⑴ 揭開「量化交易」的神秘面紗
量化交易（ quantitative trading ）是金融術語，即以數學模型代替人為主觀判斷，以計算機程序從還想歷史數據中篩選出多種「大概率事件」並總結出規律，從而制定相應的投資策略。有了量化交易策略，就較容易減少投資者情緒波動的影響，避免在市場狂熱或悲觀的情況下做出非理性的投資決策。
在量化交易出現之前，股票和證券市場的投資操作都是人工完成的。著名的股神巴菲特，他的故事投資秘訣就是價值投資，即通過大量研讀財報選出優質的公司，並長期持有。價值投資利潤固然高明，但知易行難，絕大多數的投資者並沒有耐心和毅力去逐一研讀每家企業的資料，分析基本面，等等。以美股為例，14000+家公司，每份財報都有好幾百頁，怎麼看得完。更何況，很多機構和投資者都是炒短線的，根本沒時間按價值投資的思路去做資料分析。
在此背景下，很多金融創新就應運而生了。比如金融學上有一個很著名的交易策略叫動量交易（momentum trading），即股票價格向上突破到某個比例時買入，下跌某比例時賣出。這個原則說起來容易，人工操作就很困難。而有了計算機之後，交易員只需要輸入具體明確的交易策略的指令，剩下的具體操作就可以由電腦自動完成了，非常輕松。
20世紀70年代，隨著計算機算力的突飛猛進，金融數據的大數據分析變得簡單易行，接著一大批劃時代的金融理論誕生了，比如投資組合理論、資產定價理論、期權定價理論，都是在這一時期出現的，這些理論為挖掘金融數據提供了理論基礎。另一方面，市場上需要管理的錢越來越多，證券的種類也越來越多。計算能力、金融理論基礎、市場需求，這三個條件在一個時代同時實現，量化交易也就應運而生了。
率先使用量化交易技術的是投資銀行們。他們利用計算機技術在海量的數據裡面挖掘信息，設計很多很復雜的金融產品，放大杠桿，獲取著令人難以置信的高額利潤。由於計算機技術的大面積應用，很多IT天才雲集華爾街，他們大都是穿著T恤和牛仔褲不修邊幅的宅男，與西裝革履的傳統銀行家形成了鮮明的對比。2006年，來自摩根史丹利，高盛，德意志銀行等投行的頂級「寬客」（Quants，量化交易專家）平均年收入是5.7億美金，年齡最小的才30歲左右。
經過投行們的推波助瀾之後，量化交易在金融市場上占據著相當大的份額。目前的美股市場上，量化交易大概佔到60%的比重。
量化交易的核心競爭力就是對海量數據進行分析計算，進而提煉出一定的規律，並據此作出預測。比如，對於某一隻農業概念股，除了常規的坎財務數據、歷史產量，還可以利用衛星數據來分析天氣，然後把農產品的歷史產量和其它先關數據全都難過來，進過整合分析之後預測這產品的未來產量，進而對該只農業股的股價進行預測。在市場平穩發展、規律性較強的情況下，只要精確地捕捉到這些規律，投入一些本金，並加上一定的杠桿，就可以實現很高比例的盈利，可謂是一本萬利，這也是前文提到很多量化交易的IT專家能夠獲取天量收入的秘訣。
這個原理聽起來確實很誘人，然而卻不是容易做到的。畢竟從海量繁雜的數據中持續捕捉規律，並作出准確預測，是非常復雜和燒腦的勞動，費一般人力所能及。因此，大多數投行都是到MIT（麻省理工學院）、普林斯頓等最牛的高校里挖最牛的人才來組建團隊。這些精英們也經常自詡，他們是用模擬天體運行規律的方式來解讀金融世界。簡言之，這是智商密集型的精英領域，非一般人可以涉足。
然而，經濟世界和金融領域的運行狀況，跟天文物理、化學生物等穩態結構領域的規律是大相徑庭的，沒有必然和連續的規律 。量化交易確實厲害，但卻非穩賺不賠的必殺神技。實際上，量化交易的風險非常大。關鍵在於，量化交易的本質是基於歷史數據挖掘規律，因此它依賴於過去的趨勢。而如果這些趨勢依存的條件發生變化，趨勢也就不復存在。進而，基於這些趨勢所做的投資策略，也就面臨著失敗的厄運。
最著名的案例就是著名的投行「所羅門兄弟」，它裡面有一個叫梅瑟維夫的天才，自己組建了著名的量化基金「長期資本管理公司」。在1998年之前，這家公司的業績非常好，年化收益達到32%，在同行之中一騎絕塵。但是經過俄羅斯盧布崩盤的黑天鵝事件之後，一切灰飛煙滅。
1998年俄羅斯盧布大幅貶值，市場上到處拋售俄羅斯債券。長期資本管理公司根據自己設定的量化模型，不但不拋售，反而激進地抄底，想著等市場反彈之後大賺一筆。然而1998年8月17日，俄羅斯政府發表聲明不再償還任何債務。盧布應聲而落，長期資本管理公司爆倉，一天就虧掉幾億美金，在一個月之後，這家天才雲集的公司就破產清盤了。
量化交易把金融市場當作穩態結構，以為一切皆有序可循。然而，金融市場不是天體世界，它歸根到底是人的市場。人性的貪婪、恐懼、慾望都會隨著市場情況的變化而變化。因此它是一個規律和任性相互作用的動態過程，沒有一成不變的規律，也沒有料事如神的預測模型。用李善友教授近兩年廣為人知的說法，叫「 不連續性 」。
當今的量化交易已經回歸到了一個正常狀態：一方面，認識到量化交易在數據挖掘和科學決策方面的優勢，但是另外一方面，人們也認識到量化交易是有局限的，尤其是應對這種突如其來的規律變化的時候，這種純量化交易可能會面臨更大的風險。
作為全球重要的金融市場之一，中國也有一定規模的量化交易的，但仍處於萌芽的發展狀態。炒過股票的同學都知道，中國股市雖然長期收益率不錯，但仍總體而言仍是「消息市」、「題材市」、「概念市」，一旦政策或者環境有點風吹草動，中國市場的變動是非常非常頻繁的，而且波動的幅度特別大。在市場起伏很大、無規律性非常明顯的情況下，量化交易策略就難以湊效，更遑論賺取暴利。
