往期内容回顾：
基本无害的量化金融学
基本无害的量化金融学-暑假学习指南
第一节
量化金融（quantitativefinance）是目前国内最热门的专业和学科之一，很多人认为它是新颖之物，其实它存在已久，很多学者、业界从业人员对它并不陌生。为了说清楚量化金融的由来，我们不妨先思考一下“量化”一词的由来。“量化”一词是一舶来品，来自英文单词“quantitative”,而该词何时被翻译为“量化”并被中国人普遍接受，已经难以考证，但有一种解释认为，在年美国金融危机期间，美联储采用了一种叫量化宽松（quantitativeeasing）的非常规型（unconventional）货币*策来应对全球金融危机，“quantitative”一词开始进入国人视野，并被国内媒体、官方、学界和业界统一翻译为“量化”。而在此之前，“quantitative”一词其实一直存在于学界和金融业界之中，但翻译名称并不统一，常见的翻译有“数理”或者“数量”[1]。国人所说的“数理经济学”和“数量经济学”对应的英文原文都是“quantitativeeconomics”[2],而国人常说的“数理金融学”其实就是“quantitativefinance”,也就是我们所说的量化金融学。
国际量化金融协会（TheInternationalAssociationforQuantitativeFinance，IAQF），是全球最大的也是最权威的量化金融组织，它的前身是国际金融工程师协会（InternationalAssociationofFinancialEngineers，IAFE）。IAQF将自己的定位从“金融工程学”向“量化金融”过渡这一举动本身给国内学界和业界传递了一个十分重要的信号：量化金融学来自于金融工程学。但时至今日，为了适应全球金融与科技业发展的新形势和新需求，让“量化金融”这个称谓能更好的诠释金融量化分析从业人员的真正工作属性，其内涵与外延都需在传统的金融工程学上重新定义和拓延。那为何欧美国家认为金融工程学已不能覆盖新的金融业态发展呢？为何IAFE需要用“量化金融”这个概念重定义自身呢？
为了让读者彻底了解量化金融的发展脉络和整理知识框架，首先介绍两个重要概念：P-type和Q-type。这两个概念是理解量化学科发展的关键。
IAFE向IAQF的转变，是量化金融学发展历史上的一次质的飞跃。虽然在此之前，从业人员未仔细的区分过金融工程学或者量化金融学，从业人员甚至治学严谨的教授们都常常将这两个概念混为一谈，但是在IAFE向IAQF的转变发生后，以往很多混淆的概念开始逐步清晰。金融工程创立的原始目的是为金融产品尤其是金融衍生品进行定价，而定价的哲学基础是无套利原则，即风险中性（riskneutral）原则。随机过程分析（stochasticcalculus）是金融工程学主要使用的业务工具。金融工程学主要教授学生灵活熟练的掌握随机分析工具对金融资产进行定价，基于这样的逻辑，学界和业界都没有对金融工程学和量化金融学进行区分，更不会试图去区分金融工程学和金融数学。利用随机分析数学工具进行金融产品创新工作的量化金融从业人员，后来被称为Q-type的从业人员。而在金融生态圈里还有另外一些很长一段时间没有走上主流量化金融舞台的人，也就是那些使用数理统计方法（或利用金融计量的方法）进行数据分析的从业人员，这类人后来被称为P-type从业人员。在很长一段时间，当业界谈到量化分析师时，指的都是Q-type的从业人员，而P-type的从业人员是被忽视的，这也是为何时至今日，很多主流的量化金融的书籍还仅介绍Q-type的知识，而对P-type的研究方法只字不提的原因，这种现象在年之前最为严重。直到IAFE向IAQF的转变实实在在的发生了，P-type也被纳入到了量化金融的范畴之后，越来越多的量化金融专著或教材中开始涉及P-type的知识点。简而言之，现在我们说的量化金融学其实是包含了P-type和Q-type。
为何P-type会兴起于年并逐步走上量化金融的主流舞台呢？主要的原因是年美国金融危机之后，金融衍生品市场开始萎缩，尤其是过度复杂的衍生品的开发基本已不那么需要，因此，Q-type的人才市场需求受到了很大的冲击。主要的金融衍生品的定价研究在年美国金融危机之前已非常成熟（虽然仍有很多可以研究的问题和方向），Q-type人员施展才华的领域越来越有限。此外，大数据的兴起以及人工智能技术的成熟，既给金融数据统计分析提供了广袤的研究空间，也创造了若干基于统计数据分析的职业岗位，因此，P-type逐渐兴起。
目前国内量化金融研究方兴未艾，量化金融在业界的应用也鱼龙混杂，在这样的背景下就特别需要一个覆盖跨学科知识，并且能够将碎片化知识纳入到一个统一框架的分析研究范式。这也促使本书提出一个统一化的研究思路。当然，从全球发展趋势来看，量化金融发展的路径却越来越明确。过去十年，随着大数据与人工智能技术的兴起，金融科技成为了整个金融行业发展的主要驱动力。“金融科技”这一概念，可以认为是量化金融学的更高级版本。
弗拉基米尔.瓦普尼克（VladimirVapnik)被认为是机器学习理论的主要奠基人，他最大的贡献是为机器学习理论提供了一个现在家喻户晓的学习算法---支持向量机(SupportVectorMachine，SVM)，而机器学习理论更被认为是人工智能与大数据技术背后的主要理论基石[3]。当然这是后话。瓦普尼克写了本非常经典的、日后成为机器学习理论奠基石的书籍---《统计学习理论的本质》，在该书的中文翻译版本的第页有一段很耐人寻味的话：
