五种人不适合做量化，和聪明不聪明没关系

有个场面你可能见过：一群人聊到量化，其中一个说「这东西不适合散户」，另一个立刻反驳「工具都这么成熟了怎么不适合」。两个人吵了半天，谁也没说出「不适合」到底指的是什么。

我想把这句话说具体一点。「不适合」很少是智力问题，也不是学历问题。 它通常是一种错配——你这个人身上某个本来无伤大雅的特点，恰好撞上了这套方法最不能容忍的那一环，于是被放大成了系统性的失效。

先划清这一篇的范围。手上有没有干净的数据、每周能不能挤出整块时间、本金够不够摊掉固定成本——这些客观条件是另一篇的事，散户做量化，真实门槛在哪几道 已经一道一道拆过了。这一篇不谈你有什么，只谈你是什么样的人、以及你带着什么预期进来。

顺便说清楚这里说的量化是什么：把「什么时候买、什么时候卖、买多少」写成事先定死的规则，交给程序照着执行，而不是临场看盘拍脑袋。 就这么简单一件事，但正因为它把「规则」和「执行」彻底分开了，人身上的某些习惯在这里的后果，和在手工交易里完全不是一回事。

下面五类。每一类我都讲三件事：它长什么样、为什么在量化里会被放大、以及如果你就是这一类，诚实的出路在哪。

第一类：想快速致富的人

先打个比方

一个人办了张健身年卡，计划是三周练出腹肌。

他不笨，动作也标准，教练教的他全学会了。问题出在别的地方：他的时间表和身体的时间尺度对不上。 三周之后镜子里没什么变化，他会做两件事之一——要么加大剂量到伤了自己，要么认定这套方法没用然后换一套。两条路都通向放弃。

有意思的是，如果他一开始的计划是「一年」，同样的动作、同样的教练，结果可能完全不同。变的不是方法，是他对时间的预期。

这对你的决策意味着什么

带着「快速致富」进量化的人，最大的误会是把它当成了加速器。

它不是。它更像一个乘法器：把你原有的那点优势乘以次数。 如果你每一笔的期望是正的，次数多了会累积；如果你每一笔的期望是负的——比如成本没算清、逻辑本来就不成立——那么次数多了只会让你亏得更快、更平滑、更不容易察觉。自动化对好坏是一视同仁的。

更麻烦的是，「快」这个诉求会倒逼你做一连串具体的选择，而这些选择每一个都在往风险那一头加码：想快，就要提高交易频率，于是成本占比上升；想快，就要放大单笔仓位，于是一次意外就能伤筋动骨；想快，就要把钱压在少数几个品种上，于是你把命运交给了很少的几次事件。这些不是量化特有的坑，但量化会让你更容易、更系统地掉进去，因为它执行起来毫不费力。

为什么在量化里会被放大

手工交易里，「想快」通常会被你自己的疲惫拦住一部分——你一天盯不了那么多次盘，手也点不了那么多单。程序没有这个天花板。你的贪心有多大，它就能把这个贪心执行到多彻底。

它在系统里长什么样

微软开源的量化研究框架 qlib，在自己的示例目录里放了一张基准对比表：把一批学术界的预测模型（很多是这些年被反复提起的深度学习结构）放在同一份中国 A 股数据和同一套流程上跑，把成绩并排列出来。

有三个细节值得你盯住：

第一，表里衡量预测准不准的那一列，数值普遍在小数点后第二位的量级。 这一列叫 IC，说白了就是「模型给出的打分，和后来真实涨跌之间的相关程度」——完全没关系是 0，完全一致是 1。你可以自己感受一下这个量级离「预测未来」有多远：这些是公开发表、被反复引用的方法，在标准数据集上得到的就是这样的数。

第二，表里排在一长串深度模型前面的，有一个叫 Linear 的东西——最朴素的线性模型。 我不是要说复杂模型没用，那不是这张表能证明的事。我要说的是：如果连这份对比里最朴素的那个都能站在中上游，那么「换个更厉害的模型就能暴富」这个念头，从一开始就找错了发力点。

第三，每一个数字后面都跟着一个正负号和一个波动范围。 表头说明写得很清楚：这些是用 20 个不同随机起点各跑一遍之后的平均值和波动幅度。也就是说，作者不给你看「最好那一次」，只给你看「跑很多次的平均长什么样、以及它有多不稳」。

