从历史上看，第一支现代意义上的股票在1606年由荷兰的东印度公司发行。在这之后的400多年间，在投资界有各种各样的交易流派出现，但是现代意义下的量化交易却是在1980年代初才兴起，迄今也不过只有30余年的历史。什么是量化投资？一般说来，量化投资指的是用数学模型选取并交易有价证券。这些数学模型往往基于经济学理论或者市场观测到的规律，经历长时间历史数据的检验，编制成程序交由电脑交易。过程中几乎没有人为干预。
著名的量化基金有：James Simons（西蒙斯）1982年创立文艺复兴科技公司（RenaissanceTechnology）。David Shaw，对冲基金D.E. Shaw的创始人，1986年加入摩根斯坦利的APT量化交易组。这个组利用一种叫配对交易（pairs trading）的量化策略在当年赚了约四千万美元。1989年图灵奖的主办单位计算机协会（ACM）下属的知识发现和数据挖掘小组（SIGKDD）举办了第一届数据挖掘的学术年会，出版了专门期刊。1988年以来，西蒙斯掌管的的大奖章（Medallion）对冲基金年均回报率高达34%，这个数字较索罗斯等投资大师同期的年均回报率要高出10个百分点，较同期标准普尔500指数的年均回报率则高出20多个百分点，而且稳定性更佳；从2002年底至2005年底，规模为50亿美元的大奖章基金已经为投资者支付了60多亿美元的回报。更难得的是这个回报率是在扣除了5％的资产管理费和44％的投资收益分成以后得出的。
量化投资出现的主要原因
量化交易的出现离不开如下几个主要原因：现代金融理论的发展，计算机技术的普及和发展，以及交易成本的下降。而这些变化大部分都发生在最近30年内。
1.现代金融理论的发展
传统资产定价的理论框架回顾：
传统资产定价主要基于现金流贴现法。企业的整体价值等于其股票和债券的价值之和。股票的价值等于其未来所有现金流的折现值，债券的价值则等于利息与到期本金的折现价值。以股息贴现模型（DDM）为例，计算一个公司股价，我们需要预测该公司将来派发的一系列股息，然后估算每年的折现率，把未来股息贴现成现值，最后把净现值的全相加起来。这个方法听起来很简单，但实际操作起来相当复杂而且带有主观性。分析师预测一个季度的股息都经常搞错，准确预测将来所有股息更是难上加难。预测未来折现率也有同样的问题。现代金融理论则另辟蹊径。1960年代，威廉？夏普、林特纳等提出的CAPM定价模型，对资本市场均衡状态下的资产风险与预期收益率的关系给出了精确定义。根据CAPM模型，一个股票的预期收益率取决于它和市场的相关性（beta）和无风险利率（risk-freerate）。投资者不用复杂的现金流预测就能估算股票的价值。马克维茨（Harry Markowitz）在50年代创造性地提出了用均值方差最优化的数学方法来选择最优投资组合。这个最优组合不再完全取决于一个股票的预期收益率，而且还和其风险，与其它股票的相关性，以及投资者对风险的喜好程度密切相关。夏普和马克维茨因此研究同获1990年诺贝尔经济学奖。
现代金融理论对传统理论的主要推动作用包括：
a. CAPM等金融定价模型可以很快给成百上千股票估算预期收益率，而传统办法更费时费力；当然，传统方法准确度一般而言比较高。
b. 现代金融理论更强调风险对收益率的影响。最优投资组合往往投资于大量股票以降低组合风险，而传统投资往往只集中于几个或几十个预期回报率最高的股票，组合波动率往往更高。我们可以举个简单例子看看风险对收益率的影响。假设有两个投资策略，策略A一天赚10%下一天赔5%，策略A一天赚6%下一天赔1%。这两个策略赔和赚的概率都是50%，而且每天平均收益率都是2.5%，但是B的波动率要小得多。投资200天之后策略A复合收益率为81.6，策略B的收益率为124.2，比A高50+%。
c. 跳过了复杂易错的现金流预测模型。传统投资模型试图用严密的数学理论给资产定价，却忽视了现金流折现模型中每个参数的估计都具有很大的随机性。参数估计一点小小的变化往往对最后的估值产生巨大的影响。两千年前的毕达哥拉斯曾经说过，上帝用数学法则创造了世界。现代科学的发展却越来越发现其实完全确定的事物只是世界的一小部分。也许更精确的说法是：上帝用概率法则创造了世界，尤其是对于与人类行为有关的事物。
当然，这并不是说现代金融理论就一定强于传统理论。传统投资因为对个股分析更为透彻因此投资命中率hit rate更高。基于CAPM等数学模型赚钱的方式不同。量化交易往往在短期内作出大量的交易。每一个交易的亏赢率虽然小于传统投资模型，但数千次交易之后，只要盈利交易多于亏损交易，总体交易结果就是盈利的。
