他们不预测涨跌，却比所有人都赚得多：顶级量化基金的底层密码

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：我研究了三家顶级量化基金：文艺复兴科技、AQR资本和PDT合伙人。发现他们的赚钱逻辑其实并不神秘：都是用同一套数学工具，把市场里那些反复出现的规律找出来，然后用纪律和速度不断收割。本文把他们的核心方法翻译成人话，帮你真正看懂量化投资的底层逻辑。

有一类人，从不看新闻，不听消息，不预测大盘，不讨论宏观经济，却能在过去三十年里稳定跑赢几乎所有投资者。他们不是运气好，而是把金融市场变成了一道数学题——然后一遍一遍地做对它。

这三家公司，就是全球量化投资领域的三座山峰：文艺复兴科技（Renaissance Technologies）、AQR资本管理（AQR Capital Management）、PDT合伙人（PDT Partners）。他们的方法不同，风格各异，但底层逻辑惊人地一致。

今天，老余把这套逻辑从头到尾拆给你看。不堆公式，不讲废话，只讲真正有用的东西。

本文阅读时间提示：

• 快速浏览（跳读标题和重点） | 约 5—7 分钟。
• 正常阅读（完整通读） | 约 12—15 分钟。
• 精读（含公式理解） | 约 20—30 分钟 。

一、什么是量化投资？先把概念讲清楚

很多人听到”量化投资”就觉得高深莫测，其实核心思路非常简单：用数学模型替代人的主观判断，从历史数据中找规律，然后系统化地执行。

传统投资靠的是”看感觉”——分析师研究报告、基金经理直觉判断、宏观经济预测。这类方法的问题在于：人是情绪动物，一旦市场剧烈波动，恐惧和贪婪就会干扰决策。

量化投资换了一条路：既然人的情绪是最大的敌人，那就把人从决策链条里移出去，让模型说话，让程序执行。

“我们在历史数据里寻找那些不太可能随机出现的异常规律。”
——吉姆·西蒙斯（Jim Simons），文艺复兴科技创始人

注意这句话的重点：不是预测未来，而是识别历史中反复出现的统计规律。 这两件事看起来相似，本质完全不同。预测未来是在猜，识别规律是在算概率。

二、数学底座：一个公式撑起千亿大厦

三家量化巨头，用的核心数学工具都是同一个：最小二乘回归（Ordinary Least Squares，简称OLS）。听起来很学术，其实你初中就学过类似的东西——拟合一条最能代表数据趋势的直线。

在量化投资里，这条”直线”变成了一个方程，用来衡量某只资产的收益，到底有多少是被市场整体涨跌、行业因素、规模因素等”系统性规律”解释的，又有多少是真正的”超额收益”。

// 最小二乘回归核心公式β̂ = (X'X)⁻¹X'y

β̂ = 各因子的影响系数（模型要求解的核心）
X = 因子收益矩阵（时间 × 因子数量）
y = 资产实际收益向量

用大白话翻译：这个公式在问——”我这只股票/组合的涨跌，有多少是因为市场大盘拉动的？有多少是因为它是小市值股票？有多少是因为它估值便宜？” 把这些”已知原因”的影响都剥掉，剩下的那部分，才是真正值得追求的”超额收益”（α）。

文艺复兴科技每天用这个公式运算数千次，覆盖不同时间窗口和不同因子组合。他们的优势不在于公式有多复杂，而在于：比所有人算得更快、更多、执行成本更低。

“我们每次只有50.75%的概率是对的，但我们在每一个50.75%的机会上都百分百执行。”
——罗伯特·默瑟（Robert Mercer），文艺复兴科技联席CEO

这句话道出了量化投资的本质：不追求每次都对，而是把微小的统计优势，通过极高频率的重复执行，复利累积成惊人的回报。 每天15万笔以上的交易，每笔只需要赢一点点，就够了。

三、因子模型：把市场收益拆解成可收割的零件

理解了”回归”这个工具之后，下一个问题是：到底在对什么做回归？答案就是因子（Factor）。

所谓因子，就是那些被学术界和实践反复验证、能够系统性解释资产收益差异的”共同驱动力”。简单说：为什么有些股票长期涨得比别人好？因子理论给出了一套科学的分类答案。

Fama-French因子模型：学术界最重要的发现之一

1993年，诺贝尔经济学奖得主尤金·法玛（Eugene Fama）和肯尼斯·弗伦奇（Kenneth French）提出了”三因子模型”，2015年又扩展为”五因子模型”。这套模型用五个维度来解释股票收益：

// Fama-French 五因子模型R_i - R_f = α + β₁(R_M - R_f) + β₂SMB + β₃HML + β₄RMW + β₅CMA + ε

