量化交易系列（一）：你赚的每一分钱，到底从哪来？

导语

很多人对量化交易的第一印象是"用数学模型炒股/炒币"。但如果你追问一句——你的策略到底在赚谁的钱？——90% 的人答不上来。

答不上来这个问题的人，注定会把赚到的钱再亏回去。因为你不知道自己赚的是什么钱，就不知道什么时候这个钱会消失。

这是量化交易系列的第一篇，不讲任何代码和工具，只讲最底层的逻辑：市场里的钱从哪来、到哪去，以及你凭什么能从中分一杯羹。

一、市场不是零和博弈，但接近零和

先澄清一个常见误解：股票市场不是严格的零和博弈。因为上市公司会创造真实价值——盈利、分红、回购——这些是从实体经济流入金融市场的"增量财富"。长期持有优质公司的投资者，赚的是企业成长的钱。

但如果你做的是短期交易——无论是日内、周内还是月度——情况就完全不同了。

短期内，公司基本面几乎不变。你赚到的每一块钱，都来自另一个交易者的口袋。扣掉手续费、滑点、税费之后，这实际上是一个负和博弈。

数据很残酷。美国金融监管局（FINRA）的统计显示，70%-90% 的日内交易者最终是亏损的。台湾证券交易所一项覆盖十五年的研究发现，只有不到 1% 的日内交易者能持续盈利。

这意味着什么？意味着你在进入这个游戏之前，必须先想清楚：你的对手是谁？你凭什么比他们更强？

二、Alpha 和 Beta：最重要的两个概念

量化交易的核心，可以浓缩成两个希腊字母：α（Alpha）和 β（Beta）。

Beta：市场的潮汐

Beta 衡量的是你的收益中，有多少来自市场整体的涨跌。

如果你买了一个跟踪沪深 300 的指数基金，你的 Beta 就约等于 1——市场涨 10%，你也涨 10%；市场跌 10%，你也跌 10%。你赚到的钱不是因为你聪明，而是因为你搭上了"大盘上涨"这趟顺风车。

获取 Beta 收益几乎不需要任何技巧。买个指数基金，躺着就行。长期来看，全球主要股票市场的年化收益率大约在 7%-10%（扣除通胀后约 5%-7%）。

问题在于，Beta 收益是所有人都能拿到的，所以它不构成竞争优势。而且，市场也会跌——2008 年金融危机，标普 500 跌了 57%；2022 年加密市场，BTC 从 69000 跌到 15000。

Alpha：你比市场多赚的部分

Alpha 是超额收益——你的收益减去同期市场收益后剩下的部分。

假设某年市场涨了 15%，你的策略赚了 25%，那你的 Alpha 大约是 10%。这 10% 就是你通过主动判断、策略设计、信息优势等手段，从市场中"多赚"的部分。

Alpha 是量化交易真正追求的东西。

但这里有一个残酷的事实，被称为**"Alpha 守恒定律"**（也叫零和性质）：所有市场参与者的 Alpha 加起来，在扣除交易成本后，等于负数。

什么意思？你赚到的每一分钱 Alpha，都来自另一个交易者亏掉的 Alpha。 这不是比喻，这是数学。

William Sharpe（诺贝尔经济学奖得主、夏普比率的发明人）在他 1991 年的经典论文《The Arithmetic of Active Management》中严格证明了这一点：所有主动管理者的加权平均收益，恰好等于市场收益减去交易成本。 意味着，如果你想持续获得 Alpha，你必须不断从别人手里"抢"。

三、Alpha 的四大来源

既然 Alpha 如此珍贵且有限，那它到底从哪来？量化交易的 Alpha 主要有四个来源：

1. 信息优势（Information Edge）

你比别人更早、更准确地获得了影响价格的信息。

历史上最极端的例子是 1815 年的罗斯柴尔德。拿破仑在滑铁卢战败，罗斯柴尔德家族通过自己的信鸽网络比伦敦市场早一天得到了消息。他先大量抛售英国国债（制造恐慌，让其他人跟风抛售），然后在最低点买回，赚取了巨额利润。

