量化交易简史——从打孔纸带到AI

故事从一位数学教授开始。爱德华·索普（Edward Thorp）在MIT和UCLA教数学。1962年，他出版了《击败庄家》（Beat the Dealer），用数学证明了21点是可以被打败的——通过算牌。后来他把这套思维方式用到了股市上，1967年出版了《击败市场》（Beat the Market），发现了"可转债套利"策略。

索普的基金（Princeton/Newport Partners）连续20年没有一年亏损，年化收益接近20%。他用的是今天看起来"古老"的方法——手算、纸笔、打孔纸带。但核心思想已经诞生：用数学和统计寻找市场的系统性偏差。

1973年，费舍尔·布莱克（Fischer Black）和迈伦·斯科尔斯（Myron Scholes）发表了期权定价公式。这个公式告诉你：一个期权到底值多少钱，不是一个主观判断，而是一个可以精确计算的数字。

B-S公式的影响远不止期权。它第一次证明了一个深刻的事实：金融产品的价格是可以通过数学精确计算的。这个信念支撑了整个量化金融行业五十年的发展。1997年，斯科尔斯和罗伯特·默顿（Robert Merton）因为这个公式获得了诺贝尔经济学奖。

1982年，一位名叫詹姆斯·西蒙斯（Jim Simons）的数学家创立了文艺复兴科技公司（Renaissance Technologies）。西蒙斯不是金融出身——他以前是做密码破译和微分几何的。他招募的不是华尔街老手，而是数学家、物理学家、天文学家。

文艺复兴的旗舰基金Medallion Fund从1988年开始，扣除高昂的管理费和业绩提成后，年化收益仍然超过35%（费前超过60%）。没有任何基金能接近这个成绩。西蒙斯证明了：一群不懂金融的科学家，纯粹靠数据和数学模型，可以"血洗"华尔街。

长期资本管理公司（LTCM）的故事我们在第4章提过。两位诺贝尔奖得主、一群华尔街精英、史上最强的"统计套利"团队。1994-1997年，年化40%+。1998年俄罗斯债务违约，四个月亏掉40多亿美元，险些引发全球金融危机。

LTCM的教训被刻在了量化交易的基石上：第一，"历史会重复"这个假设本身可能不成立。第二，杠杆是把双刃剑。第三，流动性会瞬间消失——你有理论上的"合理价格"，但你找不到对手盘。此后的量化机构都从LTCM身上学到了一件事：永远不要假设市场会"回归正常"。

2000年代，计算机和网络技术突飞猛进。交易所从"人工喊价"变成了"电子撮合"。这为高频交易（HFT）铺好了高速公路。到2009年，美国股市中超过60%的交易量来自高频交易。

高频交易引发了巨大的争议。支持者说它提供了流动性、缩小了买卖价差；反对者说它"抽走市场的油水"、让普通投资者处于不公平的劣势。2014年，Michael Lewis出版了《Flash Boys》一书，把这场争论推向高潮。

2010年代，机器学习全面进入量化交易。过去，策略的逻辑是"人想出来的"——研究员观察到某个规律，用数学把它公式化。机器学习改变了这个范式：你不需要"知道"规律是什么，让模型从数据中自己学。

随机森林、梯度提升（XGBoost、LightGBM）、再到深度学习——非线性的模型开始发现人类肉眼无法识别的模式。Two Sigma和D.E. Shaw是这个阶段最积极的拥抱者。

2023年，大语言模型（LLM）的爆发让量化交易进入了全新阶段。AI可以：阅读财报摘要并提取结构化数据、把自然语言描述的"交易想法"翻译成Python代码、自动生成因子分析报告。

这意味着一件划时代的事："有想法但不会写代码"不再是参与量化交易的障碍。你可以用自然语言描述你的策略思路，让AI帮你写出第一版代码。你也可能用自然语言问AI"这个回测结果说明了什么问题"，让AI帮你解读。量化的门槛正在被AI从两个方向同时压低：技术门槛和认知门槛。