这份说明里还有一句我很欣赏的自我限制，大意是：我们投入的资源有限，已经尽力做了公平比较，但某些模型的潜力可能比表里看上去更大，欢迎你来贡献。一个愿意在自己的成绩表旁边写下「这可能没测到位」的项目，比任何漂亮数字都更值得参考。

还有个更直白的证据在另一个项目里。freqtrade 的常见问题文档在解释「参数寻优为什么这么慢」的时候，写了一句明显是玩笑的话，大意是：请你耐心等着这个世界上最先进的免费机器人，把一套专门为你量身设计的黄金策略递到你手上。作者要拿这句话开玩笑，只能说明真有大量的人是抱着这个念头来的。

诚实的出路

如果你需要的是三个月翻倍，那么答案很干脆：量化给不了，主观投资也给不了，谁给你这个承诺你就该离谁远一点。

但这里有个容易被忽略的分岔：如果你的「快」不是来自贪心，而是来自压力——比如你手上这笔钱本来就有明确的用途和期限——那问题不在方法上，在这笔钱的属性上。期限确定的钱，不该拿去做期限不确定的事。 这一条和量化没关系，它对任何投资方式都成立。

第二类：受不了连续亏损的人

先打个比方

一个投篮命中率四成多的球员，连丢六个球是不是异常？

不是。这就是四成多这个数字在真实世界里的样子——它从来不是「投十个中四个半」这样均匀排列的，它是一段一段的：进三个、丢五个、进两个、丢四个。平均数只描述总量，不描述顺序。 而人受折磨的地方恰恰在顺序里。

一个懂这件事的教练，在球员连丢六个的时候不会换人；一个不懂的，会在第四个球之后就叫暂停，然后彻底打乱这个球员的节奏。

这对你的决策意味着什么

绝大多数人对「我能承受多大亏损」的估计，只算了深度，没算长度和次数。

深度是「一共亏掉多少」，这个数你在开始之前能想清楚。长度是「这个难受的状态要持续多久」，次数是「要连着经历多少笔」。后两个才是真正把人熬走的东西。 账户从最高点掉下去之后要多久才能爬回来，回撤恢复期 那篇专门算过这笔账——结论很不客气：坑的深浅是一次性的疼，在坑里待的时间是每天都在的疼。

如果你的性格是「连亏三笔就必须做点什么才踏实」，那你和这套方法之间存在一个结构性冲突：它要求你在最难受的时候什么都不做，而这恰恰是你最做不到的事。

为什么在量化里会被放大

这里有个特别值得说清楚的差别。

主观交易里，连亏的时候你有很多情绪出口：换个品种看看、把仓位减一半、今天干脆不看盘。这些动作未必带来收益，但它们确实起到了泄压的作用，而且因为你本来就是临场判断，这些动作不会破坏什么「证据」——你本来也没在做实验。

量化把这些出口全封了。规则写死了，它不允许你换品种、不允许你临时减半。你唯一还能做的动作，是把它关掉。于是「忍」变成了你唯一的选项，而人在唯一选项面前的表现，通常比在多个选项面前差得多。

更要命的是关掉的时机。你会在最难受的那一刻关掉它，而那一刻在统计上恰恰是信息量最小的时刻——你手上只有最近这几笔的结果，而这几笔是最不能代表这套规则的一小撮样本。 至于中途干预会怎样让你彻底失去「判断这套方法到底行不行」的能力，真实门槛在哪几道 的心态那一节讲过归因这一层，这里不重复。

它在系统里长什么样

我给你看一个很朴素的证据：连亏这件事，是被写进标准报告字段的。

freqtrade 每跑完一次回测（就是拿历史行情把一套规则重放一遍算出来的成绩单），会打印一张统计表。表里有一行的名字是 Max Consecutive Wins / Loss——最大连续盈利笔数 / 最大连续亏损笔数。它和胜率、平均持仓时长这些放在一起，是每份报告都有的常规栏目。

源码里有个函数专门负责算它：

def calc_streak(dataframe: DataFrame) -> tuple[int, int]:
    """
    Calculate consecutive win and loss streaks
    """