2013年中國有一個光大「烏龍指」事件，就跟量化交易有密切的關系。當時是光大證券的交易員不小心輸錯了一個數字，下了一個70億的天量買單，瞬間拉動股價大漲，進而觸發了很多量化交易程序的自動執行條件，很快導致300多億的資金湧入場內，幾分鍾之內上證指數就拉升了100多點，59支權重股瞬間漲停。很多不明就裡的散戶盲目跟進，結果損失慘重。事後很多人除了控訴光大證券，也指責採用量化交易的機構，因為量化交易數倍放大了「烏龍指」效應，明顯影響了整個股市，進而間接促成他們的跟進損失。
在2013-2014期間，有些量化交易機構收益不錯，但經過2015年股災之後，整個A股市場的情緒和資金面都發生了巨大的變化，過去行之有效的策略通通報廢，以量化交易為核心的私募基金倒掉了300多家。
因此，量化交易在中國市場的成長壯大，路漫漫其修遠兮。我們普通人，還是老老實實學巴菲特，踏踏實實研讀財報，搞價值投資吧^_^
⑵ 什麼是股票的量化交易的原理
股票的量化交易的原理是在以前所有的盯盤都是交易員自己來看的，實現根據市場的行情的變化，來執行買賣操作。後來由於金融的不斷發展，市場中的過程也就變得多了起來。如果只是單單靠一個交易員來完成較多的股票操作，那是不現實的，也正是因為如此，後面將其跟計算機相互結合金融操作起來。
量化交易指的是以先進的數學模型代替人為的主觀判斷，利用計算機技術從巨大的歷史數據中選出能夠帶來超多收益的多種「大概率」事件以制定策略，極大地減少了投資者的情緒波動以及影響，避免在市場極度狂熱或者是悲觀的情況下做出非理性的投資決策。
傳統的定性投資本質以及量化投資的本質上來說是相同的，兩者都是基於市場非有效或者是弱有效的理論基礎。兩者之間的區別是在量化投資管理時「定性思想的量化應用」更加強調數據。
⑶ 關於量化交易，這些入門知識你需要了解
這篇文章將向你介紹量化交易系統的一些基本概念。本文主要面向兩類讀者，第一類是正在努力尋找一份量化交易員工作的求職者，第二類是期望嘗試開啟自己量化交易事業的個人投資者。關於量化交易，這些入門知識你需要了解。
量化交易是數量金融學一個極其艱深復雜的領域。若要通過面試或構造你自己的交易策略，就需要你投入時間學習一些必備知識。
量化交易系統包括四個主要部分：
策略識別：搜索策略、挖掘優勢、確定交易頻率。
回溯測試：獲取數據、分析策略性能、剔除偏差。
交割系統：連接經紀商、使交易自動化、使交易成本最小化。
風險管理：最優資本配置、最優賭注或凱利准則、交易心理學。
我們首先來談談如何識別一個交易策略。
策略識別
所有量化交易流程都肇始於一個初期研究。這個研究流程包括搜索一個策略、檢驗它是否適合你可能正在運作的策略組合、獲取任何測試策略時所需數據、努力優化策略使其預期年化預期收益更高且(或)風險更低。如果你是一個「散戶」交易員，一定要清楚自己的資金是否充足，以及交易成本對策略的影響。
通過各種公開數據搜索可盈利的策略實際上十分簡單，並沒有大家想的那麼難。研究學者會定期發表理論交易結果(雖然大多為交易成本總額)。一些數量金融學主題博文也會詳細討論策略。交易期刊還會簡報一下基金管理公司使用的一些策略。
你可能會問，個人與公司怎麼可能願談他們的可盈利策略，特別是當他們知道，如果其他人「復制相同的策略」，長期而言它終將失效。
原因就在於，他們通常不會透露具體的參數以及他們所使用的調參方法，而這些優化技能才是把一個表現平庸的策略調成一個回報豐厚的策略所需的關鍵技術。實際上，若要創建你自己的、獨一無二的策略，一個最好的法子就是尋找相似的方法，爾後執行你自己的優化程序。
你所看到的很多策略都可歸入均值回歸交易策略、趨勢跟隨或動量交易策略兩類。
均值回歸策略試圖利用這么一個事實：「價格序列」(如兩個關聯資產的價差)存在一個長期均值，價格對均值的短期偏離終將回歸。
動量交易策略則試圖「搭上市場趨勢的順風車」，利用投資心理和大基金結構信息在一個方向積聚動量，跟隨趨勢直至回歸。
定量交易還有一個重要方面，即交易策略的頻率。低頻交易(Low Frequency Trading， LFT)通常指持有資產超過一個交易日的策略。相應地，高頻交易(High Frequency Trading， HFT)通常指持有資產一個交易日的策略。
超高頻交易(Ultra-High Frequency Trading， UHFT)指持有資產的時常達秒級與毫秒級的策略。雖然散戶可以進行HFT與UHFT交易，但也只是在你掌握了交易「技術棧」與訂單簿動力學的詳細知識後才有可能。本篇入門文章，我們不會對這些問題做任何深入探討。
策略或策略集合一旦確定，現在就需要在歷史數據上測試其盈利能力，這就進入了回溯測試的工作范圍。
回溯測試
回溯測試的目標是提供證據，佐以證明通過以上流程所確定的策略，無論是應用於歷史(訓練)數據還是測試數據均可盈利。它可以反映該策略未來在「真實世界」中的預期表現。
由於種種原因，回溯測試不能保證一定成功。這或許就是量化交易最為微妙之處，由於它包含了大量的偏差，我們必須盡盡力仔細審查並剔除它們。