现代版本的信息优势包括：

• • 另类数据：卫星图像分析沃尔玛停车场车辆密度来预测季报营收、通过信用卡消费数据预测零售业绩
• • 链上数据：在加密市场，监控巨鲸钱包转账、交易所资金流向
• • 自然语言处理：比人类更快地解读美联储声明的措辞变化、财报电话会议的情绪

信息优势的核心逻辑是：市场对新信息的定价不是瞬间完成的（有效市场假说的弱化版本）。在信息扩散和被充分消化的这段时间差里，就是你赚钱的窗口。

但信息优势有两个问题：衰减极快（当更多人获得同样的数据，优势就消失了）和成本极高（卫星数据、专业终端、另类数据供应商的订阅费用）。

2. 分析优势（Analytical Edge）

所有人拿到同样的信息，但你的分析更深刻、更准确。

这是量化交易的传统优势领域。Renaissance Technologies（文艺复兴科技公司）的 Medallion Fund，从 1988 年到 2018 年实现了 66% 的年化总收益率（扣费后约 39%），被公认为人类历史上最成功的投资基金。

Jim Simons（创始人）本人是顶级数学家，他招的不是华尔街的金融人才，而是数学家、物理学家、统计学家、语音识别专家。他们的优势不在于拿到了别人没有的数据，而在于从同样的数据中发现了别人看不到的模式。

分析优势的本质是认知差。同样一份财报，你看到的是数字，高手看到的是数字背后的叙事变化、管理层措辞中的微妙信号、同行业数据的交叉验证。

3. 结构优势（Structural Edge）

利用市场的结构性缺陷来获利。

这是一个经常被忽视但极其重要的 Alpha 来源。市场中存在大量非利润导向的参与者——他们交易不是为了赚钱，而是出于其他目的：

• • 央行：为了执行货币政策买卖国债
• • 指数基金：必须在特定时间按比例买入/卖出成分股（指数再平衡）
• • 对冲基金的风险平价策略：波动率上升时被动卖出（不管价格是否合理）
• • 保险公司：监管要求持有特定评级的债券，评级下调时被迫抛售
• • 散户：受情绪驱动的追涨杀跌
• • 做市商：为了提供流动性，被动承接对手盘

这些参与者的行为是可预测的、系统性的，而且他们的交易动机和"赚取最大利润"无关。量化策略可以系统性地站在这些"被动卖家"的对面，赚取他们让渡的利润。

经典案例——指数效应：当一只股票被宣布纳入标普 500 指数时，所有跟踪该指数的基金（管理着数万亿美元）必须在生效日前买入该股票。这种买入是"刚需"——无论价格高低都必须买。研究显示，被纳入标普 500 的股票在宣布日到生效日之间平均上涨 5%-7%，此后会部分回吐。知道这个规律的交易者，可以在宣布日买入、生效日卖出，系统性地赚取这个"结构性溢价"。

4. 行为优势（Behavioral Edge）

利用其他市场参与者系统性的认知偏差和情绪弱点。

行为金融学（2002 年和 2017 年两次诺贝尔经济学奖）已经充分证明：人类不是理性的经济人。我们在投资决策中会系统性地犯错：

• • 损失厌恶：亏损带来的痛苦是等额盈利快乐的 2-2.5 倍。这导致投资者过早卖出盈利的头寸（落袋为安），过久持有亏损的头寸（不愿认赔）
• • 锚定效应：被第一个看到的数字影响判断。"BTC 曾经到过 69000，现在 30000 太便宜了"——但"曾经到过"不构成任何买入理由
• • 羊群效应：跟随大多数人的行为。泡沫和恐慌都是这么来的
• • 近因偏差：过度重视最近发生的事。一次暴跌就让人觉得市场末日来了
• • 过度自信：90% 的司机认为自己的驾驶水平高于平均——投资者也一样