这段代码你不需要看懂，它做的事一句话就能说完：把所有交易按时间排好，标上「赢」和「输」，然后找出最长的那一串连续的输、和最长的那一串连续的赢。

我要你注意的不是这个函数怎么写的，是它存在这件事本身。一个东西被做成报告的固定字段，说明设计者认为每个用户都应该看到它、每次都该看。连亏不是意外，它是这套方法自带的一个属性，跟收益率一样是要被测量、被披露的。

再补一句：这个数字是从回测里算出来的，而回测和实盘从来对不上——回测里的成交是理想化的，费率也常按最优惠那一档算。这三处结构性差异 回测好看实盘亏，差的到底是哪三件事 拆得很细。实盘里你实际会经历的连亏，只会比报告上那个数更难熬，因为报告不会把「你每天打开账户看到的那个数字」也算进去。

诚实的出路

有一个十分钟就能做完的自查，我建议你现在就做：

拿一份你看得到的策略报告，找到最大连续亏损那一格。用这个笔数乘以你打算的单笔亏损金额，得到一个总数。然后问自己：这个总数出现的时候，我会不会关掉它。

答案是「会」也没关系——那说明你的规模定大了，把规模降到你不会关掉的那个水平就是了。真正危险的答案是「我觉得我不会」。所有人在开始之前都觉得自己不会。

第三类：喜欢频繁调参找安慰的人

先打个比方

有个人对体重秤上的数字不满意，于是他开始调整——把秤挪到另一块地砖上，数字变了一点；换到早上称，又变了一点；脱掉外套再称，再变一点。折腾一圈之后，他终于看到了一个自己满意的读数。

他做的这些事，没有一件是错的：地面平整确实影响读数，空腹确实更标准。问题在于他的停止条件不是「测准了」，而是「数字好看了」。 只要停止条件是这个，他一定会停在一个好看的读数上——而那个读数和他的体重没什么关系，只和他的耐心有关系。

这对你的决策意味着什么

调参这个动作有一种很强的成瘾性，因为它给的反馈太即时了：你动了一下，数字变好了。这个「我在进步」的感觉是真实的，只不过它衡量的不是策略在进步，是这套规则和这段历史的贴合度在进步。

这里要说一句可能让人不舒服的话：很多时候你不是在优化策略，你是在给自己找一个可以继续下去的理由。 曲线难看会让人焦虑，把它调好看就不焦虑了——这个心理机制和策略质量完全无关，但它非常有效，有效到能让人在这件事上耗掉几个月。

为什么在量化里会被放大

这是五类里放大得最狠的一类，因为它有一个明确的、可以指名的后果。

在主观交易里，你今天换个指标、明天换个看盘周期，代价主要是浪费时间——你并没有在消耗什么不可再生的东西。

在量化里不是。你每多试一次，就在同一段历史上多考了这套规则一次；而你最后留下的那一版，是「所有试过的版本里，在这段历史上考得最好的那一版」。 一个考了两千次挑出来的第一名，和一个只考了三次就合格的，是两种完全不同性质的成绩，哪怕它们的分数一模一样。这就是过拟合——把历史里恰好长成那样的偶然，当成规律记了下来——而调参这个动作本身就是它的生产线。这条生产线是怎么运转的、跑完之后怎么从结果堆里把这股味道闻出来，过拟合：调参这个动作本身，就是一台噪音制造机 讲得比我这里细得多。

所以同一个毛病，在两边的性质完全不同：手工交易里它浪费的是你的时间，量化里它消耗的是你手上那份历史数据的可信度。 而历史数据是一次性资源，用一次少一次，还没有任何提示告诉你它已经用完了。

它在系统里长什么样

freqtrade 的常见问题文档里有一条问答叫「我需要跑多少轮才能得到一个好的寻优结果」。它的回答里有一句话，我认为是这一节最值得看的东西，大意是：你可以看着结果自己判断——如果它还在不断发现更好的，那就继续跑下去。

这句话作为工程建议没有任何问题。但你把它当成一面镜子读一遍：这台机器永远会给你一个「再试一次」的理由。 它的停止条件是「不再发现更好的」，而在一个足够大的搜索空间里，这一天基本不会到来。你以为自己在等一个终点，其实你站在一条没有终点的传送带上。