R_i - R_f = 资产超过无风险利率的超额收益
R_M - R_f = 市场整体超额收益（大盘因子）
SMB = 小市值溢价（小公司 vs 大公司）
HML = 价值溢价（低估值 vs 高估值）
RMW = 盈利能力溢价（高盈利 vs 低盈利）
CMA = 投资风格溢价（保守扩张 vs 激进扩张）
α = 无法被因子解释的超额收益（真正的Alpha）

实证检验显示，这个五因子模型能解释测试组合中85%—90%的收益差异。换句话说，大多数基金经理自以为是”选股能力”带来的收益，其实只是在无意识地暴露在这几个因子上。

因子不是”神器”，而是对市场长期存在的结构性偏差的系统性收割。它们有效，但不是每时每刻都有效——这正是需要量化系统来管理的地方。

四、文艺复兴科技：从密码破译到量化之王

一个数学家的转型之路

吉姆·西蒙斯不是传统意义上的金融人。他早年是冷战时期美国国防分析研究所的密码破译专家，后来成为麻省理工学院和哈佛大学的数学教授，在微分几何领域做出了重要贡献。

1982年，西蒙斯创立文艺复兴科技，但最初十二年里并不顺利，他一直在摸索一套真正有效的方法。直到1988年，大奖章基金正式启动，这台”印钞机”才开始全速运转。

1993年，西蒙斯做了一个关键决策：从IBM语音识别团队挖来了语言学家罗伯特·默瑟（Robert Mercer）和彼得·布朗（Peter Brown）。这两位科学家带来的不只是个人才华，更重要的是他们在IBM开发的隐马尔可夫模型（Hidden Markov Model，HMM）——一种最初用于语音识别、判断”下一个词是什么”的统计工具。

把这套工具迁移到金融市场，逻辑其实是相通的：语音识别在问”根据前面的语音序列，下一个词最可能是什么”；量化交易在问”根据历史价格序列，下一个价格状态最可能是什么”。这种跨学科的思维迁移，正是文艺复兴科技的核心竞争力之一。

大奖章基金的惊人战绩

• 1988年 大奖章基金正式启动，开启量化投资新纪元
• 1993年 管理费从”5%+20%”提升至”5%+44%”，即便如此，净收益依然远超同行
• 2001—2013年 最差的一年，扣费后仍有21%净收益，无一亏损年度
• 2008年 全球金融危机，标普500指数跌38.5%，大奖章基金净收益+98.2%
• 2020年 疫情冲击全球市场，大奖章基金逆势上涨76%
• 2024年 大奖章基金全年收益约30%，继续领跑量化行业

一个惊人的复利计算如果1988年你往大奖章基金投入1000美元，按照毛收益率（扣费前）计算，到2024年这笔钱将增长至约465亿美元。当然，基金早已对外部投资者关闭，这个数字只是说明复利的威力有多恐怖。

执行成本：被忽视的核心护城河

文艺复兴科技真正令人难以复制的，不是数学模型本身，而是极低的交易执行成本。

业内平均每笔交易的冲击成本约为0.015%，而文艺复兴科技通过自研的执行算法，将这一数字压缩到了0.003%——只有行业平均水平的五分之一。这个差距听起来微不足道，但每天15万笔交易乘以这个差距，一年下来就是数以亿计的额外收益。

量化投资的竞争，最终会落到执行层面。模型人人都能研究，但把执行成本做到极致，需要的是数亿美元的技术投入和多年的系统积累。

五、AQR资本：把学术论文变成千亿生意

从博士论文到投资帝国

克利夫·阿斯内斯1988年秋天进入芝加哥大学攻读博士，导师正是因子模型之父尤金·法玛。当阿斯内斯发现”动量效应”（近期涨得好的股票倾向于继续涨）这一现象，并担心这个结论会让导师不满时，法玛的回答简单直接：

“如果数据里有这个规律，就把论文写出来。”

这句话成了AQR的精神内核：尊重数据，不预设立场，让实证说话。 阿斯内斯1994年完成博士论文，随后创立AQR，把这套学术方法变成了可以规模化运作的投资机器。

AQR的因子工程：细节决定成败

AQR在因子投资上做的最重要的创新，不是发现了新因子，而是把已知因子做得更精准、更有效。

第一个关键改进：复合价值指标。 传统价值投资只用一个指标（比如市净率）来判断一只股票是否”便宜”。AQR的研究发现，把多个价值指标合并成一个复合得分，效果远优于单一指标：

