价值投资与量化投资：两种世界观、决策链与本土实战对比

1. 先从一句话说起：价投和量化争论的其实不是方法，是世界观

国内资管行业里有一个很常见、也很容易吵起来的场面：饭桌上有人聊起价值投资，强调要长期持有好公司，旁边马上就有人接话，说量化才是更科学、更可复制的路径。两边各说各话，谁都没办法说服谁。我在这个行业待了这些年，越来越觉得，价值投资和量化投资的差别根本不在工具、不在方法，而在最底层的世界观——你相信市场是什么，你自己站在市场的什么位置上。

价值投资者相信，企业是一家“活着”的组织，价格只是一台时不时闹脾气的报价机器；量化投资者相信，市场是一团巨大的数据流，价格是所有参与者行为留下的统计痕迹。两种理解没有高下之分，但它们会深刻影响你如何选标的、如何建组合、如何扛回撤，甚至决定你最后能管理多少钱、撑多久。这篇文章想把这套差异完整拆开，讲清楚两条路径各自的底层逻辑、落地方式、组织成本和选择方法。无论你是刚开始接触投资的从业者，还是已经在一线做了几年的研究员，都能从中找到对照自己处境的那一面。

1.1 价值投资的世界观：企业是活的，价格只是闹钟

价值投资最核心的假设是：一家企业有一个相对客观的内在价值，这个价值由它未来的现金流决定，而股票价格经常偏离这个价值。

听起来很简单，但执行起来非常“反人性”。因为价值投资要求你承认两件事：第一，市场经常犯错；第二，市场终会纠错。前者让你敢于在恐慌时买入，后者让你有耐心等待。比如我跟踪过的一家精密制造企业，基本面非常扎实，客户结构稳定，在手订单排到了三个季度之后，但股价在行业下行预期里被砸得很低。按现金流测算，内在价值大约在每股20元，当时市价只有12元，安全边际接近40%。价值投资者的任务就是在“价格低于价值”的时候买入，然后等待市场重新认识这家公司。

这种世界观天然决定了你关注的东西：不是短期股价涨跌，而是订单、毛利、现金流、管理层质量、行业竞争格局。你把每一笔买入当成入股一门生意，而不是买一个代码。正因为如此，价值投资者的时间是按季度、按年计的，你不可能今天买进去，明天就要求市场还你一个公道。

1.2 量化投资的世界观：市场是数据海，价格是统计结果

量化投资的世界观则完全不同。它不假设价格会“回归”什么内在价值，而是把市场看成一台高速运转的、充满噪声的机器。每一个价格、每一笔成交量、每一条公告、每一段舆情，都是可以被编码、被统计、被建模的数据。

量化投资者相信，市场中存在大量重复出现的行为模式，这些模式也许无法用单一逻辑解释，但只要样本量足够大，就能以概率优势获得超额收益。他们不追求“看准一家公司”，而追求“在1000次交易中赢下515次”。比如，某类事件发生之后，股价短期内有超越大市的惯性漂移，这种效应在过去几年反复出现，于是就可以把它写成一条规则放进策略里，让系统自动执行。

这种世界观背后的隐喻，不是考古学家挖宝藏，而是气象学家看天气。你不需要知道某一个雨滴从哪片云落下来，你只需要知道在特定气压、湿度和风向下，下雨的概率显著高于不下的概率。量化投资靠的是统计规律，是分散持仓，是纪律执行。

1.3 殊途同归：两条路径赚的都是“预期差”的钱

有意思的是，吵得最凶的两派，本质上赚的都是同一种钱：市场预期与实际结果之间的差值。

价值投资赚的是“价格与价值之间的错位”。市场价格把一家好公司误判成了平庸公司，于是估值被压低了，价值投资者买入，等估值修复。量化投资赚的是“参与者行为偏差带来的定价滞后”。市场在信息反应上存在惯性、过度反应或反应不足，量化系统捕捉到这种统计规律，靠高频次的小优势积累利润。

举个例子，某上市公司突然发布了一份超预期的业绩预告。价值投资者的处理方式是把这份预告拆开，看营收质量、看毛利率、看现金流，确认业绩是否可持续，然后重新修正内在价值。量化投资者则把“业绩预告超预期”这个事件与其他上千家公司的类似事件放在一起统计，看公告后5个交易日内有没有稳定的正向漂移，如果有，就自动触发买入。

