第6章 量化投资技术
来源：书内印刷页 87–114；OCR PDF 页序约 98–125。市场和技术发展描述依原书背景理解。
-
本章解决的问题
量化投资如何将数据、模型和交易流程结合？其主要技术、数据库、策略及风险控制模型分别发挥什么作用？ -
本章的核心结论
量化投资以规则化、模型化方法支持投资研究与交易决策，包含数据准备、策略构建、风险和成本管理、组合构建、执行及评价等完整链条。模型不能脱离数据和交易条件单独评价；回测和检验用于识别模型表现及其适用边界。 -
关键概念
- 量化投资：利用数据、数学统计和计算方法制定或执行投资策略。
- 量化数据库：按研究和模型需求整理的金融数据集合及其管理体系。
- 策略模型：将信号、规则或预测转化为投资决策的方法。
- 风险模型：估计组合或资产风险并辅助控制暴露的模型。
- 交易成本模型：估算交易执行中的成本及其对策略收益的影响。
- 模型检验与评价：通过历史数据及指标评估模型表现和稳健性。
-
重要论据
- 量化投资依赖金融数据类型、来源、提取和数据库建设。
- 本章介绍人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程等主流技术方向。
- 投资流程不仅需要策略模型，还需考虑风险、交易成本、组合构建和执行模型。
- 模型检验与评价是流程的一部分；历史拟合效果并不自动意味着未来收益或稳健表现。
-
具体案例
- 本章以量化策略、组合及模型检验等内容说明技术如何嵌入投资流程；重点在方法框架，不应把某类算法视为保证收益的策略。
-
作者提出的方法
先建设适配研究的数据集，再形成策略假设与模型，纳入交易成本和风险约束，构建组合并设计执行方式，最后通过检验与评价持续审视效果。 -
可能的隐含假设
- 可获得的数据质量足以支持历史分析，且数据偏差得到处理。
- 交易制度和市场环境不会使历史关系完全失效。
- 模型风险和执行成本被纳入后，策略仍有可实施性。
-
与其他章节的联系
量化投资使用第4章的大数据处理及第5章云计算能力，并与第2章机器学习方法相连；第7章智能投顾将投资模型延伸至客户资产配置，第8章风险模型与智能风控主题呼应。 -
一句话总结
量化投资是一套覆盖数据、策略、风险、成本、执行和评价的投资流程，而不是单独的预测算法。 -
原文依据或页码
书内印刷页 87–114：6.1 量化投资概述、6.2 主流技术、6.3 数据库、6.4 量化模型。
自测：①为什么交易成本和执行模型会影响量化策略？②模型评价为何不能只看历史拟合？