第 1 课：量化投资是什么

学习目标

能用一句话说清"量化投资"和传统凭感觉炒股的区别
理解量化投资的三个核心要素：数据、模型、纪律
掌握 alpha 与 beta 这对最经典的概念，并能在生活例子中识别它们
完成本课结尾的可选加餐（环境准备），了解接下来一个月的学习路径

前置要求

无（这是第 1 课，零基础友好）

正文

1.1 什么是量化投资

我们先用最朴素的方式理解它。

传统投资：你听朋友说"这只股票不错"，或者看新闻觉得"这只今年涨得好"，于是你买了。决策依据是感觉、传闻、经验。

量化投资：你事先写好一套明确的规则，比如"每个月固定买入 1000 元沪深 300 指数基金，且只在它过去 12 个月涨幅为正时买入"。规则用历史数据来验证值不值得做，最后由程序（或纪律）执行，不靠临场感觉。

一句话定义：量化投资 = 用数学规则 + 历史数据 + 程序化执行来代替"凭感觉做投资决策"。

注意三个关键词的本质转变：

"感觉" → 可写下来的规则
"听说" → 可获取的历史数据
"再想想" → 事先定好、到点就执行

这并不意味着量化一定赚钱——它的价值在于把决策从黑箱变成可检验、可复制的东西。亏了你能复盘为什么亏，赚了你也知道是不是运气。

1.2 三个核心要素：数据、模型、纪律

你可以把量化投资拆成三块，后面每一课都在充实其中一块：

要素	通俗解释	在这一个月里的对应
数据	你做判断依据的"原料"：价格、成交量、财报指标等	第 2 课用 Python 拉真实历史数据
模型	把数据变成"该买还是该卖"的规则，可以是简单条件，也可以是复杂算法	第 4~6 课写策略、认识因子、构造组合
纪律	规则定好了就照做，不被情绪带偏；回测时也要诚实	第 7 课回测框架 + 第 8 课"回测陷阱"

一个常见误区：很多人以为"量化 = 高深数学"。其实对我们个人理财来说，最有用的量化恰恰是简单规则的诚实检验。比如"定投"就是最朴素、但极具代表性的量化策略——后面会专门拿它做实战。

1.3 alpha 与 beta：卖菜阿姨也能听懂的版本

假设你住的小区菜价整体在涨（通胀 + 旺季需求），所有卖菜阿姨的收入都水涨船高——这部分"因为大环境而涨"的钱，就类似** beta **。

但其中有一位阿姨，她总能比别人早两天换品种、把损耗压到最低，因此同样卖菜她每月多赚 800 块——这部分靠本事多出来的钱，就是 alpha。

换到投资语境：

beta（β）：你因为"市场整体上涨"而赚到的钱。买沪深 300 指数基金，赚的就是市场的 beta。
alpha（α）：你在市场收益之外，靠策略/选股额外多赚的部分。

数学上很直白：

你的总收益 = beta 部分（随市场） + alpha 部分（你的本事）

为什么这对个人理财很重要？因为：

拿 beta 很便宜（买宽基指数基金即可），拿 alpha 很难（需要真本事，且常被费用吃掉）。
很多人搞不清自己赚的是 beta 还是 alpha，把"牛市里 everyone 都是股神"误认成自己的能力——这是最坑的错觉。
量化策略的追求，本质上就是"想办法稳定地制造一点 alpha"，或者至少"别把 beta 给亏没了"。

1.4 一个真实例子：为什么"定投"算量化

你可能在银行 App 见过"基金定投"：每月固定日子、固定金额买入同一只基金。

它符合量化的三个要素：

数据：标的价格（每日净值）。
模型：规则极简 —— 每月 15 日买入 1000 元。
纪律：到点自动扣款，不看心情。

而它真正的"量化内核"是：因为金额固定、价格越低买入份额越多，这天然形成了"低买多、高买少"的效果，长期成本被平均化。这个效果不是感觉，是可以用历史数据算出来的——第 4 课我们就会把它写成代码来回测。

