人类投资活动源远流长，早期乃基于零散经验，后来发展为投资学，成为金融学的一部分。在现代金融学的两大领域中，公司金融主要关注公司投资与融资，资产定价主要研究股票、债券等金融权证的估值和收益率。这两大领域的连结点之一是个人或企业选择高收益证券，投入资金，一段时间后获得回报。各国设立股票市场以来，一代又一代投资者和学者总结出大量投资经验，产生了体系化的投资理论和策略。
　　量化投资是在之前各类投资理论和策略的基础上，伴随计算机技术产生并发展起来的。量化投资的目的是赚取经过风险调整的高收益，由于其策略优、工具强、规模大，客观上改变了资本市场生态，对资本市场高质量发展意义重大。厘清量化投资的来龙去脉和技术逻辑，充分运用量化投资的优势，规范发展机构投资者队伍，可以减少资本市场各类乱象，促进资本市场高质量发展。
　　量化投资的发展背景
　　20世纪二十年代，美国股票市场投机氛围浓厚，跟风买卖现象普遍，由于市场整体行情好，大多数投资者随之获利。在随后的“大萧条”中，股市崩盘，大量股价连创新低，并且短期内看不到回涨的希望，价值投资应运而生。最初的价值投资理念是“捡烟蒂”，即寻找低股价、低市盈率、跌破净资产或市净率极低的股票。这一理念由本杰明·格雷厄姆和戴维·多德在1934年出版的《证券分析》中首次提出。简而言之，寻找便宜股票并长期持有，一段时间后就会获得高额回报。毕竟，低价股再翻番的可能性远高于高价股。这一投资理念对公司品质和所处行业要求不高，核心思路是在市场失灵时买入物超所值的公司股票，等待市场重新估值。
　　在20世纪六七十年代，随着全球经济发展，股票市场行情明显转好，便宜股票越来越少，并且股价便宜的公司可能越来越糟，投资者购买后可能陷入“价值陷阱”，股票清算价值越来越少。由此，价值投资转向发现有投资价值的公司，即寻找所在行业不太容易被颠覆、具有较高市场地位和影响力、财务数据表现优异的公司，这一理念被称为“护城河式”价值投资。该理念被查理·芒格、巴菲特发扬光大，典型的实例是投资有技术壁垒、品牌价值或规模效应的公司。与此同时，从动态发展的角度，成长投资开始兴起，即发现具有成长前景、具有较高增长潜力的公司，买入其股票并长期持有，在这些公司的成长过程中获得投资回报，实践这一理念的重要代表人物是菲利普·费雪。在成长投资之后，价值投资的最新发展是质量投资，即寻找伟大的公司、能够创造价值的公司，买入股票并长期持有。质量投资既关注财务指标、公司所处行业及公司的成长性，也关注公司运营的一些细节，在实践中有多种判断标准。
　　现有的投资理论和策略可大致分为主动投资和被动投资两类，前者指投资者按一定标准，积极研究、筛选和管理证券投资组合，寻求最大化投资收益率；后者指投资者购买一些市场指数、指数的成分股或证券基金，希望复制指数的业绩，不主动寻求超越市场的表现。主动投资又分为基本面投资和非基本面投资。基本面指公司核心竞争力、运营情况、财务情况、公司治理、发展前景等。基本面投资主要包括价值投资、成长投资和质量投资等。非基本面投资包括但不限于技术分析、根据各类消息投资等。在此基础上，量化投资利用计算机和数学模型进行投资决策，通过大数据分析、统计模型和计算机算法等手段，系统性地筛选股票，执行交易策略。量化投资既有基于基本面构建的选股模型、基于非基本面制定交易策略，也有同时包含基本面和非基本面的选股模型。量化投资是一种投资理念，也是一种交易方式，是主动投资的升级版。以上投资类型可用图1表示。
图1：投资类型框架图
　　量化投资的发展历程
　　在传统投资中，投资者分析宏观经济和市场行情，寻找优质公司，虽能获得较好的收益，然而处理信息有限、受认知偏差影响较大、风控手段较为薄弱等影响投资收益。相对而言，量化投资的优势在于，能够处理海量数据，运用模型和算法实现自动化投资决策和交易，克服和规避交易者情绪波动和人性弱点的影响。实现这些优势的基础是计算机硬件和软件技术的发展。量化投资有五个关键点：数据、模型、选股策略、交易时点及交易量，均依赖于计算机软硬件的质量与水平。