夏普比率从0.45提升到0.78，意味着同样的风险敞口下，收益提高了约73%。这个差距，仅仅来自于”用多个指标替代单一指标”这一个改动。

第二个关键改进：价格数据的更新频率。 传统价值投资按季度更新股价数据，AQR改为每日更新。阿斯内斯和弗拉兹尼2013年的研究论文证明，仅这一个改动，每年可额外贡献1%—2%的超额收益。

AQR的核心理念
因子投资不是预测哪只股票会涨，而是系统性地暴露在那些长期有效的风险溢价上，让时间和规模来帮你收割。AQR证明了价值、动量这两个因子在全球8类资产类别中都长期有效——这不是运气，是结构性规律。

2024—2025年的最新表现

经历了2019—2022年因子策略集体低迷的”至暗时刻”（累计亏损12.6%），AQR在2024年实现了强势回归，全年收益率达到17.3%，创下2018年以来最佳表现。旗舰策略Apex全年上涨15.6%，趋势跟踪策略Managed Futures更是大涨17.7%。进入2025年，AQR延续强势，Apex策略上半年涨11.4%，长短仓股票策略Delphi涨11.6%。

六、PDT合伙人：统计配对交易的艺术

统计配对交易：用数学找”冤家”

PDT的核心策略叫做统计套利，更具体地说是配对交易（Pairs Trading）。这个策略的直觉非常简单：找两只长期”形影不离”的股票，当它们短暂”分开”时，押注它们会重新”走到一起”。

举个通俗的例子：可口可乐和百事可乐这两只股票，由于业务高度相似，历史上价格走势高度相关。某一天，可口可乐因为一条不相关的新闻突然大涨，而百事可乐没动，这时两者的”价差”就偏离了历史均值。PDT的策略就是：认为这个偏离是暂时的，等它们回归正常关系时获利。

1. 建立配对关系：用回归分析找出两只资产的历史联动关系，计算出”对冲比率”β，确定持仓比例
2. 构建价差序列：价差 = A资产价格 – β × B资产价格，这个价差应该围绕某个均值上下波动
3. 统计检验均值回归：用ADF检验（增广迪基-富勒检验）验证价差确实存在均值回归特性，而非随机游走
4. 信号触发与执行：当价差偏离均值超过设定阈值时，系统自动触发交易信号，等待价差收敛时平仓获利

卡尔曼滤波：让模型跟上市场变化

配对交易有一个经典难题：两只资产之间的联动关系（β值）并不是一成不变的，市场环境变化时，β也会漂移。如果模型还在用三年前的β来做判断，就会出现严重偏差。

PDT的解决方案是引入卡尔曼滤波（Kalman Filter）——这个工具最初是NASA为阿波罗登月计划开发的导航算法，用于在噪声干扰下实时估计飞船位置。PDT把它用来动态估计两只资产之间不断变化的联动关系，相比固定窗口的滚动回归，夏普比率可提升15%—20%。

// 卡尔曼滤波动态估计（直觉理解）

状态方程：β(t+1) = β(t) + 随机扰动
观测方程：A(t) = β(t) × B(t) + 噪声

含义：β不是固定值，它每天都在微小地变化。
卡尔曼滤波通过不断"观测—修正"循环，实时追踪β的最优估计值。

PDT的团队结构
PDT只有35名研究人员，按资产类别和交易周期分成五个小组。人不多，但每个人都是顶尖学府的博士，专注于各自细分领域的深度研究。这种”小而精”的团队模式，反而比大规模团队更有效率。

七、交易成本：决定理论和现实之间差距的关键

很多人研究量化策略，在历史数据上回测效果惊艳，但真正实盘操作后收益大幅缩水——原因往往不是模型错了，而是低估了交易成本。

罗伯特·阿尔姆格伦（Robert Almgren）对682,562笔机构订单的研究发现，交易对市场价格的冲击成本遵循一个幂律关系：

// 市场冲击成本公式（Almgren-Chriss模型）成本 ∝ σ × (Q/V)^(3/5)

σ = 日波动率（市场越波动，冲击越大）
Q = 你要交易的股数
V = 该股票日均成交量
3/5 = 实证确定的幂次（比常见假设的1/2更陡峭）

这个公式告诉我们一个残酷的现实：你的单子越大，相对于市场流动性越大，成本上升越快，而且是非线性上升。对于一个管理1亿美元、每年换手50倍、2倍杠杆的中频策略而言，每年实际交易量高达200亿美元——每1个基点的成本差异，一年下来就是2%的收益差距。

文艺复兴科技通过将大单拆分成数以万计的小单、分散时间窗口执行、利用自研算法预测最佳交易时机，把冲击成本压缩到了行业平均水平的五分之一。这种执行层面的优势，是模型无法复制的壁垒。

