量化交易系列（六）：做量化为啥这么难？散户量化会被收割么？

量化交易系列（六）：做量化为啥这么难？散户量化会被收割么？

导语

每隔一段时间，我的后台就会收到类似的留言：

"我学了 Python，学了因子模型，回测跑得飞起，怎么一实盘就亏？"
"量化不是用数学和科学打败市场吗？为什么我感觉自己在被市场打？"
"是不是散户做量化，本质上就是给机构送钱？"

这些问题问到了量化交易最核心的痛处。

前五篇文章，我们聊了底层逻辑、经典策略、风险管理、多因子模型和认知陷阱。如果说那五篇是在教你"怎么打仗"，这一篇要回答一个更根本的问题——这场仗，你到底打不打得赢？

答案可能让你不舒服：对绝大多数人而言，做量化极难成功，而且确实存在被收割的风险。 但这个"难"不是无解的，"被收割"也不是必然的。关键在于你是否真正理解了自己面对的是什么。

---

一、做量化到底难在哪？

很多人以为量化交易的门槛是"写代码"和"懂数学"。这大错特错。代码和数学只是入场券，真正的门槛远比这高得多。

1. 你面对的是有史以来最激烈的智力竞争

量化交易的本质是什么？是从其他聪明人手里抢钱。

你的对手是谁？

• Renaissance Technologies（文艺复兴科技）：200 多名博士，以数学家、物理学家和计算机科学家为主，Medallion Fund 年化 66%，三十年不败。他们的招聘标准是"在你的学术领域做出过世界级贡献"。
• Citadel（城堡投资）：Ken Griffin 的帝国，管理超过 600 亿美元，拥有全球最快的交易基础设施，光纤直连交易所，延迟以微秒计。
• Two Sigma：David Siegel 和 John Overdeck 联合创立，管理超过 600 亿美元，拥有全球最大的私有云计算集群之一。
• D.E. Shaw：Jeff Bezos 在创立亚马逊之前工作的地方。创始人 David Shaw 是计算机科学家，团队中不乏图灵奖得主的学生。
• Jump Trading、Jane Street、Virtu Financial：高频交易领域的巨头，在你下单之前，他们的算法已经执行完毕。

这些机构每年在技术上投入数十亿美元。它们拥有：

• 最快的数据：直接从交易所获取原始数据流，比你快几十毫秒到几百毫秒
• 最强的算力：专用 GPU 集群、FPGA 加速、甚至定制芯片
• 最多的人才：全球顶尖的数学家、物理学家、统计学家
• 最低的交易成本：规模效应 + 做市商身份 + 与交易所的特殊协议
• 最深的口袋：可以承受数月甚至数年的亏损等待策略回归

你拿着一台笔记本电脑、一个免费的行情 API、和网上学来的因子模型，要跟这些人竞争 Alpha。

这就好比你拿着一把木剑，走进了一群装备精良的特种兵的战场。不是你不勇敢，是装备差距太大了。

2. Alpha 的数学困境：你连"正期望"都很难证明

系列第一篇讲过，量化交易的核心是找到正期望值的策略。但问题是——你怎么知道你的策略真的有正期望？

假设你开发了一个策略，回测五年年化 15%。这个 15% 到底是：

• A）策略真的有效，你捕捉到了市场的某种规律？
• B）纯粹的运气——在噪声中碰巧找到了一段好看的曲线？

区分 A 和 B，需要的是统计显著性。但在金融领域，统计显著性极难达到。

原因很简单：数据太少了。

物理学家做实验可以重复上百万次。医学做临床试验可以有几千个样本。但金融市场——

• 你能用的独立样本有多少？如果是日线级别的策略，过去 20 年大约 5000 个交易日。
• 这 5000 个交易日里有多少个独立的"市场体制"？牛市、熊市、震荡市加起来可能就五六个。
• 你的策略在这五六个不同的市场体制下都有效吗？还是只在其中两三个有效？

Harvey, Liu & Zhu 在 2016 年发表了一篇重磅论文《...and the Cross-Section of Expected Returns》，统计了过去 50 年学术界"发现"的 316 个因子。他们的结论触目惊心：绝大多数因子在修正多重比较偏差后，统计显著性消失了。

换句话说，学术界半个世纪以来"发现"的几百个赚钱因子，大部分是幻觉。

更残酷的是，即使策略真的有效，你也很难确信这一点。 因为任何合理的统计检验都需要大量的样本外数据——而等你积累到足够的样本外数据来确认策略有效时，可能已经过去了三五年，而这三五年里市场结构可能已经变了，策略可能已经失效了。

