很多人学量化，第一步就走错了

最后更新: 2026-04-24

Table of Content

我刚开始对量化感兴趣的时候，想法其实很功利。

一方面，是听说量化工资高。
另一方面，是觉得这东西很高大上会显得我很聪明。
再加上自己本来就在市场里交过学费，就很容易冒出一个念头：

如果我学会了量化，是不是就能比以前更早看懂市场，少亏一点，甚至更稳定地赚到钱？

很多人就是从这里开始的。
并不是因为擅长代码或数学。而是先被“也许能更高大上地赚更多的钱”吸引住了。

所以刚开始那段时间，我也和很多人一样，眼睛总盯着最热闹的地方：

我那时候以为，量化最核心的事，就是找到一个更高级的判断方法。
说白了，还是想回答那个最朴素的问题：

后来我才慢慢发现，自己第一步就走错了。

因为这些问题，本质上还是判断题思维。
可量化真正处理的，从来不是判断题。

量化更像概率题。

它不是问你这一次会不会赢，
而是问你：如果同一类交易重复很多次，长期下来值不值得做。

这背后其实就是最简单、也最重要的一个式子：

\[ E(R)=\sum_i p_i r_i \]

这里的 \(p_i\) 是不同结果发生的概率，\(r_i\) 是对应的收益。
这个式子看起来很普通，但它把我对市场的理解慢慢地改变过来了。

原来量化最关心的，不是一笔交易的输赢，
而是一类交易在大量样本里的数学期望。

也就是说，量化不是在问：

“这次我能不能猜对？”

而是在问：

“如果这件事做一百次、一千次，长期下来是不是划算？”

这是我后来才明白的第一层。

再往后走，我又慢慢明白第二层：

期望是期望，路径是路径。

哪怕一个系统长期期望为正，也不代表你用了它，马上就会赚钱。
它中间可能连续亏损，可能回撤很深，可能波动大到让人怀疑自己。

所以量化不是只看均值，还要看方差。

\[ \mathrm{Var}(R)=E[(R-E(R))^2] \]

这个式子真正对应的，不是什么“高大上的数学”，
而是一个很现实、也很反人性的事实：

方向对，不代表中间不煎熬。

很多人回测一跑，曲线一漂亮，就以为自己找到方法了。
但他其实只看到了收益，没有看波动；
只看到了结果，没有看分布；
只看到了样本内的好看，没有想过样本外会不会失效。

我后来才慢慢意识到，自己一开始学量化的时候，根本不是在学量化。
我只是想把原来那种“凭感觉判断市场”的冲动，包装成一种更高大上的方法。

这就是为什么很多人会学乱。

表面上是在学代码、学策略、学模型，
但其实想的还是：

可量化最重要的认知反转，恰恰是：

市场不是拿来预测的，市场是拿来理解的。

更准确一点说：

市场不是判断题，市场是概率题。

一旦这个地方想明白，后面的顺序才会开始变对。

你会知道，自己第一步不该急着找那个“一学就能赚钱”的答案，
而是先把这些基础问题想清楚：

这些东西听起来不如“机器学习策略”热闹，
但它们才是真正把人从主观交易，带到量化思维里的第一步。

所以如果今天这篇文章最后只留一句话，我想说的是：

很多人学量化，第一步走错，不是因为不会学，而是把量化误解成了“更高级的预测”。

可量化真正教你的，不是怎么预测未来。
而是怎么在一个充满不确定性的市场里，用概率、样本和规则，慢慢重新理解它。

这才是量化真正的起点。