上篇我们从21点切入开始了我们量化的话题。
（详情请戳：小白如何系统学习量化投资 Vol.1｜品职量化小学堂）
从上篇文章大家的反响来看，大家对量化投资的学习有极大的热情。
今天我们会从相近名词解析开始对量化投资进行系统的介绍。
P Quant和Q Quant到底哪个是未来？
P-Quant & Q-Quant
（金融量化中的“少林”和“武当”）
很多人不知道有这对名词，但我相信大家都会有一个疑惑，对衍生品定价算不算量化？
那么对冲基金里面用模型找到的交易策略算不算量化？如果都是量化的范畴，那么这两个方面看起来差别特别大。我们很多人在找量化相关的书籍和课程的时候，有些人推荐一定要看《期权期货及其他衍生品》，看过的人知道这本书更多的是讲应该怎样对衍生品定价的。
而且很多人听过CQF考试（CQF是Paul Wilmott搞的一个培训课程和认证体系。），但是你搜一搜CQF的内容，会发现它主要讲的是金融衍生品和FICC产品（期权 互换 债券 结构化产品等）定价以及量化风险管理的内容，是咱们国内听说的量化明明就是指用计算机生成的模型来进行投资交易啊。
其实这就是P-Quant和Q-Quant之分。
金融市场的买方（buy-side）
和卖方（sell-side）
要彻底理解两者的区别，我们先来看一个概念：金融市场中的买方和卖方。
买方，就是金融产品的购买者。
卖方，则是金融产品的出卖者（也就是销售）。
比如最简单的股票，上市公司的股票往往是由投行和券商来帮他们吆喝的，他们口若悬河、舌灿莲花，详细介绍公司的业务和未来的成长，目的就是把股票以更高的价格卖出去。金融衍生品交易也是类似的，投资银行和券商主要从事设计开发原始产品以及负责原始产品的销售推广；而共同基金、对冲基金、养老基金、信托公司以及资产管理公司初步充当买方的角色，他们可以从投行或券商那里购买原始产品，然后根据自己对未来市场的预测，配合自己的投资策略，长线持有、或者不断地短线买卖，为投资者获利。
在这个过程中，卖方有一个很重要的工作就是要为自己吆喝的产品定价，比如我们品职要准备上市了，投行要为品职的股票定价，然后卖出去，衍生品的交易是一样的道理，只不过衍生品的定价会更加复杂一些。
P-Quant和Q-Quant在买方卖方的应用
Q-Quant一般应用在卖方，主要就是利用数学模型对复杂的衍生产品进行定价。学过金融的人一定知道，衍生品定价的基本原则是风险中性的定价思路，定价机制还是主要应依据数学模型，比如随机过程、偏微方程，所以由此推导出的定价模型大多充满了学院派气质且理论性十足，显得高深晦涩，一般人好像做不了。
所以Q-Quant有时候又被我们称为风险中性测度。在“风险中性”的理论假设下，衍生品被确定的价格是完美市场上、是在normal的状态下、是符合正态分布特点的价格。由于 Q-Quant主要背靠数学模型而不依赖历史数据，这意味着即便在数据相对匮乏的情况下，我们也依然可以依据理论凭空开发出一些新的产品，这对金融市场中的卖方而言，绝对是喜闻乐见的。所以以投行和券商为代表的卖方，大多从事衍生品定价，即通过开发和销售新的金融衍生品来实现获利，他们更倚重 Q-Quant所具备的可实现“从无到有”的制造特性。
如果说 Q-Quant主要是卖方的心头好，那么 P-Quant则是可谓是买方的白月光。P-Quant主要就是根据历史数据去预测未来走势，然后确定交易策略。所以说白了，作为投资者，大家最想学的赚钱策略其实是P-Quant的内容。大家津津乐道的西蒙斯、长期资本管理公司（LTCM）、大本营基金都是P-Quant的高手。
比如量化策略里最经典的统计套利，就是根据历史数据测算出来两种产品的相关系数，比如美国国债和公司债的收益率在正常市场状态下，相关系数是大于0，但是由于两者之间风险的差别，公司债风险更高，投资者会要求更高的回报，所以公司债相对于国债会有一个利差，比如根据历史数据，历史平均利差是10bp，但是现在市场上利差达到了12bp，那么量化投资者就可以根据这个情况判断目前公司债的收益率很高，那就意味着公司债目前的价格是被低估的，那么他就可以下达买入公司债、卖出国债的指令，而等到利差回复到10bp时，就把头寸平掉，赚取2bp的利差。
