量化交易的发展

量化交易的发展

小象实战讲义 · 初阶量化交易：策略编写及系统搭建 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

量化投资并非近年来伴随人工智能才诞生的全新产物，而是一门拥有上百年演进历史、深度融合数学建模与计算机科学的严密学科。从 19 世纪的手工均值回复统计，到 20 世纪对冲基金的数学模型套利，再到当今以机器学习和高频算法为主导的现代量化体系，其核心进化始终围绕着一个目标——用数量化纪律取代情绪化博弈，用概率与资金管理实现长期稳健增值。

本讲系统梳理量化投资发展史上的三大殿堂级代表人物（朱尔斯·雷格纳特、爱德华·索普、詹姆斯·西蒙斯），深度还原现代量化之父索普从拉斯维加斯 21 点算牌到转战华尔街创办对冲基金的经典历程，并客观剖析中国量化市场与成熟市场的差距与未来发展空间。

💡 核心导读

• 三大历史奠基人物：
  • 起源先驱：朱尔斯·雷格纳特（Jules Regnault）：1863 年首次以严密数学方法建立法国国债均值回归模型，单策略获利丰厚；
  • 现代量化之父：爱德华·索普（Edward Thorp）：将数学建模与凯利公式引入 21 点与金融期权市场，开创市场中性对冲基金 PNP，20 年无一年度亏损；
  • 当代量化巅峰：詹姆斯·西蒙斯（James Simons）：文艺复兴科技与大奖章基金掌门人，创下扣除 44% 极高业绩提成后连续 30 年复合年化收益超 35% 的历史纪录。
• 索普传奇带来的两大核心启示：
  1. 头寸管理重于策略胜率：寻找高胜率策略只是第一步，如何利用凯利公式（Kelly Criterion）科学下注、控制单笔敞口才是决定长期生死存亡的核心；
  2. 严密准备与细节把控：从实验室速算表心算到实盘执行，量化交易的胜负往往决定在毫厘之间的工程细节与风控纪律。
• 中国量化市场的增量机遇：
  • 早期国内量化基金规模虽仅占 12%，但收益前 20 强中量化占 30%（业绩稳定性极高）；
  • 美股纯量化资金管理规模占全市场 4%~5%（上万亿美元），而国内早期仅占不到千分之五（1600 亿），存在 10 倍级的广阔蓝海发展空间。

┌─────────────────────────────────────────────────────────────┐
│                    量化投资百年演进三大里程碑                   │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌──────────────────┐   ┌──────────────────┐   ┌──────────────────┐
│  起源: 雷格纳特  │   │  奠基: 爱德华索普 │   │  巅峰: 西蒙斯    │
├──────────────────┤   ├──────────────────┤   ├──────────────────┤
│ • 1863 机会数学理论│   │ • 21点胜率模型优化│   │ • 文艺复兴科技   │
│ • 法国永续国债回归│   │ • 引入凯利公式控仓│   │ • 大奖章基金     │
│ • 手工数量化交易 │   │ • 创立PNP期权对冲 │   │ • 年化35%+复利奇迹│
└──────────────────┘   └──────────────────┘   └──────────────────┘

一、三大历史殿堂人物：量化投资的起源与进化

1. 起源先驱：朱尔斯·雷格纳特（Jules Regnault）

1863 年，法国经济学家朱尔斯·雷格纳特出版了《机会与投机计算的数学理论》（Calcul des chances et philosophie de la bourse），这是人类历史上首次将严格的现代概率论与数量化统计应用于金融二级市场。

• 核心策略：雷格纳特通过对法国永续国债（French Rentes）的长期历史价格进行统计分析，发现其价格始终围绕 70 法郎的中位数区间呈均值往复波动；
• 操作纪律：在没有计算机的手工时代，他严格根据价格偏离中位数的幅度进行阶梯式分批建仓（价格越低于 70 法郎买入越多，高于 70 法郎逐步抛售）；
• 历史成果：凭借单一均值回归策略长期复利，雷格纳特去世时积累了 300 万法郎身家（按购买力折合现今约 20 亿元人民币）。

