与定性投资相比，量化投资有很多优点。量化投资的核心是量化模型，而产生量化模型的主要方法是数据挖掘。在宏观经济分析、股价、选股、择时、交易执行的各个环节，都可以应用量化模型和方法。
《量化投资：数据挖掘技术与实践(MatLab版)》读书笔记目录
什么是量化投资
量化投资： 利用数学、统计学、信息学等领域的技术，对投资对象进行量化分析和优化，从而进行精确投资的行为。
量化投资的关键：对宏观数据、市场行为、企业财务数据、交易数据等进行分析，
利用数据挖掘技术、统计技术和优化技术等科学技术方法对数据进行处理，
以得到最优的投资组合和投资机会。
定量投资和传统的定性投资本质是相同的：
- 都是基于弱有效市场利率
- 都是通过分析研究，简历战胜市场、产生超额收益的组合
不同点在于量化投资将主管判断转化为“科学行为”。
量化投资的特点在于：
- 纪律性
- 系统性：体现在三个方面
- 多层次，包括大类资产配置、行业选择、个股选择三个层次上都有模型
- 多角度，包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等
- 多数据：对海量数据进行处理
- 套利思想:定性投资倾向于找到伟大的企业，定量投资关注找到价值洼地
- 概率取胜
- 通过历史数据挖掘规律
- 靠投资组合取胜，而不是单个标的（靠胜率，而不是单次盈利？）
量化投资的核心是量化模型
通过搜集分析大量数据，判断买卖时机。并将投资思想通过指标、参数体现在模型中。
可以说，量化模型就是量化投资的精华。
比如两个典型的量化模型：
多因子选股模型
基本原理：用一系列的因子作为选股标准：满足这些因子的买入、不满足的卖出。
关键点：
- 因子的选取：找到与收益率最相关的因子
- 使用因子得出判断。两种判断方法：
a. 打分法: 根据因子进行打分，按照权重得出总分，根据总分筛选股票
b. 回归法: 用过去的股票收益率对多因子进行回归，得到回归方程，然后用回归方程预测股票的未来收益
SVM择时模型
择时比选股更难。
SVM（支持向量机）模型可以基于数据挖掘发现合适的交易时机。
SVM的基本原理是：找到一个最优分类超平面，使得训练样本中的两类样本点尽量被无错误分开，
并使两类的分类间隔最大。SVM是一种基于统计学习原理的模式识别方法，能非常成功的处理分类、判别分析等问题，并可推广到预测与综合评价领域。
SVM在很多领域（如文本和手写识别）取得了成功。在量化交易中，可以用于预测涨跌。此时输入数据一般有四类：
- 市场前期走势
- 货币环境
- 经济指标
- 外围环境
量化模型的主要产生方法：数据挖掘
建立量化模型的一般步骤：
建立市场信息统计分析的基础，从大量的数据中通过数据挖掘找到赚钱股票的内部联系、进入点和退出点的基本特征。
其中，有些规律通过简单的统计分析就可以发现，有些规律需要用到数理统计（如聚类分析）、最大信息熵、人工智能等复杂方法。回溯测试。使用历史数据进行验证，覆盖的数据至少要包含牛市和熊市时期。然后分析模型的效果（如回报率、成功率、最大回撤等）。
如果回测结果满足要求，进行实盘模拟。至少三个月，然后进行修正。
实盘测试。要仔细监控。如果某一阶段连续三次交易失败，要停止操作，重新观察。
在建立量化模型的整个过程中，需要处理大量的数据，用到各种数据挖掘技术，比如关联规则、SVM、决策树、神经网络等。
数据挖掘，是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，提取有用的信息和知识。
数据挖掘需要的相关学科知识包括：
- 数据库
- 统计学
- 应用数学
- 可视化
- 机器学习
- 信息科学
- 程序开发
- 其他学科
数据挖掘在量化投资中的应用
目前量化投资领域，数据挖掘技术主要应用在以下几个方面
宏观经济分析
一般来说，宏观经济的周期决定了股市的周期。经济周期包括衰退、危机、复苏和繁荣四个阶段。
量化分析宏观经济可以分析以下几个指标对股市及个股的影响：- GDP
- 货币供应量
- 利率
- 汇率
在宏观经济分析方面，经常用到回归、关联分析、分类、预测等方法。
估价
上市公司的财务报告在披露前后，会迅速在股价中得以体现。
因此，重要的是预见未来，选择质地优良且未来具有较高盈利增长能力的公司。通过上市公司的价值评估进行股票的选择，是现在主流的基本面分析方法。当价格高于价值时卖出，当价格低于价值时买入。
数据挖掘在估值方面的应用，就是挖掘被低估的股票。比如，用最近邻方法，确定基本面相似的股票的市场估价。
量化选股
在量化投资领域，量化选股是研究和应用最多的课题。可以说，选股是量化投资最重要的内容。
比如，前面提到的多因子选股，是用数据挖掘中的回归方法的应用。
具体来说，可以用挖掘的结果为策略提供决策依据，也可以根据策略进行挖掘。
比如用聚类方法对股票进行聚类分池，再从上涨概率较大的池子中选择股票。
再比如用神经网络方法预测股价的涨跌概率。
量化择时
好的量化选股策略比较容易实现，
因为在长时间跨度中跑赢市场的投资组合一般会满足某些特性，比如低估值、高成长、小市值、隐形资产低估等。但择时比较难。一方面，量化无法处理政策面的消息；
另一方面，量化择时的时域性很强，不能预测太短（如一天）或太长（如一年）的情况。通常，量化择时的应用是通过数据挖掘发现最佳的买卖点。
比如用SVM或神经网络预测近期涨跌趋势，或者用分类方法判断近期的最佳交易周期。算法交易
算法交易(Algorithmic Trading)，输入指定交易量的买入或卖出目标，产生具体的交易指令。
主要用于将大额委托化整为零，减少对市场的冲击，并寻求最佳的成交执行路径，以减少交易成本。目前算法交易使用最多的数据挖掘方法是集成决策树。