续：量化投资的假设

“市场的涨跌不可预测”在量化投资领域 并不是一个绝对的“是”或“否”的共识，而是一个带有强烈细微差别的“基本假设”。

简单来说，量化投资的共识是：单次、具体的市场涨跌（Point Prediction）是几乎不可预测的，但通过大数定律，市场价格分布的概率特征（Probabilistic Edge）是可以预测并获利的。

以下是量化投资界对“市场可预测性”的详细分歧与共识解析：

1. 核心共识：承认“大部分”不可预测（有效市场假说）

量化投资者普遍接受弱式有效市场假说（Weak EMH）的一个实用版本：

• 信噪比极低： 市场价格的波动中，99%甚至更多是“噪音”（随机漫步），只有极少部分包含有效信息（信号）。

• 水晶球不存在： 几乎没有严肃的量化机构会试图做“下个月标普500点位是多少”这种精准的点位预测。

• 否定“择时”： 绝大多数基本面量化（如AQR）或统计套利策略，都不依赖对大盘整体涨跌的预测来赚钱，而是依赖多空对冲（Long-Short）来剥离市场风险（Beta），只赚取个股相对强弱的收益（Alpha）。

名言佐证：
量化之王、文艺复兴科技创始人 Jim Simons 曾有名言：“预测彗星的轨迹比预测花旗银行的股价容易得多。”（One can predict the course of a comet more easily than one can predict the course of Citigroup's stock.）这直接道出了单体资产预测的极高难度。

2. 实践中的修正：追求“微弱的统计优势”

虽然承认“不可预测”是常态，但量化投资的存在本身就是建立在“市场并非完全随机”这一前提下的。他们的“预测”与散户理解的“预测”有本质不同：

• 胜率游戏： 著名的量化基金 WorldQuant 曾透露，他们的模型平均胜率可能只有 51%-53%。这就意味着他们承认自己在近一半的时间里是“预测错误”的，但只要交易次数足够多（大数定律），这微弱的优势就能转化为巨额收益。

3. 不同流派的看法差异

不同的量化策略对“可预测性”的依赖程度不同：

• 高频交易 (HFT)： 它们几乎不预测未来的价格，而是预测微观结构和订单流（Order Flow）。例如，它们利用交易所之间毫秒级的延迟进行套利。这对它们来说不是“赌涨跌”，而是物理速度上的“抢跑”。

• 统计套利 (Stat Arb)： 它们相信均值回归。即：我不预测股价明天会涨，但我预测“如果A股票比B股票偏离了历史关联太多，它们最终会收敛”。这是对价差（Spread）的预测，而非单纯涨跌的预测。

• 趋势跟踪 (CTA)： 它们完全放弃预测。CTA策略的核心逻辑是：“我不预测趋势何时开始或结束，我只是当趋势出现时跟随它，直到它反转。” 它们赚的是市场非理性繁荣或恐慌的钱，而非预测未来的钱。

4. 权威观点：市场正在变得“更难预测”吗？

• Cliff Asness (AQR创始人)： 他是有效市场理论的拥护者，但也指出市场由于散户抱团（如Meme股）等行为，在短期内可能变得“更无效”（Less Efficient），但这并不意味着更容易预测，反而意味着噪音更大，风险更高。

• Man Group (英仕曼集团)： 明确指出，由于无法预知未来，量化策略的核心必须是风控（Risk Control）和分散化（Diversification），而不是押注单一方向。

总结

“市场的涨跌不可预测”在量化圈的真实含义是：

不要试图扮演上帝去预知未来，而要像赌场庄家一样，通过数学模型寻找那些胜率略高于50%的微小机会，并严格控制风险，让概率站在自己这一边。

对于个人投资者，这确实是一个共识性的劝诫： 如果连拥有顶尖数学家和超级计算机的量化基金都只敢追求 51% 的胜率，普通投资者试图通过“预测涨跌”来致富，无异于缘木求鱼。