同一份文档里还有另外两句话，正好从两头把这件事夹住：一句是它承认这个搜索用的是一种会根据已有结果决定下一步试哪里的方法，所以跑太多轮未必能得到更好的结果；另一句在入门文档的结尾，说得更硬——没有任何单一的技巧、窍门或者配置项，能修好一个表现糟糕的策略。

把这三句连起来读，结论很清楚：这套工具允许你无限地调下去，同时它的作者在文档里反复告诉你，无限地调下去解决不了根本问题。允许和推荐是两回事，而人往往只听见了「允许」。

诚实的出路

给自己上一个记账制度，就一条：

每次动手改之前，先写下你预期它为什么会有效——写在纸上，一句话就够。 改完之后回头看，如果你写不出理由、或者写的是「试试看」，那这次改动就该被记进「碰运气次数」这一栏。

然后把这个次数当成成绩的一部分。试了 3 次得到的成绩，和试了 300 次得到的成绩，可信度差着量级——哪怕后者数字更漂亮。你手上那个数字有多可信，取决于你为了得到它一共试过多少回；这个分母没人替你记，只能你自己记。

第四类：把「跑出好回测」当成就感的人

先打个比方

想想那些把笔记做得极其精美的同学。彩色标签、工整排版、重点分层，翻开来赏心悦目。

做笔记这件事本身没错，那份笔记也确实有用。但你我都见过这样的人：他在笔记上花的时间远远超过在题目上花的时间，而每一次把笔记做得更漂亮，都会给他一次「我在认真准备」的确认。 这个确认是真的，成就感也是真的，只有一件事是假的——它和考试成绩之间没有必然联系。

最难的地方在于，这种人往往非常勤奋。他不是懒，他是把努力投在了一个有即时反馈的地方，而真正决定结果的那件事没有即时反馈。

这对你的决策意味着什么

回测是一个可以无限打磨的作品：图能画得更好看，报告能做得更完整，代码能重构得更优雅。每一次打磨都给你确切的正反馈。

而市场不看你的作品。

于是一个很安静的事情发生了：你的成就感来源和你的收益来源，脱钩了。 你在准备阶段过得很充实，而这个充实本身变成了留在准备阶段的理由。这类人往往几年下来技术越来越熟练，但账户上什么都没发生过——不是因为他失败了，是因为他从来没真正开始。

顺带说一句，如果你享受的就是「造一套系统」这件事，那完全没问题，这是个正当的爱好。只是别把它和「我在投资」混为一谈，更别用它来代替投资决策。

为什么在量化里会被放大

主观交易没有「作品」可以打磨。你看盘、你下单、你对错立现，反馈通道虽然吵闹但是直接的。

量化凭空造出了一个中间产物——那份报告——它长得很像成果，可以展示、可以比较、可以让人夸。它提供了一个可以永远停留在其中的舒适区，而且这个舒适区从外面看起来非常像在努力。

它在系统里长什么样

上游文档在这件事上态度罕见地强硬。

freqtrade 的入门文档在讲回测的时候，专门挂了一个警告，大意是：有些网站给这些策略做排行榜、展示惊人的回测成绩，不要以为那些结果是可以实现的、或者是现实的。 一个开源项目主动去泼自己生态里那些漂亮排行榜的冷水，这个动作本身就有信息量。

同一份文档还写了一句更朴素的话，说策略开发可能是一个漫长而令人沮丧的过程，因为把人的「直觉」翻译成一套计算机能执行的规则，从来就不是件顺理成章的事。

而在回测文档里，长长一串「回测都做了哪些假设」的清单之后，作者写下了这么两句：回测永远不能取代真正跑一遍模拟盘；另外请记住，过去的结果不保证未来的成功。 注意这两句话出现的位置——它不在开头当免责声明，它在你读完了几十条技术细节之后才出现。那是作者知道读者读到这里会开始飘的地方。

还有一个功能特别能治这个病。这个框架允许你把同一份回测结果按天、按周、按月、按年拆开看。文档里给了一张示例的月度表，你看到的东西和总成绩单完全不是一个感受：有整月是负的，好几个月份的胜率还不到一半。 一份总账漂亮的报告，拆开来看是一串需要你活过去的、难熬的月份。

我要强调一句：那张表是文档里的示例输出，不代表任何真实成绩，更不是什么可以期待的收益；而且它还是回测里的数字，实盘只会更糙。它的价值在于让你看清一件事——总成绩是被时间平滑过的，而你要经历的是没被平滑的那个版本。

