补充：看到大家点那么多赞我都受精了。想在结尾补充一下“如果我不会数学/鄙视量化金融，可是我又想利用一下/偷偷用一下量化工具，我该怎么办？“ 也是呼应一下问题主人的回答。

原文：

先声明一点，废话有点多，我也并不是什么成功者。我就那么一说，各位就那么一听。来来来，拿个小板凳坐圈圈，大家看看乐呵就完了。

懒是人类进步的最大动力，也是最大的生产力。上古时代，小明发现用绳子系几个节就代表自己采摘了几个果实，不用每次都细数一遍做重复劳动，真懒真棒~ 由于小明的效率很高，别人一遍遍数果子的时候，小明早就出去继续采更多果子了。小明马上成了族群中最富有的，天天歌舞升平夜夜笙歌，生了很多孩子，然后得艾滋死了。

小明的儿子苦思了很久，爸爸为什么会死。突然答案像闪电一般劈在小明儿子屁股上，马上用木棍在土地上写下了几行代码。

if(nozuo == TRUE){
    return("nodie");
} else {
    return("die");
}

原来不作死就不会死！这么深奥的因果关系！不用每次都死一次才能验证，真懒真棒~ 小明的儿子把这几行代码作为祖训，世世代代的传下去。结果小明的子子孙孙都活的很长。小明的后代想：我们小明家活得那么长，no zuo no die肯定有道理。也许no zuo no die的“一个固定的输入得到一个固定的输出”的逻辑还可以运用到其他的领域：

某个小明的后代想：知道G，两个物体的质量，两个物体的距离，就能知道之间的引力。真懒真棒，我们很快就能发射火箭了哦~
F_{g} = G(m_{1} m_{2})/r^2

某个小明的后代想：知道d1, d2, S, K, T, t, r, 我们就能知道期权的价格。真懒真棒，马上就能当土豪了哦~
C(S,t)=N(d_{1})S - N(d_{2})Ke^{-r(T-t)}

某个小明的后代想： 知道回报率的时间序列，我们就能知道风险了。真懒真棒，让别人喝西北风吧，我退股保平安哦~
ES_{\alpha} = \frac{1}{\alpha} \int_{\alpha}^{0} VaR_{\gamma }(X)d\gamma

这群懒人们（诺贝尔奖得主）总结出来的这些经验，然后被更多懒人（交易员，基金经理，程序猿）套用，修改，都快玩坏了。他们自称为量化金融，听起来好高大上，好高冷，而且的确赚了不少钱。不过他们忽略了一点：就算小明不做死，天天晨跑骑车俯卧撑，一日多餐少撸管，小明还是有可能得癌症。所以看似因果的“一个固定的输入得到一个固定的输出”的祖训，其实是一种建立在假设上的“统计概括”。中途有太多未知，蝴蝶的翅膀扇一下，小明就可能被外星人绑架huo zhai qi guan。实质和赌博没什么两样。不管用多么多的电脑，离交易所多么近的距离，多么概括的数学，也没法保证你的数学是在概括“因果关系”而不是“相关系数”。所以才会有1998年，2008年，2011年等等。。所以现在直接回答楼主的问题，数学在金融里的作用是 — 更精确地的为资产定价，更精确的为资产评估风险。

你的数学的功底越高 >> 能更精确的定价你的资产，能更精确的评估风险。
你对数学越去神话，越去盲目崇拜 >> 死得更惨，跌到高潮。

所以，我觉得数学是一把双刃剑。起作用程度，完全取决于你的投资风格，以及你对模型依赖的程度。看门老大爷凭“看公司门口停车的好坏来判断股票的涨跌，” 也许比一屋子PhD用代码堆出来的算法更准确，这个怎们能合理的解释？现实很多元，数学很单一，用的时候看好模型假设。让算法成为在你数学水平之内可以控制的宠物，而不是脱缰的野兽。

