大学生，想省吃俭用从生活费拿1000元左右入股市试水，请问有什么建议?

我自己本硕都是金融专业，我自己读书的时候是先从银行贵金属开始的，对照课上讲的那些宏观经济数据大概的意义，就看每月或者每周的经济数据公布（主要是美国的CPI 失业金领取人数等），进行一些短线的操作。

后来慢慢接触股市，也是先从ETF做起，也买过一些美国的中概股，说是自己看基本面，实际上更多就是猜走势，哈哈哈哈

做了更多的年报分析和大数据机器学习之后，认识到靠自己眼睛看到的数据和脑子想出来的走势，基本靠不住。

后来开始接触【量化交易】的概念。

最近几天看书、看市场和朋友的讨论中，再次理解了不同投资策略之间（如投资期限不同的策略），在“投资组合构建”和“执行模型”会有很大差别。如果不加以区分，当面临大量信息和各种意见时，可能会导致因为短期主观判断在多个策略之间摇摆，难以系统性的对相关信息加工整合，形成决策。

图1 量化交易黑箱结构概览

在整个量化黑箱结构中，我们从左上角的阿尔法模型开始逐步分析。总结成功量化投资者的经验，大多具有以下特征:令人难以置信地注重细节，不知疲倦地提出问题并寻找最佳解决方案。、

策略实施过程中的诸多细节导致了实际中存在的量化交易策略多种多样。例如，如果考虑策略的类型、投资期限、投注结构、投资范围、模型设定、条件变量和运行频率的不同，价值型策略有很多种类。

虽然区别于主观投资策略，量化投资者并不机械地局限于为确定的一个阿尔法模型选择一种实施方法。相反，他们具有选择多种阿尔法模型的自由。成功的量化策略倾向于同时使用几种阿尔法策略，包括

趋势跟随法、均值回复法以及各种基本面方法，并考虑不同的投资期限、不同的投资结构、不同的金融产品以及不同的地域等。

阿尔法策略的多样性可以受益，正如多样性在金融的其他许多领域一样。

以下简要对比进行混合预测的3种最常用量化方法分别是线性模型、非线性模型和机器学习模型。

【线性模型】是迄今为止最为常用的方法。线性模型是人们对于因果关系的常见认知途径的理性复制版。在线性模型中，是否包含某一变量和是否包含另一变量是相互独立的，并且假设变量间具有可加性 而不受其他进入模型或者从模型中剔除的变量的影响。例如，一个高中生想进入一所好大学，她会把自己的成绩、标准分、课外活动、推荐意见、作文等作为独立变量放进线性模型去预测自己获得大学入学资格的可能性。无论其他变量如何，成绩都是很重要的;对于其他任一变量也都如此。这种情况下，线性模型就很适用。假设另一种情形，如果标准分足够高的话，作文分就不起什么作用，那么线性模型对于预测入学资格就不再合适。

【非线性模型】假设是:用于预测目的的变量之间是不独立的或变量间的关系是随时间变化的，条件模型(conditional models)和旋转模型(rotation models)是两类主要的非线性模型。