这是一个残酷的悖论：你需要时间来验证策略，但时间本身会让策略失效。

3. 回测是天堂，实盘是地狱

系列第五篇详细讲了回测的五大陷阱。这里只强调一个被严重低估的问题：滑点和流动性。

假设你的策略在回测中年化收益 20%，看起来很不错。但当你开始实盘交易：

• 滑点：回测假设你以收盘价成交，实际上你的订单可能让价格移动了 0.1%。一年交易 200 次，0.1% × 200 = 20%。恭喜，你的 Alpha 被滑点吃光了。
• 冲击成本：你想买 10 万元的小盘股，但当天该股票的交易额只有 50 万。你的买入行为直接推高了价格 2%。
• 延迟：你的信号在 14:55 生成，但从信号生成到订单执行，中间有网络延迟、撮合延迟、你犹豫要不要下单的延迟……等你真正成交时，价格已经动了。
• 市场结构变化：回测用的是历史数据，但市场微观结构一直在变——交易所规则改了、手续费调了、竞争对手的策略变了、流动性分布变了。

Renaissance Technologies 的 Medallion Fund 有一个著名的数据：它的策略在扣除交易成本前的年化收益率约为 66%，扣除交易成本和管理费后约为 39%。 这意味着即使是全世界最成功的量化基金，交易成本也吃掉了其毛收益的约 40%。

你的策略，有这个"耐磨度"吗？

4. 心理账户：你最大的敌人是自己

理论上，量化交易的最大优势是"去人性化"——用算法代替情绪。但现实中，你真的能做到吗？

• 策略连续亏损 15 天，你敢继续执行吗？
• 策略说"做空"，但市场舆论一片看多，你敢做空吗？
• 策略回撤到 25%，你的家人问你"到底亏了多少"，你能冷静吗？
• 你的朋友买了 AI 概念股涨了 50%，你的量化策略同期只赚了 3%，你不焦虑吗？
• 策略判断要清仓等待，但市场每天都在涨，你不手痒吗？

Mark Douglas 在《交易心理学》中有一句经典的话："最好的策略给了一个心理素质不合格的人，效果和最差的策略没有区别。"

量化不是消灭了心理问题，只是把心理问题从"每笔交易的买卖决策"转移到了"要不要继续信任这个系统"。后者甚至更难，因为你面对的不是一次亏损，而是持续数周甚至数月的系统性回撤——你根本不知道这是正常波动还是策略失效。

5. 基础设施：那些看不见的成本

做量化交易需要的基础设施远超大多数人的想象：

项目	业余量化	专业量化
数据	免费 API / 几百元/月	数万至数十万/年（Bloomberg、Wind、高频数据）
算力	个人电脑	云服务器集群 / GPU 集群
网络	普通宽带	低延迟专线 / 交易所co-location
软件	开源框架（backtrader等）	自研回测+执行引擎
运维	手动监控	24×7 自动化监控 + 告警
合规	不考虑	监管报告、审计
人力	你自己	团队（策略、开发、运维、风控）

一个人做量化，你既是策略研究员、又是软件工程师、又是运维、又是风控、又是交易员。每一个角色都需要专业技能，而你只有一个人。

这不是能力问题，是带宽问题。一个人的时间和精力是有限的，你不可能在所有维度上都做到专业级别。

---

二、散户量化会被收割么？

这个问题的答案取决于你对"收割"的定义。

"收割"的三层含义

第一层：直接的对手盘收割

高频交易公司（HFT）通过速度优势，确实在系统性地赚取散户的钱。

一个经典的机制是"先手交易"（Front-Running）。虽然法律意义上的先手交易是违法的，但 HFT 有一种合法的变体：

你在券商下了一个买入订单。你的订单通过券商路由到交易所，这个过程需要几毫秒。在这几毫秒内，HFT 的算法已经检测到了你的订单（通过分析订单流模式），在你之前买入，推高价格，然后卖给你。你多付出的那一点点价差，就是 HFT 赚走的。

Michael Lewis 在《Flash Boys》中详细揭露了这种机制。虽然每笔交易中散户多付的金额很小（可能只有几分钱），但 HFT 每天处理数亿笔交易，积少成多就是天文数字。

Virtu Financial 在 2014 年 IPO 时披露了一个惊人的数据：在过去 1238 个交易日中，它只有一天是亏损的。这不是因为它预测市场方向有多准，而是因为它在每笔交易中通过速度优势赚取微小的价差——而这些价差的对手方，很大一部分就是散户。

