本篇对应的资料（334个文件）是量化与统计专题库：券商金融工程研报大合集（长江、华泰、光大、海通的多因子系列、技术指标系列）、量化教程代码框架、统计套利、《问道量化投资：用MATLAB敲门》、《量化投资策略与技术》。量化不是玄学科技，是把投资直觉变成可检验规则的工程学。
一、什么是量化：纪律的概率化
量化交易 = 用数据和规则替代主观判断。它的三个核心主张：
- 规则明确：所有买卖条件可写成代码（与通达信公式同源，只是工具更专业）；
- 统计检验：一个想法好不好，回测数据说话，不靠盘感；
- 组合分散：靠大数定律让正期望兑现——单笔是随机，百笔是命运。
量化的敌人恰好是人的两大天赋：讲故事（过拟合的别名）与不守纪律（回测再好也执行不了）。
二、多因子选股：A股量化的主流范式
资料中券商研报的主体就是多因子系列（从2010年长江"不要迷恋Alpha"到华泰多因子体系），框架五步：
- 因子构建：给每个股票打分的数据——估值类（EP、BP）、成长类（利润增速）、质量类（ROE）、动量类（过去N月涨幅）、情绪类（换手率）；
- 因子预处理：去极值、标准化、行业中性化（去掉行业偏移的影响）；
- 有效性检验：IC（因子值与下期收益的相关性）、分组回测（按因子值分10组，看多头组是否稳定跑赢）；
- 因子合成：多个有效因子加权打分；
- 组合构建与调仓：定期（如每月）选高分组构建组合，控制交易成本。
普通读者能带走的不是复现模型，而是"因子思维"：任何选股理由，先翻译成因子（用什么数据衡量），再检验（历史上这个标准选出的股票跑赢了吗）——这一步就能淘汰80%的"感觉良好"。
三、研报的正确读法
金工研报的正确姿势：看方法论，抄参数要谨慎。一份研报的价值在于它如何定义因子、如何处理数据、如何分组检验；而它的结论（年化25%、夏普1.8）几乎必然存在样本内美化——那是研究结果，不是收益承诺。阅读顺序建议：先读综述类（体系与策略、数量化投资：体系与策略），再读单因子系列，最后读Level2高频等专题。
四、回测的四大陷阱
回测是量化的核心环节，也是自欺的重灾区：
- 过拟合：参数调到历史最优——曲线完美，实盘崩溃。对策：样本内外分离、参数敏感性测试（参数稍变结果骤变=过拟合）；
- 幸存者偏差：只用现存股票回测，漏掉了退市的尸体——老八股时代的教训全消失；
- 未来函数：用了当时不可能知道的数据（财报的公告日 vs 报告期）——与通达信未来函数同罪；
- 成本低估：手续费、印花税、冲击成本按真实滑点计算——高换手策略常被成本杀死。
一个回测结果的可信度，取决于它如何对待上述四点，而不是收益率曲线多漂亮。
五、个人量化的现实路径
- 工具：从通达信公式（）→ 聚宽/优矿等在线平台（Python+现成数据）→ 本地化（tushare/akshare数据 + backtrader/自写框架，资料中的代码框架教程可用）；
- 策略选择：个人没有速度优势（高频无缘），现实区在低频多因子轮动、趋势跟踪、ETF动量轮动；
- 预期管理：量化的合理预期是"纪律化的市场收益+小幅增强"，不是暴利——把量化当"消灭自己弱点的工具"，而非"印钞机"；
- 善用统计课：资料中《深入浅出数据分析》等统计基础书，是比任何策略书更重要的地基。
六、量化与主观的和解
最高级的用法是量化做研究，主观做风控：用因子检验筛选研究结论，用统计约束仓位与频率，但保留人对极端环境（政策突变、流动性危机）的否决权。机器管日常，人管例外。
风险提示：历史回测不代表未来收益，量化策略存在失效风险。本文为资料整理，不构成投资建议。