同一个事件，两种完全不同的解读路径。所以别急着问哪条路更好，要问的是：哪种世界观更匹配你的思维方式，哪种决策链条你愿意日复一日地执行。这才是国内资管行业两条路径真正的分水岭。

2. 决策链条完全不同：从“为什么买”到“为什么卖”的推导逻辑

理念聊得再热闹，最后都要落到具体动作上。价值投资和量化投资在决策链条上的差异，比任何人想象中都大：价值投资是先理解生意，再给价格，最后等机会；量化投资是先发现统计规律，再建模，最后靠系统执行。下面我把两条链条一步步拆开。

2.1 价值投资的决策链：从生意到价格，最后才是买点

价值投资的完整决策链，按顺序大致是四步。

第一步是理解商业模式。你要能回答：这家公司靠什么赚钱？客户为什么买它的东西而不是买竞争对手的？这个行业未来五年会不会被颠覆？很多新手一上来就查财务数据，这是个误区。财务数据是结果，不是原因；你只有先搞清楚商业模式，才知道财务数据里哪些数字重要、哪些数字是噪音。

第二步是评估护城河。护城河可以是品牌、规模、网络效应、转换成本、特许经营权。某家消费品企业，渠道铺得极密，终端数量远超同行，新品只要一上市，两周内就能到达全国货架，这就是渠道壁垒。你如果找不到护城河，那这单生意大概率只能赚周期的钱，赚不了复利的钱。

第三步是测算价值区间。常用的方法包括DCF（现金流折现）和相对估值法。以DCF为例，假设一家企业自由现金流5亿元，永续增长率为3%，折现率取10%，那么它的合理估值约等于5×(1+3%)/(10%-3%)，也就是73.6亿元。注意，绝对估值只是“区间判断”，不是精确计算，关键是搞清楚主要变量：折现率差1个百分点，估值结果可以差出20%。

第四步才是等买点。有了价值区间，还要看市场价格。只有当价格显著低于区间下沿，也就是留出了安全边际，才值得出手。没有安全边际，再好的公司也只是“看得懂但下不去手”的标的。

卖出逻辑同样清晰：要么是基本面逻辑被破坏，比如护城河被填平了；要么是价格已经大幅透支未来现金流；要么是发现了风险收益比更好的新机会。整个链条的核心是“先商业、后财务、再价格”，顺序一旦反了，容易变成拿着估值讲故事。

2.2 量化投资的决策链：从数据到信号到组合

量化投资的决策链，可以分成六个环节。

第一个环节是收集数据。行情数据、财务报表、交易行为、舆情新闻、产业链数据，甚至卫星图像，都可以成为输入。这里有一个许多新人低估的环节：数据清洗。数据里经常有停牌、复权误差、财报口径变化、异常跳空，如果这一步不做到位，后面全是在垃圾堆里找规律。

第二个环节是特征提取。把原始数据变成模型能用的特征，比如过去5日动量、波动率、成交量放大倍数、财报里的超预期幅度等等。特征工程的质量，往往比算法本身更重要，这也是为什么国内量化团队里干得最久的人，很多都在处理数据。

第三个环节是因子研究。一个因子本质上是一条假设：“具备某种特征的股票，未来一段时间更可能跑赢/跑输”。检验因子好不好，要看IC（信息系数）和ICIR。IC是因子值与未来收益的秩相关，ICIR是IC的均值除以IC的标准差，代表因子的稳定性。实战中，一个因子的ICIR能稳定在0.5以上，已经是很好的因子了。

第四个环节是回测。把因子组合成策略，在历史数据里跑一遍，看夏普比率、最大回撤、换手率、容量。但回测很容易自欺欺人，最常见的问题是幸存者偏差和过拟合。我以前见过一个团队，回测里加入了几十个参数，曲线漂亮得不像话，一上实盘就崩，原因就是参数被反复调到适配历史，失去了样本外预测能力。

第五个环节是组合构建。有了信号，不是简单买入所有高得分股票，还要考虑行业暴露、风格暴露、交易成本、持仓集中度。量化投资的优势之一就在这个环节：可以用最优化方法，在控制风险的前提下最大化预期收益。

