量化真的是一个投资门派吗？

参观完价值、成长、趋势和反转，蛙兄觉得自己终于该选个门派了。

他打开一个空白文档，认真写下：

入门申请
姓名：蛙兄
申请加入：量化派
申请理由：听起来比较科学，而且不用再纠结前面四个了。

蛙博士看完，没有批，也没有驳回，只在下面加了一道题：

蛙兄想了半天。

便宜的公司可以用数据研究，成长中的行业也可以。价格会不会延续，可以计算；跌得太多会不会反弹，也可以计算。

如果前面四条路线都能做量化，那么“量化”还真不像第五间独立教室。

它更像一套会出现在许多教室里的研究方法。

同一套量化方法，可以从完全不同的问题出发

我们先把前面走过的路写成四张便签。

价值：价格相对可能的价值是不是太低？
成长：未来的市场和公司能不能比现在大很多？
趋势：已经出现的价格方向会不会继续？
反转：市场是不是已经走得太远？

它们相信的东西并不相同，等待的时间也可能完全不同。

可是，每一张便签后面都能继续追问：

• 你说的“便宜”“成长”“趋势”和“走得太远”，到底怎样识别？
• 历史上符合这种说法的对象，后来通常发生了什么？
• 换一个时间、市场或定义，结果还在不在？
• 数据不支持原来的感觉时，你愿不愿意承认？

这些追问不替任何一派宣布胜利。它们只是让原本靠感觉说出的判断，变得更明确，也更容易被检查。

所以，我们完全可以遇到量化价值、量化成长、量化趋势和量化反转。

“量化”告诉我们怎样对待问题，却没有提前替我们选择问题。

量化改变的，先是我们处理问题的方式

“我觉得这家公司不错。”

这是一种真实感觉，却还很难检查。不错是产品好、利润高、行业空间大，还是价格便宜？是现在不错，还是未来三年可能不错？

量化研究不会先替这句话盖上“正确”或“错误”。它会推动研究者多做几步：

把模糊的词说得更清楚
把要观察的内容留下记录
让相似对象可以放在一起比较
使用同一套规则反复检查
根据证据写下当前结论

重点不在于每件事最后都必须得到一个漂亮数字。

重点在于，研究者不能在看到结果以后，随时把“不错”的意思换掉，也不能只挑支持自己的例子。

量化让问题更容易重复检查，也让别人更容易发现我们的定义、数据或推理哪里出了问题。

当然，可计算也不等于正确。

把“好公司”粗暴定义成“名字比较长的公司”，当然也能计算。程序甚至可以算得飞快、画得很好看，但这个定义未必和我们真正想研究的事情有关系。

定义可能选错，数据可能缺失，比较方法可能不公平，历史结果也可能只是偶然。

量化让错误更容易露出来，并不会让错误自动消失。

会用 Python，不等于已经会做量化

蛙兄把申请表往下翻，又补充了四条优势：

会让 AI 写代码
电脑里装了 Python
图上能显示技术指标
以后还可以自动下单

他觉得这回应该稳了。

可这四件事，仍然没有回答他究竟相信什么规律，也没有说明准备怎样检查。

Python 可以帮助处理大量数据，但它也能非常高效地执行一个糟糕定义。

AI 可以帮助写程序、找问题和整理结果，但它也可能误解任务，或者自信地补上研究者没有说清的条件。

技术指标可以把一段价格记录压缩成某个数值，但指标出现在屏幕上，不等于它已经具有预测价值。

自动交易可以按照规则执行买卖，但一条规则能够自动执行，不代表它值得执行。

这几样东西都很有用。后面的课程也会使用其中一些。

只是它们更像工具箱里的工具，而不是量化研究本身。

差不多。而且 AI 可以帮忙切菜，也不能替我们决定这锅里放的是盐还是一整袋糖。

量化在三维地图上，没有一个固定座位

现在回到我们一直使用的三个问题：

优势可能来自哪里？
准备等待多久？
怎样寻找和检查证据？

如果研究的是低估，优势解释可能来自价格和价值的偏离；如果研究趋势，解释可能来自反应不足或分批交易；如果研究反转，又可能关注过度反应和临时价格压力。

也就是说，优势从哪里来，仍然由具体研究逻辑决定。

等待几天、几个月还是几年，也取决于这条规律被认为怎样发生。量化不会把所有研究自动变成短线交易。

在寻找证据时，量化同样没有唯一姿势。

研究者可以先从经济机制出发，把现实中的因果猜想写成可以检查的问题；也可以先在数据里寻找反复出现的统计现象；还可以用预测模型整合许多信息，再检查它在新数据上的表现。

三种方法可以互相配合，也各有可能犯错。量化不会固定占据其中一个点。

因此，与其把“量化派”画成地图旁边的第五个圆点，不如把它想成一张检查网：它可以盖在不同的优势来源、时间尺度和研究方法上，要求每个想法留下更清楚的定义和证据。

地图没有画完，也不需要现在选边站

这一单元只参观了几条容易理解的典型路线。

市场上还有事件驱动、宏观、套利、因子投资、高频和机器学习预测等许多名字。它们之间也会重叠、组合，甚至对同一个名称拥有不同理解。

我们不需要在这里穷举。

遇到一个新名字时，仍然可以先问三句话：

它认为优势可能来自什么？
它准备在多长时间里等待或观察？
它主要怎样寻找和检查证据？

能回答这三句，只说明我们大致看懂了一条研究路线。它还不是完整策略，也没有证明这条路线能够赚钱。

你现在也不必急着选边站。一个人完全可以从行业变化提出问题，再使用统计证据检查；也可以在数据中发现现象以后，回头寻找现实机制。

有人更重视无法轻易数字化的管理、文化或制度信息，这些材料也不会因为没进入表格就自动失去价值。量化是一种有用的研究方式，不是要求所有问题都向数字投降。

下一站：到底要量化什么？

蛙兄把“加入量化派”从申请表上划掉，重新写下一句话：

我觉得一个行业越来越重要，其中的好公司长期可能表现更好。

这句话已经有了研究方向，却仍然留下许多空白。

什么叫“越来越重要”？怎样识别“好公司”？“长期”究竟是多久？“表现更好”要和谁比？

这些问题不能靠在句子后面加一个“请用 Python 验证”自动解决。

我们已经看懂不同投资路线在问什么。下一步，才需要真正弄清楚：当我们说“做量化”时，到底在量化什么？一句自然语言，怎样一步步变成可以被数据支持、否定，或者暂时无法判断的问题？

本章参考资料

资料核对日期：2026-08-12

• Asness、Moskowitz 与 Pedersen：Value and Momentum Everywhere，用于说明价值与动量可以在同一经验研究中被量化观察，但它们仍然代表不同的投资逻辑；
• Gu、Kelly 与 Xiu：Empirical Asset Pricing via Machine Learning，用于说明预测方法可以同时处理价格趋势、流动性、波动率和估值等多类信息，而预测测量本身不会自动解释经济机制。

跳泡可乐与‘量化派入门申请’均为虚构教学内容。本章只解释量化与投资逻辑的关系，不提供模型、策略、参数、回测结论或投资建议。