第二层：信息不对称收割

机构拥有散户根本无法获得的信息优势：

• 另类数据：卫星图像、信用卡消费数据、社交媒体情绪分析、供应链追踪——这些数据的年费从几万到几百万美元不等。
• 暗池（Dark Pool）：大型机构之间的私下交易场所，约占美国股市交易量的 40%。散户看不到这些交易，但这些交易影响价格。
• 研究优势：顶级量化基金每年在研究上投入数亿美元，雇佣数百名博士级研究员。一个散户利用业余时间做的研究，怎么和这种投入竞争？

第三层：结构性收割

这是最隐蔽、也最致命的一层。

你可能听过一个词叫 PFOF（Payment for Order Flow，订单流付费）。在美国，像 Robinhood 这样的"零佣金"券商，其实是把你的订单卖给了做市商（如 Citadel Securities）。做市商付钱买你的订单，是因为你的订单是"无毒"的——散户的订单通常不包含信息优势，做市商可以安全地站在你的对面赚取价差。

这意味着什么？你以为你是客户，其实你是产品。 你的交易行为本身就在为机构创造利润。

在加密市场，类似的结构性收割更加赤裸裸：

• 交易所自营盘：部分交易所同时做裁判和运动员，利用用户数据指导自营交易
• 插针：市场流动性薄弱时，突然出现极端价格波动，触发大量杠杆用户爆仓，随后价格迅速回归。这些"插针"是否是人为的，一直是争议话题
• 抢跑（MEV）：在 DeFi 中，矿工/验证者可以看到待处理的交易，通过重排序交易来提取价值——你的大额 DEX 交易被三明治攻击（sandwich attack），前后被夹击

那么，散户做量化就是送死吗？

不一定。 但你必须极度清醒地认识到自己的劣势，然后找到属于你的"生态位"。

---

三、散户量化的生存之道

如果你已经被前面的内容劝退了，这很正常。事实上，大多数人不应该做量化交易——把钱放进指数基金，长期持有，大概率比自己折腾要好。

但如果你已经想清楚了，仍然决定在这个领域深耕，以下是几条生存策略：

1. 找到大象踩不到的角落

机构的最大弱点是什么？规模。

管理 500 亿美元的基金，需要在流动性充足的大盘股中交易。小盘股、微盘股、冷门市场——它们进不去，因为进出的成本太高。

这就是散户的机会。

• 小盘股 / 微盘股：机构无法涉足的领域，市场效率更低，错误定价更多
• 新兴市场 / 冷门资产：东南亚股市、小型加密货币——研究覆盖不足，定价效率低
• 低频策略：持仓周期在数周到数月的策略，不需要毫秒级的速度，执行成本也较低
• 特殊事件：小型并购、冷门股票的分红事件、指数微调——大基金看不上的"碎肉"

Joel Greenblatt（哥伦比亚大学教授、传奇投资者）在他的《你也可以成为股市天才》中指出：分拆、重组、破产重整等特殊事件中，经常有被忽视的投资机会——因为大型机构的研究覆盖不到这些角落。

2. 发挥个体优势

散户有几个机构不具备的优势，你可能没意识到：

a）没有规模诅咒

你的资金量小，意味着你的交易不会造成价格冲击。你可以在流动性很差的市场中自由进出，而机构做不到。

记住 Kyle 模型的结论：价格冲击与交易量的平方根成正比。你交易 1 万元，冲击几乎为零；机构交易 1 亿元，冲击可能是 1%-2%。

b）没有持仓限制

机构有各种合规要求：最低分散度、禁止投资某些行业、流动性要求等。你没有这些限制，可以 100% 配置在你最有信心的策略上。

c）没有委托人压力

机构基金经理有客户——客户看到亏损就要赎回，赎回逼迫基金经理在最差的时候卖出。2022 年加密市场暴跌期间，大量基金因客户赎回被迫在底部清仓。

你只对自己负责。你可以在别人恐慌清仓的时候不动，甚至加仓。这是一个巨大的结构性优势。

d）时间的朋友

机构基金经理被季度业绩、年度排名、客户报告追着跑。他们不能承受连续两个季度的亏损——即使策略长期有效。

你可以。你可以用三年、五年甚至十年的视角来评估策略，而不是纠结于这个月的盈亏。

3. 降低"军备竞赛"的维度

不要在机构擅长的维度上竞争。

维度	机构优势	散户策略
速度	微秒级延迟	放弃高频，做中低频策略
数据	另类数据、独家数据	聚焦公开数据中的深度分析
算力	GPU 集群	简单但鲁棒的模型
资金	数百亿	利用小资金的灵活性
人才	博士团队	专注 1-2 个细分领域，做到极致