第六个环节是实盘监控与迭代。模型上线只是开始，每天要跟踪收益归因、因子衰减、分布漂移。量化世界里，策略生命周期是真实存在的，一个因子跑了好几年，超额收益越来越薄，这时候不是硬撑，而是继续研发新因子替换。

2.3 一个标的，两类团队的不同推演

用一个具体例子把上面两条链条并排放在一起看。

假设某家中型制造企业突然发布公告，说二季度净利润同比增长60%，远超市场预期。同一家公司、同一份公告，价值投资者和量化投资者会怎么做？

价值投资者会先问：增长从哪里来？是产品提价、订单增加，还是会计手段？毛利率和经营性现金流能否同步改善？在手订单是否支撑未来几个季度的增长？如果一项项验证下来，增长质量很高，他会把未来的盈利预测上调，进而重估内在价值。假设原来的内在价值是15元每股，市场情绪修复后他愿意给到18元，那现价14元依然有买入空间。

量化投资者则不会单独“解剖”这一家公司。他会把这只股票纳入“业绩超预期事件池”，与其他几百家同类事件样本对比。他会关注的是：历史上类似超预期幅度之下，股价在公告后第1天、第3天、第10天的平均收益分布如何；公告前后的波动率有没有异常；市场对这类事件的反应是一步到位还是有惯性。如果统计结果显示平均漂移显著为正，他就买入一篮子这样的股票，而不是只买这一只。

这就是两条路径在操作层面的真实差别：一个重“深度”，一个重“广度”；一个把个股逻辑放到显微镜下，一个把事件放到统计雷达群里。

2.4 两条路径的特征对照

为了更方便建立整体印象，我整理了一个简表，列出了价值投资与量化投资的核心差异：

表中没有哪一列是“绝对正确”的。价值投资的错误代价虽然集中，但每一次复盘都能加深对一个行业的理解；量化投资的错误代价虽然分散，但因子衰减的速度可能远超你的研发速度。理解这些差别，才能谈接下来的本土化博弈。

3. 本土资管行业里的两场真实博弈

方法论放在教科书里，边界是很清晰的。但一旦放到国内资管行业的真实环境里，事情就会变得微妙得多：市场结构、信息环境、资金属性会把两条路径的优势和短板同时放大。这一章集中讲三件我在实战中反复感受到的事。

3.1 市场参与者结构，决定了两条路径的“错价供给”

一个市场里能赚到多少钱，很大程度取决于市场里有多少“不理性的错价供给”。国内资管行业所处的这个本土市场，个人投资者占比长期偏高，情绪驱动的追涨杀跌非常普遍。这种环境对两条路径的影响截然不同。

对价值投资来说，情绪化波动意味着市场会隔一段时间就砸出明显低于价值的坑。你不需要市场变聪明，你只需要在市场变傻的时候有子弹动手。过去这些年里，很多被错杀的好公司，事后都证明了那是最好的买入窗口。对量化投资来说，高度情绪化也意味着可重复的统计规律很多，比如小市值效应的波动、节假日效应、公告后的短期漂移，这些都是量化策略的食材来源。

但过去不等于未来。随着机构化程度提升，参与者结构在慢慢变厚，传统的简单规律被越来越多资金挖掘，超额收益的衰减速度在加快。这不是说两条路都走不通了，而是说“错价供给”的结构在变：从更粗糙的情绪错误定价，转向更精细的信息不对称和复杂行为偏差。谁能更快适应这种变化，谁就能继续留在牌桌上。

3.2 价值投资在本土市场的适应：调研是优势，也可能是陷阱

价值投资在国内资管行业的本土化实践，一个绕不开的能力是实地调研。由于信息不对称程度高，很多关键商业细节在公开报表里根本看不到，必须通过产业链访谈、经销商摸底、管理层交流来补全。这是一种天然的信息壁垒，做得好，你可以比市场早半年识别一家公司的拐点。

但调研也是一把双刃剑。我曾见过有研究员跑了一趟工厂，被现场繁忙的生产景象打动，回来就写了长篇买入报告，结果忽略了最核心的合同回款问题。原因是现场感受容易带来“看得见就信得过”的锚定效应，你以为自己在验证事实，其实只是在加强情绪。真正的调研不是看热闹，而是带着逻辑去证伪：管理层说增长来自新客户，那你要看新客户订单是否能落实；研究员的经验是，关键数据最好交叉验证三家以上独立渠道，而不是依赖单一信源。

