第一次听到“quant”这个词,很多人会想到华尔街、复杂公式、飞快跳动的屏幕,还有某种只有数学天才才能做的工作,quant通常是“quantitative analyst”的简称,中文常译为量化分析师,简单说,他们会把数学、统计和计算机方法用在金融问题上,例如分析证券、研究交易策略或管理风险。(onetonline.org)
但如果只把quant理解成“写程序炒股”,就把它想窄了,量化真正关心的,不是某一次猜对了市场,而是一个更朴素也更难的问题:当同类情况反复出现时,什么判断方式更可靠?数据能告诉我们什么,又有哪些东西是数据暂时看不见的?
举个日常一点的例子,小林每个月发工资后,习惯先付房租,再把钱放进几个不同的账户:日常开销、交通餐饮、储蓄,过去他总觉得自己“花钱没数”,月底一看账单才发现,真正超预算的不是偶尔买件衣服,而是每天一杯咖啡、临时点外卖,以及下班路上随手买的小东西,后来他连续记了两个月账,把支出按类别整理,发现外卖和零食支出比自己想象的高得多,他没有立刻要求自己彻底戒掉,而是给外卖设了一个每周上限,并把容易冲动消费的购物软件从首页移走。
这不是金融机构里的量化模型,却有相似的思路:先把模糊的感觉变成可以观察的数据,再找到影响结果的因素,最后做一个能执行的小调整,更重要的是,小林没有因为两个月的数据就认定“以后永远不点外卖”,而是观察变化,看看新做法能不能坚持,这一点,恰恰比会不会写复杂公式更接近量化思维。
在金融领域,工作内容也不只有一种,有些量化分析师研究市场数据、寻找投资规律;有些协助交易团队设计模型;还有一些专注于风险分析,评估在不同情境下可能出现的损失,工作所需的知识通常横跨数学、统计、编程和金融,但具体侧重点会随岗位不同而变化。(corporatefinanceinstitute.com)
听到这里,有人可能会问:既然数据和模型这么有用,为什么不能让程序替我们做所有决定?原因并不神秘,模型只能处理它被设计去处理的内容,历史数据也不等于未来承诺,市场环境变了,过去有效的关系可能失效;数据本身如果有偏差,算得再精细,也可能只是把偏差包装得更漂亮,就像小林如果只看“每月总支出”,却不区分房租、通勤和娱乐,他得出的结论可能完全没有行动价值,数据并不会自动告诉人们应该怎么生活,关键还在于问题问得是否清楚。
我个人最认同quant的一点,不是“凡事都要量化”,而是它提醒我们不要轻易被印象带着走,我们常说“我最近总是很忙”“我好像存不下钱”“这个方法肯定有效”,可这些话有时只是情绪,不一定是事实,试着把它们拆成可以核对的问题,往往能看见真正的症结:忙是因为任务太多,还是时间被频繁打断?存不下钱是收入不足,还是固定支出之外的零散消费没有被注意?某种学习方法有效,是因为它真的帮助记住了内容,还是因为刚好赶上了一次简单的考试?
我也不赞成把生活变成一张不断打分的表格,人不是一组指标,很多重要的决定里都有难以计算的部分:和谁一起工作更安心,怎样的节奏更适合自己,什么时候值得为兴趣多花一点钱,量化可以帮我们少一点自我欺骗,却不能替我们决定什么值得追求,它应该是辅助判断的工具,而不是代替判断的主人。
如果你是因为职业机会而好奇quant,先别被“天才”“暴富”这些词吓住,也别只盯着高薪想象,了解岗位实际做什么,判断自己是否愿意长期面对数据、模型和反复验证;如果你只是想把quant的思路用在生活里,也完全不用先学一堆艰深数学,从记录一周的开销、统计通勤时间,或比较几种学习安排开始就可以。
quant最有价值的地方,是让“我觉得”之后多问一句“证据是什么”,也让“数据说”之后再追问一句“它没有说什么”,前一句帮我们少些盲目自信,后一句帮我们避免迷信模型,真正成熟的量化思维,不是相信数字永远正确,而是愿意用数字检查自己的判断,同时承认判断仍然需要人的经验、边界感和责任心。
