量化投资研发是数据科学最佳的应用领域之一。

首先，量化投资涉及的数据从经济纬度看包括宏观经济、中观产业、微观企业数据，从频次纬度看有高频、中频、低频数据，从数据类型看有结构化数据如财务数据以及非结构化数据如舆情数据、年报数据以及近年来新出现的另类数据。这些数据的及时性、准确性以及覆盖率都显著影响量化模型的预测能力。我们用烹饪来类比量化投资研发，这些数据就是烹饪中的食材，食材好，食才好；

其次，量化投资研发除了对数据挖地三尺以外，还应用了大量的分析模型，投资学家、计量经济学家、统计学家和计算机学家都纷纷将各自领域的方法论引入其他领域的先进理论，来填补原有方法的不足。这些交叉领域的最新研究成果就好比烹饪中的不同的门派的大厨融汇贯通各门烹饪技法，通过工艺创新，挖掘出食材中的特殊味道，形成不同程次的口味，丰富我们的味蕾；

最后，量化投资是一个工程化要求非常高的领域，如果你只是发些不痛不痒自娱自乐的论文，那恭喜你可以不用考虑工程化的问题。如果你还想用自己研究的量化策略为自己贴补些家用，那就要好好研究下工程化了。量化模型没有工程化就类似，厨师拿着菜谱告诉你说，这道菜有多好吃，但是就是不做给你吃。量化模型工程化对个人及团队的要求就更高了，工程化分为两个阶段，第一个阶段就是能用代码处理数据，编写交易策略计进行选股、组合模型、回测以及归因分析；第二阶段就是在第一阶段的基础上将所有工作做好风控的前提下实现在线化、实时化、实盘化。

正是量化投资研发囊括了数据、模型、工程化三个维度的复杂任务，因此也更有挑战性也更加的迷人，能否从这些公开的数据中挖掘出超越市场平均水平的超额收益，比拼的就是在有效约束条件下对数据和模型的掌控能力了。

本博客的目的就是将这三个方面的工作进行系统的梳理，一方面方便自己学习总结，也希望能对有需要的朋友一些帮助。

RoQuant 2023年12月24日 平安夜 厦门