我可以为您做的一步：
如果您对这种思维方式感兴趣，我可以为您详细解释“凯利公式”（Kelly Criterion）在量化投资中是如何被用来决定“既然预测不准，每次该下注多少”的。

这是一个非常深刻的问题。答案是：是的，完全可以，而且这正是量化对冲基金（Multi-Strategy Hedge Funds）追求的“圣杯”。

在量化投资中，不同策略不仅可以依赖互相冲突的假设，而且优秀的组合管理者会刻意寻找那些假设互斥的策略，因为这能带来低相关性（Low Correlation）甚至负相关性，从而极大地提高投资组合的夏普比率（Sharpe Ratio）。

以下是几个典型的“互斥假设”案例，以及它们为何能共存：

1. 动量（Momentum） vs. 反转（Mean Reversion）

这是最经典的一对“死对头”，它们的底层逻辑完全相反：

• 动量策略假设： “强着恒强，弱者恒弱”。如果一个资产价格过去一段时间在上涨，假设它惯性会继续上涨。

• 行为逻辑： 追涨杀跌。

• 反转策略假设： “物极必反”。如果一个资产价格偏离了均值（涨太多或跌太多），假设它受到地心引力会回归均值。

• 行为逻辑： 高抛低吸（抄底逃顶）。

冲突点： 当一只股票快速上涨时，动量模型会发出“买入”信号，而反转模型可能会发出“卖空”信号。 为什么共存：

1. 时间周期不同： 均值回归通常在极短周期（分钟/小时级）或极长周期（3-5年）有效；而动量通常在中频周期（3-12个月）最强。量化基金可以在分钟级别做反转，在月度级别做动量，互不干扰。

2. 对冲风险： 当市场出现大趋势时，反转策略会亏损，动量策略会大赚；当市场震荡时，动量策略会“来回打脸”，反转策略会疯狂印钞。两者结合，资金曲线会变得非常平滑。

2. 价值（Value） vs. 成长（Growth/Momentum）

在基本面量化（Fundamental Quant）中，这对矛盾尤为明显：

• 价值因子假设： 市场会犯错，低估差股票。所以要买便宜的（低P/E、低P/B）、通常是近期表现不好的股票。

• 成长/动量因子假设： 市场是有效的，贵的股票之所以贵是因为它好。所以要买表现好的、通常估值较高的股票。

冲突点： 价值因子让你买“垃圾堆里的金子”，成长因子让你买“众星捧月的明星”。 为什么共存： 这是一个完美的互补。AQR等巨头发现，价值因子和动量因子在历史上呈现微弱的负相关。将它们加在一起，可以在不降低预期收益的情况下，大幅降低波动率。

3. 做空波动率（Short Vol） vs. 做多波动率（Long Vol/CTA）

• 做空波动率假设： 市场大部分时间是平静的，恐慌是暂时的。因此，卖出期权（保险）可以赚取权利金（Carry）。

• 心态： “岁月静好”。

• 趋势跟踪（CTA）假设： 市场会有极端的黑天鹅事件，且波动会聚集。因此，要持有期权或追随趋势，等待大波动爆发。

• 心态： “唯恐天下不乱”。

冲突点： 一个赌市场不动，一个赌市场乱动。 为什么共存： 做空波动率类似于“捡硬币”，胜率高但单次收益少（且有爆仓风险）；CTA类似于“买彩票”，平时小亏，一旦危机爆发（如2008年、2020年疫情），CTA会获得巨额收益，正好弥补了其他策略的亏损。

总结：量化视角的“盲人摸象”

如果把市场比作一头大象，不同的量化策略就是摸象的盲人：

• 摸到象腿的说：“市场像柱子一样稳固（均值回归）。”

• 摸到象鼻的说：“市场像蛇一样灵活移动（动量）。”