诚实的出路

给你的成就感换一根接线：把反馈通道从「报告好不好看」改接到「我这个月是否按规则执行了」上。

具体做法可以很土：每周记一次，这周有没有出现规则说该动而我没动、或者规则没说而我动了的情况。这个记录不好看，也没法拿去给人看，但它衡量的东西和结果是有关的。至于一份报告到底该看哪几个地方、哪些指标是被平滑过的，拿到一份策略业绩报告，先看哪几个地方 那篇是专门的入口。

第五类：不接受长期没结果的人

先打个比方

学一门外语，前半年是最没有反馈的一段。

你每天背单词、听音频，但你没法验证自己「进步了」——你唯一能验证的是「我今天练了」。真正能让你确认进步的那个时刻，比如听懂了一整段对话，要等到很久以后才会出现，而且它不会提前打招呼。

大量的人就是死在这半年里的。他们不是学不会，是在能力已经在长、但还看不见的那段时间里，把这件事放下了。

这对你的决策意味着什么

这一类和第二类（受不了连亏）看着像，其实完全不同。连亏是有坏消息，你难受是因为看见了亏损；这一类是没有消息，你难受是因为什么都没发生。

「什么都没发生」对某些人来说比亏损更难忍。一套慢一点的规则，一年可能只出手十几次，这十几次在统计上说明不了任何事；你需要好几年才能攒够足以下结论的样本。这几年里没有捷报，没有里程碑，只有等。

而无聊是干预的头号驱动力。 请注意这个链条：不是因为亏了才动手，是因为闲得难受才动手。这种干预往往还伴随着很正当的说辞——「优化一下」「适应新行情」——但触发它的其实只是那份坐不住。

为什么在量化里会被放大

主观交易的日常有大量微小的正反馈：看盘、读消息、和人讨论、每天都有事做。这些事情未必创造收益，但它们提供了「我参与其中」的感觉。

量化跑起来之后，正常状态是你无事可做。系统在执行，你在旁边看着。你所有的手都是多余的手，而多余的手最后一定会伸向唯一能碰的那个东西——规则本身。

于是绕回了第三类：因为闲，所以调参；因为调参，所以过拟合。 这两类在很多人身上是同一条路上的前后两段。

它在系统里长什么样

时间尺度这件事，上游文档给得很实在。

关于准备阶段：那份常见问题文档建议参数寻优要反复跑，每次跑几百到上千轮，累计跑到上万轮的量级；而跑上千轮要花多久，它给的区间是从二十分钟到好几天，取决于你的机器、数据长度、品种数量和产生的交易笔数。注意这还只是「准备」，一颗真钱都还没投出去。

关于运行阶段：还是那张按月拆开的示例表。它告诉你的事情很扎心——即使是一份总账为正的成绩单，中间也会有连着几个月是负的、或者接近零的。你的耐心不是按「总收益」来消耗的，是按「难熬的月份」来消耗的。 而总收益要等到全部熬完才看得见。

再加上入门文档开头那句「策略开发可能是一个漫长而令人沮丧的过程」——frustrating 这个词是作者自己选的，不是我加的形容。 一份技术文档愿意在正文里用「令人沮丧」来描述自己的主线流程，这在软件文档里并不常见。

诚实的出路

给「等」这件事安排一份正当的工作。

具体来说：事先写下你的判断周期（多长时间、多少笔交易之内，我不下任何结论），然后在这段时间里给自己安排一件确实有产出、又不会碰到规则的事。最合适的那件事是研究你自己——你过去的交易流水里其实存着一份关于你自己的记录，你的交易流水里藏着一份体检报告 讲的就是怎么读它。

这个安排的妙处在于：它满足了你「要做点什么」的需求，产出是真的，而且它动的是你自己的数据，不是那套正在运行的规则。把手放在一个动了也不会造成污染的地方。

五类放在一起看：共同的三个放大器

把五类并排摆一下，你会发现它们的结构惊人地一致——每一条在主观投资里都只是个小毛病，到了量化里都变成了系统性失效。

这一类的特点	在主观交易里的代价	在量化里的代价
想快速致富	冲动交易，亏一笔认一笔	贪心被无成本地执行到底，成本与尾部风险同时放大
受不了连亏	停手换标的，情绪有出口	唯一出口是关掉它，而关掉的时刻信息量最小
频繁调参找安慰	浪费时间	直接生产过拟合，消耗历史数据的可信度
好回测=成就感	没有这个东西可玩	造出一个可以永远待着的准备阶段
不接受长期没结果	每天有事做，感觉充实	无事可做，无聊驱动干预

