第1章 量化投資概論

# 第1章 量化投資概論 > 量化投資，簡稱 **Quant**，已成為現代金融市場中不可或缺的投資工具。它將金融數學、統計學、計算機科學與實務經驗結合，透過數據驅動的邏輯來發現並利用市場的不均衡。 ## 1.1 量化投資的定義 | 概念 | 主要特徵 | |------|-----------| | **數學模型** | 使用公式或算法來評估資產價值或風險 | | **高頻與低延遲** | 交易決策在毫秒甚至微秒內完成 | | **可重複性** | 交易策略能夠持續、無偏差地執行 | | **可度量風險** | 透過統計指標明確控制風險敞口 | > **舉例**：一個簡單的動量策略可能採用移動平均交叉訊號，當短期均線上穿長期均線時買進，反之賣出。雖然規則看似簡單，但背後涉及大量歷史資料的回測、參數優化與風險評估。 ## 1.2 歷史與現狀 | 時期 | 重要事件 | 技術突破 | |------|-----------|-----------| | **1970‑s** | Black–Scholes 模型誕生，期權定價理論正式化 | 金融數學公式化 | | **1990‑s** | 量化基金（如 Renaissance Technologies）崛起 | 高頻交易 (HFT) 先行者 | | **2000‑s** | 大數據、雲端運算普及 | 機器學習、自然語言處理應用於財報分析 | | **2010‑s** | AI 驅動策略興起 | 強化學習、生成對抗網路 (GAN) 用於生成模擬市場 | | **2020‑s** | ESG、永續投資量化化 | 基於區塊鏈的數據溯源、隱私保護技術 | > **當前趨勢**：除了傳統的股票、期貨，外匯、加密貨幣、甚至商品衍生品都在量化框架下被開發與交易。人工智慧的加持使得策略的發掘速度與精度大幅提升。 ## 1.3 與傳統投資的區別與優勢 | 視角 | 傳統投資 | 量化投資 | |------|-----------|-----------| | **決策基礎** | 人工判斷、情緒 | 數據統計、機器學習 | | **風險控制** | 直覺、分散化 | 風險模型、風險限額 | | **可擴展性** | 人力限制 | 計算資源可水平擴展 | | **透明度** | 依賴報告 | 代碼可追溯、流程可量化 | | **執行速度** | 受交易平台限制 | 低延遲自動化執行 | > **實際案例**：傳統基金可能會在市場低迷時因恐慌性拋售造成收益下降；相對地，一個已回測且風險控制嚴謹的量化策略可能會在同一時期利用市場波動進行對沖，維持甚至增加收益。 ## 1.4 整體工作流程概覽 以下為量化投資的典型工作流程，後續章節將逐一深入說明每個環節的技術實作與實務操作。 mermaid flowchart TD A[目標設定] --> B[數據採集] B --> C[數據清洗] C --> D[特徵工程] D --> E[模型建構] E --> F[回測] F --> G[優化] G --> H[風險管理] H --> I[部署] I --> J[監控] > **說明**： > - **目標設定**：明確策略類型（多空、統計套利、機器學習預測等）與績效指標。 > - **數據採集**：涵蓋市場行情、財報、新聞、社交媒體等多源數據。 > - **數據清洗**：缺失值處理、時間對齊、噪聲過濾。 > - **特徵工程**：生成技術指標、因子、時間序列特徵。 > - **模型建構**：選擇合適的機器學習或統計模型。 > - **回測**：歷史模擬驗證策略有效性。 > - **優化**：參數調整、成本考量、風險限制。 > - **風險管理**：資金分配、最大回撤、VaR、CVaR。 > - **部署**：系統化執行、交易接口、日誌紀錄。 > - **監控**：實盤表現跟蹤、異常偵測、策略回溯。 ## 1.5 小結 本章作為全書的基礎，對量化投資的核心概念、歷史脈絡、與傳統投資的區別進行了梳理，同時提供了完整的工作流程概覽。隨著數據與計算能力的不斷提升，量化投資已從早期的“數學模型”逐漸演變為“資料科學與自動化交易”交匯的綜合體。接下來的章節將帶領讀者從數據來源、清洗、特徵工程到模型建構、回測與風險管理，實現從「數據」到「利潤」的全流程轉化。