所以你看，量化并不神秘，你已经接触过一个最经典的量化策略了。

1.5 这一个月我们会做什么

预告路线（完整版见 plan.md）：

第1课 现在  ─ 量化投资是什么（概念 + 可选环境准备）
第2课       ─ 投资基础 + 第一次看到真实数据 🔭观察 / 🤖AI加餐
第3课       ─ 算年化收益、波动率、夏普比率 🔭观察 / 🤖AI加餐
第4课       ─ 第一个策略：定投 vs 动量，做回测 🔭观察 / 🤖AI加餐
第5课       ─ 因子入门：价值/动量/规模 🔭观察 / 🤖AI加餐
第6课       ─ 组合构建与风险分散 🔭观察 / 🤖AI加餐
第7课       ─ 回测框架实战：让 AI 搭，你读懂（项目课）
第8课       ─ 回测陷阱 + 实盘注意事项 + 课程总结

本课不教编程：所有代码由 AI 代写，你负责“提需求 + 看懂结果”。从第 2 课起每课都有两轨：🔭 观察验证（用行情 App / 免费网页工具，不碰代码）和 🤖 AI 加餐（可选，把需求模板发给 AI 就能跑出真实数据）。所有例子围绕 A 股 ETF / 指数基金展开，贴近个人理财。

1.6 可选加餐：环境准备（想自己跑代码时用）

本课主线不需要装任何软件；但如果你想亲手跑 AI 生成的代码，可以先把“厨房”备好（完全可选，不装也不影响后面任何一课）：

确认 Python：打开终端（Mac 用 Terminal，Windows 用 PowerShell），输入：
```
python3 --version
```
看到 Python 3.10 或更高即可。如果没有，去 python.org 下载安装。
装两个本课程要用的库：
```
pip3 install yfinance pandas matplotlib
```
- yfinance：抓股票/基金历史数据
- pandas：处理表格数据
- matplotlib：画图
跑一行“Hello 量化”，确认数据能拿到：
```
import yfinance as yf
print(yf.Ticker("510300.SS").history(period="5d"))
```
510300.SS 是沪深 300 ETF（华泰柏瑞）在 Yahoo Finance 上的代码。如果能看到一个带日期、开盘、最高、最低、收盘、成交量的小表格，恭喜你——你已经在用数据了，这正是第 2 课 AI 加餐的起点。

💡 如果上面任何一步报错，不需要现在解决，记下来，第 2 课开课时可以让 AI 帮你排查。这一步只是让你心里有底：“哦，原来拉数据就一行代码。”

自测练习

用你自己的话，一句话说清"量化投资"和"凭感觉炒股"的区别。
举一个你身边"半量化"的投资做法（提示：定投只是其中之一），并说明它用到了"数据 / 模型 / 纪律"中的哪几样。
某基金今年涨了 25%，同期它跟踪的指数涨了 23%。请问这 2% 的差距更接近 beta 还是 alpha？为什么？
可选加餐：完成 1.6 节的环境准备，把 python3 --version 的输出和“Hello 量化”那行代码的运行结果记下来（不做也不影响后续课程）。

答案会在第 2 课开头的"上节课回顾"里揭晓，也可以在答疑时直接问我。

学习要点小结

量化投资 = 用可写下的规则 + 历史数据 + 程序化执行代替凭感觉。
三个要素：数据、模型、纪律——后续每课都在充实其中一块。
beta 是随市场赚到的钱，alpha 是市场之外靠本事多赚的；搞清自己赚的是哪个，是最重要的清醒。
"定投"就是一种最朴素、也最经典的量化策略，我们会在第 4 课用它做实战回测。
本课不教编程：从第 2 课起，每课的代码演示都由 AI 代写，你负责提需求、看懂结果；想自己跑随时复制即用。

答疑记录

暂无答疑记录