条件模型(conditional models)赋予某一阿尔法模型的权重，取决于该模型对其他模型的解释能力。条件模型假设E/P收益模型有利于改进预测效果，但只有在价格趋势法和收益型模型的结果相一致时才有效。换句话说，只有当高收益股票的价格趋势是上行时才有可能买入，低收益股票的价格趋势是下行时才可能会卖出。在一致性条件满足时，收益模型才会改进预测结果。但如果价格趋势法和E/P收益模型的结果不一致，收益模型会被完全忽略掉。另一种（条件模型）使用外部变量来分配权重。例如，当市场波动处于高位，股票相互间的相关性处于较低水平时，统计套利策略表现更好一些。所以，同时使用均值回复统计套利策略和方向性趋势策略的交易公司在波动率高、相关性低时应该给统计套利策略很高的权重。反之，当波动率低、相关性高时，应该给趋势策略更高的权重。在其他时段，两种策略可能给予相同的权重。

```
这类似于交易策略中的条件变量，条件变量的引入会使策略更加复杂，但也会提高策略的预测效率。有两类基本的条件变量。一种是修正型条件变量(modifying conditioner)。例如，止损是伴随着趋势跟随策略的常用条件变量，基本思路是跟随趋势，直到趋势开始反转并导致足够多的损失而触发止损规则。停止规则有很多种，止损、止盈和时间停止。
另一种条件变量是辅助条件变量(secondary conditioner)，要求多种信号达成一致从而触发交易。例如，很多分析股票基本面的分析师都采用GARP( Growth at a Reasonable Price)策略，信奉“在较低价位买入成长性高的股票”。在价格驱动型策略中，不同投资期限上的趋势，或趋势法和均值回复法，会被组合使用。例如，均值回复策略可以作为买入价格已经下跌的金融产品的条件，但是交易的方向应该和长期趋势的方向保持一致(例如，在上行市场上买入价格下跌的产品，在下行市场时卖出价格上涨的产品)。
大部分基于规则的模式识别策略在设计时都会使用条件变量。像数据驱动型策略一样，这类模式识别策略也是寻找市场行为中重复的模式(通常会比“买涨卖跌”或“买跌卖涨”模式要复杂)，但是理论驱动型模式识别模型都是从【预先设定的规则】开始。而数据驱动型交易者更依赖于算法来判断哪种“模式”最重要。
```

用于混合阿尔法模型的第二种非线性方法是旋转模型(rotation models)。这类模型根据阿尔法模型的表现追随相应的趋势，而不是跟随市场本身的趋势。这一点和线性模型是类似的，但这里模型的权重是基于各种信号的权重进行更新计算，且随时间波动的。 这种方法通常会对近期预测表现好的模型以更高的权重。从某种意义上说，这是随时间变化的趋势跟随阿尔法策略。
使用机器学习模型来决定各种阿尔法模型的最优权重。 基于的假设是：在历史数据上表现良好的混合模型在未来的表现也会较好。
在经典著作《信号与噪声》(The Signal and the Noise）一书中，特•西尔弗(Nate silver）展示了预测方法之间略有不同的区别所在。并非所立足的科学学科不同，而是所从属的统计学分支不同造成了它们的差异。
贝叶斯统计学（Bayesian Statistics）是统计学中的一个重要分支，在进行预测时非當注重 “先验”（prior） 信息的重要性。贝叶斯预测方法的基本理念就是允许新的信息去对先验信息进行修正。新的信息越是令人吃惊(如，和先验信息相冲突)，我们就会越多地摆脱先验信息。
统计学的另一个重要分支是频率统计学。频率统计学认为，数据只能告诉我们概率以及围绕着概率的置信区间。
以上内容主要描述了理论型量化交易者的思考方式和阿尔法模型的分类，实际上很多理论型科学家也坚信应该从数据出发，从数据中得到结论，例如模型中的参数估计。但这样的话会发现很多自称贝叶斯统计学派的人所使用的都是频率工具，或者依赖频率方法确定模型的效率。
量化交易或任何交易中最为迷人的部分，就是当面临大量信息和各种意见时，决策者都会面临着相同的问题:如何将这些可以得到的相关信息加工整合，形成一个审时度势的决策?

小白学量化：买了个年化 5% 的保本产品？0 赞同 · 0 评论文章​编辑https://zhuanlan.zhihu.com/p/686315946

（信号混合与投资组合构建有着某些相似之处。毕竟二者都是关于头寸选择和组合的问题。但是，它们又是明显不同且相互独立的过程。信号混合模型对多个阿尔法信号进行加权汇总得到一个组合预测，进而用于投资组合构建。投资组合构建模型使用多种信号作为输入，包括阿尔法信号、风险模型和交易成本模型(接下来两章将会谈到)等，试图决定投资组合的头寸规模。）？？ -----最后这段我不能理解。

① Nate Silver, The Signal and the Noise: Why Most Predictions Fail but Some Don't (New York: Penguin Press, 2012).