我是如何走向量化这条路的
如果回头看，我走向量化交易这条路，并不是一个刻意规划的结果。
我的开始，其实和多数交易者并没有什么不同：
使用常见的股票软件
看熟悉的技术指标
根据图形和信号做决策
真正的分岔点，只是源于我多问了一个问题。
一个看似理所当然的问题
我当时问的是：
为什么通达信、同花顺等股票软件里，MACD 的默认参数是 12、26、9？
这个问题在很多人看来，甚至不值得一问。
因为它“本来就是这样”。
我自己也用了很长一段时间：
默认参数
默认设置
默认接受
直到有一天，我意识到一件让我有些不安的事情：
我每天都在用这个指标，但我并不知道它为什么是这样。
当我意识到 MACD 是一个完全滞后的指标
随着我对指标本身的理解逐渐加深，我开始意识到一个事实：
MACD 是一个完全滞后的指标。
它本质上是由：
两条不同周期的 EMA
再加一次平滑处理
构成的。
也就是说：
所有信号，都来自过去价格
所有判断，都发生在行情已经走出来之后
既然如此，一个新的问题自然出现了。
那为什么参数不能是“动态”的？
如果 MACD 是滞后的：
那 12、26、9 真的适用于所有市场吗？
适用于所有品种吗？
适用于所有波动环境吗？
市场的节奏在变，波动在变，参与者结构也在变。
那为什么参数要一成不变？
这个问题，第一次让我开始对“默认参数”产生真正的怀疑。
当我尝试去“优化参数”时，新的问题出现了
顺着这个思路，我很自然地走向了下一步：
用网格搜索去找“最优参数”
甚至尝试更细的参数空间
再到后来，接触到神经网络、机器学习
但很快，我发现事情并没有那么简单。
因为新的问题马上出现了：
我凭什么说这一组参数是“最优”的？
参数优化真正拷问的，其实不是算法
当我开始认真思考这个问题时，我发现：
真正困难的，并不是：
网格搜索怎么写
神经网络怎么调
算法够不够复杂
而是一个更底层的问题：
我用什么作为“依据”，来判断一组参数是否合理？
用收益率？那回撤怎么办？
用胜率？那盈亏比呢？
用 Sharpe？样本稳定吗？
如果这些问题没有答案，
那么所谓的“最优参数”，
很可能只是对历史数据的过拟合。
从参数问题，走向量化思维
正是在这一刻，我第一次意识到：
我真正缺的，并不是一个更聪明的指标，
而是一整套：
可验证的假设
可量化的标准
可复现的研究流程
我开始明白：
量化交易，并不是为了找到一个“完美参数”， 而是为了在不确定的市场中，建立一套可以反复验证的决策体系。
这就是我走入量化交易的真正原因
回头看，我走向量化这条路，并不是因为：
MACD 好不好用
参数能不能调得更准
而是因为：
当你开始认真追问“为什么”，并试图用数据而不是感觉来回答时， 你已经站在了量化交易的门口。
这，就是我量化交易的起点。
后面的文章里，我会逐步把这些问题， 从思考，真正落到：
回测
策略
风控
实盘
如果你也曾经对某个看似理所当然的参数产生过怀疑，
那我们大概率，走在同一条路上。