图1VladimirVapnik教授图片来源：互联网
这段话的深刻的揭露了一个事实：任何学科如果想要“基业长青”，关键取决于其如何与数学发生“深度接触”。传统的金融学教育注重培养学生的基本面分析和技术分析。就基本面分析而言，受时代所限，一般仅采取较为“文科”的研究方式，教材中的例子也过于理论化、简单化，不符合实际情况（比如：利率永远是一个常数，永远等于10.0%）。这些教学内容之所以被设立出来，主要的原因是这些教材编制的时代背景并非“大数据时代”或“量化时代”更非“人工智能时代”，而当下，人类社会毕竟已经进入了大数据时代，而且也进入了一切皆可量化的智能科技时代，在这样的背景下，量化金融横空出世（在了大众眼前）。
第二节与基本面分析的不同，技术分析并不是国外大学金融教育讲授的重点。以笔者在海外留学的亲身经历为例，从本科至博士阶段，几乎没有一门课系统讲授技术分析，甚至没有任何一堂课专门介绍技术分析。主要的原因是技术分析往往有“不可证伪”性[4]。一门学科要发展，逐渐称为“真科学”，该学科就必须构建其“可证伪”的科学分析框架，而借助统计推论是一种非常科学的方法。借助于诸如随机分析等强大的数学工具对金融资产价格进行建模，这使得我们研究的问题可以“可追踪”（tractable）[5]。量化金融学所提倡的量化分析方法都是可证伪的。而人类分析金融数据的初级阶段，大众和从业人员更习惯采用技术分析，即通过直接观测价格来进行简单的图标和图形分析，较少利用严密的数理统计分析推理，这样的分析方法容易出现计量经济学领域常说的“伪回归（spuriousregression）”现象。简而言之，利用技术分析，基于分析价格趋势的逻辑，容易“谬之千里”。而量化分析技术的引入使得我们利用金融数据更加科学、更加合理也更加有效，减少理论性或常识性错误。此外，还需要说明的是，量化分析并没有摒弃基本面分析，因为随着人类收集和保存公司基本面信息手段的多样化，公司的基本面信息也越来越多，这些大数据的累积，最终导致金融分析技术和研究方法从量变到质变，大数据和算力的提升都为统计与数理方法提供了施展“魔法”的广袤舞台，这也是为何量化金融学在过去二三十年里得到迅猛发展的原因（当然大众未必知晓量化金融，但其“势力”却在学界和金融业界不断壮大）。由此可见，基本面分析和量化分析已发生了深度融合，而学生、科研人员以及行业从业人员要分析公司基本面，在大数据时代下不知道利用量化分析手段进行分析，如同在现代化城市里让自己生活在刀耕火种、茹毛饮血的时代一般。国内的证券从业资格考试的教材里面已经将量化分析作为并列于基本面分析、技术分析的第三种分析方法。其实我们的观点是：量化分析是基本面分析和技术分析的全面升级版本，而且三者并不矛盾，基本面分析和技术分析都应作为量化分析的一个子集。
在大数据时代，诞生了很多适合于大数据分析的高级编程语言或软件，比如本书会提到的Python、R以及Matlab语言和Stata软件，金融数据的获得也变得十分容易。我们可以直接使用若干创新型金融公司所提供的免费金融数据，又或者使用爬虫软件获得金融数据，数据获得的廉价和便利使得我们分析金融问题不再需要“pencil-paper”的研究模式，在当下这个时代，一切皆可自动化、一切皆可量化。因此，金融从业人员需做好知识结构大转型的准备。
伟大的天才物理学家马克斯.普朗克(MaxPlank,-)关于真理曾有一段耐人寻味的评论：
图2伟大的天才物理学家马克斯.普朗克（图片来源：互联网）
其实这个评论也适合研究的方法论之争。虽然现在很多人仍习惯于基本面分析与技术分析，但任何人都不会怀疑量化分析的优势和其时代的正确性。量化金融这个学科要发展，关键是要引导年轻人使用量化分析方法，国内教育人才培养模式需要翻天覆地的大转型，尤其是观念和意识上的大变革。只有越来越多的年轻人掌握了量化分析方法和技术。自然地，他们会持续使用科学的量化分析方法、量化的技术和量化的手段，并将这一切融入到他们每天的工作和研究中，然后他们自然会把量化分析作为金融分析的主流方法传授给他们的后辈和他们周围的年轻人。
“桃李不闻，下自成蹊”，我们相信，量化分析最终会帮助我们克服传统金融分析中低效性、不科学性和人类体能的局限性[6]。
简而言之，在大数据时代，本书需要承担起以下历史使命：
首先，能承前启后，让读者阅读本书从自身知识结构中找到衔接点,能够帮助读者从传统的“文科式金融”向量化金融过渡。其次避免传统量化金融专著的以偏概全。以往的量化金融主要是讨论的Q-type量化，而忽视了P-type量化。再次，实现，量化金融与大数据、人工智能乃至金融科技等新专业的有机结合，这是国外量化金融专著尚未涉及的。最后，过去几年，基于“因果推论”分析范式的实证微观计量学成为国内师生追捧的主流研究范式，甚至有学者指出，这是“新计量经济学”。“新计量”和量化金融是什么关系？这也是本书要回答的问题之一。
（待续未完.....）
[1]将quantitative翻译为数量，作者认为，应是一种错误，因为数量一词的英文翻译应为“quantitive”。
[2]数量经济学的正确英文翻译到底是什么？究竟是quantitiveeconomics还是quantitativeeconomics?建议读者可访问中国社会科学院数量经济与技术经济研究所的官府网站（