另一个本土特色是基本面突变速度更快。一家公司今年看起来很稳，明年行业格局可能就变了个样。这对价值投资的跟踪密度提出了更高要求，核心持仓最少每个季度要重新过一遍逻辑树，不能只守着年报坐等。价值投资在国内资管行业的难度，不在于理念不懂，而在于你能不能扛住“变化比想象快”的现实。

3.3 量化投资在本土市场的适应：数据质量与策略拥挤是两座大山

量化投资在国内资管行业的实战中，最常被忽视的不是模型，而是数据。表面上行情数据、财务数据、舆情数据到处都是，但把数据准备到“模型敢直接吃”的程度，是一项极其耗时的工作。停牌处理、复权方式、财报发布日期对应的交易时点，任何一个小口子没堵上，回测结果都会失真。

我见过这么一个典型的翻车场景：某年轻研究员拿到了一个漂亮的因子，在回测里年化超额接近15%，于是兴冲冲把策略跑上实盘。结果上线后连续三周跑输基准。复盘时才发现，他用的财报数据是“期后修正值”，也就是后来重新披露的数据，而在实盘中他只能拿到“当期初值”。用未来函数回测，自然好看，也自然做不得真。这是量化圈最容易踩的坑，没有之一。

策略拥挤同样不可忽视。国内资管行业里的量化路径起步后，资金涌入很快，很多曾经赚钱的因子在规模面前迅速衰减。高频策略容量有限，中低频策略竞争又极其激烈。应对办法只有两个方向：一是往另类数据走，寻找别人没有的细颗粒信息；二是往更快迭代走，把研究流水线建得足够高效，让新因子产出速度跑赢旧因子衰减速度。量化在国内资管行业的真实壁垒，其实是这个研究流水线，而不是某一两个模型。

4. 组织形态与管理容量：两条路径的真实商业门槛

聊方法论和适配性之后，还有一个常常被忽略的事实：价值投资和量化投资不只是两种投资理念，更是两种完全不同的商业组织模式。一个靠人的深度，一个靠系统的广度。这一章我们看看两条路径在团队、成本和规模上的真实差异。

4.1 价值投资机构：少数人、重研究、长考核

价值投资机构的典型配置是：少数几名基金经理，加上一批行业研究员，人数通常不多。核心资产是人的判断力和研究深度，不需要重型IT基础设施，也不需要每天守着盘中数据做决策。

这种组织的优势是边际成本低、容量大。一位成熟的基金经理，能力可以覆盖几十只核心持仓，管的规模从几亿到几百亿都可以运行。但它的劣势也很明显：能力积累周期极长。一个研究员从入行到能独立判断一个行业，少说也要三五年；基金经理的商业直觉，更是要靠大量实战复盘堆出来。组织高度依赖个人，一旦核心人物状态波动，整条产品线的业绩都可能跟着波动。

商业逻辑上，价值投资机构通常以管理费和业绩报酬为主，但更依赖长期业绩口碑。客户需要认同“三年五年维度的回报”，如果资金来源是考核周期只有一年的渠道资金，价值投资很容易被“逼”成伪价值投资：买的是好公司，却因为短期回撤被赎回，最后不得不砍仓。这是很多机构做价值投资变形的根本原因，不是理念不坚定，是资金性质不允许。

4.2 量化投资机构：系统工程、强数据、快迭代

量化投资机构则是另一套逻辑。它的最小可用团队也要包含研究员、开发工程师、数据工程师和风控人员，一套像样的投研框架跑起来，数据采购、服务器、算法工程、交易系统都是硬性投入。

量化组织的核心资产不是某个人，而是“研究流水线”。整个链条从数据入库、特征提取、因子挖掘、回测评估到实盘执行，任何一环薄弱都会拖累整体。好处是能力可以被系统化、流程化地沉淀下来，研究员走了，策略逻辑和代码还在；坏处是固定成本高、迭代压力大，因为策略有生命周期，团队必须持续保持高强度的研发投入。

