儿子有些失望： 哦 那另一个办法呢？
另一种办法是投资。 我回答，， 如果你投资方面有天赋，又肯努力，也许30岁之前就可以挣到很多钱了。
儿子兴奋地看着我： 真的吗？那我怎么投资呢？
我答道： 投资先要有资本，但更重要的是要有投资的能力。我可以给你一千块钱做种子资金，但你每天放学后都要读一下《华尔街日报》，晚饭时我们可以讨论你的投资组合。
投资理财对于我们每个人来讲，是一个既陌生但又永远躲不开的话题。年轻人要攒钱买房结婚；结婚生子后要存钱供他们上学出国；中年人更要把握住事业上的机会，投资置业；而老年人如今很多儿女在外，更需要理财养老传承。
投资有时似乎很容易：赶上2006-2007年的牛市，买对了股票，闭着眼睛都能大把赚钱。但很多投资者都经历过2008-2009年那些惊心动魄股市过山车和2009年至今漫长难熬的熊市。很多人觉得投资很高深，财经媒体上每天都有专家学者在讨论国际国内、宏观微观，但多数云遮雾罩，令投资者不知所措。有些人觉得投资很简单，买低卖高而已；但实际操作起来往往成为追涨杀跌，有时甚至职业基金经理也不能免俗（见图1）；有些人觉得投资需要听消息跟风潮，于是每天四处打听热股内幕；还有些人觉得投资是一门 艺术 ，关键在于 战胜自我 ，只可意会不可言传，不时还要参禅拜佛。但投资究竟是怎么回事呢？
2.现代投资理论
投资作为一门科学，是从1952年哈利 马可维茨的论文《投资组合的选择》开始的。论文中他提出了一个简单但又深刻的问题：投资组合的选择标准是什么？也就是如果面临多只股票和现金的选择，我们应该如何决定投资组合的资金配比？直觉上大家知道这个标准肯定不只是收益，否则我们会把全部资金投入预期收益最高的股票；肯定也不只是风险，否则我们会把全部资金投入风险最小的资产。那么收益与风险的关联在哪里，又如何权衡呢？
马可维茨的伟大，在于他提出选择投资组合的目标是达到 有效组合 ，也就是构建在给定的风险下获取最大预期收益的组合。不同风险下的有效投资组合形成所谓的 有效前沿 。最终的选择，可以通过求解不同风险厌恶水平下的 效用函数 最大化问题来得到。
马可维茨是金融历史上第一个人，通过投资组合选择的问题，把风险提高到与收益同样重要的位置，建立起权衡收益与风险的理论框架，并开创了现代投资组合理论的先河。马可维兹和他的学生夏普也因此获得了1990年诺贝尔经济学奖。金融作为一门科学由此诞生，经过不断发展和完善，从学术象牙塔逐渐传入华尔街，从而彻底地改变了全球资本市场的理论和实践。
3. 量化圣经
我第一次接触《主动投资组合管理》还是在1998年，当时在华尔街数量型对冲基金D.E.Shaw Co 从事量化股票交易。虽然知道正在从事的工作是前沿的，但也总是苦于知其然而不知其所以然，因为从马可维茨的现代投资理论到华尔街的投资实践之间还有很大的一段理论空白。
在一次Barra组织的量化会议上，一位同行向我推荐了《主动投资组合管理》，当时还是第一版。此书的两位作者，Grinold和 Kahn，曾任Barra的研究总监，是Barra模型最早的创始人之一，也是成熟市场量化投资领域的开创者。书中两位作者系统性地介绍了很多学者和投资实践者在近30年的量化投资实践中，逐渐开发完善的投资理论与实践技术，并逐一讨论了将理论付诸实践过程中的各种问题和细节。《主动投资组合管理》在投资史上第一次为投资管理建立了一个科学的框架，在象牙塔中的现代投资理论与混沌原始的投资实践之间找到了一个应用的结合点。
当然，500多页的书，第一次看的时候难免有些困难，并不一定能够完全理解书中的推导和评论，但基本的理念已经牢记在大脑里，例如 主动管理基本定律： IR = IC*Sqrt（Breath） 。在之后的工作中，每当我带着许多问题来查阅这本书的时候，总会有新的体会。于是，我和同事开始称它为 Quant Bible （量化圣经）。可以说《主动投资组合管理》是一本划时代的著作，对整个一代在华尔街从事量化投资的人，都有深刻和长远的影响。
4.量化投资在中国