Edward Thorp（量化交易教父、凯利公式在投资领域的先驱）在回忆录中写道："小投资者的最大优势是可以专注在大机构看不上的小机会上。一年赚 50 万美元的机会，对管理 500 亿的基金来说不值一提，但对个人来说已经改变了人生。"

4. 构建真正的认知壁垒

在信息和速度上你比不过机构，但在特定领域的深度认知上，你可以。

• 如果你是某个行业的从业者，你对该行业的理解可能比任何量化模型都深
• 如果你深度研究某个细分市场五年以上，你积累的直觉和模式识别能力是真实的 Alpha
• 如果你是开发者，你可以构建高度定制化的工具和框架，而不是用通用的开源框架

Buffett 不是量化交易者，但他说的这句话适用于所有投资："能力圈不在于圈有多大，而在于你是否真的知道边界在哪里。"

5. 接受"小 Alpha"

很多人做量化的期望是年化 50% 以上。这是不切实际的。

回看全球最成功的量化基金的长期业绩：

基金	策略类型	年化收益（扣费后）
Medallion Fund	多策略	~39%（但对外部投资者不开放）
Citadel Wellington	多策略	~19%
Two Sigma Compass	系统化	~14%
AQR	因子投资	~8%-12%
Bridgewater Pure Alpha	全球宏观	~9%

注意：除了 Medallion 这个几乎不可复制的异类，其他顶级量化基金的年化收益大多在 10%-20% 之间。 这些基金有着几百名博士、数十亿美元的基础设施投入和数十年的积累。

作为散户量化交易者，如果你能做到年化 10%-15%、最大回撤控制在 20% 以内、夏普比率在 1.0 以上——你已经非常出色了，超过了绝大多数专业基金经理。

不要追求暴利。长期的、稳定的正 Alpha 是世界上最稀缺的东西之一。

---

四、量化交易的"暗面"：行业里不愿意说的真话

1. 大部分"量化课程"在割韭菜

互联网上充斥着各种量化交易培训课程，价格从几百到几万不等。它们通常承诺：

• "零基础入门量化交易"
• "手把手教你打造年化 30% 的策略"
• "实现财务自由的量化交易系统"

冷静想一下：如果教课的人真的有年化 30% 的策略，他为什么要卖课？

Renaissance Technologies 的 Medallion Fund 管理的资金上限是 100 亿美元——因为超过这个规模，策略的容量不够了。如果你真的有持续赚钱的策略，最理性的做法是闷声发大财，而不是广而告之。

当然，并非所有量化教育都是骗局。好的课程可以教你基础知识和思维框架。但任何承诺具体收益率的课程，都是骗局，没有例外。

2. "量化基金"也在收割自己的投资者

对冲基金行业有一个经典的利益结构：2/20——2% 的管理费 + 20% 的业绩提成。

这意味着什么？

假设一个量化基金管理 10 亿元：

• 不管赚不赚钱，每年收 2000 万管理费
• 如果赚了 10%（1 亿），再收 2000 万业绩提成
• 基金经理总收入：4000 万

如果第二年亏了 10%：

• 仍然收 2000 万管理费
• 不收业绩提成
• 基金经理总收入：2000 万

两年合计：投资者赚了 0%（先赚 10% 再亏 10%，实际还亏了），基金经理赚了 6000 万。

Warren Buffett 在 2016 年的致股东信中做过一个计算：如果你在 1966 年投入 10000 美元到一个收费 2/20 的基金，假设基金业绩等同于标普 500 指数，到 2016 年你会得到约 22 万美元。而如果直接投资标普 500 指数基金，你会得到 119 万美元。 差额——97 万美元——被基金经理通过费用拿走了。

这不是"收割"是什么？

3. 量化行业的"幸存者叙事"

你听过文艺复兴、桥水、Citadel 的传奇故事。但你没听过的是：

• 每年有数百家量化基金悄悄关门
• 大量有着博士学位和顶级履历的量化研究员，开发的策略最终被证明无效
• 即使是成功的量化基金，也有长达数年的低迷期——AQR 在 2018-2020 年经历了有史以来最严重的回撤，价值因子几乎全面失效