2. 现代量化之父：爱德华·索普（Edward Thorp）

索普毕业于加州大学洛杉矶分校物理学专业并在 MIT 教授数学。在阅读了美国军方研究小组”海军四骑士”关于 21 点概率的文章后，索普利用计算机将 21 点策略建模优化，写成了学术论文《二十一点制胜策略》。

• 香农的引荐与凯利公式的引入：在论文投稿期间，信息论奠基人克劳德·香农（Claude Shannon）向其推荐了贝尔实验室约翰·凯利（John Kelly）的资金管理公式——凯利公式（Kelly Criterion）。索普意识到，单纯拥有胜率优势无法保障长期生存，唯有精确计算单次下注的最优头寸比例，才能在杜绝破产风险的前提下实现长期几何收益最大化；
• 转战华尔街：被全美赌场列入黑名单后，索普转战华尔街创立普林斯顿-纽波特合伙公司（PNP），发明了早于著名 Black-Scholes 公式的期权定价模型，并运用市场中性（Market Neutral）对冲策略创下了连续 20 年年化复合收益率 20%、且无一年亏损的传奇业绩。

3. 当代量化巅峰：詹姆斯·西蒙斯（James Simons）

作为数学界最高荣誉”维布伦奖”得主与前美国国家安全局密码破译专家，西蒙斯于 1982 年创办文艺复兴科技公司（Renaissance Technologies），旗下大奖章基金（Medallion Fund）成为金融史上最赚钱的投资神话：

• 复利奇迹：在 1988~2018 的 30 年间，大奖章基金在扣除高达 44% 业绩提成费（Carried Interest）与 5% 管理费 后，实现了年化复合收益率超 35%（费前年化收益接近 60%）；
• 容量壁垒：由于高频与统计套利策略的容量上限，大奖章基金在规模达到数百亿美元后关闭外部申购，全额转为内部员工资金运作。

二、索普传奇给予量化学习者的两大启示

启示 1: 头寸管理 (Position Sizing)  >>  胜率与信号 (Win Rate)
启示 2: 细节准备 (Preparation)      >>  盲目试错 (Guesswork)

1. 头寸管理是量化系统的第一命脉：
   • 索普在掌握 21 点算牌模型后，没有盲目下场，而是闭关两周将凯利公式编制成速算表熟记于心。如果仓位过重（过度杠杆），即便拥有 55% 的高胜率，遭遇连续极端不利事件也会直接导致爆仓归零；
2. 量化工程容不得毫厘偏差：
   • 真实市场的摩擦成本（印花税、佣金、滑点、冲击成本）与执行细节决定了策略由盈转亏的分水岭，必须保持高度严谨的科学研究态度。

三、国内量化交易的发展阶段与资产特征

A 股股票 / ETF 市场 ─── 非杠杆市场，散户平均生存期约 2 年，Alpha 选股与指数增强空间广阔
期货 / 期权衍生品市场 ─── 杠杆与保证金市场，散户平均生存期仅约 3 个月，CTA 趋势与波动率对冲

• 管理规模渗透率差距：
  • 美股成熟市场中，纯量化对冲基金管理规模占全市场份额约 4%~5%（超 1 万亿美元）；
  • 国内早期纯量化基金管理规模仅 1600 亿元（占全市场不足 0.5%），存在 10 倍级别的巨大蓝海成长空间；
• 投资品种的竞争生态：
  • 在非杠杆的股票市场，机构与量化工具具备显著的长期超额收益 Alpha 捕捉能力；而在高杠杆的期货与衍生品市场，资金更替极其剧烈，对策略的风控与止损机制提出了近乎苛刻的要求。

📝 动手练一练

下面我们通过 Python 代码，复现索普在量化交易中运用的**凯利公式（Kelly Criterion）**核心数学模型：

$$\text{最优下注比例 } f^* = \frac{b \cdot p - q}{b}$$

其中 $p$ 为策略胜率，$q = 1 - p$ 为亏损概率，$b$ 为赔率（盈亏比）。我们将模拟对比凯利最优仓位（25%）、**保守半凯利仓位（12.5%）与激进过度下注（75%）**在 100 笔连续交易中的资金曲线与爆仓风险：

import numpy as np
import pandas as pd

def demonstrate_kelly_criterion():
    """
    模拟凯利公式在量化仓位分配中的决定性作用
    对比理论最优凯利仓位、半凯利仓位与过度押注的最终资金与最大回撤
    """
    np.random.seed(42)
    p = 0.55  # 策略胜率 55%
    b = 1.50  # 盈亏比 (赔率) 1.5 : 1
    q = 1.0 - p
    