我們將討論幾種常見類型的偏差，包括先窺偏差、倖存者偏差與優化偏差(亦稱「數據窺視偏差」)。回溯測試中其他幾個重要方面，包括歷史數據的可用性與清潔度、真實交易成本及可靠回測平台上的決定。我們會在後續「交割系統」一節深入討論交易成本。
策略一旦確定，我們就需要獲取歷史數據，並藉此展開測試，如有可能還可改進策略。現在賣數據的很多，所有資產類型的數據都有。通常，數據的質量、深度、時間間隔不同，其價格也不同。
剛入門的量化交易員(至少零售等級)最初使用雅虎金融板塊(Yahoo Finance)的免費數據就行。對於數據供應商，這里不再贅言。我想重點談一談處理歷史數據時，時常遇到的問題。
對於歷史數據，人們主要關心的問題，包括數據精度或清潔度、倖存者偏差、應對如分發紅利、拆分股票等公司行為的調整。
精度與數據整體質量有關，無論數據是否包含錯誤。有時錯誤容易識別，比如使用一個窄帶濾波器，就可以找出時間序列數據中的「窄帶」並更正它們。其他時候，錯誤又很難甄別，經常需要根據多個數據供應商提供的數據進行對比檢查。
倖存者偏差通常是免費數據集或廉價數據集的一個」特徵「。對於一個帶有倖存者偏差的數據集，它不包含已經不再交易的資產數據。不再交易的證券，則表示已經退市或破產公司的股票。如果數據集中含有此類偏差，策略在此數據集上的測試表現可能比在」真實世界「里表現的更好，畢竟歷史」贏家「已經被預先篩選出來，作為訓練數據使用。
公司行為即公司開展的常引發原始價格階梯形變化的」邏輯「活動，它不應該計入價格預期年化預期收益。公司分發紅利和拆分股票行為是引發調整的兩個常見行為，二者無論發生哪一種，都需要進行一個」回調「的流程。我們一定要留心，不要把股票拆分和真實預期年化預期收益調整混為一談。許多交易員在處理公司行為時都碰過壁！
為了開展回溯測試，我們必須使用一個軟體平台。你可以選擇一個專門的回測軟體如MultiCharts，一個數值平台如Excel或MATLAB，或者一個用Python或C++完全自主實現的平台。對於MultiCharts(或類似平台)，個人是比較介紹，對於編程的要求比較低。
在做系統回測時，一定要量化表示系統性能。定量策略的「業界標准」度量為最大資金回挫與夏普比率。最大資金回挫表示一段時間(通常一年)內賬戶資金曲線從波峰至波谷的最大跌幅，常使用百分比表示。
由於大量的統計因素，LFT策略比HFT策略的資金回挫更高。歷史回測會顯示過去的最大資金回挫，它能夠較為貼切地反映策略的未來資金回挫情況。第二個度量指標是夏普比率，它被啟發式地定義為「超額預期年化預期收益均值與超額預期年化預期收益標准差的比值」。
這里，超額預期年化預期收益表示策略預期年化預期收益超出某個預定基準，如標普500或三月期短期國債(預期年化預期收益)的額度。注意人們通常不使用歷史預期年化預期收益指標，因為它忽略了策略波動性的影響，而夏普比率卻考慮到了這一點。
如果經過回測，策略的夏普比率很高且其最大資金回挫已經最小化，則可以認為它趨於無偏，下一步就是要搭建一個交割系統。
交割系統
交割系統是一個方法集合，由它來控制交易策略生成的交易列表的發送和經紀商的交割行為。事實上，交易可以半自動、甚至全自動生成，而執行機制可以手動、半自動(即「點擊一次交割一項」)或者全自動。
盡管如此，對於LFT策略，手動和半自動技術卻比較常見；對於HFT策略，則必須創建一個全自動交割機制，由於策略和技術彼此依賴，還要經常與交易指令生成器緊密相接。
在搭建交割系統時，我們需要考慮幾個關鍵因素：連接經紀商的介面、交易成本(包括傭金、滑動價差與價差)最小化、實時系統與回測時系統性能的差異。
聯系經紀人的方法有很多，你可以直接電話聯系他，也可以通過一個全自動高性能的應用程序介面(API)實現。理想情況，就是希望交割交易的自動化程度盡可能高。這樣一來，你不僅可以脫開身集中精力進行深入研究，還能運行多個策略、甚至HFT策略(實際上，如果沒有自動化交割，HFT根本不可能)。
前面說過的幾種常用回溯測試軟體如MATLAB、Excel和MultiCharts，對於LFT策略或簡單策略都是不錯的選擇。但是，如果要做真正的HFT，你就必須要構造一個用高性能語言(如C++)編寫的內部交割系統。
說個我的親身經歷，以前受聘於一家基金管理公司，我們有一個十分鍾的「交易周期」，每隔十分鍾下載一次新的市場數據，然後根據這十分鍾的信息進行交割。這里用的是一個優化的Python腳本。對於任何處理分鍾級或秒級頻率數據的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系統的優化通常不在量化交易員的工作范圍。但是，在小點的公司或高頻交易公司，交易員就是交割人，所以技術面越廣越好。你要想進一家基金管理公司，一定要記住這一點。你的編程能力不說比你的統計學和計量經濟學稟賦更重要，至少也同樣重要！
另外一個屬於交割系統的重要問題是交易成本最小化。一般地，交易成本由三部分構成：傭金(或稅收)、損耗與價差。傭金是向經紀商、交易所和證券交易委員會(或類似政府監管機構)支付的費用；滑動價差是你的預期交割價位與真實交割價位的差值；價差則是待交易證券的賣出價與買入價之差。注意價差不是常數，它依賴於市場當前流動性(即買單和賣單數量)。
交易成本是決定一個策略是高夏普比率且盈利豐厚，還是低夏普比率且極不盈利的關鍵。根據回溯測試正確預測未來的交易成本很具有挑戰性，你需要根據策略頻率，及時獲取帶有賣出價與買入價信息的歷史交易數據。
