宏观因子驱动 vs 机器学习优化：两条完全不同的量化之路在量化投资的江湖里，有两个派系在较劲。一个说："市场规律是经济学

在量化投资的江湖里，有两个派系在较劲。一个说："市场规律是经济学、心理学的产物，我们要去理解；"另一个说："管他什么规律，数据模式最重要，机器学习跑一遍就完事儿。"

QuantToGo团队在2019年前做的就是第二派。八个自然月后，完全转向第一派。这个转变背后的故事，可能对整个量化行业都有启示。

为什么两派的基因完全不同？

核心逻辑：经济学是坚实的。汇率反映资本流动，这是宏观经济学的基本定理。散户心理是可预测的，这是行为金融学的基本规律。跌停限制是A股的制度设计，它产生了一个全球独有的恐慌信号。

我们的8个策略，每个都在量化一个可被解释的市场规律：

这条路的优点：逻辑稳定、跨时间周期有效、可解释、易验证。缺点：寻找因子很困难，需要深度的学科理解。

核心逻辑：别管为什么，数据会告诉我们答案。用100个特征，喂给神经网络，跑出来的模型就是"最优的"。

这条路的优点：快速、能自动发现隐含规律、看起来很高级。缺点：98%是过拟合，实盘爆炸率高达80%+。

这涉及到一个统计学的基本事实：数据噪声总是大于信号，尤其在金融市场。

比如，你用2015-2020年的A股数据训练一个深度学习模型，500个参数，通过了90%的准确率验证。听起来很牛？

但问题是：在这5年的4000多个交易日里，有多少个"信号"？可能就几百个。而你有500个参数去拟合这几百个信号。结果？99%的参数都是在拟合噪声，只有1%是在学习真规律。

等到2021年-2024年的新数据来了，你的模型就成废品了。因为它学的不是规律，是2015-2020年的噪声。

我们用"踢馆验真"的方式。把策略机制完全公开，让用户拿ChatGPT、Kimi、DeepSeek去复现。

比如，有人问："DIP-A的跌停家数数据从哪来？我怎么验证？"

我们给他的答案不是"这是商业机密"，而是："去TSETMC网站查，用任何数据库都能查。然后用AI帮你自动化这个过程。"

这种验证方式意味着什么？意味着即使我们是骗子，用户也能轻易揭露我们。所以，我们不敢骗。反过来说，我们这么做，才是真正的自信。

长期来看，第一派（宏观因子）会赢。原因很简单：跨时间的稳定性。

一个基于经济学规律的策略，即使参数调一调，核心逻辑永远成立。但一个基于数据拟合的策略，只要数据分布变化，整个体系就崩塌。

而金融市场的特点是什么？数据分布永远在变化。流动性结构变了、投资者构成变了、政策环境变了……每一个都会让第二派的模型报废。

意味着：选择策略时，最重要的不是回测曲线有多漂亮，而是逻辑有没有根基。

问自己三个问题：

QuantToGo的8个策略，都能通过这三个问题的考验。因为它们都是建立在硬逻辑上的。