    # 凯利公式最优开仓比例计算
    f_star = (b * p - q) / b  # (1.5 * 0.55 - 0.45) / 1.5 = 25.0%
    
    n_trades = 100
    win_mask = np.random.rand(n_trades) < p
    
    strategies = {
        'Kelly 最优 (25%)': f_star,
        '半凯利稳健 (12.5%)': f_star * 0.5,
        '激进重仓 (75%)': 0.75
    }
    
    results = {}
    initial_cash = 100000.0  # 初始本金 10 万元
    
    for name, f in strategies.items():
        equity = [initial_cash]
        for win in win_mask:
            curr = equity[-1]
            if win:
                gain = curr * f * b
                equity.append(curr + gain)
            else:
                loss = curr * f * 1.0
                equity.append(max(curr - loss, 0.0))
        results[name] = equity
        
    df = pd.DataFrame(results)
    
    print("================ 凯利公式 (Kelly Criterion) 头寸模拟 ================")
    print(f"策略参数: 胜率 p = {p*100:.1f}% | 盈亏比 b = {b:.2f} : 1")
    print(f"理论凯利最优开仓比例 f* = {f_star*100:.2f}%\n")
    
    for name in strategies.keys():
        final_val = df[name].iloc[-1]
        peak = df[name].cummax()
        max_dd = ((peak - df[name]) / peak).max()
        print(f"方案 [{name}]: 最终资金 = {final_val:,.2f} 元 | 最大资产回撤 = {max_dd*100:.2f}%")
    print("==================================================================")
    return df

if __name__ == "__main__":
    demonstrate_kelly_criterion()

运行结果输出：

================ 凯利公式 (Kelly Criterion) 头寸模拟 ================
策略参数: 胜率 p = 55.0% | 盈亏比 b = 1.50 : 1
理论凯利最优开仓比例 f* = 25.00%

方案 [Kelly 最优 (25%)]: 最终资金 = 108,986,069.63 元 | 最大资产回撤 = 82.20%
方案 [半凯利稳健 (12.5%)]: 最终资金 = 10,609,957.72 元 | 最大资产回撤 = 55.12%
方案 [激进重仓 (75%)]: 最终资金 = 0.43 元 | 最大资产回撤 = 100.00%
==================================================================

💡 核心结论：

1. 过度下注必定爆仓：即便策略胜率（55%）和盈亏比（1.5:1）具有明显正期望，盲目重仓（75%）在经历正常的短期连续亏损后资金瞬间归零（最终仅剩 0.43 元，最大回撤 100%）；
2. 实战推荐半凯利（Half-Kelly）：半凯利仓位（12.5%）在大幅降低波动与回撤（从 82% 降至 55%）的同时，依然能实现资产的稳健高速复合增长。

本章小结

1. 量化传承百年经典：从雷格纳特的手工均值回归、索普的凯利控仓对冲，到西蒙斯的大奖章复利神话，量化的核心是数理模型与严格纪律。
2. 胜率不是全部，头寸决定生死：牢记凯利公式的数学启示，宁可牺牲部分爆发力采用半凯利控仓，也绝不冒本金永久性毁灭的过载杠杆风险。
3. 中国量化具有广阔成长空间：相较于海外成熟市场，国内股票市场的量化渗透率仍处于上升通道，具备长期的 Alpha 捕获机遇。

📋 行动清单 (Action Checklist)

• 运行本讲凯利公式模拟代码，测试不同胜率（如 $p=0.45$、$p=0.60$）与盈亏比下的最优仓位 $f^*$ 变化；
• 课后阅读爱德华·索普自传《战胜一切市场的人》（A Man for All Markets），体会顶尖宽客的风险思维与严谨态度；
• 梳理自身常交易品种的杠杆与规则特征，评估其回撤耐受度。

— 小象教研组