下载掌阅APP，畅读海量书库
立即打开
和其他女孩子一样，小瓦也有爱美的天性。她也想像其他女生一样把自己打扮得漂漂亮亮，并且顺利完成学业，如果条件允许，她还想继续深造。然而，其家庭的现实情况支撑不了她的梦想，所以平日里小瓦的生活还是很简朴的。小瓦希望找到一个方法，能够让她的状况变得好一些，至少可以通过自己的努力为父母减轻一些经济压力。在现实中，能够通过自己的努力，先“小富”起来，这已经是很不错的了。
想要实现“小富”，其实途径还是蛮多的。如打打零工，或者做点小生意，都是可以的。不过小瓦有自己的优势——她因为所学的专业担心自己毕业以后不好找工作，于是自学了Python的入门课程，并掌握了一些Python的基础语法和常用工具，如数据分析工具pandas和可视化工具matplotlib等。基于这样的背景，我们可以尝试帮助小瓦利用她已经掌握的知识来做点更有技术含量的事情——量化交易。这样的话，即便小瓦最终没有成为一代“股神”，也可以掌握更多的知识和技能，为其日后找工作增加一点儿优势。
考虑到小瓦所学专业既不是计算机相关专业，也不是金融相关专业，我们就先让小瓦了解一些基础知识。
相信大家对“交易”这个词并不陌生。早在古罗马时代，人类就开始进行各种各样的交易了。对历史感兴趣的读者朋友可能会听说过古罗马广场。在那里，人们除了进行实物商品的交易之外，还会进行交换货币、债券及其他形式的投资。人们进行交易的目的就是获利，因此人们在某种商品价格较低时买入商品，再等到价格较高时卖出商品，以此实现盈利的目的。
1602年，世界上第一个股份制公司——荷兰东印度公司诞生，并在1606年发行了世界上第一只股票。1609年，世界上第一个股票交易所在阿姆斯特丹诞生，之后在这个股票交易所的基础上，世界上第一家现代意义的银行——阿姆斯特丹银行成立。至于后来荷兰东印度公司借助资本的力量，建立了怎样的霸业，可以留给读者朋友自行搜索。本书不展开叙述。
中国的资本市场起步相对较晚。中华人民共和国成立以后的第一只股票是上海飞乐音响股份有限公司发行的“飞乐音响”，于1984年发行。中国在1989年才开始进行股票交易市场的试点。1990年，深圳证券交易所和上海证券交易所开始试营业。
时光荏苒，岁月变迁，曾经的历史我们一带而过，现在该把小瓦拉回现代社会了。在过去的几十年间，投资行业可以说是发生了翻天覆地的变化——那些股民们扯着嗓子喊单的日子一去不复返，取而代之的是高速运转的计算机设备和各种各样的应用软件。尤其各大金融机构，为了保持自己的竞争力，以便应对日益复杂的市场环境，一直都走在最新科技前沿。
说到最新技术，就要回顾一下电子交易的概念——毕竟这是现代交易的根基。自20世纪60年代以来，计算机和互联网的诞生使交易不再受物理空间的限制，交易的品种增加，交易量也得到了极大的提升。随着电子交易的兴起，自动化交易也得到了迅速发展。到了2000年左右，自动化交易作为一种卖方工具出现，其目的是实现一种低成本、高收益的交易。在自动化交易中，订单被分散，以避免订单过大而影响市场。后来这些工具扩展到买方，并在交易中，加入对成本和流动性的考虑，以及期望预测短期价格和成交量，这使得这个领域涉及的技术越来越复杂。
读者朋友也听说过高频交易（High-Frequency Trading，HFT）这个术语。高频交易也是建立在电子交易的基础之上的。高频交易是指在微秒范围内以极低延迟执行的金融工具的自动交易。在过去的十余年中，使用高频交易的成交量大幅增长。据估计，2010年前后，高频交易成交量约占美国股市交易量的55%，占欧洲股市交易量的40%。在外汇期货市场中，通过高频交易实现的成交量更是达到了惊人的80%左右！
对于小瓦来说，“因子投资”这个词可能就有一点陌生了。不过没有关系，要理解因子投资的概念并不难。首先我们了解一下资本资产定价模型（Capital Asset Pricing Model，CAPM）。这个概念早在20世纪60年代就已经被提出，其非常重要的一个组成部分就是贝塔系数（beta）。贝塔系数用于表示某项资产的系统性风险。资本资产定价模型理论的先进性在于，它认识到一项资产的风险并非孤立地取决于该资产，而是该资产相对于其他资产及整个市场的走势。然而，它的局限性也非常明显——由于只使用贝塔系数这一个因子（factor），该模型对资产回报率的预测并不准确。于是，人们开始发掘更多额外的风险因子，以便可以更准确地预测资产能够带来的回报率。基于这种理念所进行的投资称为因子投资（factor investment）。
在因子投资中，因子的定义就是那些可以量化的信号、特征或其他变量。这些因子与资产回报率呈现明显的相关性，并且在未来还要保持这种相关性。
与CAPM模型相比，多因子模型要考虑的因素要多得多。例如，1972年，史蒂芬·罗斯提出的套利定价理论（Arbitrage Pricing Theory，APT）就认为证券的回报率与一组因子线性相关。到了1992年，著名经济学家尤金·法马和金融学家肯尼思·弗伦奇提出了举世闻名的Fama-French三因子模型，指出证券回报率可以用市场资产组合、市值及账面市值比这三个因子来进行解释。不久，卡哈特改进了三因子模型，添加了市场动量因子，提出了Carhart四因子模型。
经过若干年的发展，因子投资已经从一种方法论演变成了一种产品——智能贝塔基金，并且飞速增长。有资料显示，早在2019年，智能贝塔基金的资产管理规模就达到了8800亿美元。这种基于多因子模型进行投资的成功推动了机器学习技术在金融行业的飞速发展。