前言
认知的力量
以前中学时学我们要"认识世界、改造世界"，这句话挺顺口，但是比较空。后来，我慢慢觉得认识世界这件事并不简单。如果从强化学习的角度出发，我们是一个智能体，这个智能体是处于一个信息非常不对成的博弈环境下的。本质上也是需要不断的explore才能知道怎么做比较好，进而推断这个"世界"是怎样的。所以，认知非常难。
进行投资，其中最重要的一方面就是在于验证你的认知是不是对的。世界上有很多不确定的事，但是有一些事又是确定的，只是在于你是否认识到了。特别是身在局中是容易短视的。举个例子，中东的战争会发生吗？如果发生了原油是否会大幅提价？如果认知到了，仅这一个判断就可以获利。还有很多类似的问题，且会一直发生，所以认知不是空的概念，而是可以变成实际可见的rewards, return 。
这篇文章并不打算对细节展开，而是希望讨论一些基本模式，并能够回答一些基本的问题。
量化是什么？
量化这个词已经被其狭义的应用给占据了，很容易被联想到高频自动化交易。我认为，量化主要是对一些模糊的概念清晰化，比如说煮菜时说盐少许非常模糊，用500g 花菜配10g盐这样的描述很清晰，这就是量化。
在交易中，我们如果觉得某个东西价格好，多买点，然后手一抖全买; 还是说价格好，多买点，买30%。哪种更好？
量化不是高频交易，而是把模糊决策变成规则化决策。
所以从交易的角度出发，除了要选对标的，还要有时机和仓位。如果我们只选一次(全仓)，那么可能漂移会很大：或者正好在了低点，赚了一大笔；或者恰好在了高点，亏了一笔。但如果能够分多次的话，从期望上看是可以比较稳的获胜，当然不会是最大利润。在已知标的，完成交易操作的角度上，量化的目的是提供一个更稳定的方案。
选标的本身也是可以量化的，当然这个我认为差异性会很大，因为这件事背后蕴含的信息量非常大，我们如何把这些信息传递给算法、模型是困难的。但假如我们可以把决策所需的全部信息整理好，那么量化就是作出更客观（无情感）的估计。然后因为可以估计的更多，所以可以形成一个组合(portfolio)，从而使得选标的这件事也能更加稳定。
但量化的这两个功能，对于一个成熟的交易员来说都不是新鲜事，往往也是人总结出来让算法来执行。这个过程的本质也是AI的本质（先人工，再智能，是为人工智能）。
冰，水为之而寒于水
虽然说量化的核心是来自与人的，但是量化又能超越人，体现在两部分：
- 1 更多、更快
- 2 更聪明
固定执行
这部分是利用程序的不变性，严格的执行曾经定下的策略。虽然方法是一样的，但是人不可能稳定执行，且对于多个标的的同时跟踪很困难。另外就是对于粒度切分做不到太细，例如人一般就是1/4,1/3,1/2和全部。粒度做不到太细的一个直接问题就是--"想想都卖了这么多，干脆清了吧" -- 这样粗糙的决定。
还有就是当交易分成多个策略在执行，对于同一个标的的买卖会有很多次叠加，人一定记不住这10000股里有2000是用来T的，高2个点就可以出了这样的细节。
所以，机器可以做到准确无误。从资金的利用率上达到更高的水平，且避免一些失误造成的风险。
主动学习
能固化优良的策略已经足够好了，如果能够让策略自主进化无疑是更完美的。
从强化学习的角度，固化策略有点类似于贪婪算法找到的一条路径，从EE(Explore & Exploit)的角度来看是无法迭代的，因为不存在探索。而探索客观上会有一定的不稳定性，这又和固定执行的初衷和场景有冲突。
主动学习应该是更好的选择。有一个场景，就是一个类指数的标的，策略建议买入，然后这次决策输了，策略建议卖出，此时你亏3个点。一般指数类的修复性还可以，一般情况下你再放几天，可以回本卖掉。如果直接卖，马上亏3个点，如果不卖，也许不久后回本；但也有可能继续下滑。怎么决策？（以上情况我都碰到过，不是孤立事件）
