量化与传统交易模式融会贯通

用科学解释市场变化，用数据推导答案，这与部分交易者缺乏原则的人为主观决策，用感性面对市场波动，然后为答案寻找原因（特别是不总结失败教训，仅用少数成功案例构建起摇摇欲坠的投资逻辑）相比，显然数学的定量分析方法更值得信任。

并不是随着计算机的普及量化投资才得以实现，早在20世纪初，《股票大作手回忆录》的主角杰西·利弗莫尔（Jesse Lauriston Livermore,1877—1940年），从报纸刊登的个股开盘与收盘的高低数据、交易量等数据预测第二天的交易价格，这实际上就是最原始的量化投资。而更早的还有道氏理论的提出者查尔斯·亨利·道（Charles Henry Dow,1851—1902年），已经使用了移动平均线来表达趋势。而现代的科学家詹姆斯·西蒙斯（James Simons），在1989年到2009年间，他设计并主导的大奖章基金平均年回报率高达35%，较同期标普500指数年均回报率高20多个百分点。

我们反复强调量化投资的优势，但并不意味着这和非量化模式是冲突的，不仅不冲突，我们经常向采用非量化模式的投资者学习，他们也在分析过程中更大比例地引入量化方式加速数据的获取和对其的分析。毫无疑问，量化和主观的融合与渗透越来越明显，两种投资方法的边界反而越来越模糊。我非常钦佩基本面分析者对于好公司的判断，以及交易员对于好价格点位的判断。在本书中也试图重现投资大师彼得·林奇的PEG选股方法，重现主力资金和散户资金博弈的资金流入占比，以及经典技术指标双均线在期货和股票系统中的应用效果，毫无疑问，这些知识都来自对投资者行为的学习。

本书将着力公布一批基于动量效应的期货CTA模型，以及股票基本面和量价关系投资模型，进而到更加复杂的CTA模型和股票多因子模型，最后讲解机器学习方法在多因子建模中的实战。本书的特色之一是每个模型都公布源码，公布我们的思考假设和路径，并考虑到读者的编程门槛，从基本的语言结构讲起，并对模型做充分注释。

关于为什么要涉及机器学习的问题，首先是因为这种算法有绝对的数据挖掘优势，对于数据的拟合度非传统模型能比，其次是因为在我们严格进行因子筛选，且逻辑清晰的情况下，机器学习算法可以完全保证模型的稳健性，或者叫鲁棒性（Robustness）。最后感谢所有机器学习的开发者所编写的可调用程序，这让普通金融建模者几乎只用一两行代码，即可完成对于机器学习的初级使用。

本书面向有一定金融学知识的交易者，或者在校学生，或者具备部分编程知识的IT从业人士，你们可以结合自身的知识结构放大自己的长项，补充自己在量化投资领域所缺乏的知识，最终构建出可以实盘交易的稳健的模型。我不希望本书像教科书式的学术论文那样晦涩难懂，对于在量化行业从业的基金经理和研究者，以及资金曲线异常完美的资深交易者，可能仅能从本书中得到一些灵感启示，但我相信这些模型都是他们成长道路上已经走过的路。