随着AI 编程工具（如 Copilot、Cursor、Devin 等）普及，程序员开发效率越来越高。原来一个小团队，一两周的项目，一个人三两天就搞定。IT行业未来一定会有大规模的裁员潮。程序员必须尽早建立自己的副业。适合程序员的副业有很多，股票量化交易是高性价比的副业之一。

我是15年初开户的，还记得自己买的第一只股票是中国银行，一共买了不到600块钱。开始交易A股，没多久就遇上了股灾，然后是16年的熔断……最早是跟着同事买，同事买啥我买啥，直到后来建立了自己的量化交易系统，才实现了稳定盈利。

一、程序员做量化有什么优势呢？

1. 执行力碾压：普通人有了策略还得找人写代码回测、对接API、实盘跑。咱们可以直接自己写，从想法到实盘可能有个三两天就够了。别人还在拼Excel，咱们已经跑通回测了。
2. 懂“过拟合”和回测陷阱：咱们自己写代码，很容易就能理解未来函数、幸存者偏差、前视偏差这些坑，修bug是咱们的强项。那些用Excel拉个线性回归就以为自己找到圣杯的，感觉他们有点天真。
3. 能搞基础设施：行情接收、数据清洗、多线程、分布式回测、风控模块、自动化运维，这些对正经后端/数据工程师来说就是基本功。很多人还在用付费平台的简易回测，咱们可以轻松搭自己的定制系统。
4. 心态相对理性：程序员debug惯了，遇到策略失效会习惯性找原因，而不是像散户那样“感觉庄家在针对我”。亏钱了也能相对冷静地改参数、加过滤器。

二、不可忽视的劣势（可能比你想的严重）

1. 过度拟合的诅咒：因为太会写代码，你容易把一个策略优化到过去五年曲线完美，然后一实盘就崩。这是程序员做量化最常见死法——把历史噪声当规律。
2. 不懂金融坑：你知道怎么用Pandas，但可能不知道“滑点”、“冲击成本”、“涨跌停没法开平仓”、“期货移仓换月有跳空”。回测赚大钱，实盘可能连手续费都不够。
3. 缺乏真正的alpha：你会写各种指标（MACD、布林带、RSI），但这些公开的东西早就被做烂了。真正的量化需要数学/统计/另类数据，很多程序员缺这层认知。
4. 孤独且容易钻牛角尖：一个人写代码、回测、亏钱、改参数、再亏……没有团队和前辈，很容易在某个错误方向上浪费一年。而且很多程序员可能还有车贷、房贷、结婚、养娃支出，咱们赚得起，亏不起。

如果权衡了咱们的优势和劣势，确实打算“搞副业”，下面给出一个建立副业的路线图

三、量化交易副业路线图

咱们别一上来就想搞高频、机器学习、全自动赚钱机器。咱们得走稳健路线。

阶段0：心态准备（2周）

• 接受一个事实：第一年大概率不赚钱甚至小亏。
• 拿出一笔输得起的钱（比如5-10万），别上杠杆，别上杠杆，别上杠杆。
• 卸载抖音/股吧里的“带你做量化”课程（基本都是坑）。

阶段1：补金融基础（1-2个月）

• 搞懂：订单簿、限价单/市价单、滑点、流动性、交易手续费结构，在模拟盘（开户之后券商提供）上多交易几笔。
• 熟悉A股/期货/加密货币的一个市场。建议从A股或期货开始（数据干净，规则固定）。
• 读两本书：《打开量化投资的黑箱》《Python金融大数据分析》……别死磕理论，水过地皮湿就行，第一遍看不懂也没关系，主要是建立基础认知。

阶段2：搭建极简回测系统（2-4周）

• 自己写一个Backtest类，支持：买入/卖出信号、佣金/滑点模型、净值曲线绘制。
• 别用现成的backtrader或vnpy直接跑——先自己手写一个最简单的，才能理解坑在哪。
• 用日线级别数据，不要搞tick或分钟线。