為此，大型基金管理公司量化交易的整個團隊都專注於交割優化。當基金管理公司需要拋售大量交易時(原因五花八門)，如果向市場「傾瀉」大批股票，會迅速壓低價格，可能都來不及以最優價格交割。
因此，縱使遭受損耗風險，基金管理公式也會選擇使用演算法交易，通過「打點滴」的方式向市場出單。此外，其他策略如若「捕到」這些必要性條件，也能利用市場失效(獲利)。這是基金結構性套利的內容。
交割系統最後一個主要問題關繫到策略的實時性能與回測性能的差異。這種差異由多種因素造成，比如我們在「回溯測試」一節已經深入討論過的前窺偏差與最優化偏差。
然而，對於有些策略，在部署之前不易測得這些偏差。這種情況對於HFT最為常見。交割系統和交易策略本身均可能存在程序錯誤，回溯測試時沒有顯現卻在實時交易時出來搗亂。市場可能受到繼交易策略部署後的一場政變的影響，而新的監管環境、投資者情緒與宏觀經濟形勢的變化也均可能導致現實市場表現與回溯測試表現的差異，從而造成策略盈利性上的分歧。
風險管理
量化交易迷宮的最後一塊是風險管理程序。風險包含我們之前談論的所有偏差。它包括技術風險，比如所有在交易所的伺服器突然發生硬碟故障。它還包括經紀風險，如經紀商破產(此說並非危言聳聽，引發恐慌的明富環球就是一個例子)。
總而言之，它覆蓋了幾乎所有可能幹擾到交易實現的因素，而其來源各不相同。已經有成套的書籍介紹量化交易策略的風險管理，本人也就不再對所有可能的風險來源做詳細說明。
風險管理還包括投資組合理論的一個分支，即所謂的「最優資本配置」，涉及到如何將資本分配給一組策略、如何將資本分配給策略內不同交易的方法。這是一個復雜的領域，依賴於一些高級數學知識。
最優資本配置與投資策略杠桿通過一個名為凱利准則的業界標准建立聯系。本文是一篇入門文章，我在此不詳談其計算。凱利准則對策略預期年化預期收益的統計性質做過一些假設，但是它們在金融市場中並不一定成立，交易員因此在實現時通常會有所保留。
風險管理的另外一個關鍵成分涉及到交易員自身心理因素的處理。盡管大家都承認，演算法交易若無人為干涉，不太容易出現問題。交易員在交易時，稍不留神仍然可能會摻入許多認知偏差。
一個常見的偏差是厭惡規避，當人發現損失已成定局，其所帶來的痛苦，可能會麻痹人的行為，不能做到及時拋盤止損。類似地，由於太過憂心已經到手的預期年化預期收益可能賠掉，人們可能也會過早拋盤收利。
另外一個常見的偏差是所謂的偏好偏差：交易員太看重事件而非長遠地看問題。此外，當然不能落下「恐懼與貪婪」這對經典的情緒偏差。這兩種偏差常導致杠桿不足或杠桿過度，造成爆倉(賬戶資產凈值近乎為零或更糟)或盈利縮水的局面。
總結
由此觀之，量化交易是數量金融學中一個雖趣味十足但極其復雜的領域。我對這個話題的討論淺嘗輒止，文章就已經這么長了！我在文中三言兩句帶過的問題，已經有大量的相關書籍和論文出版。
因此，在你申請量化基金交易職位前，務必要進行大量的基礎調研，至少應當具有統計學和計量經濟學的廣泛背景，以及使用MultiCharts、MATLAB、Python或者R程序語言實現的豐富經驗。如果應對的是更加復雜的高頻端策略，你的技能組合可能還要包含Linux內核修改、C/C++、匯編編程和網路延遲優化。
⑷ 量化交易的那些事！
最近一段時間，很多人覺得股票越來越難做了，板塊加速切換，市場走勢極端，一些中線趨勢良好的板塊個股完全無視基本面突然連續大幅殺跌。
有人說，這是因為量化交易成為了我們的對手盤，助漲殺跌。有些票漲六七個點，突然就摸漲停了，有些票跌六七個點，突然就奔跌停去了。手速、資金都拼不過，甚至按照這樣的趨勢，我們這些靠交易為生的散戶，有可能要被機器人幹掉。事實果真如此嗎？
今日筆者就來給大家分享一下量化基金的那些事。
量化交易到底是怎麼交易的？
交易員A兄，19至20年在國內某量化基金做交易員，基金規模最大到70億。最開始在量化交易部，後期在人工t0部。基本上交易部的東西都清楚，國內這幾家量化基金的交易模式也大同小異。
量化交易是怎麼交易的呢？大部分策略是量化對沖模型。
就是買入市場上的活躍股，然後開對應金額的期指空單對沖（IF，IC，IH都有），多頭金額和空單金額（期指有杠桿，實際佔用金額少）基本上在1：0.8到1：1區間浮動。
賺錢邏輯就是，不管大盤漲跌，因為有對沖，只要買入的票足夠強，只要能跑贏對沖指數（if，ih，ic），基金就是永遠賺錢的。
也有一些純多頭策略，就是不帶對沖，全買股票的，但是少一些。
量化交易的買入賣出，都是一攬子交易。每天要買入的票少的時候200隻，多的時候能到4、5百隻。這些票根據權重劃分金額，有的票買的多，大部分票只買一點點。一般前二十隻票，買入金額佔到總成交金額的4成左右了。
當天開盤前，策略部的演算法就會把當天的買入賣出任務做好。交易員的工作就是把當天要買的票買完（不論價格），把當天要賣的票賣完（不論價格）。考核指標就是以當天開盤價作為基準，算出平均買入成本與開盤價偏離值，以收盤價作為基準計算賣出價格偏離值，用這兩個數據算績效。
這個模式就導致，股票早上買的時候很容易打高了，因為很多公司都是這個演算法，互相一搶，股價就能推上去。但沒辦法，交易員一般10點之前就要買完票了，越往後風險越大，因為不知道誰就突然漲停了，導致買入成本暴增，是要被談話的。
