据私募排排网数据显示，截至 2025 年 8 月底，管理规模在 100 亿元以上的私募基金（“百亿私募”）数量增至 91 家。其中，量化私募 45 家，占比约 49.45%；主观私募 39 家，占比约 42.86%；混合型（主观＋量化）6 家，占比约 6.59%。在年内收益超过 20% 的 40 家百亿私募中，量化私募占据 31 席。

来源：财联社报道，私募排排网数据（cls.cn）。

量化私募一般是指采用量化投资方法的私募基金管理公司。量化投资：指利用数学模型、计算机技术和海量数据来发现投资规律、制定投资策略并执行交易的投资方式。它依赖数据、算法和程序，目的在于减少主观判断和情绪干扰。

量化与人工交易的对比如下表所示：

对比维度 人工交易 量化交易
决策方式 依赖经验、直觉、新闻、主观判断 预设规则或模型，由程序自动执行
执行一致性 易受情绪和偏差影响，操作不一致 稳定一致，按既定规则执行
情绪干扰 高：贪婪、恐惧、冲动 较低：程序不具备情绪，但模型假设可能隐含人为偏见
速度 慢，依赖人工下单 快，能在毫秒级别响应信号
回测 & 验证性 难以全面复盘 可回测、可优化、可验证策略
适合场景 主观判断强、突发事件、质性分析 大数据、规则性或统计性信号明显的场景
优点 灵活、可处理复杂突发情况 可控、可重复、可规模化
缺点 容易受情绪影响，难以复制与扩展 开发与维护成本高，依赖数据与算力，策略可能因市场变化失效

1 人的问题

量化的目的不是“一定赚更多钱”，而是让交易变得 可重复、可控制、可测量，剔除不稳定的人为因素。

除了贪婪与恐惧等情绪，人类在交易中还有一些深层的认知偏差：

比如认知惯性：人倾向沿既定路径推进，以节省能量、快速决策。“坚持”在生活中是优势，但在股票等高频决策场景下，可能导致“一条道走到黑”，错失调整时机；机器则严格按策略执行，不会因心理负担或固执而偏离。

再如处置效应（Disposition Effect）：比如持有两支股票，一涨一跌，投资者往往卖掉涨的股票以确认自己“判断正确”，却长期持有亏损股以避免确认损失。这导致“汰强留弱”，错失良机。量化可通过规则设定止损止盈，减少此类偏差。

在这个角度看，机器不仅能为我们提供信息和方法，还能帮我们纠正很多问题。

2 具体技术

量化并不是指一定要用机器学习、深度学习或大模型，它也可以是一些简单的规则策略。关键是 策略能被计算、能重复执行、能验证效果。

2.1 使用规则：量化 ≠ 简单程序化

很多人把量化和程序化混为一谈，但其实有很大区别。程序化只是把规则写到电脑里自动执行，问题是：

  • 很难写出在上涨、下跌和平盘三种行情都稳妥的规则，一回测就能看到漏洞。
  • 人脑很难考虑所有复杂情况，容易疏漏或者逻辑冲突。
  • 规则是“死的”，价格稍微差一点就可能触发不了操作。

举个例子：“当天收盘低于前一日最低价，且价格在五日均线下方时卖出；收盘高于前一日最高价且价格在五日均线上方时买入。” 这里基于假设：市场有趋势，并且趋势会延续。但问题是：牛市中可能有效，但熊市里多假突破，容易频繁买入被套。改进方法是：通过加入市场状态特征（如长期均线、波动率）判断牛熊市，让策略更稳。

量化方法的优势是：不仅能把规则自动化执行，还能 发现盲点、评估策略稳定性、用软件辅助优化。通过回测、模拟交易等手段，可以让策略在不同市场环境下更可靠。

2.2 算法与模型

更高级的方法是：增加更多特征，用历史数据训练模型。训练出来后会有一个准确率指标。高准确率不能保证每次操作一定赚钱，但如果交易次数够多，同时加上风险控制（比如回撤保护），长期获利概率会提高。

需要注意的是模型可解释性不同：线性回归、多因子模型、决策树容易理解；深度学习和复杂黑箱模型则不容易解释，有时给出的推荐看起来不合理，也无法直接理解原因，信任度较低。

特征构造也有局限：一些信息（比如历史新闻、非结构化数据）难以量化，有些数据缺失或不完整（例如 2012 年前的新闻），但这些事件可能仍影响市场。因此，模型输出通常只能作为技术参考，而不是绝对指引。

另外，大语言模型也可以辅助决策，但成本高。通常更稳妥的做法是让大模型提取特征，再结合其他量化方法，而不是直接让它做全部决策。

2.3 人机结合

量化不是完全替代人，而是 人和机器各取所长。主要体现在两方面：

2.3.1 人向机器提供信息

并非所有市场信息都能通过数据和 API 获取。人可以捕捉新闻、舆情、突发事件、政策信号等，为策略调整和特征构造提供参考。人的经验和直觉还能发现模型难以覆盖的特殊情境，从而丰富策略输入。

2.3.2 机器辅助人决策

机器能提供 参照点和冷静的时机，减少盲目和情绪化操作。例如，市场急涨急跌时，人容易冲动买卖。量化系统可以快速给出统计趋势或概率信号，即使不直接下单，也能让人冷静几分钟，同时提供更全面的视角。

系统输出通常是概率优势或统计期望，而不是确定性预测。人可以据此调整操作策略，而不是盲目依赖机器。

总结：量化是一种方法和工具，而不是目的本身。