阶段3：做一个“稳亏不赚”的策略（1个月）

• 实现一个最简单的策略：比如“收盘价站上20日均线买入，跌破10日均线卖出”。
• 在三年数据上回测，你会发现：手续费和滑点吃掉大部分利润，而且震荡行情来回打脸。
• 这个阶段的目标不是赚钱，而是亲身体验“公开指标策略为什么没用”。

股评专家最喜欢讲的，散户最喜欢用的指标：MACD、KDJ、RSI……基本没什么卵用，量化回测一下就知道，根本不赚钱，就是赚钱也是靠的运气。

阶段4：寻找自己的“边缘优势”（3-6个月）

• 从你熟悉的领域出发：比如你会爬虫，抓一下雪球/微博的大V情绪？你会分析订单流？或者你工作中用过的某种统计方法？
• 常见可尝试方向：
  • 低延迟套利（需要你懂网络/FPGA，门槛高但程序员优势大）
  • 统计套利（配对交易，需要一点协整知识）
  • 另类数据（财报文本情绪、行业开工率等）
• 记住：咱们的优势不是跑得快，而是能处理别人处理不了的数据结构。

阶段5：实盘小资金验证（长期）

• 用几万块跑起来，同时做模拟盘对比。
• 必须加风控规则：单日最大亏损-5%就停机，单策略最大回撤超过20%就下线。
• 做好记录：每次交易的原因、当时的市场状态、心理感受。你会发现大部分亏损来自“临时手动干预”。

阶段6：考虑自动化与多策略（一年后）

• 如果小资金稳定盈利半年以上，写自动下单脚本（用vnpy或自研）。
• 分散到3-5个低相关的策略，每个策略只占少量资金。
• 这时再考虑加密货币（7x24小时，适合程序全自动）。

四、几句扎心但有用的大实话

• 量化的第一目标是“不亏钱”，第二是“稳定”，第三才是“赚钱”。程序员容易颠倒顺序。
• 如果写代码就能稳定赚钱，那所有顶级程序员都去搞量化了。现实是，大部分量化基金亏钱也是常事。
• 副业就是副业。别辞职All in。用你被AI提效后多出来的业余时间慢慢搞，亏了就当交学费，赚了就当年终奖。
• 程序员的真正优势不是手速，而是对复杂系统的理解、对风险的敬畏、以及——输得起一点钱但输不起职业生涯，所以反而会更谨慎。

最后送你一句我自己很认同的话：做量化交易，不是为了取代你的工作，而是为了让你的技能在另一个战场上重新定价。 祝你好运。

番外篇

我是一个十几年的老码农，在券商工作过2年，之后又在基金公司工作干过几年。在这期间结识了我量化交易的导师：张老师和程老师（两位是资深交易专家），他们的无私点拨帮我开启了量化交易的副业。之后在工作中，又结识了很多做量化交易副业的朋友，平时一起交流，不断学习，也不断优化自己的系统。

最近刚好有时间，打算在CSDN开个专栏，系统的介绍A股多因子策略，把自己平时学习的心得，跟大家分享，只做抛砖引玉。

专栏大略分成4部分：

第一部分：认知基础与框架搭建（已完结）

目标：建立因子投资的统一认知框架，明确从理论到实战的完整工作流。

包含两章：

1. 因子投资全景：从学术模型到A股实践
2. 实战工具箱：方法论与数据基础

第二部分：A股因子库构建与验证（已完结）

目标：手把手教你用A股数据构建、检验并理解核心因子。

包含两章：
3. 单因子检验：流程、代码与解读
4. A股特色因子：行为、微观与另类

第三部分：多因子模型与组合优化（进行中）

目标：从多个有效因子出发，构建稳健的合成策略。

5. 因子合成与正交化
6. 多因子组合构建

第四部分：风险控制、回测与评估

目标：构建接近实盘的回测系统，并识别策略潜在风险。

7. 回测系统搭建与陷阱规避
8. 风险模型实战应用