X熱文》重來一次我會這樣入門量化交易：18個月進入初級年薪30萬美元門檻

量化（Quant）交易員 gemchange_ltd 在 X 上發布了一篇長文，列出他「如果重來一次，會按什麼順序學習」的完整路線圖，從機率論到隨機微積分，五個數學關卡，18 個月就能從什麼都不會到真正入門量化交易。本文源自他在 X 上發布的熱門文章《How I’d Become a Quant If I Had to Start Over Tomorrow》，由翻書Flip編譯和重新整理。 （前情提要：不靠佣金、不曬單，一名交易員只憑分析週期的常勝策略 ） （背景補充：頂級加密女交易員萬字生存筆記：別被「速成致富」毀掉 ）   編譯聲明：本文不構成投資建議，市場有風險，請做好自己的研究。 先說幾個數字：2025 年，頂尖機構的應屆 Quant 年薪總包在 30 萬至 50 萬美元之間。金融業 AI/ML 招聘年增 88%。這條路，有沒有地圖？ 這篇文章，是作者希望自己起步時有人能遞給他的東西。學習路線按照「你應該學的順序」排好了，每個概念都建立在前一個之上，就像電玩遊戲一樣，你沒辦法跳關。但如果你真的認真做，不是去 YouTube 上看什麼無聊的金融入門影片（那只是浪費時間），而是真的解題、動手做——大概 18 個月，你就能從什麼都不懂，變成真的懂一些東西。 把所有你以為知道的交易知識先放旁邊。大多數人以為量化交易是在選股、對特斯拉有看法、預測財報。其實不是。Quant 交易是數學。你做的是統計關係、定價低效率，以及那些「市場是被會犯系統性錯誤的人在跑的複雜系統」這個事實所帶來的結構性優勢。 Part I：機率論，不確定性的語言 量化金融的每件事，最後都可以簡化成一個問題：勝率多少？勝率站在我這邊嗎？ 這就是機率。如果你對機率沒有深刻的理解，這篇文章後面的東西對你來說都沒有意義。 條件機率：Quant 的思考方式 一般人用絕對值思考：這件事是真的還是假的。Quant 用條件思考：根據我現在知道的，這件事有多大的機率？ P(A|B) = P(A∩B) / P(B)——給定 B 發生，A 的機率等於兩者同時發生的機率除以 B 的機率。聽起來簡單，但影響很深遠。一支股票有 60% 的天數是上漲的——這是基礎機率。但在成交量高於平均的日子，上漲機率是 75%。這個條件機率才是有意義的資訊；原本那個 60% 反而充滿雜訊。 貝氏定理：即時更新你的判斷 後驗 = （在假說成立的情況下，看到這筆資料的機率）× 先驗 ÷ （在任何假說下，看到這筆資料的總機率）。在實作中，你用蒙地卡羅取樣來計算。邏輯是一樣的：貝氏是你在面對新資訊時即時調整判斷的方式。模型說一支股票應該值 50 美元，財報出來，營收比預期高 3%——貝氏後驗向上移動。更新最快、更新最準的人，贏得報酬。 期望值與變異數：你最好的兩個朋友 期望值是你的信念強度；變異數是你的風險。如果你的策略有正期望值，而且你能撐過變異數帶來的震盪，你很可能會賺錢。 Level 1 作業（每天 2 小時，3-4 週） 讀：Blitzstein & Hwang，《Introduction to Probability》（哈佛免費 PDF），把第 1-6 章每道題目都做一遍 寫程式：模擬 10,000 次拋硬幣，用視覺化驗證大數法則 寫程式：自己實作一個貝氏更新器，輸入先驗和似然，輸出後驗 import numpy as np import matplotlib.pyplot as plt # 大數法則：執行平均收斂到真實機率 np.random.seed(42) flips = np.random.choice([0, 1], size=10000, p=[0.5, 0.5]) running_avg = np.cumsum(flips) / np.arange(1, 10001) plt.figure(figsize=(10, 4)) plt.plot(running_avg, linewidth=0.7) plt.axhline(y=0.5, color='r', linestyle='--', label='真實機率') plt.xlabel('拋擲次數') plt.ylabel('執行平均') plt.title('大數法則實際演示') plt.legend() plt.savefig('lln.png', dpi=150) print(f"10,000 次後: {running_avg[-1]:.4f}（真實: 0.5000）") Part II：統計學——學會聆聽數據 學會說機率這個語言之後，你要學的是從數據中聽出什麼。統計學教給你的第一課是：大多數看起來有意義的發現，其實只是雜訊。 假說檢定：你的濾雜訊偵測器 你建了一個模型，回測年化報酬率 15%。這是真的嗎？設立虛無假說 H₀：「這個策略的期望報酬是零」，計算檢定統計量，算出 p 值。但注意：如果你測試 1,000 個隨機策略，純靠運氣，就有 50 個 p 值會低於 0.05。這是多重比較問題。解法是 Bonferroni 修正（顯著水準除以測試次數），或 Benjamini-Hochberg 控制偽發現率。每個初學者都大幅高估自己找到了什麼有意義的東西。你前 10 個策略全部都是雜訊。現在就接受這件事，幫自己省很多錢。 回歸分析：拆解報酬 線性回歸 y=Xβ+ε 是金融業的主力工具。你把策略報酬對已知的風險因子做回歸，截距 α 就是你的超額報酬——那個無法被已知因子解釋的部分。 如果在控制各因子後 α 為零，你所謂的「優勢」只是偽裝過的市場曝險。要用 Newey-West 標準誤，因為金融數據有自相關和異質變異，用普通最小平方法的標準誤，就像開著裂掉的擋風玻璃在高速公路上行駛。 最大概似估計（MLE） 這是金融業校正每個模型的方法，不管是配適 GARCH 波動率模型、估計跳躍擴散參數，還是把選擇權定價校正到市場報價。當有人說「calibrating」一個模型，幾乎都是在說 MLE。...