量化策略可以系统性地利用这些偏差。最著名的例子是动量策略——过去涨得好的股票，未来一段时间继续涨得好。这个现象在全球几乎所有市场、所有资产类别中都被验证过，持续存在了至少 200 年。

为什么？因为人类对好消息的反应不是一步到位的（反应不足），而是逐渐消化的。先是一小部分人买入，然后消息传播、更多人跟进、动量持续。这种行为模式是人性本身决定的，很难被套利消除。

四、为什么大部分 Alpha 最终会消失？

理解了 Alpha 的来源，还要理解一个残酷的规律：Alpha 会衰减。

一旦一个有效的策略被发现，就会有越来越多的人使用同样的策略。供给增加、需求（对手盘）不变，利润被摊薄。这就是所谓的**"Alpha 衰减"或"策略拥挤"**。

一个生动的比喻：Alpha 就像一个水龙头下面的水池。当只有你一个人在喝水时，你喝不完。但当越来越多人发现这个水龙头时，每个人能喝到的水就越来越少，直到最后不够每个人的交易成本——策略就"失效"了。

历史数据佐证：

• • 价值因子（买入低估值股票、卖出高估值股票）在 Fama-French 1992 年论文发表前，年化超额收益超过 5%。论文发表后的 30 年里，这个数字逐渐下降到 2% 甚至更低。2018-2020 年价值因子甚至出现了史上最大回撤。
• • 统计套利（配对交易）在 20 世纪 90 年代每年能赚 15%-20%。到 2010 年代，同样的策略可能只有 3%-5%。
• • 加密市场套利：2017 年各交易所之间的 BTC 价差经常超过 5%，现在通常不到 0.1%。

这意味着：量化交易是一场永无止境的军备竞赛。 你不仅要找到 Alpha，还要在它消失之前尽可能多地获取，然后在它消失之后找到新的 Alpha。

五、市场微观结构：价格是怎么形成的？

理解了 Alpha 的宏观逻辑后，我们再深入一层——微观层面的价格形成机制。这是很多量化交易者忽视的基础知识，但它直接决定了你策略执行的效率。

订单簿（Order Book）

现代金融市场的核心是限价订单簿（Limit Order Book, LOB）。

想象一个双向拍卖市场：

• • 买方挂出限价买单："我愿意以 100 元的价格买 100 股"
• • 卖方挂出限价卖单："我愿意以 101 元的价格卖 100 股"

所有未成交的限价单排列起来，就形成了订单簿。买方出价最高的叫最佳买价（Best Bid），卖方出价最低的叫最佳卖价（Best Ask）。两者之差就是买卖价差（Bid-Ask Spread）。

当一个市价单到来时（"不管什么价，我现在就要买 100 股"），它会和订单簿上最优的对手方限价单成交。市价单消耗流动性，限价单提供流动性。

流动性（Liquidity）

流动性是一个被频繁提及但很少被真正理解的概念。简单说，流动性衡量的是你能以多大的规模、多快的速度、多小的价格冲击完成一笔交易。

流动性好的市场：你想买 1 亿的苹果公司股票，价格几乎不受影响。\ 流动性差的市场：你想卖 100 个 BTC，可能把价格砸下去 2%。

为什么流动性重要？ 因为交易成本（滑点）直接吃掉你的 Alpha。

假设你发现了一个年化 Alpha 为 8% 的策略，但每次交易的滑点成本是 0.3%，一年交易 50 次——你的交易成本就是 15%，远超 Alpha。策略有 Alpha 不等于策略能赚钱。

价格冲击（Market Impact）

你的交易行为本身会改变价格。这叫价格冲击，是所有大型量化基金最关心的问题之一。

如果你要买入大量某只股票，你的买入行为会逐渐推高价格。等你买完时，平均成交价可能远高于你开始时的价格。这种"自己跟自己作对"的成本，是量化策略从回测到实盘之间最大的"收益杀手"。

Kyle 模型（1985 年，Albert Kyle 的经典论文）指出：价格冲击与交易量的平方根成正比。 你的交易规模翻 4 倍，价格冲击翻 2 倍。这就是为什么超大规模的量化基金（如桥水、AQR）很难获得高 Alpha——它们的规模本身就是业绩的敌人。