　　在国外，第一台民用计算机发明于1946年的美国，之后美国投资者最早尝试将计算机程序用于证券交易。1969年美国人爱德华·索普利成立世界上第一个量化投资基金，在此后11年中没有出现年度亏损且持续跑赢标准普尔指数。在20世纪七八十年代，指数基金、金融衍生品交易成为量化投资的试验田。到九十年代，Alpha投资策略、价值和动量策略、杠杆交易等助推量化投资快速发展。21世纪以来，随着数理金融理论和机器学习技术迅速发展，量化投资工具更加丰富。2008年美国金融危机中，许多对冲基金受到重创，资产规模严重缩水。不过，随着以大数据、云计算、机器学习为代表的计算机技术发展并应用，新型量化投资策略相继出现，集数据汇合、决策、交易、分析和风险控制于一体的各类量化应用平台不断涌现。据相关机构测算，目前美国量化基金规模占美股总市值的比例已接近10%，量化基金整体规模大约为3.3万亿美元，成交额占比达到了75%左右。截至2022年二季度，在全球对冲基金管理规模排名前十的机构中，有七家为量化对冲基金。
　　在国内，上世纪90年代沪深交易所设立之初，内幕交易丛生、老鼠仓频繁、市场投机氛围浓厚，之后不断改善，大量投资者开始注重财务分析和技术分析，从公司年报和市场行情中寻找价值洼地。
　　21世纪以来，随着监管制度和交易机制完善，公募基金、私募基金、社保基金、保险基金和QFII等机构投资者批量崛起并入市，量化投资同步发展。2002年，华安基金成立上证180指数增强型基金，开启国内机构量化投资的时代。2004年，光大保德信成立证券投资基金，开启主动量化投资的时代。2010年，融资融券和股指期货推出后，可以进行有条件的做多做空交易和杠杆交易，为量化对冲交易、高频交易等提供了基础性金融工具。2013年《证券投资基金法》为私募基金发展铺平道路，2015年上证50ETF期权、上证50与中证500股指期货推出后，为量化投资提供了更多的对冲工具和交易策略。2018年“资管新规”推出后，抑制了P2P、影子银行等不规范的投资理财行为，客观上提升了量化投资的价值。2019年科创板设立后，增加了证券市场融券规模，量化投资进入新的发展阶段。在此基础上，大量量化投资公司纷纷设立，各类量化交易系统或平台快速发展，量化投资成为机构投资者角逐资本市场的重要竞争点。
　　据统计，截至2021年四季度，在证券类私募中，量化产品规模接近16100亿元，占私募证券类产品规模24.8%；百亿以上量化私募管理人的合计规模约4800亿元；公募量化基金规模约2941亿元，指数型基金规模约1.3万亿元。
　　量化投资的技术逻辑
　　资产定价一直是金融投资理论和实践的核心内容之一。诺贝尔经济学奖获得者马科维茨将资产风险定义为资产收益的方差，并于1959年首次提出了均值-方差模型，为现代投资方法论奠定了坚实的理论基础。1962年前后，美国学者威廉·夏普、林特纳、莫辛和特雷诺分别独自提出著名的资本资产定价模型（CAPM），该模型清晰地描绘出资产风险和收益率的关系。CAPM是最简单的线性单因子模型，它指出股票的预期超额收益率取决于市场组合的预期超额收益率和股票对市场风险的暴露。1976年，美国学者斯蒂芬·罗斯提出套利定价理论（APT），构建了多因子模型，认为股票的预期超额收益率取决于一系列因子的预期超额收益率和资产在这些因子上的风险暴露。自多因子模型被提出至20世纪末，从技术层面来说，量化投资者主要应用传统数学统计和计量方法分析金融市场，买卖错误定价的股票来获得超额收益。
　　进入21世纪，大数据和大数据分析方法在各领域推广应用，逐步改变人们的生活方式和理解世界的方式，也从技术层面对金融投资领域产生了深刻影响。近些年，随着互联网和移动设备的普及，大量非传统“大数据”可用性提升，加之计算硬件（尤其是GPU）的发展大大降低了计算成本，促使机器学习、深度学习等人工智能（AI）技术方法在计算机视觉、自然语言处理和预测分析等领域广泛普及。
　　目前，量化投资的发展趋势是AI技术全流程运用。具体来说：在数据收集环节，通过自然语言处理（NLP）技术、大语言模型对财经网站新闻、股吧论坛评论、券商分析师研报等海量文本信息进行分析，判断文本情感，在传统量价等结构化数据的基础上，扩展构建因子的数据范围；在因子挖掘环节，通过AI算法转化传统人工挖掘因子的思考、分析和设计过程，将其变成复杂数学空间中的搜索优化过程，从而实现超大规模金融信号的自动挖掘与自动建模；在收益预测环节，运用神经网络算法，采取输入层、隐藏层和输出层等复杂运算架构，综合使用股票各种特征信息，对未来股价进行更为精准的预测；在组合优化环节，运用强化学习等算法（如DQN等），从历史数据中学习最佳的股票组合优化策略，寻找最佳的风险收益平衡点；在算法交易环节，运用AI算法预测极短时间内的股价波动和流动性变化，寻找最佳交易时点，以减少交易对市场的冲击。