真正的量化高手（Portfolio Manager）不会争论谁是对的，因为他知道所有人都是片面的。他会同时雇佣这两拨人，让他不管摸到大象的哪里都能赚到钱。

结论： 冲突的假设不仅是被允许的，甚至是构建高夏普比率投资组合的必要条件。如果所有策略的假设都一致，那只要有一个错了，整个基金就破产了。

你的直觉非常敏锐！如果两个策略在同一时间、同一只股票上、做完全相反的操作，并且持有时间也完全一样，那么确实：必然有一个是亏钱的（忽略手续费的话，甚至是零和博弈）。

但是，在实际的量化基金运行中，它们之所以能同时盈利（或者至少总体盈利），是因为存在以下三个关键的“错位”机制：

1. 时间周期的错位（最常见的情况）

这是让互相冲突的策略“化敌为友”的最大魔法。 市场走势不是一条直线，而是像蜿蜒曲折的山路。

• 场景： 某股票正在从 100 元涨到 110 元的过程中，中间回调了一下到 105 元。

• 趋势策略（做多）： 看的是大方向。它在 100 元买入，一直持有到 110 元卖出。（赚了 10 元）

• 反转策略（做空）： 看的是短期波动。当股票冲得太快到了 108 元时，它判断会回调，于是“卖空”，在 105 元买回平仓。（赚了 3 元）

结果： 在同一段上涨行情中，做多的人赚了大趋势的钱，做空的人赚了中间小插曲的钱。虽然方向相反，但因为持仓周期（Holding Period）不同，他们都盈利了。

2. 内部对冲机制（Internal Crossing）

如果两个策略真的在同一秒，一个非要买 100 股茅台，一个非要卖 100 股茅台，会发生什么？

• 散户视角： 账号 A 赚了，账号 B 亏了，基金经理白忙活一场。

• 基金视角： 交易系统会检测到这就“内部撮合”了。基金一股都不用在市场上买卖，直接在账面上划转。

• 结果： 这种情况下，确实没有产生“交易利润”，但是省下了巨额的交易手续费和冲击成本。在量化里，省下的钱就是赚的钱。

只有当策略 A 想买 500 股，策略 B 只想卖 100 股时，基金才会去市场上真正买入 400 股（Net Exposure）。这种机制保证了冲突不会造成双输，只会降低风险。

3. 概率优势的独立性（东方不亮西方亮）

策略的盈利不是看每一笔交易，而是看年度期望值。

• 上半年： 市场是大牛市。

• 动量策略（追涨）：大赚。

• 反转策略（抄底）：小亏（因为一直在卖飞，或者逆势做空被止损）。

• 总结果：盈利。

• 下半年： 市场变成猴市（剧烈震荡，没有方向）。

• 动量策略：回撤（刚买进去就跌，刚卖出来就涨，来回被打脸）。

• 反转策略：爆赚（高抛低吸如鱼得水）。

• 总结果：盈利。

关键点： 既然我们无法预测今年是“牛市”还是“震荡市”，那就两个策略都上。只要它们盈利的时候赚得多，亏损的时候亏得少（截断亏损），那么加在一起，全年的曲线就会非常漂亮。

总结

你说得对，在每一个具体的冲突瞬间，一定是一个对一个错。

但量化投资玩的是组合游戏。就像一支足球队：

• 前锋（进攻策略） 进球时，后卫（防御策略） 可能看起来没啥用。

• 后卫（防御策略） 救险时，前锋（进攻策略） 也没进球。

但只要他们在各自擅长的“比赛时间段”里发挥作用，这支球队（基金）就能赢下比赛。

所以，量化基金最怕的不是“策略冲突”，而是“策略同步”——所有策略同时发出买入信号，或者同时发出卖出信号。这意味着分散化失效了，风险被无限放大了。

弱式有效市场假说（Weak Form Efficient Market Hypothesis, Weak EMH） 是现代金融学基石——有效市场假说（EMH）中最基础、也是最容易被大家误解的一个层级。