六、有效市场假说：量化交易的"终极Boss"

任何认真思考量化交易的人，都绕不过有效市场假说（Efficient Market Hypothesis, EMH）。

Eugene Fama（2013 年诺贝尔经济学奖）提出了三种形式：

如果市场是强式有效的，那量化交易（以及所有主动投资）都不应该存在——因为没有人能持续获得超额收益。

但现实是：市场不是完全有效的。

Andrew Lo（MIT 金融学教授）提出了适应性市场假说（Adaptive Market Hypothesis, AMH）——市场效率不是恒定的，而是随着参与者的构成和竞争环境不断变化。有时候市场非常有效（稳定期），有时候非常无效（危机期、新资产类别、新市场）。

这给量化交易者的启示是：

1. 1. Alpha 存在于市场效率的"裂缝"中。 这些裂缝会被发现、被填补，但也会在新的地方出现。
2. 2. 新市场和新资产类别往往效率最低。 这就是为什么加密货币市场在早期有大量套利机会——参与者不成熟、基础设施不完善、信息传播不均匀。
3. 3. 市场危机期间效率最低。 因为大量参与者被情绪驱动，行为偏离理性。2008 年金融危机、2020 年 3 月新冠暴跌、2022 年 Luna/FTX 崩盘——这些都是量化策略获取超额 Alpha 的"收割期"。

七、核心框架：期望值思维

讲了这么多理论，落到实操层面，量化交易者最需要建立的是期望值思维（Expected Value Thinking）。

每一笔交易都可以用一个简单的公式来衡量：

期望值 = 胜率 × 平均盈利 - 败率 × 平均亏损 - 交易成本

或者更正式地：

E[R] = P(win) × E[win] - P(loss) × E[loss] - C

只要期望值为正，长期下来你就能赚钱。注意，胜率不需要很高。

一个胜率只有 35% 但盈亏比（平均盈利/平均亏损）为 3:1 的策略，期望值为：

0.35 × 3 - 0.65 × 1 = 1.05 - 0.65 = +0.40

每次交易的期望值是 0.4 个单位的正收益。假设交易成本为 0.05，净期望值仍为 +0.35。

而一个胜率 70% 但盈亏比为 1:3 的策略：

0.70 × 1 - 0.30 × 3 = 0.70 - 0.90 = -0.20

胜率很高，但长期必亏。

大多数亏钱的交易者不是因为"判断错"，而是因为盈亏比不合理。 他们频繁地赚小钱、偶尔亏大钱。短期内胜率很高，长期一算账却是负的。这正是损失厌恶心理造成的——为了维持"高胜率"的心理安慰，牺牲了盈亏比。

八、总结：进入量化交易之前的灵魂拷问

在你开始研究任何具体策略之前，请先回答以下问题：

1. 1. 你赚的是 Alpha 还是 Beta？ 如果是 Beta，不需要量化交易，买指数基金就行。
2. 2. 你的 Alpha 来源是什么？ 信息优势、分析优势、结构优势还是行为优势？说不清楚的话，你可能在赌博。
3. 3. 你的对手是谁？ 文艺复兴科技、Citadel、Two Sigma——这些机构雇佣了全球最聪明的数学家和物理学家，每年在技术上投入数十亿美元。你凭什么比他们赚更多？
4. 4. 你的 Alpha 能持续多久？ 策略拥挤和 Alpha 衰减是必然的，你有没有持续发现新 Alpha 的能力？
5. 5. 交易成本算进去之后，期望值还是正的吗？ 很多在回测中表现惊艳的策略，一旦加入真实的交易成本就变成负的了。

这些问题没有标准答案，但如果你连问题都没想过，就直接冲进市场——那你不是交易者，你是对手盘。

下一篇：量化交易系列（二）——经典策略深度拆解：动量、均值回归和统计套利的底层逻辑。

关注公众号「coft」，获取更多 AI 时代的深度思考。