量化不是预测，而是管理不确定性

很多初学者对量化投资有两个极端误解：

• 误解一：量化是预测未来的水晶球，能精准预测股价
• 误解二：量化是无用的数学游戏，与投资无关

两个误解都错了。量化的本质既不是预测，也不是数学游戏——它是用数学语言管理不确定性的工具。

这与价值投资哲学高度一致：巴菲特不预测股价，但他用概率思维评估期望值；芒格不做高频交易，但他用多元模型降低认知偏差。本文想澄清量化投资的真正含义，并解释为什么严肃的价值投资者也需要量化思维。

一、量化的三大误解

1.1 误解一：量化 = 预测

最常见的误解：量化策略用历史数据训练模型，模型预测未来股价，依此交易。

真相：优秀的量化策略不预测股价方向，而是：

• 识别统计套利机会（如双低策略）
• 管理组合风险（如波动率靶向）
• 执行纪律化决策（如定期再平衡）

以可转债双低策略为例：它不预测哪只转债会涨，只买入"价格 + 溢价率"最低的 20 只。涨不涨是市场决定的，但通过系统化筛选，长期期望值为正。

预测是"知道未来"，量化是"在不确定性中做更优决策"。两者根本不同。

1.2 误解二：量化 = 高频交易

第二个误解：量化 = 毫秒级高频交易 + 复杂算法 + 巨额算力。

真相：高频交易是量化的一个细分领域，但不是主流。大多数量化策略是低频的：

• 双低策略：月度轮动
• 风险平价：季度再平衡
• 因子投资：年度调仓
• 资产配置：长期持有 + 周期调整

这些策略与高频交易完全不同，普通投资者完全可以参与。

1.3 误解三：量化 = 复杂模型

第三个误解：量化必须用机器学习、深度学习、神经网络等复杂模型。

真相：最有效的量化策略往往是最简单的：

• 双低策略：一个加法公式
• 美式魔法公式：PE × ROIC 排序
• 60/40 组合：60% 股票 + 40% 债券
• 定投：每月固定金额买入

复杂模型未必优于简单模型。简单模型的边际收益递减，但可解释性、稳健性、抗过拟合能力更强。

二、量化的真正含义：管理不确定性

2.1 不确定性 vs 风险

奈特（Frank Knight）在 1921 年区分了"风险"与"不确定性"：

• 风险：概率分布已知（如抛硬币）
• 不确定性：概率分布未知（如未来 10 年的股市）

投资面对的主要是不确定性，不是风险。量化的作用是在不确定性中尽可能逼近"已知风险"——通过历史数据、统计推断、模型假设，把"完全无知"转化为"部分已知"。

2.2 量化管理不确定性的三种方式

方式一：概率思维

任何投资决策都是概率事件。量化要求你：

• 估计每种结果的概率
• 计算期望值
• 用凯利公式决定仓位

例：某可转债下修概率 60%，下修后收益 +20%；不下修概率 40%，损失 -5%。期望值 = 0.6 × 20% + 0.4 × (-5%) = 10%。期望值为正，可下注。

方式二：分散化

量化用数学证明：分散化可降低非系统性风险，而不损失期望收益。这是马科维茨现代组合理论的核心。

实操中：

• 持仓 15-20 只可分散 80% 非系统性风险
• 持仓 30 只以上的边际收益递减
• 跨资产（股票 + 债券 + 商品）分散效果更佳

方式三：纪律化执行

量化策略把决策"外包"给规则，避免情绪干扰。这是量化相对于主观交易的最大优势。

行为金融学已证：投资者平均收益远低于市场平均，主要原因是情绪化决策（追涨杀跌、过度交易、损失厌恶）。量化策略通过纪律化执行，避免这些偏差。

2.3 量化与价值投资的统一

很多人认为量化和价值投资对立。这是错误的。两者本质上是统一的：

• 价值投资：用基本面分析评估内在价值，用安全边际控制风险
• 量化投资：用数学语言描述决策，用统计方法管理不确定性

两者的共同核心是理性决策。巴菲特不排斥量化——他使用概率思维、期望值计算、仓位管理。芒格不排斥量化——他用多元思维模型、避免认知偏差。

真正的对立不是"量化 vs 价值"，而是"理性 vs 情绪"。

三、量化的边界

3.1 量化不能消除不确定性

量化能把"完全无知"转化为"部分已知"，但不能消除不确定性。任何模型都基于历史数据，而未来可能与历史不同（黑天鹅事件）。

塔勒布在《黑天鹅》中警告："模型的过度自信是金融灾难的根源。" 2008 年次贷危机中，信用违约模型基于"全国房价不会同时下跌"的假设，结果全国房价同时下跌，模型失效。