賣出是這樣的，公司所有的票有一個7%止盈單，就是只要股價沖到7%，就會賣出。而且收盤統計的時候，漲幅超過7%的票是按7%的價格計算賣出成本的，假如賣早了那就賣虧了，假設我5個點賣了，沖到8個點，收盤砸綠，算收盤價的時候還是按7%算，這個對交易員很不友好。
「19年初那波行情我們當時規模不小了，有時候單票買入金額能佔到股票總成交的10%甚至更多，這時候票就很難買了，因為一買就要把價格推上去，推上去買入成本巨高，我們業績就會很差。但是沒辦法，任務一定要完成的。
印象很深刻的，19年2月1日，當時有個同事買入任務里要買 300615欣天科技800多萬，大家可以看一下這票前一天成交額，成交額太小了800很難買進去，買了一點點就封板了，然後炸板，我同事一直想等回落了慢慢買結果一直不回落，最後他直接集合競價把票頂到漲停板把剩下的買入任務買完了……」
量化策略模型：聯創股份的推升
由於「交易員A」兄從事於交易部門，選股條件那是策略部的事情並不清楚，而且這些量化公司都號稱自己有幾百上千個選股因子，每天機房電腦都在跑程序，在第二天開盤前把票選好。
不過公司的幾個模型結構是知道的。當時主要有7日模型，9日模型，13日模型，還有一個兩日模型。
這個N日模型的N就代表持股周期，表示買入後持有N日後賣出。有時候連續幾天都有同一隻票的買入任務，那麼這個票就會在持倉里躺小半個月。隨著模型時間到了之後，慢慢賣完。
演算法部都是清華高材生，學歷在那放著呢。不過再牛的策略也是人定的，再牛的量化演算法也是人選的。
模型的變化（持倉時間長短）、對沖指數風險敞口的調整，以及選股因子等，策略部一直在做優化。這些變化不是說某天突然發現不行了，然後就要改了、之前的都完全放棄了，而是說每天都有在回測市場分析賬戶表現，然後策略部們去做細微的調整。
「為什麼說這個模型的事情，今年的聯創股份這種，很明顯就是被量化模型推上去的。因為這票根本沒有什麼基本面，純垃圾股一個，pvdf那種故事聽聽就算了。」
實際上就是這票被很多家量化演算法選中了，有長周期的有短周期的，但是在前期都主要是買入為主，所以我們可以看到這票被鎖倉了，一直往上推，當然漲的好也就有散戶信了他的故事（散戶也鎖倉），然後到賣出的時候，這票往下按接不起來，因為大家模型時間都差不多到了。
今年好多票漲的快，漲幅大，但是調整的非常狠，跟量化模型同質化有很大的原因。
各位兄很感興趣的T+0
由於買入模型持倉7、9、13天不等，而且都是市場上比較活躍的票。那麼這些票躺著不動其實就是一種浪費，這些票可以甩給t0團隊去做t，用來搞額外收益。
「我之前的工作內容，說實話很無趣，自主操作的空間很少，更像是一個人形下單機器，所以在後期公司要開展t0交易的時候我果斷轉崗去了t0交易部。
當時國內幾家大的量化私募都已經有自己的交易團隊了，我司屬於介入比較晚的，老闆應該是去九坤這幾家參觀學過，也就動了搞t0團隊的想法。在成立自己T0團隊之前，公司的底倉是打包給國內幾家專業的t0公司去做的。」
t+0這邊很簡單，底倉給交易員分好，然後交易員自己拿著底倉去做日內差價，這個差價就是交易員的業績，然後公司按比例給交易員提成就是工資。
t0交易員是沒有底薪的，沒有底薪沒有五險一金沒有社保，全靠業績活。而且這個東西淘汰率相當高，當時新組建團隊，招來了四十多個新人，最後只留下來一個。最主要的是，現在基本沒有t0團隊要新人的了，沒公司願意培養新人。
關於t+0還有一個事情。
很多人做創業板新股喜歡看融券余額，覺得融券量大的票會容易漲，他們說的是要打爆空頭，第二天融券方要回補還券。
其實不是這樣的……創業板新股上市之前就已經把這些機構的券約出去了，這些券各大t0機構從券商手裡借到，當成底倉給交易員做t0交易。因為新股波動大做t0收益高，當然券息也高。但是專業的t0團隊是不可能裸空的，融券量大隻是券商把券借給t0團隊了，人家當天就已經買回了。
量化基金收益的潛規則
其實量化賽道也很擁擠，因為交易同質化很強，大家的策略大同小異，起重要因素的其實不是選股策略而是對沖盤的風險敞口。之前說了，多頭和空頭的比例是在1：0.8和1：1區間浮動的，那麼這裡面的可操作空間其實非常大。
而具體收益率，各個產品之間的差距其實很大……
「19年初那波創投工業大麻氫能源的行情大家應該都知道，到5月份我們的頭部產品收益率都干到了60%了，但是當時竟然還有一些產品是不賺錢的，真不賺錢甚至還有略虧一點的。
這個差距大的原因應該是各個產品的買入時間有差異，因為買的越早其實別的資金就在給你抬轎子（這些是我猜的沒法證實）。實際上在私募拍拍網上的明星產品收益率都還不錯，年化跑個二三十沒問題。但是，但是，但是！後面的產品根本不能看………頭部產品其實就是個廣告效應吸引投資人的…等你虧錢了，老闆開始心理按摩就行了，反正大部分客戶啥也不懂……
我們老闆就不會交易，他工作的一個主要內容就是給客戶心理按摩……
前東家規模最多到70億，當時老闆是有沖擊百億規模的想法的，擴招了很多人。實際上是這些規模一部分是公司本來賺上去的凈值，還有一大半是場外的人看公司業績漂亮高位跟投的…我知道的有一個大戶一個人就在我司放了20億，做量化對沖。
最後結果是行情沒了之後，好多後期進場的人是虧錢的，這些人虧了之後就會選擇贖回，撤資，然後規模也會迅速變小。很快的，從20億規模到70億只用了半年，從70億回到不到20億，用了不到半年……