由诺贝尔奖得主尤金·法玛（Eugene Fama）在1970年正式提出。为了让你彻底理解它，我们需要从定义、推论、对交易的影响以及现实中的悖论四个维度来拆解。

---

1. 核心定义：什么是“弱式有效”？

定义： 在一个弱式有效的市场中，当前资产的价格已经充分反映了所有过去的市场交易信息。

这里的“过去的市场交易信息”特指：

• 历史价格序列（Historical Prices）

• 历史交易量（Trading Volume）

• 历史收益率（Past Returns）

通俗解释： 大家都盯着过去的K线图看，如果历史走势里真的藏着“必赚的规律”，那么聪明的交易员早就发现了。他们会通过买卖瞬间把这个利润“吃干抹净”，导致价格迅速调整。因此，只要是你能看到的历史走势，对于预测未来价格都是无效的。

2. 核心推论：技术分析无效

这是弱式有效市场假说最“得罪人”的地方。如果它是真的，那么：

1. 技术分析（Technical Analysis）完全无用：

• 所有的K线形态（什么“三只乌鸦”、“头肩顶”、“金叉死叉”）。

• 所有的技术指标（MACD、RSI、布林带）。

• 结论： 看图炒股是徒劳的。你无法通过分析过去的图表来获得长期超额收益（Alpha）。

2. 价格服从“随机漫步”（Random Walk）：

• 今天的价格变动和昨天的价格变动没有关系（序列无相关性）。

• 就像抛硬币，前面连续出了10次正面，第11次出正面的概率依然是50%。股价昨天涨了，并不意味着今天更有可能涨（惯性不存在）或跌（回调不存在）。

3. 基本面分析可能有效：

• 请注意，弱式有效并不否认基本面分析（Fundamental Analysis）。它只说“看图”没用，但如果你去研究财报、宏观经济、公司管理（这些属于公开信息，属于半强式有效的范畴），你可能依然能赚钱。

3. 为什么量化策略看似在“打脸”弱式有效？

你之前的提问提到了“动量策略”和“反转策略”，这两者本质上都是基于历史价格数据的。

• 动量（Momentum）： 过去涨，未来还会涨。

• 反转（Reversion）： 过去涨太多，未来会跌。

这就出现了一个巨大的悖论： 如果弱式有效假说成立，过去不影响未来，那么动量和反转策略应该都赚不到钱才对。但在现实中，这两个策略是量化基金最赚钱的来源之一。

学术界与实业界的解释： 这证明市场并不是完美“弱式有效”的。量化投资者赚的钱，本质上就是市场无效性（Market Inefficiency） 的钱。

• 行为金融学的解释： 人不是理性的。因为投资者有“追涨杀跌”（导致动量）和“过度反应”（导致反转）的心理偏差，导致价格并没有瞬间反映历史信息，而是有一个滞后。量化模型就是捕捉这个滞后。