　　随着AI技术不断迭代和发展，当前最先进的自动化AI（Automated AI）、可解释AI（Explainable AI）和知识驱动AI（Knowledge-driven AI）正在勾勒量化投资行业的新前景。自动化AI乃引入最先进的自动化技术，使整个量化策略开发流程中的每个模块自动化，将传统的手工建模转变为“算法生成算法，模型生成模型”的自动化建模工作流程，最终实现“AI创造AI”的技术理念。可解释AI的理念是，纯粹的黑盒模型对于量化研究和投资是不安全的，因为无法准确地校准风险，越来越多的可解释AI领域新技术不断应用于量化分析和投资，试图打开封装深度学习模型的黑匣子，以提高机器学习建模的透明度。知识驱动AI利用符号推理和神经推理技术，可以分析和推断金融行为和事件的知识图谱，以便优化投资决策，可应用于交易频率低、收集和分析信息集中的投资场景，比如价值投资和全球宏观投资。
图2：量化投资的典型工作流程（AI量化投资系统VS传统量化投资系统）
　　量化投资与资本市场高质量发展的关联
　　近年来，随着中国资本市场政策与法律体系不断健全，监管愈加完善，市场有效性不断提升。随着计算机硬件和大数据分析方法发展，量化投资已成为机构投资者寻找投资洼地和获利的重要利器。众多机构投资者充分竞争，开发各类量化模型，客观上发挥着促进资本市场高质量发展的作用。
　　量化投资对中国资本市场高质量发展的促进作用有五方面：一是提高市场效率。量化投资通过分析数据、构建模型和实施策略等，更为精确地把握市场变化和发展趋势，为投资者提供更加高效可靠的投资方案，填补市场流动性缺口，由此，市场资源配置效率得到提高，资本市场将更加健康地发展。二是改善投资者结构。量化投资对市场的波动有一定的抗风险能力，因为它通过动态分配资金和风险控制，能降低市场风险敞口，减少投资损失。随着量化投资在中国资本市场推广和普及，投资者结构逐渐趋于稳定，有利于资本市场长期稳定发展。三是提升投资者素养。量化投资可以提高投资者的投资技能，丰富投资者的投资理念和方法。尤其是对于个人投资者而言，量化投资不仅能帮助他们更加客观地看待市场，还能培养其严谨分析的能力。在这个过程中，投资者更新理财观念，提升投资素养，进而推动资本市场健康发展。四是优化监管环境。量化投资具有规范性和透明性，可以为监管层提供更清晰、更直观的资本市场数据分析报告，有助于监管层掌握市场动态。量化投资也有助于监管部门改进投资监管模式，建立更加科学、合理的投资监管框架，为资本市场高质量发展提供有力保障。五是助力科技创新。量化投资过程中对大数据、机器学习和人工智能等高科技的运用，有利于推动相关科技的发展和创新，进一步提高中国资本市场对新技术的吸纳能力。随着科技创新不断深入，各种科技成果将进一步赋能资本市场，推动其高质量发展。
　　量化投资也存在一些挑战和风险，比如数据质量、模型风险、黑箱操作等。因此，监管层面需引导量化投资助力资本市场高质量发展。一是制定和完善量化投资相关的法规和监管政策，明确准入条件、运作规则和风险管理要求，以保障市场公平、透明和稳定。二是推动金融机构和科技企业之间合作，促进数据共享和技术创新，为量化投资提供更丰富、准确的数据源和先进的技术工具，提升整个市场的量化投资研究与执行能力。三是明确信息披露标准，确保量化投资机构和产品的信息对投资者公开透明，在此基础上加强监管，建立适当的风险评估和监测机制，及时发现并应对潜在的风险问题。四是健全投资者保护机制，加强投资者教育和风险提示，提高投资者的风险意识和自我保护意识。
　　总而言之，量化投资是国内外资本市场发展的重要趋势，也是机构投资者发展壮大的必由之路。量化投资是资本市场发展的推动力量，需积极制定政策和措施，引导量化投资有序发展，为资本市场高质量发展提供全面支撑。
（文章来源：经济参考网）