本文版本：2026-03-06 参考资料：兴业证券报告、凤凰网、有知有行、雪球等