个人投资者使用量化的方法来进行投资，通过合理预期收益和管理风险，是可以胜过专业基金经理。通过量化模型构建投资组合来战胜指数是我们课程的目标。

量化含义是投资决策时主要基于定性分析还是定量分析。定性分析也被称作基本面分析，研究重点放在商业关系的逻辑推理，历史验证、主观判断等思维方式，并且通常不使用复杂的模型来区分股票优劣。定性几乎都是主动管理，投资者倾向于选择那些他们预期能够超越大盘的股票。他们选股所使用的信息基于宏观行业数据，公司利润表、资产负债表、现金流、财务比率、拜访上市公司、研究报告以及其他的一些分析方法。他们尤其依赖于自身的直觉反应、判断与粗略的计算来对他们搜集的信息进行筛选。

与定性管理相对直观的过程不同，定量分析是基于大数据，机器学习，数学与统计学等。在投资决策中，量化投资会使用所有可用的与投资相关的数据和可量化的信息。与基本面分析不同，量化分析使用他们所收集的数据来建立股票收益率的量化模型。这些模型运用高级统计，机器学习，深度学习来区分股票优劣。本质上，量化投资通过数学方法客观而非主观感觉来筛选信息，运用量化模型超越基准或指数的回报。我们将聚焦于研究以获得超额收益为目的的量化方法。

近几年来，随着科技的发展，量化投资逐渐流行起来。过去，复杂的量化模型需要电脑花费数天的时间才能完成计算，而现在只需要几分钟就能完成。计算速度的大幅提升使得量化算法能够通过对海量数据的挖掘来发现未曾被发现的投资机会，与此同时，互联网使得大量数据的获取变得容易起来。甚至一些基本面基金经理也开始尝试量化方法。

最后，基金收益的稳定性也成为其卖点。量化策略能够精确地控制风险，不仅能够帮助组合避免净值的大幅波动，还能够提供可靠的回报，而这正是许多基金经理所追求的。尽管有许多基本面的明星基金经理也能够不断地战胜市场，但长期的平均收益率却无法战胜指数。他们的基金偶尔会获得极高的收益率，但总是在之后的几年业绩欠佳，使用量化风险控制的投资组合波动比较小，因此对于净值如过山车似的产品而言这是一个具有吸引力的替代品

通过不断挖掘新因子为模型注入活力，保持收益持续增长，避免策略失效。

机器学习通过不断地网络寻优和回测，找到最优参数，持续提高策略收益。

将多个因子输入到深度学习模型中，将大幅提高收益率，即使已经失效的因子，在模型中也能再次获得超额收益。