2008年我创建了对冲基金，The Red Capital,LLC (红色资本)，并在北京设立了一个研发办公室，招聘了一群北大清华的高材生，希望能够把华尔街的理念、技术和经验与国内的高质量数理人才结合，同时也为中国的对冲基金培养一颗种子。这些刚从学校里毕业的高材生虽然经历过数学或物理方面的系统训练，但金融知识为零，该如何起步呢？当时的训练教材就是Barra的USE3模型和《主动投资组合管理》这本书。于是红色资本的这些初始员工，就在这本书里得到了他们最初的投资启蒙，也为他们今后的职业发展奠定了一个扎实的基础。
在量化交易方面，美国究竟比中国领先多久？量化投资领域，中国不仅本行业的技术储备不如欧美，而且量化交易经常运用的各行各业最先进科学模型（eg.FBI用的人脸识别模型，NASA的空间物理模型、地质勘探的地心引力模型等)目前也落后于欧美。也就是说量化交易提供支持的整个泛行业科研科技储备是比较落后的。曾面试中国量化交易基金经理时，感觉在本土化上具备很强优势，但研究水平和视野开阔度，比起外资同行还是稍逊一筹，这不光是能力问题，更多是技术环境问题。和其它交易策略不一样，量化交易不是纯粹靠交易天分、市场直觉（但很重要，常能激发策略灵感）、而是很大程度靠科学研发能力（large scale research) 和技术水平（hardcore technologies）。
谈到这里，就简单说下量化交易的策略研发方法。
第一类，传统策略量化。很久前，交易员们就开始做趋势策略、反转策略、剥头皮策略、造市策略等各种不同风格的策略，只不过那时是手工操作，或者半程序化。随着市场发展技术成熟，量化交易把这些策略的研发和执行程序化了，从而提高了研发效率和水平、降低了交易成本，较大程度的排除了人的不稳定因素。这类量化交易策略，可以说是利用技术来提高原有策略的研发和执行，并在交易频率和规模有了变化，但本质上并不算崭新的策略类别，以前赚钱策略的也许能赚的多一些，亏钱的策略，量化也不能把他变成赚钱，这就是「思路错了量化也救不了你」。
第二类，科学技术驱动量化交易策略。是纯粹或很大程度上基于技术(technologies)差别的策略。这类也有一定历史，但真正变成一个庞大引入注目的策略类别，则是近10年计算机技术的飞速发展过程中产生的。常见的情形是，某机构因为采用的算法效率更高，计算机硬件更强大（超级计算机），产生了细微的速度和计算优势，从而在交易上抢的先机，并运用自动化交易频繁交易大量产品，用巨大的交易量产生稳定的收益。这类策略，IT技术和科学模型起了很关键的作用。这就是「技术就是你的思路」。
较早开始高频交易的Tradebot是这类策略的典型运用者，在2002年就达到了每天一亿个订单，差不多在那个时候很多传统做市商被Tradebot 和 Getco 这样的新型电子做市商挤出市场，后来Tradebot 和 Getco 一路用技术碾压其它电子做市商竞争对手。在2005年,Tradebot 剥离了 BATS Global Markets，也就是现在美国第三大股票市场BATS。而1999年Tradebot 刚成立时，工作室地点是美国农村Kansas City的一间小地下室，里面阴暗潮湿，只有5个交易员坐在电脑屏幕前监控交易，那时每台电脑上都配备了一套叫 Tradebot 的软件。而Getco 对策略的运用更广，野心更大。2012年，也是老牌做市商的 Knight因技术故障，向纽交所发送大量错误order，导致公司巨亏4.4亿美元，股价两个交易日暴跌七成，被Getco以18亿美元价格收购。
人们常对西蒙斯文艺复兴的大奖章基金长期持续的高回报印象深刻，而实际上不太为媒体所知的是 ，Tradebot常年保持每天（而不是每月或每年）盈利，not even one single losingday，原因是文艺复兴有很多新基金要向外部投资者融资（赚钱的大奖章很早停止了外部融资，而实际新基金表现比大奖章差很多），需要做一定程度的IR，而Tradebot 不对外部投资者开放，自己低调赚钱，这也是HFT很普遍的特点。如果不是市场几次出现大动荡，HFT被揪出来当替罪羊，媒体口诛笔伐，基本是没有多少人知道这个低调的类别。
第三类，新型量化交易策略。则是得益于计算机技术的发展，慢慢发展起来的策略，它不完全是基于执行的技术优势，更多是利用技术研发出新策略。例如统计套利交易策略，需要较多计算机计算资源进行数据挖掘模式识别，这在以前仅仅靠人力是难以胜任的，IT技术的发展和成本的降低使得这些策略的研发得以可行。这就是「技术产生新策略」。