4. 弱式有效假说在今天的真实地位

在当今的投资界，大家对弱式有效的态度是非常微妙的：

A. 对散户：它是真理

对于普通个人投资者，看着MACD金叉去买股票，长期来看确实赚不到钱。因为简单的图形规律已经被成千上万的量化算法挖掘光了。对于散户，市场就是弱式有效的，甚至更强。

B. 对量化机构：它是要被攻破的“墙”

量化机构的工作就是寻找“统计意义上的微弱失效”。

• 他们不看简单的“金叉”，而是用深度学习挖掘非线性的、极度复杂的历史价格模式。

• 他们发现，虽然简单的K线没用，但如果结合了微观结构（Order Flow）、波动率曲面等高维数据，历史数据里依然藏着微弱的信号。

总结

弱式有效市场假说就像物理学里的“真空环境中羽毛和铁球同时落地”：

1. 理论上： 它是金融学的基准模型，告诉我们不要试图简单地通过“看后视镜”来驾驶（不要迷信技术分析）。

2. 现实中： 空气阻力（人类的非理性、市场摩擦）是存在的。

3. 结论： 市场接近弱式有效，但不是完全弱式有效。量化交易员就是那些利用显微镜寻找“空气阻力”并借此获利的人。

这是一个非常直击灵魂的问题。如果不绕弯子，直接回答你：

对于单个股票，确实存在“胜率极高”的做法，但这些做法通常伴随着两个致命的代价：要么是“收益极低”，要么是“风险极高（一次亏光）”。

如果你的目标是“胜率高 + 收益高 + 风险低”的预测单个股票的方法，那么答案是：不存在。如果有，那是内幕交易（违法）或者庞氏骗局。

我们可以把“单个股票的预测”拆解为以下几种残酷的现实：

1. 所谓的“高胜率”陷阱：压路机前捡硬币

你完全可以构建一个对单个股票胜率高达 90% 甚至 99% 的策略，但这是一剂毒药。

• 做法： 假设某股票现价 100 元。你预测它“明天跌幅不会超过 10%”。

• 操作： 卖出深度的看跌期权（Put Selling），或者进行某种极短线的网格交易。

• 结果： 在 99% 的交易日里，股票确实不会暴跌 10%，你每天都能赚一点点“权利金”或“微利”。你的胜率看起来接近 100%。

• 代价： 剩下的那 1% 的日子（比如财报暴雷、监管黑天鹅），股票跌了 20%。你会把过去 3 年赚的所有钱在一天内亏光，甚至倒欠券商的钱。

结论： 在单只股票上追求高胜率，往往是在通过扛单（无限承担尾部风险）来换取虚假的胜率。

2. 为什么单只股票比大盘更难预测？

量化机构通常回避重仓单只股票，因为信噪比（Signal-to-Noise Ratio）太低。

• 个体的随机性： 就像你可以比较准确地预测“全国明年有多少人死于车祸”（大数定律），但你完全无法预测“隔壁老王明天会不会出车祸”。

• 黑天鹅密集： 单只股票面临独有的风险（Idiosyncratic Risk）。CEO 突然离职、厂房着火、大客户砍单……这些事件在数学上是离散的、不可建模的。

• 主力资金的博弈： 在单只股票上，如果你的资金量小，你是随机漫步的受害者；如果你的资金量大，你就是对手盘的猎物。

3. 真正的高胜率存在于哪里？（你可能无法参与）

虽然普通人无法预测，但在某些极短或极特殊的维度，单只股票的走势是可预测的：

A. 微观结构层面（毫秒级）

• 高频交易（HFT）： 他们不是预测“明天涨不涨”，而是预测“未来 10 毫秒内，买单多还是卖单多”。

• 逻辑： 如果看到大量买单涌入（Order Book Imbalance），下 1 秒价格上涨的概率可能高达 80%。

• 门槛： 你需要几亿美金的设备、放在交易所机房的服务器（Co-location）和顶级的算法。

B. 事件驱动套利（Event Driven）

• 并购套利： 公司 A 宣布以 50 元收购 公司 B，公司 B 现价 48 元。

• 逻辑： 只要收购不失败，股价最终会涨到 50 元。这有很高的胜率。

• 风险： 如果反垄断调查导致收购失败，股价会瞬间跌回 30 元。

C. 内幕信息（非法）

• 这是唯一能实现“高胜率 + 高收益”的方法。比如提前知道财报数据。但这是刑法管辖的范围。

4. 对于普通交易者，有什么“相对高胜率”的做法？

如果你非要做单只股票，并且想要提高胜率，量化思维给出的建议是“放弃点位预测，转向条件概率”：

• 不要问： “茅台明天会涨吗？”（这是抛硬币，胜率 50%）

• 要问： “如果茅台已经跌破了年线，且成交量放大了 3 倍，且整个白酒板块都在跌，那么它未来 3 天继续跌的概率是多少？”