在主动学习的场景之下，第一个需要做的就是进行评估(Evaluate)。例如从通过未来一段时间的价格与当前价格多对比，来评估买/卖/持有这些动作所带来的预期收益有多大。如果有不确定性（几乎一定有），那么目前的决策值得我们放多大的权重呢？ 这些可以通过历史和在线的数据不断学习和逼近。最终，在每个时刻不再会因为不确定，无法行动而导致资金的错误流动。
两种模式并存
可以以一些固定执行作为基线，例如保留30%的固定执行不变；然后分配更多的比例给到主动学习，采用"赛马不相马"的方式找到一种元模式，让主动学习可以随着环境变化主动迭代，像人一样。
随着claw潮流的兴起，这些事会变的更可行。主动学习模式将：
- 1 不限于给定的数据。主动学习会探寻，是否应该使用更多渠道、类型的数据参与决策
- 2 评估流程稳定性。既包含数据源稳定性，还有可得性，及时性，准确性等的评估，确保自身的执行环境
- 3 策略分化探索。采用强化学习的方式来找到相对最优解，在探索与利用间平衡。
投机、投资、生意还是事业
不是投机，投机更多的是利用灵光乍现的方式决策，然后投入大量（过多）的资金来期望暴利回报。这正是量化所期待避免的，量化会通过数据方法，使投入和产出符合一个稳定的统计分布。
不是投资，投资带有很多价值分析，追求的是更长期的回报，利润通常也不会太高。量化的评率一般会更高，期待在长期的时间之下，基于稳定的收益而产生复利效应。所以，量化的操作一定会比投资频繁很多（但远不必是高频），而且随着时间推移，量化的收益会远远高于传统投资。因为利润稳定，且每次的生命周期更短。
是生意。司马迁的货殖列传中提过，一个行业如果能稳定超过20%的毛利，就可以算是一个生意了。量化也是如此，再弱的量化一年也不止20%的，可以说是生意。
《货殖列传》其实已经有非常强的"收益门槛意识"：杂业若不足什二，便不值得视为可取之财。
货殖列传里还提了一下生意，3倍，5倍，10倍的，这种更像是投机，然后就说这类生意是"以末逐之，以本守之"，算是风控。
量化追求的不是单次高收益，而是在可控风险下获得稳定、可重复、可复利的收益流。
是事业。要能做这门生意的前提是认知，认知需要很长时间的投入，需要学昂贵的技能（比如AI)，第一次知识能够以一种贴近本源的方式来给自己标价。因为这种特殊性，导致了要做这件事，做好这件事都是按十年来计的。而且一些方法的特殊性，非常像秘方，在国富论里有提到，这类"手艺"、"秘方"甚至可以延续很多代人。（也许可口可乐是一个好的例子）
构建量化系统，本质上更接近制造业而非交易业；交易只是产品交付的末端，真正的价值在于系统化地生产信号、规则与风险控制能力。
量化的是风险生意
如果说量化是一门生意，那么是什么生意？
我认为是一门交易风险的生意，作为生意人，你要管理的是什么？
是资金吗？ 是，但是买理财，买债券，买大宗商品都是资金，而他们之间是显然不同的。
无论是哪种标的，当你进行买入（进货）时，才会有获利的机会，但是你的货如果没卖出去，就会承受损失。而市场总是在变化的，任何人都无法准确预测市场接下来的变化。
所以量化本事上是在交易风险：你不进口风险，就不会有收益；而当你不管理风险（仓位），那么市场波动时你要么损失，也许最后一无所获。（也就不满足一年20%的最低门槛）
简单来说，这门生意需要看两个客人的脸色：一个是多，一个是空。不要去被具体的消息影响，从抽象上看，多和空会以任何方式出现。