话说到了第三方软件，回应“当今很多数学工具都被封装成了功能强大的软件… delta 值、gamma 值、theta 值、vega 值、rho 值等。” 这些黑盒算出来的数，你就信吗？你真的信吗？你真的真的信吗？一点怀疑也没有？从个人经验来讲，本人搞的是云端的风险管理和资产配比的软件。写这些软件的人，大多只是软件工程师，也许有一两个搞量化金融的来写算法原型。你知道他们的数据来源是什么吗？他们怎么清理数据的？他们用的是2年的数据还是5年的数据？为什么不用4.1237年的数据？他们对原模型有什么改变？他们对模型有什么假设？我能看看源代码吗？。。。如果这些都得不到合理的解释，那么我的选择就是： 你爱算算您的，反正我不全信，要用这个模型的话，我自己抱着论文编，祝您忽悠别人好运。。。在软件工程里，最决定软件质量的的往往不是理论基础与模型，而是实现过程以及代码设计合理程度。

总结一下：用模型，自己编。会多少就编多少。懂多少就用多少。不会编不用。不懂得不装懂。用了赔了的话认倒霉。。。完了。。。

补充：如果我不会数学/鄙视量化金融，可是我又想利用一下/偷偷用一下量化工具，我该怎么办？

如果你的投资策略中，数学模型并不是核心而只是辅助工具，并且希望尝试运用一些量化工具，以下这几点是我从我自己和身边的人总结出来的（大家把碗和勺子准备好，要喝鸡汤了哦）：

  • 避免走火入魔扣公式。亲有必要吗？那么多好吃吃，好喝喝，好菇凉，周五晚上闷在家里看像一堆蚯蚓似的数学公式。感觉就像中世纪的苦行僧有没有。当然如果这突然激发了你对自残的兴趣，恭喜你请继续。不建议扣公式的原因是因为对于一个刚刚接触量化金融的人，好不容易读懂的成就感 + 那些以假设堆雊出来的模型实在太诱人，然后就会瞬间成为量化金融的脑残粉，然后就去和基本面和技术面的人去圣战了。其实大家都是半斤八两，井底之蛙（我可都得罪了哦，别说我不公平）。。。
  • 注重定性而非定量。gamma增加了0.000012345，你的资产组合的Expected Shortfall @95%增加了多少？妈蛋啊，我又不是统计套利我知道那么清楚干什么！我身边的一个人曾经在芝加哥做eurodollar和oil的期货CTA，她会很认真的研究一屏幕的数都是怎么算出来的，而另一个同事只是关心几个数的走向，根本不在乎后面的算法。定性的方向分析和定量分析的实用性，大多取决于使用者的知识背景以及投资风格。在没有编程的基础下，无法写出量身定做的应用的话，用第三方软件做定性分析更实际可靠。
  • 统计（我可没说数学哦）方法不是亘古不变的真理，请选用最新的理论以及软件。今天看似靠谱的论文，半年后就会被某个教授的论文刷新人生观，感觉不会再爱了。举个比较具体的例子。当年copula被公认为是最好的关系模型，当时的小伙伴们都开心极了。可是high-demensional的copula一直都很难以被estimate出来。近几年大家翻老账觉得用vine比较靠谱。但是vine结构的copula更难被estimate出来，现有的方法都是分两步所以都是biased，不是efficient。我当时也很苦恼，可是你猜猜怎么着，2013年德国TUM的教授写出来了一种贝叶斯方法，通过RJMCMC进行estimate；这样充分的考量了所有已被观察的信息。如果你还没睡着的话你真棒。总而言之，技术一天天在更新。数学狗，统计狗，程序猿也在日日夜夜地为大众提供更好的应用。

— 完 —

本文作者：知乎用户（登录查看详情）

【知乎日报】
你都看到这啦，快来点我嘛 Σ(▼□▼メ)

此问题还有 9 个回答，查看全部。
延伸阅读：
证券交易所的交易员都在喊些什么？
天津渤海商品交易所的连续现货交易和期货到底有什么区别？

分享到