这是量化的精髓：寻找“条件偏差”。 即使加上了这么多条件，胜率可能也只能从 50% 提升到 55% 或 60%。这已经是顶级高手的水平了。

总结

单个股票的涨跌，短期内是布朗运动（随机的），长期看是基本面映射。

所谓的“高胜率做法”通常只有两种可能：

1. 你是庄家/内幕人（你能看到底牌）。

2. 你在做“大概率赚小钱，小概率亏大钱”的策略（幸存者偏差，只要没炸，胜率都高）。

对于个人投资者，最理性的做法不是寻找“必胜的预测”，而是承认“我不知道下一把是涨是跌”，所以我要通过资金管理（止损、仓位控制）来保证自己即便猜错了，也不会死。

---

我可以为您做的一步： 既然提到了胜率和赔率的关系，很多投资者亏损的原因是“胜率高但赚得少，胜率低却亏得多”。您想了解一下如何计算“盈亏比”（Risk/Reward Ratio），看看在只有 40% 胜率的情况下如何依然实现盈利吗？

弱式有效市场假说（Weak Form EMH） 的提出，是金融学从“江湖术士的玄学”迈向“严肃科学”的分水岭。

要理解它，我们需要回到 20 世纪中期那个计算机刚刚诞生、华尔街还在手绘K线图的时代。

一、 提出的历史背景：从“寻找周期”到“发现随机”

在 1950-1960 年代之前，金融市场并没有像样的理论体系，当时的主流观点分为两派：

1. 图表派（Chartists）： 也就是现在的技术分析鼻祖。他们认为股价像潮汐或天气一样，有固定的“周期”和“波浪”。只要找到这个规律，就能预测未来。

2. 基本面派： 认为股价最终由公司价值决定，但当时缺乏系统的数据分析工具。

关键转折点（背景事件）：

1. 肯德尔的“失败”与震惊 (1953)： 英国统计学家莫里斯·肯德尔（Maurice Kendall）试图通过当时强大的算力分析英国股市，原本目的是找出股价波动的“周期性规律”。 结果： 他震惊地发现，完全找不到任何规律！数据看起来就像是一个醉汉在走路（随机漫步）。他在论文中写道：“数据表现得就像游荡的醉鬼，没有任何方向感。”

2. 计算机引入金融研究 (1960s)： 随着计算机进入大学，尤金·法玛（Eugene Fama）等年轻学者开始用海量数据测试股票价格。他们发现，无论用多么复杂的统计模型，都无法利用过去的价格来预测未来的价格。

3. 法玛的总结 (1970)： 尤金·法玛在 1970 年发表了里程碑式的论文《有效资本市场：理论与实证研究回顾》，正式提出了“有效市场假说”，并将“弱式有效”定义为基准状态。

---

二、 用来说明什么问题？（核心逻辑）

弱式有效市场假说主要用来解释和解决以下三个令人困惑的金融现象：

1. 说明“为什么技术分析（看图）长期无效”

这是弱式有效最直接的攻击对象。

• 问题： 既然K线图、趋势线、双重底这些形态大家都知道，为什么靠它们发财的人那么少？

• 解释： 因为在一个信息流通的市场里，“历史价格信息”是最廉价、最容易获取的信息。

• 如果“连续跌三天第四天必涨”是真的，那么所有人都会在第三天收盘前买入。

• 这一买入行为会直接把价格抬高，导致“第四天必涨”的利润在第三天就被瓜分殆尽。

• 结论： 任何基于过去价格的规律，一旦被发现，就会因为套利行为而瞬间失效。

2. 说明“价格随机并不代表市场混乱”

在肯德尔发现股价是“随机漫步”时，人们很恐慌，以为股市是赌场，毫无理性。弱式有效假说给出了一个极其精彩的反直觉解释：

• 问题： 为什么股价变动是随机的？

• 解释： 这恰恰是因为市场太聪明（太有效）了。

• 价格是对信息的反应。

• 未来的新闻（利好/利空）是随机出现的，是不可预测的。

• 因为市场反应极快，昨天的信息已经反映在昨天的价格里了，今天的价格变动只取决于今天的新信息。

• 结论： 价格的随机性，反映的是新信息的随机性，而非市场本身的非理性。

3. 说明“没有免费的午餐”

