P-Quant & Q-Quant
金融量化中的“紅軍”和“白軍”很多人不知道有這對名詞，但我相信大家都會有一個疑惑，對衍生品定價算不算量化？
那麼對沖基金裡面用模型找到的交易策略算不算量化？如果都是量化的範疇，那麼這兩個方面看起來差別特別大。我們很多人在找量化相關的書籍和課程的時候，有些人推荐一定要看《期權期貨及其他衍生品》，看過的人知道這本書更多的是講應該怎樣對衍生品定價的。
而且很多人聽過CQF考試（CQF是Paul Wilmott搞的一個培訓課程和認證體系。），但是你搜一搜CQF的內容，會發現它主要講的是金融衍生品和FICC產品（期權互換債券結構化產品等）定價以及量化風險管理的內容，是指用計算機生成的模型來進行投資交易。
其實這就是P-Quant和Q-Quant之分。
金融市場的 買方（buy-side）和 賣方（sell-side）
要徹底理解兩者的區別，我們先來看一個概念：金融市場中的買方和賣方。
買方，就是金融產品的購買者。
賣方，則是金融產品的出賣者（也就是銷售）。
比如最簡單的股票，上市公司的股票往往是由投行和券商來幫他們吆喝的，他們口若懸河、舌燦蓮花，詳細介紹公司的業務和未來的成長，目的就是把股票以更高的價格賣出去。金融衍生品交易也是類似的，投資銀行和券商主要從事設計開發原始產品以及負責原始產品的銷售推廣；而共同基金、對沖基金、養老基金、信託公司以及資產管理公司初步充當買方的角色，他們可以從投行或券商那裡購買原始產品，然後根據自己對未來市場的預測，配合自己的投資策略，長線持有、或者不斷地短線買賣，為投資者獲利。
在這個過程中，賣方有一個很重要的工作就是要為自己吆喝的產品定價，比如我們品職要準備上市了，投行要為品職的股票定價，然後賣出去，衍生品的交易是一樣的道理，只不過衍生品的定價會更加複雜一些。
P-Quant和Q-Quant在買方賣方的應用
Q-Quant一般應用在賣方，主要就是利用數學模型對複雜的衍生產品進行定價。學過金融的人一定知道，衍生品定價的基本原則是風險中性的定價思路，定價機制還是主要應依據數學模型，比如隨機過程、偏微方程，所以由此推導出的定價模型大多充滿了學院派氣質且理論性十足，顯得高深晦澀，一般人好像做不了。所以Q-Quant有時候又被我們稱為風險中性測度。在“風險中性”的理論假設下，衍生品被確定的價格是完美市場上、是在normal的狀態下、是符合正態分佈特點的價格。由於Q-Quant主要背靠數學模型而不依賴歷史數據，這意味著即便在數據相對匱乏的情況下，我們也依然可以依據理論憑空開發出一些新的產品，這對金融市場中的賣方而言，絕對是喜聞樂見的。所以以投行和券商為代表的賣方，大多從事衍生品定價，即通過開發和銷售新的金融衍生品來實現獲利，他們更倚重Q-Quant所具備的可實現“從無到有”的製造特性。
如果說Q-Quant主要是賣方的心頭好，那麼P-Quant則是可謂是買方的白月光。P-Quant主要就是根據歷史數據去預測未來走勢，然後確定交易策略。所以說白了，作為投資者，大家最想學的賺錢策略其實是P-Quant的內容。大家津津樂道的西蒙斯、長期資本管理公司（LTCM）、大本營基金都是P-Quant的高手。
比如量化策略裡最經典的統計套利，就是根據歷史數據測算出來兩種產品的相關係數，比如美國國債和公司債的收益率在正常市場狀態下，相關係數是大於0，但是由於兩者之間風險的差別，公司債風險更高，投資者會要求更高的回報，所以公司債相對於國債會有一個利差，比如根據歷史數據，歷史平均利差是10bp，但是現在市場上利差達到了12bp，那麼量化投資者就可以根據這個情況判斷目前公司債的收益率很高，那就意味著公司債目前的價格是被低估的，那麼他就可以下達買入公司債、賣出國債的指令，而等到利差回復到10bp時，就把頭寸平掉，賺取2bp的利差。