3.2 量化不能代替判断

量化策略需要"输入"——选择哪些因子、如何参数化、何时调整。这些选择依赖于投资者的判断。

• 双低策略的权重选择（1:1 还是 1.5:1）
• 风险预算的分配（信用 vs 市场 vs 流动性）
• 黑名单的制定（哪些行业剔除）

量化是工具，判断是核心。脱离判断的量化是"参数过拟合"，会误导决策。

3.3 量化不能预测极端事件

量化模型基于正态分布或历史分布，但极端事件（如 2008、2020、2022）的频率和幅度远超正态分布预测。

• 1987 年黑色星期一：标普 500 单日跌 22%，正态分布下应亿万年才发生一次
• 2020 年 3 月：标普 500 三周跌 30%，正态分布下不可能发生
• 2022 年英债危机：英镑债券 3 天跌 20%，历史无先例

量化对"已知未知"有效，对"未知未知"无效。严肃投资者必须为极端事件留出安全边际——这又回到价值投资的核心原则。

四、我的量化实践

4.1 可转债组合的量化框架

我的可转债投资是量化和价值投资的结合：

量化部分：

• 双低策略：每月排序，买入最低 20 只
• 仓位管理：单券 ≤ 10%，单行业 ≤ 30%
• 再平衡：月度检查，季度调整
• 风险预算：信用 50% / 市场 30% / 流动性 10% / 操作 10%

价值投资部分：

• 信用筛选：用财报分析评估发行人偿债能力
• 行业判断：用基本面研究剔除下行行业
• 条款博弈：用博弈论分析发行人意图
• 长期持有：核心仓位持有 1 年以上

两者的结合使得策略既有纪律（量化），又有判断（价值）。

4.2 量化的纪律价值

量化给我最大的收益不是"alpha"，而是"纪律"。

• 没有量化前：我经常追涨杀跌，错过反弹
• 有了量化后：我按规则交易，避免情绪干扰
• 5 年下来，纪律带来的收益贡献约 5%/年

这是量化对个人投资者最大的价值——不是预测更准，而是行为更理性。

4.3 量化的认知价值

量化训练让我对投资有更深的理解：

• 学会用概率思考（而不是确定性）
• 学会用期望值决策（而不是单笔结果）
• 学会用分散化管理风险（而不是孤注一掷）
• 学会用回测验证策略（而不是凭直觉）

这些认知能力，不只用于投资，也用于生活的方方面面。

五、给价值投资者的量化建议

5.1 不要被"量化"吓倒

量化不需要博士学历，不需要复杂模型。从最简单的开始：

• 用 Excel 跟踪持仓的行业分布
• 用 Python 脚本计算历史 PE 分位
• 用规则约束自己的交易（如"估值 > 80% 分位不买"）

这些"轻量化"的实践，已经能显著提升决策质量。

5.2 警惕"伪量化"

很多所谓的量化策略是"参数过拟合"——在历史数据上完美，实盘失效。识别伪量化的方法：

• 看回测样本外表现（而非样本内）
• 看策略逻辑（而非纯统计相关性）
• 看参数敏感性（微调参数是否结果剧变）
• 看策略容量（大规模资金是否能执行）

真正的量化策略经得起这些检验，伪量化经不起。

5.3 量化与基本面的融合

最有效的策略是量化 + 基本面的融合：

• 用量化筛选标的（双低、低估值、高 ROE）
• 用基本面验证（财报分析、行业研究）
• 用量化管理仓位（风险预算、再平衡）
• 用基本面决定长期持有

这种融合避免了量化的"过拟合"和基本面的"主观偏差"，是严肃投资者的最优路径。

5.4 持续学习

量化领域发展迅速：

• 2010 年前：传统因子模型（Fama-French）
• 2015 年前：机器学习兴起
• 2020 年前：深度学习应用
• 2025 年前：大模型 + 量化

严肃投资者不需要追逐每个潮流，但需要持续学习。我每年至少读 5 本量化书籍，关注 3 个学术期刊，参加 1-2 个行业会议。这种持续学习是认知复利的源泉。

六、结语：理性投资者的量化之道

回到本文主题：量化不是预测，而是管理不确定性。

这与价值投资哲学完全一致：

• 巴菲特："风险来自你不知道自己在做什么"——量化让你"知道"更多
• 芒格："反过来想"——量化帮你识别已知错误
• 格雷厄姆："安全边际"——量化帮你计算缓冲空间
• 芒格："多元思维模型"——量化是其中重要一环

严肃投资者不应排斥量化，也不应神化量化。量化是工具，判断是核心，纪律是根本。三者结合，才能在不确定的世界中，做出更优决策。

塔勒布说："在不确定性的世界里，最重要的是不被淘汰。" 量化不能让你预测未来，但能让你在不确定中存活下来——而活下来的人，才有机会享受复利。

这是量化的真谛，也是投资的真谛。

愿你在投资路上，既保持价值投资者的判断力，又拥有量化投资者的纪律性。这是 21 世纪严肃投资者的双重修炼。