量化策略的容量通常比价投更“硬”。一个高频策略可能管理几个亿就到瓶颈；一个中低频多因子模型可能撑到几十亿；到了百亿以上，对策略多样性和执行能力的要求会指数级上升。商业逻辑上，量化机构的收入主要靠管理费和超额业绩报酬，但客户看的是“信息比率”和“回撤控制”，一旦超额连续几个月低迷，规模流失会很迅速。

4.3 两条路径的商业门槛对照

我见过不少团队在起步阶段搞错路径：做价投的机构雇了一堆开发人员，结果研究深度没跟上，变成了装备竞赛；做量化的团队又太迷信个人明星基金经理，忽略了系统稳定性。真实经验是：路径选择要和团队禀赋配套，价值投资要敢于“用人少、用深度换宽度”，量化投资要敢于“用系统、用工程换速度”。

5. 落到自己身上：怎么判断你适合哪条路

说到最后，价值投资和量化投资在国内资管行业并不是一场非黑即白的比赛，而是一个关于“匹配”的问题。匹配什么？匹配三个东西：你的能力结构、你的资金属性、你的耐心上限。

5.1 先做一次诚实的“能力归因”

我在和不少同行交流时发现，很多人入行时选择路径，不是因为适合，而是因为“听起来高级”。量化火的时候，大家一窝蜂学编程；价投口碑好的时候，又人人说自己信奉长期主义。这种选择方式，长期来看很难坚持。

你可以先问自己一组问题：你是更喜欢读一份深度研报，还是更喜欢跑几十行代码？你回忆一笔成功交易时，更自豪的是“我看对了公司的拐点”，还是“我的因子组合贡献了超额”？面对回撤时，你是靠逻辑复盘恢复信心，还是靠统计历史分布告诉自己“这只是正态分布的一部分”？这些问题的答案没有优劣，但它们能帮你识别自己的认知偏好。

我始终认为，适合价值投资的人要有一种“考古学家心态”，享受在复杂信息里拼接真相的过程，能接受长时间没有反馈；适合量化投资的人要有一种“工程师心态”，喜欢用系统解决问题，能接受自己的判断被数据推翻，被模型替代。

5.2 资金属性和考核周期是硬约束

比能力更现实的是资金。选择哪条路径，不能只看理想，还要看你管理的钱是怎么来的、客户按什么周期考核。

价值投资需要长期资金。如果客户是按年甚至按季度看排名，那么即使你判断一只票半年后才涨，你可能也等不到那天。反过来，量化策略虽然可以做得更灵活，但如果资金规模体量大、赎回条款苛刻，策略被迫在高波动时变现，超额收益同样会被侵蚀。资金属性与路径不匹配，就像给游泳运动员配长跑赛道，再努力也跑不出成绩。

还有一个实操建议：无论你选哪条路，建议至少给自己三年的观察窗口。第一年熟悉方法和领域，第二年建立完整的研究/回测框架，第三年才能看出这条路是否真的能持续产生竞争力。频繁切换路径，只会每次都从零开始。

5.3 融合趋势：基本面量化与深度价值的数据增强

最后说一点趋势。放在今天的国内资管行业里，两条路径的边界正在变得模糊。价值投资机构开始引入量化工具做行业筛选、财务排雷、组合再平衡；量化投资机构也开始把基本面因子、产业链数据放进模型，试图让统计规律带上商业逻辑的锚。

这种融合有现实背景：随着竞争加深，单一手段的alpha都在变薄，两边都需要从对方那里借力。我自己比较看好的结合方式是：用价值研究确定“能看懂”的行业与公司池，用量化工具处理情绪、估值分位和交易拥挤度，再在组合层面用量化方法控制回撤。这不代表两条路径要合并成一种，而是说，在个人和团队的能力边界内，吸取对方最擅长的那一部分，可以让路径走得更稳。

说回个人选择。我这些年最大的体会是：路没有绝对的好坏，只有适合不适合。真正能在国内资管行业里走远的人，不是整天争论价投和量化谁更聪明的人，而是清楚自己的认知边界、资金属性和执行耐力，然后愿意把一条路走到足够深的人。选择之前，多看自己；选择之后，少看别人。这两句话，比任何投资模型都管用。