所以P-Quant可以理解成真實概率測度，與“風險中性”不同，在“真實概率”的理論假設下，金融產品的價格預測是根據歷史數據而估算出來，而不是僅僅依據數學模型演算出來，也就是說，P-Quant所預測出未來走勢主要是以數據統計為基礎的，因而是“真實”的，而且數據量越大，預測效果就越可能接近未來的實際效果，也就是所謂的“大數據”（Big Data）。當然歷史的車輪越往前發展，累積的數據就越多，為了處理卷帙浩繁的歷史數據，我們往往離不開計算機的輔助，所以與P-Quant相關的產品技術也主要是時間序列、貝葉斯算法、機器學習等與計算機技術密切相關的建模方法。
量化交易和金融工程
國內跟量化相關的還有兩個名詞我們也經常見到，即量化交易和金融工程，我們知道現在越來越多的大學在開設專門的金融工程專業，而且大家也都知道金融工程要學習很多的數學知識，貌似就是量化，那麼咱們一般意義上所說的量化交易和金融工程到底有什麼區別呢？其實金融工程從狹義意義上來理解的話就是Q-Quant，因為國內金融工程專業更多的是學習衍生品、債券的定價和風險管理策略。當然從廣義上來說，金融工程不僅包括金融產品設計，還包括金融產品定價、交易策略設計、金融風險管理等各個方面。所以廣義意義上的金融工程其實是包含量化交易策略的。
我們通常所說的量化交易其實就是P-Quant，主要工作崗位是對沖基金的基金經理和交易員。鑑於我們作為普通投資者，所以我接下來關於量化學習方法和量化策略的介紹主要討論的是P-Quant。
在某種程度上，P-Quant的跌宕起伏浮其實就是數據分析技術的興衰榮辱。在歷史數據量不夠，計算機技術尚不成熟的年代裡，P-Quant理論難免因為外力不足而顯得捉襟見肘，那時各類金融衍生品憑藉著Q-Quant定價模型大行其道。但計算機技術的日新月異，使得海量數據處理瞬間成為了可能，現在很多歐美對沖基金以及投行的自營盤都開始熱衷於開發基於“大數據技術”的套利策略。
Q-Quant要怎樣學習？
從我們學習的角度來看，要想徹底稱為量化專家，真的開發出能夠打敗市場的量化交易策略，也不能只學P-Quant，因為很多量化策略的發展也是依託於Q-Quant理論的。比如我們可以依據BSM模型計算期權的合理價格，然後跟期權的市場價格做一個比較，如果期權的市場價格更大一些，那就說明目前市場認為波動率更大一些（期權價格主要反映的就是volatility ），可能是因為突發事件市場一下子亂了方寸，波動性大增，這時候就有了統計套利的機會——因為市場遲早是有效的，那些過激反應的“傻瓜”早晚會意識到自己的錯誤，波動性會降到長期平均水平，那麼我們就可以通過short option來做空波動性，等待波動性的回落。
做空波動性好像聽上去有點複雜，因為波動性又不是一種金融工具，那要怎麼做空呢？其實根據BSM模型，波動性和期權的價格是一一對應的，所以做空期權就是做空波動性。同時如果想要對沖風險，就可以採用delta對沖策略，通過long stock來規避股價大幅上升帶來的風險（這其實是LTCM的期權交易策略）。
而且經典的數理金融理論的發展也給我們創設量化交易策略帶來很多新的思路，所以有些時候多讀一些最新的論文和理論其實對我們的實踐有很大的借鑒意義。