不過老闆怎麼都是賺的，行情好的時候賺業績提成，新入場資金賺管理費……基金虧了，客戶就自己贖回好了，反正老闆都是血賺。」
最後
其實所有人（包括私募，公募，量化），對於市場都是靠蒙的……
能不能漲，為什麼漲，能漲多少，不是一個人說了算的，因為市場這么大，根本不是一個人能夠決定的。（袖珍盤庄股除外，這種就真看老莊心情………）
行情都是一陣子一陣子的，年初白酒yyds，三月碳中和yyds，5月醫美yyds，789月新能源賽道yyds，最後把鍋全甩到量化頭上去……其實還是自己學藝不精啊……
總的來說，市場的東西都交給市場去消化，市場有市場自己的規律。yyds白酒照樣能跌，賽道股照樣會大幅回撤。
老師們要認真觀察市場，認真學，認真提高自己的交易水平，其實是可以盈利的。
做量化的這些程序員大部分連股票都沒炒過，人家寫的程序也就是發現了市場規律，然後用合理的倉位，策略去做交易。連這些人都能賺錢，其實我們需要做的是客服自己的貪婪和恐懼，做一個無情的交易機器就好了。
⑸ 如何成為一名合格的量化交易員
首先你要懂得相關的專業知識，而且要愛崗敬業，嚴格遵守自己的職位操守和道德，也要有自己的想法，知道是什麼該做的，什麼是不該做的，這樣就可以成為一名非常合格的量化交易員了
⑹ 什麼是股票量化交易
什麼是量化投資？
簡單來講，量化投資就是利用計算機科技並採用一定的數學模型去踐行投資理念、實現投資策略的過程。
傳統的投資方法主要有基本面分析法和技術分析法兩種，與它們不同的是，量化投資主要依靠數據和模型來尋找投資標的和投資策略。
主要有哪些量化投資策略呢？
第一，也是最重要的一類策略：量化選股
量化選股就是採用數量的方法判斷某家公司是否值得買入的行為。根據某種方法，如果該公司滿足了該方法的條件，則放入股票池；如果不滿足，則從股票池中剔除。量化選股的方法有很多種，總的來說，可以分為公司估值法、趨勢法和資金法三大類。
公司估值法通過比較公司估值法得出的公司理論股票價格與市場價格的差異，判斷股票的市場價格是否被高估或者低估，從而尋找出價值被低估或被高估的股票。這種就是基本面量化。
趨勢法就是根據市場表現，如強勢、弱勢、盤整等不同的形態，做出對應的投資行為的方法。可以追隨趨勢，也可以進行反轉操作等。這種就是技術面量化。
資金法的本質思想是追隨市場主力資金的方向，如果資金流入，則應該伴隨著價格上漲；如果資金流出，則應該伴隨著價格下跌。資金法本質上是一種跟風策略，追隨主流熱點，從而期望在短時間內獲得超額收益。這種是交易行為量化。
通過量化方法選出來的股票，通過不斷的輪換，就可以獲得超額收益。
第二類策略是：量化擇時
傳統的有效市場假認為金融市場是不可預測的，價格充分反映了所有相關的信息，價格變化服從隨機遊走，對金融產品價格的預測將毫無意義。
但是隨著計算機技術、混沌、分形理論的發展，眾多研究發現，股價的波動不是完全隨機的，它貌似隨機、雜亂，但在其復雜表面的背後，卻隱藏著確定性的機制，因而存在可預測成分。例如利用一種叫 Hurst 指數的工具，可以在較大的時間刻度上判斷出大盤的高點和低點。
根據量化擇時的策略判斷，可以進行大盤的高拋低吸，例如熊市底部抄底，牛市頂部拋頂。
第三類策略是：對沖套利
對沖套利就是利用兩個相關性比較高的品種，同時進行做多和做空的操作的一種交易策略，當兩個品種的價差偏差超過了合理區間，存在較大的概率回歸，這是對沖套利策略的理論邏輯。
舉個例子，工商銀行和建設銀行的股價往往同漲通跌，因此如果當工商銀行漲的時候，可以賣出工商銀行，買入建設銀行。當兩者價差回復正常的時候，賣出建設銀行，再買入工商銀行。這樣來回的操作，可以獲得一個超越牛熊的收益。
目前國內資本市場可以進行的對沖套利策略包括：期現套利、跨期套利、跨品種套利、跨市場套利、ETF 套利、分級基金套利等。
例如 2018 年 10 月，因為在 2015 年在股災中，大量進行 ETF 交易的幾個私募基金，給證監會重罰，其中東海恆信給罰款 2 億多，他們就是利用 EFT 套利的策略，在 2013 到 2015 年期間，盈利超過 10 億。
有了對沖套利策略，無論是熊市還是牛市，都可以獲得比較穩健的收益。
第四類策略是：期權套利
期權套利交易是指同時買進賣出同一相關期貨，但不同敲定價格或不同到期月份的看漲或看跌期權合約，希望在日後對沖交易部位或履約時獲利的交易。
期權套利的交易策略和方式多種多樣，有多種相關期權交易的組合。特別是期權的高杠桿特徵，使得在 2018 年的熊市中，有不少優秀的交易員依然可以獲得超過 50% 的收益率。
第五類策略是：資產配置
學術界有一個公認的結論，投資中真正賺錢的關鍵是資產配置，而不是具體的交易。通過對主要的大基金的績效歸因可以得出結論，90% 的收益來自於正確的資產配置，也就說，選擇市場比交易更加重要。
量化投資管理將傳統投資組合理論與量化分析技術結合，極大地豐富了資產配置的內涵，形成了現代資產配置理論的基本框架。
⑺ 量化交易是什麼
什麼是量化交易，未來前景如何？知道的講講。
量化就是就是具體化，使用模型來進行程序化交易。