放大器一共三个，值得单独点名。

第一个是「证据会被污染」。 主观交易本来就不是实验，你怎么改都不破坏什么。量化是实验：规则、数据、执行三样固定，你才能从结果里读出信息。你中途伸一次手，这场实验的结论就不再属于任何人——既不是规则的成绩，也不是你直觉的成绩。

第二个是「历史数据是一次性资源」。 你在同一段历史上试的每一次，都在削弱它剩下的证明力。这一条没有任何提示音，你把它用完了也不会有人通知你。数据窥探 那篇把这个分母数不清的问题讲透了。

第三个是「执行不再有摩擦」。 手工下单的麻烦本身，是一道免费的刹车；程序把这道刹车拆了。刹车拆掉之后，你原本那些被体力和惰性拦住的冲动，会以完整的形态兑现出来。

看明白这三个放大器，你就能自己判断新的情况了：凡是会污染证据、会多消耗一次历史、或者会绕过刹车的习惯，在量化里都要按加重来算。

结论可以是「那就别做」

写到这里我要说一句可能不太符合这类文章惯例的话：如果你在上面五类里对号入座了，最好的选择很可能就是不做。

不做量化不等于不投资，更不等于认输。有几件事量化很难做好，而主观投资天然擅长：需要理解一家公司业务变化的判断、需要综合大量非结构化信息的判断、样本极少但每一次都很重要的机会。这两条路的真正差别在哪里、各自的优势区在哪，量化和主观的真正差别，不是用不用电脑 是专门讲这件事的。

而且还有第三条路，我认为它对绝大多数人的性价比最高：不做量化，但用量化的技术来诊断自己。

你不需要写策略、不需要跑程序、不需要每天开着一台机器，你只需要拿量化那套「一切都要被测量」的思路，回头看自己已经做过的交易——赚一点就跑还是亏了死扛、哪一类操作在持续渗漏、哪条自己定的规矩从来没被执行过。查出毛病之后怎么把它变成一条真能执行的规矩，查出毛病之后，怎么把它变成一条真能执行的规矩 接着往下讲。

这条路借走了量化最值钱的那部分——测量和纪律——却不需要你承担写系统、跑系统、忍系统的全部代价。 对一个已经有投资基础、但不打算写代码的人来说，这多半才是那个正确的位置。

小结

• 「不适合做量化」很少是智力问题，通常是错配——你身上某个本来无伤大雅的特点，撞上了这套方法最不能容忍的那一环。
• 想快速致富：量化不是加速器，是乘法器；「想快」会倒逼你提频率、放大仓位、集中持仓，每一条都在往风险那头加码。开源基准表里那些前沿模型的预测能力，量级远比想象中低。
• 受不了连续亏损：连亏是分布自带的属性，不是意外——它被做成了回测报告里的固定字段。量化封死了所有情绪出口，只留下「关掉它」这一个，而人会在信息量最小的时刻按下它。
• 频繁调参找安慰：同一个毛病，手工交易里浪费的是时间，量化里消耗的是历史数据的可信度。工具允许你无限调下去，作者却在文档里明说没有任何单一配置能修好一个糟糕的策略。
• 把好回测当成就感：回测是个可以无限打磨的作品，而市场不看作品。成就感来源和收益来源一旦脱钩，人会永远停在准备阶段。
• 不接受长期没结果：这一类难受的不是坏消息，是没有消息；而无聊是干预的头号驱动力，它最后一定会绕回调参那一类。
• 三个放大器：证据会被污染、历史数据是一次性资源、执行不再有摩擦。凡是碰到这三条的习惯，在量化里都按加重算。
• 结论可以是「那就别做」。主观投资一样能赚钱；还有第三条路——不做量化，但用量化的思路诊断自己已经做过的交易。

一句话说完这篇：这件事不挑聪明人，它挑的是能等、能忍、能忍住不去动它的人；如果你不是这种人，换条路走完全不丢人，硬来才真的会付学费。