量化方法与量化管理

理论上讲，量化方法有四个层次，即“定类量化”、“定序量化”、“定距量化”和“定比量化”。

什么是“定类量化”？其实就是把样本分类。例如国籍、性别等等属性，都属于“定类量化”。在这个层次上，要做的就是分类，但并不考虑类和类之间的关系。例如统计时性别分男女。“定类量化”的特点是分类都是平等的，如相关的结果有区别，则是后续研究的事了。

“定序量化”也比较常见，人员考核的“优良中差”、事故分类的“特别重大、重大、较大和一般”都属于“定序量化”。“定序量化”是在“定类量化”的基础上，再把分类按照某种属性进行排序。如果不同的样本属于不同的分类，那么在这个属性的维度上根据分类就可以对样本进行排序，但并不能据此得出更多的结论。

例如按照事故的损失程度进行“定序量化”，A是特别重大事故，B是重大事故，而C是较大事故。那么事故的损失A>B>C，这个结论没有问题。但是能说A-B>B-C吗？那可不好说。完全有可能A处在特别重大事故的下限，而B处在重大事故的上限，二者损失其实几乎差不多。

接下来一个层次是“定距量化”，用途不是很广泛，但也算是一种量化方法。例如摄氏温度，30度和20度之间的差异，与20度与10度之间的差异，在物理学上是一致的。但能说30度是10度的3倍，20度是10度的2倍吗？当然不能，因为摄氏0度并不是没有温度，如果一定要这样比的话，就必须用开氏温度才行。

真正我们通常意义上理解的量化，叫做“定比量化”。这时候量化的值，不仅可以用于分类，排序，测距，而且可以用于定量“比较”。更准确地说，这个量化值是一个连续的数字域，而且这个数字域应当覆盖所有样本的量化值。

分析了上面几种量化方法，对做量化管理有什么意义呢？意义就在于，原则上说，输入和输出的类别应当一致，或者输入比输出更精确，否则，就可能出问题。

举例来说，如果把安全问题按严重程度从小到大分为一到五级（或者轻微，一般…….特别重大），这其实就是个“定序量化”，用于比较两个安全问题之间应当优先处理哪个，是没有问题的。但实践中安全问题当然不止两个，而安全的投入又是有限的，总会面临着多个安全问题之间的选择和排序问题。比方说，有限的资源只能解决现有问题中的两个四级问题或一个五级问题，该怎么做？

如果说这个简单，搞量化管理就行，一级给1分，二级给2分…….五级给5分，两个四级问题加起来8分，一个五级问题才5分，当然是先解决两个四级问题了。

其实，按这种量化方法，答案只能是“不知道”。这么做可能对，也可能不对。输入是“定序量化”，5，4，3，2，1只是序数而已，不意味着它们之间就是这个比例关系；输出却要“定比量化”，把序数当成”定比量化”的值。好比十几k的图片要放大到4K高清，像素倒是填充上去了，但看上去还是一片模糊。

人员的量化考核就更复杂了。传统上按“德能勤绩”，看上去很合理，但这四项应该各占25%吗？跟岗位没有关系吗？计分又如何计算？或者360度打分，但有的人普遍打的低，有的人却又恰恰相反，往往能干的人得罪人多，老好人却往往能得高分…….

那么多设置一些客观指标，是不是好些呢？这依然可能存在几个问题：一个是客观指标的量化分类是否一致，如果把“定序量化”的结果和“定比量化”简单相加，结果未必理想；还有就是客观指标和主观指标的关系如何处理也是一个难题。

同时，还有一个问题则往往少有人注意，如果一个考核体系太复杂，很难让人一眼就看清楚，那么沟通和管理成本则会很高，或者实际执行中往往变通处理，以至于达不到应有的效果。举例来说，面试的结果其实就是三种：推荐录用，可录可不录，不建议录用，本来是个“定序量化”就够了。如果一定要搞个复杂的百分制，先分10类，再每类都从1到10打分，其实绝大多数面试官都会先给结果，再反过来给分的。

最后以一个老笑话作为这篇东西的结尾：游客去自然博物馆参观，问讲解员，这个恐龙化石的年龄有多少？讲解员答道：一亿三千万零十五年。游客惊奇地问，你怎么能知道这么精确？我十五年前来这个博物馆的时候，他们告诉我它有一亿三千万年了，讲解员自信地说道。

 

拓展阅读：

1.海龟交易法则策略，多读几遍少走10年路

2.网格交易法，一个不容易亏钱的投资策略（附源码）

3.揭开日内回转交易策略做“T+0”的面纱

4.配对交易——这个股票策略曾年赚5000万美元

5.被动与主动的完美结合：指数增强策略的魅力

6.经典量化选股方法——没有秘密的多因子