打個通俗的比方：一般的人炒股或者期貨就像看病中醫一樣，通過望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，定性程度上大一些，很大程度上通過依靠經驗和感覺判斷來進行操作；量化交易就像西醫，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯，定量交易更像是西醫，依靠模伐判斷，模型對於定量投資基金經理的作用就像CT機對於醫生的作用。模型對整個市場進行檢查和掃描，滿足你所編寫的程序模型，就會進行處理（下單之類，都是可以自己設置的，看你的模型怎麼編寫）。
程序化交易越來越被人熟知，使用的人也越來越多，總體來市場會越來越擴大化。
具體的程序化交易程序軟體：文化、TB、金字塔等，總的來說金字塔使用起來簡單上手，編寫的語言不難，而且功能比前兩者多。
高頻交易和量化交易到底有什麼區別
從歷史上看，很多高頻交易公司的創始人都是交易員出身，原來就從事衍生品的做市、套利等業務。一開始這些工作並不需要多高深的知識。隨著計算機技術的發展，交易的自動化程度和頻率也逐漸提高，這些公司逐漸聘請一些數學、統計、計算機背景較強的人員加入以適應形勢的發展。當然，這個過程也出現了一些分化，有的公司還是保留了交易員在公司的主導地位，並且始終未放棄人工交易，最終形成了人機結合的半自動交易；而另外一些公司對新鮮技術的接受程度更高一些，往往採取全自動的交易模式。事實上，也沒有證據表明全自動交易的公司就比半自動交易的公司更為優越，到目前為止，也只能說是各有利弊。
人工交易的最大弊端在於手動下單的地方離交易所較遠，在行情劇變的時候往往搶不到單。在這一點上，全自動交易的公司可以通過託管機房來最大程度減少信號傳輸的時間，不過自動化交易往往因為程序過於復雜，加上很多公司人員流動較大，在程序的維護上會出現一些失誤，最終程序出錯釀成大禍，比如著名的騎士資本。
至於過度擬合無法抵禦黑天鵝事件，那是人工交易和自動交易都無法避免的問題。一般來說，Getco、Jane Street、SIG、Virtu Financial等是半自動交易，Tower Research、Hudson River Trading、Jump Trading等是全自動交易。
量化投資公司跟高頻交易公司則有很大的不同。首先，美國的量化投資公司基本上都是量化背景極強的人創辦的，比如說文藝復興的創始人西蒙斯是數學家出身，DE Shaw的創始人David Shaw是計算機教授出身，AQR的創始人Cliff Asness是金融學家出身，而高頻交易公司則更多是傳統交易員創辦的；其次，量化投資一般依賴於復雜的模型，而高頻交易一般依賴於運行高效的代碼。
量化投資公司的持倉時間往往達到1—2個星期，要預測這么長時間的價格趨勢需要處理的信息自然非常龐大，模型也因此更為復雜，對程序的運行速度反而沒那麼敏感；高頻交易處理信息的時間極短（微秒或毫秒級），不可能分析很多的信息，因此模型也趨於簡單，競爭優勢更多依靠代碼運行的效率，很多人甚至直接在硬體上寫程序；而最後，量化投資的資金容量可達幾百億美元，而高頻交易公司往往只有幾千萬至幾億美元，但由於高頻交易的策略表現遠比量化投資穩定，如Virtu Financial交易1238天只虧1天，因此一般都是自營交易，而量化投資基金一般來說都是幫客戶投資。
期貨量化交易和程序化交易有什麼區別？
建議： XP 對話框中有很多選項設置，通常都是先選中某個選項，然後再單擊「確定」按鈕開始執行。利用滑鼠雙擊可罰簡化這一操作步驟，雙擊某個選項可以做到既選中又執行。
什麼是量化投資？
數量化投資、程序化交易、演算法交易、自動化交易以及高頻交易都是數量化交易的特定方式， 其描述內容的側重點各有不同。數量化交易應用IT技術和金融工程模型偶那個幫助投資者指定投資策略、減少執行成本、進行套利和風險對沖。數據、速度、風險管理是數量化交易系統建設中的關鍵問題。期貨市場的數量化自動交易模型正逐步由投資者編制自用，演變為有一定規模的投資咨詢顧問組成的專業團隊參與。
程序化交易，也可稱之為系統交易或演算法交易，設計人員將市場常用之技術指標，利用電腦軟體將其寫入系統中，結合市場歷史數據，分析和組合各種指標建立數學模型，將交易策略系統化。當交易策略的條件滿足時，程序化系統自動發出多空訊號，並且有效掌握價格變化的趨勢，讓投資人不論在上漲或下跌的市場行情中，都能抓住交易策略，進而賺取波段獲利。程序化交易的操作方式不求賺取誇張利潤，只求長期穩健的獲利，於市場中成長並達到財富累積的復利效果。經過長時期操作，年獲利率可保持在一定水準之上。
程序化交易又是一種個性化交易，每個投資者（或機構）都可以根據自己的投資經驗和智慧，編寫自己的交易模型，進行電腦自動交易。交易模型是交易思想的凝練和實際化，正確的交易思想在嚴格的操作紀律實行下將獲得良好、穩定的投資收益，而通過交易模型正是將正確的交易思想與嚴格的操作紀律很好地結合在一起，幫助人們獲取良好、穩定的投資收益。程序化交易在投資實戰中不僅可以提高下單速度，更可以幫助投資者避免受到情緒波動的影響，消除交易時人性的恐懼、貪婪、遲疑及賭性等情緒，實現理性投資。
設計出色的程序化系統可以確保廣為流傳的交易成功三項基本原則的順利實施：順應市場趨勢、控制虧損交易、做足盈利交易。
總而言之，模型策略的出色設計、資金的有效風險控制、行情交易軟體的穩定可靠、數據的及時流暢以及下單速度的快捷,組成了優秀的程序化交易系統，它是量化投資的一種具體實現途徑。
量化系統是什麼?
