第1章：量化投資入門

# 第1章：量化投資入門 ## 1.1 量化投資的定義 量化投資，亦稱**量化交易**或**數據驅動投資**，是利用數學模型、統計方法、程式語言及計算機技術對金融市場的資訊進行收集、清理、分析與預測，最終自動或半自動化執行交易決策的投資方式。核心特徵包含： - **數據驅動**：以歷史行情、基本面資料、非結構化文本等多元資料為基礎。 - **模型化**：將投資邏輯轉化為可量化的數學表達式（例如統計套利、機器學習分類器）。 - **自動化執行**：透過程式介面（API）或自動交易平台即時下單，消除人工執行延遲與情緒影響。 - **風險控制**：在策略開發階段即嵌入風險限制（如止損、倉位控制）並持續追蹤績效。 ## 1.2 發展歷史 | 時期 | 主要事件 | 代表人物 / 機構 | 重要技術 | |------|----------|----------------|----------| | 1970‑1980 | 期貨市場自動交易雛形 | John R. W. G. | 手動定價模型 | | 1980‑1990 | 第一次統計套利出現 | Eugene F. Fama, Robert J. McDonald | 隨機漫步假設、簡單的布朗運動模型 | | 1990‑2000 | 高頻交易（HFT）興起 | Jane Q. L. | 低延遲網路、專用交換機 | | 2000‑2010 | 機器學習被引入 | Thomas F. C. | 回歸、決策樹、支持向量機 | | 2010‑2020 | 大數據與雲端運算普及 | Bloomberg, Quantopian | Spark, GPU 加速 | | 2020‑至今 | 深度學習、強化學習應用 | AlphaGo、QuantConnect | 神經網路、RL 算法 | ### 里程碑 1. **1980**：布林格（Bollinger）提出布林帶技術指標，第一個廣為人知的量化工具。 2. **1994**：第一個統計套利策略（Pairs Trading）被正式發表，證明機率模型可產生持續正報酬。 3. **2009**：High‑Frequency Trading（高頻交易）因為低延遲和自動執行在美股市場中佔比突破 20%。 4. **2012**：AlphaGo 的勝利啟示深度學習在非結構化資料中的潛力，量化領域亦相應探索自然語言處理（NLP）技術。 ## 1.3 市場定位 | 應用場景 | 主要玩家 | 交易對象 | |----------|----------|----------| | 交易所級別交易 | 主要交易所（NASDAQ, NYSE） | 期貨、選擇權、ETF | | 量化基金 | Renaissance Technologies、Two Sigma、Citadel | 股票、外匯、商品 | | 個人投資者 | QuantConnect、Alpaca、Interactive Brokers | 股票、加密貨幣 | **定位說明**： - **市場效率提升**：透過高頻交易與統計套利，量化投資對市場流動性與價格發現機制有顯著影響。 - **成本與風險優化**：自動化執行減少人為錯誤，模型化風險能更精準地控制潛在損失。 - **多元化資產接觸**：量化框架可擴展至不同市場，促進跨市場套利與組合多樣化。 ## 1.4 為什麼傳統投資需要量化輔助 1. **資訊過載**：每日產生的市場資訊量遠超人工分析能力，量化模型能快速篩選關鍵訊號。 2. **情緒與偏差**：人類投資者易受情緒、認知偏差影響；自動化模型以客觀規則執行，降低情緒干擾。 3. **速度與效率**：高頻量化交易可在毫秒級完成交易，對時間敏感的市場策略至關重要。 4. **風險管理**：量化系統可即時更新風險指標（如 VaR、CVaR），實現動態風險調整。 5. **策略一致性**：統一的數學模型確保策略執行的一致性與可重現性，對於基金監管與報告至關重要。 ### 案例：簡易均值回歸策略 以下示範一個基於簡單移動平均（SMA）的「金叉／死叉」策略，展示如何將投資邏輯轉化為程式碼。 python import pandas as pd import numpy as np # 假設已載入每日收盤價資料 prices = pd.Series([1.12, 1.15, 1.13, 1.18, 1.20, 1.22, 1.19, 1.25, 1.28, 1.30]) # 計算 3 日與 7 日簡單移動平均 short_window = 3 long_window = 7 sma_short = prices.rolling(window=short_window).mean() sma_long = prices.rolling(window=long_window).mean() # 產生交易訊號：金叉時買進、死叉時賣出 signals = pd.DataFrame(index=prices.index) signals['price'] = prices signals['sma_short'] = sma_short signals['sma_long'] = sma_long signals['signal'] = 0 signals['signal'][short_window:] = np.where(sma_short[short_window:] > sma_long[short_window:], 1, 0) signals['positions'] = signals['signal'].diff() print(signals) > **實務提醒**：雖然示例簡單，但在實際運用時需考慮交易成本、滑點、資金分配及風險限制。量化框架允許在同一程式中同時處理這些因素，提升策略的真實可執行性。 --- ### 小結 本章建立了量化投資的基礎概念，從定義、歷史演進到市場定位，並闡明傳統投資為何需要借助量化工具。接下來的章節將深入市場微觀結構、數據處理及數學模型，為您構建完整的量化投資知識體系。