它试图打破投资者的幻想，即认为可以通过简单的勤奋（如每天盯着行情软件看）就能获得超额收益。

• 问题： 为什么很多专业基金经理跑不赢指数？

• 解释： 因为他们花费大量精力研究的“历史走势”并没有包含对未来有用的信息。在弱式有效的市场里，下一刻的涨跌与上一刻独立无关（就像抛硬币，之前出10次正面，下一次出正面的概率还是50%）。

---

总结

背景： 它是在计算机算力介入金融分析后，学者们发现“根本找不到股价周期规律”的背景下提出的。

解决的问题： 它从理论上判了纯技术分析的“死刑”（在学术意义上）。它告诉世人：不要试图在后视镜里寻找未来的道路。 如果你想战胜市场，你必须去挖掘公开信息以外的东西（这引出了后来的半强式和强式有效假说）。

这就像是一个魔术揭秘：一旦你知道魔术（历史规律）是怎么变的，这个魔术（超额收益）就不再神奇，也无法再用来骗人了。

这是一个非常尖锐且直击本质的反问！

既然弱式有效假说说“看历史数据没用”，那为什么现在以文艺复兴（Renaissance）、城堡（Citadel）为代表的量化巨头，往往赚得盆满钵满？

这并不是有效市场假说的彻底破产，而是理论与现实之间发生了奇妙的化学反应。量化能赚到超额收益，主要有以下几个核心原因：

1. 他们用的早就不是“过去的价格”了（降维打击）

弱式有效假说说的是“仅靠历史价格和交易量”赚不到钱。但今天的量化机构早就跨越了这个范畴：

• 另类数据（Alternative Data）： 他们分析卫星图像（看沃尔玛停车场的车辆数预测财报）、抓取社交媒体情绪（看散户在Reddit上讨论什么）、甚至追踪私人飞机的航线（预判并购案）。
• 微观结构数据： 他们看的是订单簿里毫秒级别“下了又撤、撤了又下”的虚假挂单（Spoofing），这种极微观的吃单博弈，远超出了传统价格图表的范畴。

他们赚的，已经不是“弱式有效”里提到的价格规律的钱，而是“信息差”和“算力差”的钱。

2. 格罗斯曼-斯蒂格利茨悖论（The Grossman-Stiglitz Paradox）

这是金融学对你这个问题最经典的解答，由两位诺奖得主提出。

• 悖论： 如果市场是完美有效的，因为没有任何规律可挖，所有人都会放弃研究（买指数基金躺平）。但如果所有人都放弃研究，市场里就没了“聪明钱”，价格就会乱走，市场就会变得极其无效。
• 真相： 市场永远不可能达到完美的有效。它必须保持一定程度的无效（Inefficiency）。
• 量化的角色： 市场里存在一些短期的“定价错误”。量化机构花费数亿美金算力去发现这些错误。量化基金赚到的超额收益，正是市场付给他们的“打扫卫生的工钱”。 他们消除错误的过程中，让市场变得有效。

3. 微弱且极短的非线性规律（非人类能察觉）

弱式有效假说能推翻的是“MACD金叉必涨”这种简单的线性规律。

但在复杂的非线性数学空间里，规律依然存在，只是：

• 极其微弱： 胜率可能只有 51%。
• 转瞬即逝： 一个定价错误可能只存在 0.1 秒。
• 极其复杂： “当标普跌0.5%，且原油涨1%，且可口可乐订单流呈现买入倾斜时，百事可乐在未来3分钟有55%概率上涨。”

这种规律普通人（和半个世纪前提出现论的经济学家）根本发觉不了，只有深度学习和高频算法能捕捉。

4. 有些超额（Alpha），其实是伪装的风险（Beta）

很多量化策略赚的看似是“稳赚不赔的超额收益”，其实是在卖隐形保险。

• 比如某些做市策略或套利策略，平时每天稳赚一点点，但如果遇到类似 2008 年雷曼倒闭、2020 年美股熔断这样的极端黑天鹅，他们可能会在一天内爆仓。
• 你以为他预测准了，其实他只是承担了别人不愿意承担的尾部风险（Tail Risk）或流动性风险，从而收取了风险补偿金。

