由於區別於主流的投資手法，量化投資的國內著作區指可數，相對冷門也造成了對國外書籍的引入相對較少。筆者僅能對已知的資訊加以概括得出量化投資的初步定義。量化投資區別於其它投資方法的鮮明特徵就是模型，對於量化投資中模型與人的關係，如圖1所示。一樣人不直接參與投資操作而是真正的成為了幕後操手。

技術易做，策略難定。讓我這個做技術的人出來現身說法一把：

確實如哥們所說的，在機構做量化開發，收入能拿到P7級別就是天花板了，但是在網際網路公司P8、P9的收入比比皆是。原因很簡單，說明量化開發裡用到的技術有限，所以價值決定了價格。為什麼？ 如果你做開發你可能會使用均線策略，金叉買入，死叉賣出。但是你可能不知道利用資產定價模型，去評估資產的價值，價格圍繞價值上下波動；你可能知道設定止損點，但是你可能不知道，利用投資組合去分散非系統性風險等等...從這些WTF你就能感覺到策略的重要性，其中可能是各種理論模型加各種經濟學/數學公式。

量化交易中的高頻交易，完全靠硬體的牛逼與否，但硬體的解決方案是同質化的。這塊完全用不到我們網際網路人引以為傲的海量併發億級流量解決方案。

中低頻交易，就不用說了，多數在backtrader框架下，用著策略研究者提供的策略，開發相關的技術基本用不到什麼，技術難度不及一個秒殺系統。

或許你會說，人工智慧在量化交易裡總是牛逼的吧，理論上應該是牛逼的，我也向這個方向努力著，但是目前階段，無論是監督學習還是非監督學習，所得出的策略，大多無法滿足持續盈利的要求。抖音中的強化推薦演算法、影象識別、自然語言(NPL)這些AI應用其實都算是相對初級的應用（初級應用不代表沒有技術含量）。如果，你能透過AI訓練出牛逼的策略，那就瞬間改變開發人員在量化交易領域的地位，收入就會直線攀升。前提是，你起碼得是AI專家級別以上的人物。

總結：策略加技術這叫如虎添翼，徒有技術沒有策略，這叫插翅難飛。

最後，引用張小龍的一句話:"我所說的可能是錯的，但是我所做的得到了我想要的結果。