你看到的是冰山之上的辉煌，看不到的是冰山之下的累累白骨。

---

五、一个诚实的自我评估框架

在你决定投入时间和金钱到量化交易之前，诚实地回答以下问题：

入场前的灵魂拷问

1. 你的机会成本是什么？

如果你是一个年收入 50 万的程序员，花 2000 小时研究量化交易的机会成本是：你可以用这些时间提升职业技能、跳槽到更好的公司、或者创业。2000 小时 × 你的时薪 = 一个很大的数字。

量化交易值得这个投入吗？除非你有极强的兴趣和天赋，否则对大多数人来说，答案是"不值得"。

2. 你有多少可以亏得起的钱？

量化交易必须用你"完全亏得起"的钱。这笔钱归零不会影响你的生活质量、家庭关系和心理健康。

如果你用的是养老钱、首付款或者借来的钱——不要做。因为心理压力会摧毁你的决策质量，你几乎肯定会在最差的时候退出。

3. 你能坚持多久？

量化交易从入门到可能盈利，通常需要 2-5 年的全方位学习和实践。这段时间里，你的主要产出是"学费"（亏损 + 时间成本）。

你有耐心和资源度过这段"冷启动期"吗？

4. 你有什么独特的优势？

回到系列第一篇的灵魂拷问：你的 Alpha 来源是什么？如果你说不清楚，或者你的回答是"我学了一个策略/因子模型"——那这不是优势，因为所有人都能学到同样的东西。

真正的优势可能是：

• 你在某个行业有 10 年以上的深度经验
• 你有独特的数据源
• 你在某种数学/统计方法上有极深的造诣
• 你有超强的工程能力，可以构建别人构建不了的系统

5. 你能接受大概率失败吗？

即使你做对了所有事情，量化交易的成功率仍然很低。保守估计，只有 5%-10% 的量化交易尝试者能在扣除所有成本后实现长期正收益。

这不是因为他们不聪明、不努力。这是因为市场本身的竞争强度决定了——大多数参与者注定是负 Alpha 的。这是数学。

---

六、终极答案：做量化最难的，不是技术

写到最后，我想说一个可能出乎你意料的结论：

做量化最难的，不是数学、不是编程、不是策略设计、甚至不是风控——而是"认清自己"。

认清自己意味着：

• 诚实地评估自己的能力边界，不高估自己
• 接受"我可能就是那 90% 中的一个"的可能性
• 区分"我真的有优势"和"我以为我有优势"
• 在市场面前保持谦逊，承认自己知道的远比不知道的少
• 接受小 Alpha、慢回报、长周期的现实

Ray Dalio（桥水基金创始人） 说过一句我反复咀嚼的话：

"The biggest mistake investors make is to believe that what happened in the recent past is likely to persist."
"投资者犯的最大的错误，是相信最近发生的事情会一直持续下去。"

这句话用在量化交易上格外精准：

• 你的策略最近三个月赚钱了 → 不意味着它一直能赚
• 你的策略最近一个月亏钱了 → 不意味着它失效了
• 市场最近很好做 → 不意味着以后也好做
• 市场最近很难做 → 不意味着以后没机会

量化交易不是一道题目，做完了就有标准答案。它是一场马拉松，跑的是你对市场、对概率、对自己的理解深度。

如果你在读完这篇文章后仍然决定做量化——祝你好运。不是客套话，是真心话。因为你需要运气，就像你需要技术、纪律和自知之明一样。

在这场游戏里，最终活下来的不是最聪明的人，而是最清醒的人。

---

系列回顾

六篇文章，我们走过了这样一条路：

1. 底层逻辑：Alpha 从哪来、市场微观结构、期望值思维
2. 经典策略：动量、均值回归、统计套利的原理和局限
3. 风险管理：仓位管理、回撤控制、尾部风险、杠杆
4. 多因子模型：因子的定义、六大核心因子、因子组合
5. 认知陷阱：过拟合、幸存者偏差、前视偏差、黑天鹅
6. 做量化为啥这么难（本篇）：竞争格局、被收割的风险、散户的生存之道

如果只记住一句话：做量化最重要的不是找到一个赚钱的策略，而是搞清楚在这场所有聪明人的博弈中，你的位置到底在哪里。

---

免责声明：本系列文章仅为教育目的，不构成任何投资建议。金融市场存在极高风险，请在充分了解风险后做出自己的判断。

关注公众号「coft」，获取更多 AI 时代的深度思考。