八、2007年量化危机：当所有人用同一个模型

2007年8月，一件让整个量化行业铭记的事情发生了。

当时，次贷危机开始发酵，部分对冲基金为了应对赎回压力，开始大规模缩减量化策略的仓位。问题在于：华尔街大量量化基金用的是高度相似的因子模型和统计套利策略。 当一家基金开始抛售，相似持仓的其他基金立刻受到价格冲击，被迫跟着抛售，形成连锁踩踏。

2007年8月量化危机：几天内发生了什么
多家量化基金在数天内遭遇历史罕见的同步亏损。文艺复兴科技旗下面向机构投资者的RIEF基金单周下跌8.7%，而同期大奖章基金因策略不同、持仓更分散，损失相对有限。这场危机暴露了量化策略”策略拥挤”的系统性风险。

这场危机最深刻的教训不是”量化策略失效了”，而是：当市场上所有人都在用同一套模型、持有高度相似的仓位时，任何一家机构的被迫减仓，都会变成整个系统的连锁反应。 模型本身没有问题，问题出在”策略拥挤”这个系统性风险上。

从2007年危机中存活下来的量化基金，事后都做了同样的几件事：

1. 引入横截面因子分析:不只看单只资产的因子暴露，还要实时监控整个组合在各因子上的聚集程度，避免单一因子过度集中
2. 多因子同步崩溃压力测试:模拟”如果价值因子和动量因子同时大幅回撤”的极端场景，提前评估组合的最大承受能力
3. 建立策略拥挤度监控指标:追踪同类型竞争对手的持仓方向，当某个策略方向上的资金过于集中时，主动降低暴露或提前减仓

量化策略的最大风险，不是模型算错了，而是所有人的模型都算对了、都指向同一个方向。这时候，市场本身就变成了一个自我强化的陷阱。

值得一提的是，2007年危机中，文艺复兴科技的大奖章基金因为持仓分散、换手极快、与其他量化基金的策略相关性极低，损失相对有限；而同公司旗下面向机构投资者、策略更接近行业主流的RIEF基金则遭遇了较大回撤。这个对比，恰恰说明了”策略独特性”本身就是一种护城河。

九、税务风暴：赚了钱还要过监管这一关

文艺复兴科技的故事里，还有一段鲜为人知的”税务战争”，值得单独拿出来说。

大奖章基金每天进行数以万计的短线交易，按照美国税法，这类短期交易的利润应按照较高的普通所得税率纳税。但文艺复兴科技通过一种名为”一篮子期权”的金融结构，将这些短期交易包装成长期投资，从而适用更低的长期资本利得税率。

税务争议时间线

2014年7月：美国参议院常设调查小组委员会公开谴责文艺复兴科技，参议员约翰·麦凯恩表示该公司通过将日常交易伪装成长期投资，规避了超过60亿美元的税款。

2021年9月：文艺复兴科技高管最终同意支付约70亿美元的补缴税款、利息和罚款，成为美国国税局历史上最大规模的税务和解案之一。吉姆·西蒙斯本人额外支付了6.7亿美元。

这个案例给所有量化从业者的启示是：策略层面的成功，必须同时兼顾合规层面的可持续性。 赚到的钱，还要能留得住。再精妙的模型，也经不起监管风险的侵蚀。

十、三家机构横向对比：同一个数学，三条不同的路

表面上看，三家机构的策略差异很大：一个追求极速、一个追求规模、一个追求精准。但往深处看，他们的成功密码惊人地相似——都是在数据中找规律、用系统执行规律、用纪律保护规律，从不让情绪和直觉插手。

十一、今天谁还能赢？三大护城河缺一不可

很多人看完三家机构的故事，第一反应是：我也去做量化！但现实是残酷的——统计套利策略的超额收益自1990年代以来已经大幅收窄，市场越来越有效，低垂的果实早已被摘完。今天还能持续赚钱的量化机构，靠的是三道几乎无法复制的护城河。

护城河一：顶尖人才

文艺复兴科技雇用了250多名科学家，包括量子物理学家、计算语言学家、密码学家——注意，几乎没有传统金融背景的人。PDT从顶尖高校直接招募博士。AQR的创始人是诺贝尔奖得主的嫡传弟子。