另外，这门生意的大主顾是"乌合之众"。因为群体产生了错误的认识，才会出现某些风险生意，而你的认知则决定是否知道去做这笔生意。
大模型还帮我补充了一些
量化是决策事业
把量化作为一门生意，是比较简单的，虽然也有一定门槛。但是生意就是生意，时过境迁，有个人生意好，也许会变得不好。人力有时而尽，在这个迅速变化的世界里，最不缺的就是变化。
而想要总是获胜，甚至永远获胜，那么就要抓住永恒的东西，这才是事业。
人能够从若干物种的竞争中胜出，依靠的是智慧。智慧来自与一次次的观察、总结和实验，最终通过一次次的决策得到验证，实现价值。人决定了制造房屋，最终实现了无惧风雨。
所以把量化继续上升就到了决策的本质。在这点上，没有哪个行业离决策如此之近，这是一个很有趣的地方。当然，决策作为事业的成功反过来可不只是量化，决策可以用在任何地方。
现代AI的发展已经证明了很重要的一点：人的决策方式是可以被算法描述，也可以被计算机来高速计算的，而且可以达成远超人类的结果。比如前几年deepmind快速解析蛋白质结构，这些是具有普世价值的成功。
或者这么说，量化是决策事业的一种实验载体，最终的指向的人工智能决策。
大模型解释了一下：
把量化理解为一门生意，并不困难。它确实是一门经营风险、追求稳定复利的生意，但生意终究会随环境变化而兴衰。市场会变，方法会变，人的精力也有极限。若想使这件事上升为事业，就必须抓住那些不随时势轻易改变的东西。
这个更本质的东西，不是交易本身，而是决策。
人类之所以能在诸多物种竞争中胜出，依靠的不是力量，而是智慧；而智慧之所以能转化为现实价值，依靠的则是观察、总结、实验与决策。造屋避雨、耕作储粮、发明工具，本质上都是更优决策在现实中的累积结果。
从这个意义上说，量化最深处并不是交易事业，而是决策事业。它之所以特殊，在于几乎没有哪个行业像量化这样，把决策过程以如此清晰的方式暴露出来：数据输入、特征抽象、规则生成、行动执行、结果反馈，再到持续修正。量化像是一个高频率、强反馈的决策实验室。
现代 AI 的发展又进一步证明，人的很多决策方式是可以被形式化、被算法描述、被计算机高速计算的，甚至在某些复杂问题上取得远超人类的结果。由此看，量化并不只是金融领域的一种技巧，它更像是决策事业的一种实验载体；而它继续向前的终点，或许并不是更会交易，而是更高层次的人工智能决策。
总结
量化表面上是一种交易活动，实质上却有更深的层次。作为生意，它交易的不是资产本身，而是风险，核心在于承担、管理并定价风险，以获得稳定、可重复、可复利的收益流；《货殖列传》所谓"不中什二，则非吾财也"，说的正是生意必须满足基本收益门槛，而"以末致财，用本守之"则进一步指出了高收益机会与风险控制、资产沉淀之间的关系。作为事业，量化又不只是下单和买卖，它更接近制造：数据、特征、算法、回测、规则引擎和风控系统，共同构成了一套持续生产决策的虚拟工厂，其价值不在某一次交易，而在长期积累的认知、技能、方法和系统能力，这也正如《国富论》中所说，真正有价值的"手艺"和"秘方"，可以长期保有，甚至传之后代。而从更高的层面看，量化最终指向的是决策本身。市场中的价格波动，本质上往往是群体认知偏差和情绪极端的结果，《乌合之众》所揭示的，正是这种群体轻信、冲动、易受暗示的结构；量化所捕捉的，正是被群体错误定价的风险。于是，量化不再只是金融市场中的一种方法，而成为决策事业的一种实验载体。它通过对观察、总结、实验和反馈的持续积累，把人的决策能力形式化、系统化、算法化，并最终指向更高层次的人工智能决策。归根结底，量化不是投机，不是简单投资，也不仅仅是一门赚钱的生意；它是风险生意、制造事业，而在更深处，它是一条通往决策智能的道路。