量化投资这个行业的科技含量之高，使得它吸引了大量数学博士、物理博士、计算机博士来利用本学科的最先进技术和科学模型研发出更多的先进模型，并促进技术进步，也反哺其它传统行业。最明显的是显卡和GPU的飞速发展，一定程度上是受到高频交易对巨大计算能力需求推动的。世界上有很大一部分超级计算机，除了呆在物理实验室，还在对冲基金里。
如何成为一个量化交易者许多学数学和统计学的高材生都有志成为量化交易者，但现今由于高频交易、算法交易和程序化交易的出现，使得量化交易的工作职位描述变得很宽泛。量化交易领域的工作需求很大，而且他们不仅仅需要在数据分析上有突出技能的人，也需要对自动交易系统更了解，可以构建和执行自动交易系统的人。本文将介绍数学和统计背景的人如何成为量化交易者，哪些专业技能和培训可以帮助你成为一个宽客，哪些工作经验可以胜任量化交易工作和相关工作。量化交易者需要具备数据分析、数据挖掘和数据研究的能力，这些能力只是很小的一部分，也必须在其它领域精通：
1）针对交易的特定计算机技能
数学和统计在数据分析软件和平台应用很广泛。然而，它们在量化交易的应用却受限。例如：试算表在数据分析中运用很广泛，但是在专业量化平台，如MATLAB，进行交易和研究的特定分析可能需要更多培训和亲身经验。
使用一些交易软件，无论是免费试用版还是完全版，都会给你实践经验。大学通常会对这些专业应用提供资源。编程语言相似性：高级即插即用交易软件市面上有很多，他们声称可以满足量化交易很多方面的要求。但是真正很好的却很少，大多数不能符合当前量化交易的动态实际需求。成功的量化交易者需要具备独立构想并建立交易系统的能力，这个只能够通过计算机编程实现。建立这些交易系统的常用编程语言是Perl、Python、Java和C++，交易者至少要熟悉其中一种。
数学和统计课程里可能不提供编程课程，但是那些编程课程都可以在网上的交互式课程中找到。短期专业培训课程在网上都是可以找到的。
2）熟悉市场数据
量化交易需要对市场数据很熟悉，这个要求高于数据和统计的范畴，而且不仅仅停留在常见的开盘价、最高价、最低价和收盘价。宽客也需要对相关公司行为的市场数据和特定产品有一个全面的了解，需要了解这些行为对交易有什么影响，这些产品不仅仅局限在股票和债券，像认股权证、衍生品、柜台交易产品等等。
市场数据只是很容易在网上可以获得。不同公司行为和关联话题的影响案例学习很容易获得，这些对数学和统计背景有志于学习量化交易的人来说是很容易的一件事。包括股票交易所在内的不同权威机构都有一些专业付费课程和证书提供，这些经历在简历上都是加分项，让你成为种子选手。
对常见交易策略的理解：虽然宽客需要发掘和设计自己的交易策略，但是对常用的交易策略的理解也是必须的。它提供了量化交易的基础知识，这对有资质的人来说是一个很好的开始。
3）熟悉风险管理概念
特定标准，如场景分析、止损机制、交易资金限制等在交易系统中用来管理风险。因为这是量化交易的一个重要部分，所以你必须熟悉这些概念。
风险管理本身就是一个很大的话题，所以你可以找到很多专业课程和模型来学习。熟悉这些基本概念和这些概念如何影响他们的系统可以满足量化交易者的需求。
4）选择交易特定选修课程
大多数数学和统计课程提供选修。有志成为宽客的需要通过选择交易/市场特定模型来获利。
5）量化交易者的心态
许多人立志成为量化交易者，但并不是每一个都符合量化交易者的要求。在大型交易公司的面试中，候选者需要被认定有交易者的性情。冒险精神、接受失败的能力、抗压能力、长时间工作在面试的时候都是一些考核指标。
最好做一个自我评价，事先问一下自己是否适合这个高风险高回报的工作。只有你自己才能真实的评价你是否符合这个赚钱的工作。自己做生意也是另一个选择，但是成功失败都由你自己承担。
6）建立一个标准/明确的交易规划
上述欠缺补上以后，试着根据你自己的观念建立一个标准，将其作为明确的量化交易规划。这可以给你很好的有数学或统计支撑的讨论点，是你在量化交易工作中更胜一筹。
总结
有计算机自动化的帮助，交易领域有无限机遇。一方面，它让更多的观念和思想进入这个领域；另一方面，它形成了独特的计算机见交易，也就是说量化交易者的角色仅限于建立高风险的智能交易平台。根据以上所述，你自行做一个全面的自我评价可以帮助你决定你如何从一个数学/统计的高材生进入量化交易世界