这些人的共同特点是：他们不是在”学金融”，而是在”用科学方法研究金融”。这个视角的差异，决定了他们能看到别人看不到的规律。

护城河二：技术基础设施

三家机构每年在技术上的投入均超过1亿美元。这包括：自研的低延迟执行系统、实时因子计算引擎、海量历史数据库、以及不断迭代的机器学习模型。

这些系统不是买来的，是一行一行代码积累出来的，背后是数十年的工程沉淀。任何一个后来者想要复制，不只需要钱，还需要时间——而时间，是最稀缺的资源。

护城河三：系统纪律

这一条听起来最简单，实际上最难做到。三家机构有一个共同的铁律：模型说什么，就执行什么，绝不允许人为主观干预。

这听起来容易，但想象一下：2008年金融危机最恐慌的时刻，模型说”继续持仓”，你能做到不动手吗？大多数人做不到。文艺复兴科技做到了，所以那一年大奖章基金净收益接近翻倍。

十二、给普通人的启示：量化思维如何改变你的投资逻辑

说了这么多顶级机构的故事，有人会问：这跟我有什么关系？我又不是数学博士，也没有几亿美元。

老余的答案是：你不需要复制他们的系统，但你可以借鉴他们的思维方式。

1. 用规则代替感觉:为自己的每一个投资决策建立明确的规则和标准，而不是”感觉涨了就买，感觉跌了就卖”。规则可以简单，但必须一致。
2. 关注成本，像对待收益一样认真：每一笔交易的手续费、税费、价差，都是实实在在的损耗。量化巨头为了节省0.012%的成本花费数亿美元，普通投资者至少应该认真计算自己的总成本。
3. 分散而非集中，系统而非押注：量化投资的核心逻辑是：用大量小优势的累积替代少数大赌注。对普通投资者而言，宽基指数基金 + 长期持有，本质上就是在做最简单版本的”因子收割”。
4. 回测你的直觉，而不是相信它：你觉得某个策略有效？先用历史数据验证它，看看它在不同市场环境下的表现，再决定是否执行。感觉不是数据。
5. 警惕”策略拥挤”：当一个策略被所有人都知道、都在用的时候，它的有效性往往已经大打折扣。2007年的量化危机就是最好的例证。

十三、量化投资的边界与未来

量化投资并非万能。2025年，文艺复兴科技的RIEF基金在10月的市场波动中单月下跌14.4%，多家量化机构遭遇了被称为”量化地震”的集体回撤。原因依然是那个老问题：当市场结构发生快速变化，历史规律短暂失效，所有依赖历史数据的模型都会同步出现误判。

与此同时，人工智能正在深刻改变量化投资的竞争格局。不同机构以不同速度、在不同环节引入AI，导致策略之间的分化越来越大——有人因为AI加速了因子发现而获益，有人因为AI引入了新的模型风险而受损。

量化投资的未来，不是”更复杂的模型”，而是”更快的适应能力”。市场永远在进化，能持续赢的机构，是那些能比市场进化更快的机构。

对于国内的量化投资者和爱好者而言，这三家机构的故事提供了一个重要的参照系：A股市场的量化策略同样面临策略拥挤、因子有效性衰减、监管政策变化等挑战。理解这些底层逻辑，才能在策略失效时不慌乱，在市场机会出现时不错过。

总结：公式很简单，执行才是一切

回到文章开头的问题：这三家机构为什么能持续赢？

答案不是他们有更复杂的数学，不是他们有更准确的预测，而是：他们把一套简单的数学工具，用极致的纪律、极低的成本、极高的频率，在极大的规模上系统化执行。

β̂ = (X’X)⁻¹X’y，这个公式任何一本统计教材里都有。文艺复兴科技、AQR和PDT的秘密，不在公式里，在执行里。

五条核心结论

① 量化投资的本质是用系统纪律替代人的情绪，用统计概率替代主观预测，用规模执行替代单次押注。

② 因子是工具，不是答案。价值、动量、规模等因子长期有效，但会周期性失效，需要系统化管理而非盲目相信。

③ 执行成本是被严重低估的竞争力。每笔0.012%的成本差异，在大规模高频操作下可以决定生死。

④ 策略拥挤是量化投资最大的系统性风险。当所有人用同一个模型，个体的正确反而会变成集体的灾难。

⑤ 三大护城河缺一不可：顶尖人才、技术基础设施、系统纪律。公式可以复制，这三样东西不能。

老余说

量化投资不是普通人的游戏，但量化思维是每个投资者都可以学习的武器。
用数据说话，用规则约束自己，用时间换复利——这三件事，不需要博士学位，也不需要亿万资金。

如果这篇文章对你有帮助，欢迎转发给同样在认真思考投资这件事的朋友。

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#量化投资 #对冲基金 #因子投资 #统计套利 #系统化交易 #数据驱动 #资产管理 #金融科技 #投资逻辑 #量化策略