所以P-Quant可以理解成真实概率测度，与“风险中性”不同，在“真实概率”的理论假设下，金融产品的价格预测是根据历史数据而估算出来，而不是仅仅依据数学模型演算出来，也就是说，P-Quant所预测出未来走势主要是以数据统计为基础的，因而是“真实”的，而且数据量越大，预测效果就越可能接近未来的实际效果，也就是所谓的“大数据”（Big Data）。当然历史的车轮越往前发展，累积的数据就越多，为了处理卷帙浩繁的历史数据，我们往往离不开计算机的辅助，所以与 P-Quant相关的产品技术也主要是时间序列、贝叶斯算法、机器学习等与计算机技术密切相关的建模方法。
量化交易和金融工程
国内跟量化相关的还有两个名词我们也经常见到，即量化交易和金融工程，我们知道现在越来越多的大学在开设专门的金融工程专业，而且大家也都知道金融工程要学习很多的数学知识，貌似就是量化，那么咱们一般意义上所说的量化交易和金融工程到底有什么区别呢？
其实金融工程从狭义意义上来理解的话就是Q-Quant，因为国内金融工程专业更多的是学习衍生品、债券的定价和风险管理策略。当然从广义上来说，金融工程不仅包括金融产品设计，还包括金融产品定价、交易策略设计、金融风险管理等各个方面。所以广义意义上的金融工程其实是包含量化交易策略的。
我们通常所说的量化交易其实就是P-Quant，主要工作岗位是对冲基金的基金经理和交易员。鉴于我们作为普通投资者，所以我接下来关于量化学习方法和量化策略的介绍主要讨论的是P-Quant。
在某种程度上，P-Quant的跌宕起伏浮其实就是数据分析技术的兴衰荣辱。在历史数据量不够，计算机技术尚不成熟的年代里，P-Quant理论难免因为外力不足而显得捉襟见肘，那时各类金融衍生品凭借着Q-Quant定价模型大行其道。但计算机技术的日新月异，使得海量数据处理瞬间成为了可能，现在很多欧美对冲基金以及投行的自营盘都开始热衷于开发基于“大数据技术”的套利策略。
Q-Quant一点都不学吗？
从我们学习的角度来看，要想彻底称为量化专家，真的开发出能够打败市场的量化交易策略，也不能只学P-Quant，因为很多量化策略的发展也是依托于Q-Quant理论的。
比如我们可以依据BSM模型计算期权的合理价格，然后跟期权的市场价格做一个比较，如果期权的市场价格更大一些，那就说明目前市场认为波动率更大一些（期权价格主要反映的就是volatility），可能是因为突发事件市场一下子乱了方寸，波动性大增，这时候就有了统计套利的机会——因为市场迟早是有效的，那些过激反应的“傻瓜”早晚会意识到自己的错误，波动性会降到长期平均水平，那么我们就可以通过short option来做空波动性，等待波动性的回落。
做空波动性好像听上去有点复杂，因为波动性又不是一种金融工具，那要怎么做空呢？其实根据BSM模型，波动性和期权的价格是一一对应的，所以做空期权就是做空波动性。同时如果想要对冲风险，就可以采用delta对冲策略，通过long stock来规避股价大幅上升带来的风险（这其实是LTCM的期权交易策略）。
而且经典的数理金融理论的发展也给我们创设量化交易策略带来很多新的思路，所以有些时候多读一些最新的论文和理论其实对我们的实践有很大的借鉴意义。
总的来说，金融量化技术可分为两大类，一类是P-Quant，另一类是Q-Quant。它们虽然同样都是把数学模型应用到金融领域中，但是原理和受众却大相径庭，而且各自的风头此消彼长，相当于是金融量化领域的“少林”和“武当”。
以后逢周二晚20:30，我们都会围绕小白如何系统学习量化投资这个话题展开讨论。敬请期待下周二的文章。欢迎大家继续在留言区提建议和评论，说不定量化的课程很快就有了呢。
