上周有位客户来聊产品，说到一半停下来，问我一句很实在的话：你们讲的量化，是不是就是电脑自己在那儿买卖。
我说电脑确实在买卖，但赚钱的地方不在"买卖"这一步。
他追问那在哪。这位客户在制造业管过生产线，我就拿他熟悉的场景打比方：一条产线，原料进来，几道工序加工，最后出成品，每道工序都有自己的良品率。量化基金也是这么一条线，只是原料换成了数据，成品换成了持仓。
我把这条线给他捋了一遍。
最前面是数据。行情、财报、公告、股东变动，还有一些不那么常规的，比如产业链上下游的价格、招聘信息、物流数据。这一步最枯燥，也最容易被忽略：数据错了、慢了、口径前后不一致，后面全歪。管理人之间真正拉开差距的地方，往往不在模型多花哨，而在数据这层打得多扎实。
中间是因子。因子说穿了就是一句可以量化的话。"便宜的公司长期跑得比贵的公司好"是一个；"过去半年涨得好的，接下来还会涨一段"是一个；"利润质量高、现金流跟得上净利润的公司更抗跌"也是一个。每家管理人手里都摆着几十上百个这样的句子，有的来自会计逻辑，有的来自统计规律，有的来自对某类投资者行为的观察。
再往下是组合。机器要在很多约束下决定每只股票买多少：单只能到多少权重，行业偏离指数能到多少，换手不能超过多少。这些约束比因子本身更能解释，为什么两家用着相似因子的管理人，做出来的产品性格完全不同。
最后是交易。买进去的价格、冲击成本、佣金税费，都要从超额里扣。同一个模型，执行做得糙，一年下来能吃掉相当一部分收益，这部分很少出现在路演材料上。
讲完这条线，我说了一句我觉得最要紧的话：机器不是在预测明天哪只股票会涨。它做的是概率上的小生意——在几千只股票、几百个交易日里，找出那些胜率略微偏高的机会，每一笔赚一点点，靠次数把它堆成一条曲线。所以单看某一笔，它经常是错的。客户听得有点意外，我补了一句，这恰恰是它能长期做下去的原因：它不靠神准，靠的是重复。
他接着问，那是不是模型越聪明越好。我说不一定。更复杂的模型不等于更稳的结果，复杂度上去，过拟合的风险也上去——它在历史数据里找到的那条规律，可能只是噪音。所以看一家管理人，我从来不问你们模型有多先进，我问的是另一个问题：你的超额主要来自哪几类因子，这些因子在什么样的市场环境里会失效，失效的时候你是怎么发现的。能把这个答清楚的人，通常也知道自己不能做什么。
这条产线上，人还在。什么算便宜、什么算质量、哪些数据值得花钱去买，这些判断是人做的。机器承担的是执行和纪律：它不会因为昨天亏了钱就想加仓，也不会因为账面好看就松手。我见过的亏损，很多不是判断错，而是判断对了，中途改了主意。
那位客户最后说了句话，我记了下来：所以你们卖的不是聪明，是稳定。我说这话比我们自己的材料写得准。
📌 数据来源：公开市场信息整理
⚠️ 仅个人经验分享，不构成投资建议，入市有风险。