总结

有效市场假说并没有错，它只是一个“物理学上的绝对真空”。

现实世界是有阻力和碎片的。量化基金之所以能赚钱，是因为他们装备了最先进的显微镜（算力）和镊子（算法），在价格完全反映所有信息之前的几毫秒或几天的时间差里，捡走了那些肉眼看不见的利润碎屑。

你的反驳极其精准！这说明你已经不再局限于表面的“快进快出”，而是看到了量化投资的另一座大山：长线量化（基本面量化 / 因子投资 / Smart Beta）。

例如，著名的量化巨头 AQR（崖山资本）、DFA（维度基金）以及国内的很多指数增强基金，他们的持仓周期不是毫秒、不是天，而是几个月甚至几年。

既然他们不靠“天下武功唯快不破”，那他们在长线中赚的到底是什么钱？这恰恰引出了现代金融学对“超额收益”的另一种解释：

1. 赚的是“风险补偿”（Risk Premia），而不是“免费午餐”

这里有一个金融史上最绝妙的闭环：提出“有效市场假说”的学者尤金·法玛（Eugene Fama），后来自己又提出了一个量化模型——Fama-French 三因子模型。这个模型正是大量长线量化基金的祖师爷。

长线量化认为，市场确实是有效的，但风险不仅限于大盘的涨跌。

• 价值因子（Value）： 量化基金长期买入“便宜/破净”的垃圾股。他们为什么能赚钱？因为这些公司随时面临破产倒闭的风险。长线量化是在替市场承担破产风险，从而拿到长期的风险补偿金。
• 小盘因子（Size）： 买入小市值公司。因为小公司抗风险能力差、流动性差，量化基金长期持有它们，赚的是“流动性匮乏”的补偿款。

结论： 长线量化赚的超额收益，在很大程度上是“苦劳费”——承担了普通散户或公募基金经理不愿意承受的特定风险。

2. 赚的是人类长期无法克服的“心理偏差”（行为金融学）

市场的参与者是人，而人的心理弱点（贪婪、恐惧、认知偏差）在几百年里都没有变过。长线量化通过冷酷的机器，长期收割这些由于人类情绪导致的结构性定价错误：

• 人喜欢“买彩票”： 散户特别喜欢那种波动巨大、有可能一飞冲天的股票（哪怕亏损累累）。长线量化反其道而行之，做多长期稳定低波动的股票（Low Volatility 因子），做空那些“彩票股”。
• 人对好消息反应迟钝： 当一家公司连续几个季度业绩超出预期时，大多数人不敢相信它能一直好下去，导致股价没有一次性涨到位。长线量化捕捉这种“渐进式上涨”（基本面动量），吃足长线红利。

3. 持久战中的“大数定律”（广度致胜）

传统的主观长线基金经理（比如巴菲特）可能长期持有 20 只股票，靠的是对这几家公司几近“开天眼”的深度理解。

而长线量化（比如量化指数增强）的做法是：

• 买入 1000 只 股票。
• 根据一定的因子（例如：ROE高一些、估值低一些），稍微倾斜（Tilt）一下权重。
• 只要这 1000 只股票作为一个整体，能在未来 3 年里每年比大盘多涨 2%，那就是巨大的成功。

这就是量化的“广度（Breadth）”。他们不依靠预测单一股票的长线涨跌，而是利用海量的标的，把单只股票的微小统计优势，通过大数定律固化下来。

总结：长线量化的本质

如果说高频量化是“天下武功唯快不破”的刺客，那么长线量化更像是“农业种植”：

他们并没有推翻“市场难以预测”的共识。他们不预测“明天谁涨”，而是相信：“只要我在春天把具有某种特质（优质、低估、高分红）的种子广泛播撒在泥土里，即使几粒种子被鸟吃了（黑天鹅），即使有些被旱死了，但秋天到了，整体上我一定会收获比野草（不加筛选的指数）更多的粮食。”

这就是长线量化在弱式有效市场中依然能存活并盈利的底层逻辑。