2.计算机技术的发展
1976年，史蒂夫？乔布斯和斯蒂夫？沃兹尼亚克创办苹果计算机公司，并推出其Apple I计算机。1982年，微计算机开始普及，大量进入学校和家庭。在过去的半个世纪里，计算机基本按照英特尔（Intel）的创始人之一戈登？摩尔提出摩尔定律飞速发展：计算机硬件的处理速度和存储能力，每一到两年提升一倍。
计算机技术的发展极大地推动了社会各方各面的飞速进步。在政治筹款和竞选上，美国2008年的大选被称为是一场数据的较量。奥巴马的竞选团队使用了大数据对不同选民采取了不同的竞选和筹款宣传（microtargeting）；在商业上，商家利用顾客的电子消费记录预测客户的需求。以沃尔玛为例，它每小时要处理100多万笔电子交易记录，可谓每分每秒都在源源不断地生产数据。在体育方面，数据分析也越来越成为教练挑选和训练队员的有力工具。电影《Money ball》描述的就是一家小型棒球队如何通过数据分析挑选物美价廉的球员，最后获得史无前例的联盟连胜纪录的故事。量化交易不过是在这个大环境之下计算机技术对投资和交易的推动而已。
据说，有一个叫Theo Epstein的耶鲁毕业生，出身名门，祖父是电影《卡萨布兰卡》的剧作家。他对用统计模型研究棒球痴迷。Theo后来在2002年成为波士顿红袜队的教练，年仅28岁，创下美国职棒联盟历史。并在两年后带领球队夺下联盟冠军。波士顿在等待八十六年后再度夺冠。
3.交易费用的下降
全球范围内交易费用的下降已经持续了一段时间，在金融市场竞争的推动下，又开始出现继续下降的趋势，例如，日本2014年一月份再次调低了bid-ask spread。
量化交易的引入对于中国的影响
从成熟市场的经验来看，量化交易是市场流动性的主要提供者之一。在许多交易所，一小部分高频量化基金的交易量能达到总交易量的30-40%。高频交易主要提供短期流动性，中长期的流动性往往也由交易频率较慢的量化基金提供。量化交易通常一次性交易成百上千股票，所以单个股票的走势对其影响不大。同时，基于这样的特点，量化基金一般不会卷入内幕交易的丑闻。在许多multi-strategy（多策略）对冲基金里，量化经理是合规部门（compliance）最放心的部门之一。对中国投资者来说，量化基金给那些没有个人背景但是有数学头脑的投资者一个主要依靠专业知识立足金融市场的机会。
串场游戏及解读
1.游戏规则
请从0到100之间任意选取一个整数，不要告诉别人，私信给游戏组织者，胜者将是最接近平均数的三分之二的那位。
2.游戏解读
这是芝加哥大学经济学教授Richard Thaler在《金融时报》上提出的一个游戏。参加者需付10美元参加，优胜者将获得两张免费的伦敦到纽约的往返机票。最后统计下来最多的答案是33，当其他人都随机选择时这是正确答案。次多的答案是22，这是当你多想一步得到的答案。最后他得到的平均数是18.9。如果这是博弈论的一道考试题，那么它其实是有“标准”答案的。如果所有人都足够“理性”，他们应该都选0，因为0的2/3仍然是0，当所有人都选择0的时候没有任何一个人可以通过改变自己的选择而获利。这也是所谓的纳什均衡点。在这个完美世界里所有人都能获得免费机票。不过在现实生活中你确定所有人都那么理性吗？即使你知道这个答案，玩这个游戏时你真的敢选0吗？
3.游戏带来的思考
第一个思考是，是不是所有问题都是有标准答案的？市场上到底有没有放之四海皆准的真理？常有人觉得自己的分析万无一失，可是市场走势就是完全相反。这种情况下，你是相信市场呢，还是相信自己的分析？
第二个思考是，每个人的选择会对结果产生影响，所以结果往往是不确定的。假如这个游戏只有两个参与者A和B。已知A选的是50，B的最佳选择真的是33吗？算一下，（50+33）/2～42，42×2/3=28。当B选择33的时候，精确的答案已经被其选择影响缩小到了28。假设有N个人玩这个游戏，每个人都是博弈论专家，也都知道其他人是博弈论专家。有没有办法能让某些人击败其它竞争者？也就是说有没有比纳什均衡点更“优”的解？如果有两人串通好，一人报100，另一人报100/N×2/3，N是总共参与人数，这两人就会击败所有其他对策论专家。
第三个思考是，在没有任何监管的情况下，资本市场将充斥内幕交易者和做局者，最终把大部分循规蹈矩的投资者吓跑，导致市场投资环境的恶化。