博爾證券量化交易系統是上海兆吉信息技術有限公司引進海外成熟量化投資模型，擁有完全自主知識產權的證券量化交易系統，是國內首款面向個人投資者的證券量化交易系統。
證券量化交易是指在證券市場中博爾證券量化交易系統，通過對交易資金及交易報價等數據進行批量比對後，分別找出資金數據及價格數據的運作規律，並根據這種規律進行投資交易，以獲取最大的投資收益。博爾證券量化交易系統主要針對交易的兩個要素交易價格和交易量做量化處理，並最終得出上漲概率的預測結果。
想從事量化交易的行業 具體如何學習量化交易還比較迷茫 所以想請教一些問題 不知道能不能稍微講解一下 10分
不用這么復雜，現在文華贏智軟體的麥語言很適合初學者，都是一些封包函數，很容易入門。
有什麼問題可隨時跟我們聯系，使用文華軟體有幾年時間，還是有些經驗。
量化雲網站為您服務。
量化交易和程序化交易有什麼聯系和區別呢？
量化交易大多用在股票交易上，量化是指將某隻股票或者摸個行業的數據進行量化，在更具各家機構自己的量化公式進行選擇，量化交易只是選擇，並不涉及交易，程序化交易也是一種量化交易，但是是更具已有的數據進行，比如各種行情指標，MACD KDJ等，無法像量化交易那樣把能涉及到的所有數據進行量化，程序化交易更側重交易的自動進行，沒有認為干預，且模型編寫簡單，個人用戶也可以進行
量化投資是什麼？
量化投資是指通過數量化方式及計算機程序化發出買賣指令，以獲取穩定收益為目的的交易方式。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。
量化投資區別於定性投資的鮮明特徵就是模型，對於量化投資中模型與人的關系，大家也比較關心。量邦科技馮永昌打個比方來說明這種關系，我們先看一看醫生治病，中醫與西醫的診療方法不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，定性程度上大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。
什麼是量化交易 程序化交易應該怎麼做
那是編程高手們玩得
股票量化交易轉期貨,區別是什麼?
記得炎黃財經中提到過：期貨量化交易-量化交易恰恰可以盡可能地規避投資者在投資活動時所受到的心理影響。以數量模型驗證及固化這些規律和策略，嚴格執行已固化的策略來指導投資，從而使投資決策更科學、更理性，這就是量化交易的優勢所在，也是量化交易在期貨市場的意義所在。
期貨由於是T+0杠桿交易，策略上的止盈止損設置很重要且被頻繁觸發。投資者需要做好倉位控制。期貨的漲跌停幅度和股票不同，且有連續漲跌停時擴板（擴大漲跌停幅度）和提高保證金比例的問題。盤面數據的獲取可以使用其他的行情軟體。
期貨由於是T+0杠桿交易，策略上的止盈止損設置很重要且被頻繁觸發。投資者需要做好倉位控制。期貨的漲跌停幅度和股票不同，且有連續漲跌停時擴板（擴大漲跌停幅度）和提高保證金比例的問題。
⑻ 在中國，做量化交易一天的工作是怎樣的
做量化交易一天的工作：
8:00~9:00： 打開交易策略，設置一些運營參數
9:00~9:30： 觀察策略運轉，確保沒有問題
9:30~15:30: 解決已有策略的問題並研究新策略，測試新想法
15:30~17:00: 分析交易記錄， 確定第二天的交易計劃
17:00~18:00: 運動
崗位職責：
分析金融市場（期貨、股票等）數據，尋找可利用的機會；開發與維護量化交易策略；提供機器學習/數據挖掘相應的技術支持；
崗位要求：
1.熟練計算機編程能力，熟練掌握至少一門編程語言，python優先；
理工科背景，具有良好的數理統計、數據挖掘等相關知識儲備，熟悉機器學習方法（分析科學問題和相應數據，建立模型和方法，驗證模型和方法，應用模型和方法並分析結果，改進模型和方法）；
有處理分析大量數據的經驗，並能熟練選擇和應用數據挖掘和機器學習方法解決科研和工作中的實際問題；良好的自我學習和快速 學習能力，有工作激情，喜歡金融行業；兩年及以上實驗室研究經驗或研發類工作經驗優先；
(8)股票量化交易員擴展閱讀
量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，
極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。
⑼ 量化交易的特點和前景
量化交易 是將傳統交易理念規則化、變數化、系列化、模型化，利用計算機的數據處理能力，對宏觀周期內投資產品的市場結構、估值成長、盈利質量、市場情緒等多個角度進行分析，藉以制定新型投資策略，形成一整套操作系統，在實盤中使用電腦自動執行。
以人工智替代投資者在某些環節中做決策，能極大地減少了情緒波動的影響，增強投資的一致性，可以大幅提升投資的穩定。相較主觀交易者經常會應用「盤感」、「經驗」、「第六感」作為其下單的策略，量化交易強調數據的重要性，一套策略一定是清晰明了的，首先得能說得清，道的明，策略是一套完整的閉環，無論開倉、平倉、止盈、止損，都有明確的條件，否則計算機也無法識別。
這樣的好處也很明顯，會讓我們的交易變得清晰、成體系。我們能在此基礎上，改良、精進，可以設立投資組合，交易不同的標的，使用不同的策略，而又相互不影響，能通過策略、資金管理、執行成體系的交易，而非停留在構建虛無縹緲且無法驗證的策略這個階段。交易系統扮演著「憲法」的角色，並不是具體的法令，剩餘的細節則由操盤手藉助自身經驗來微調量化交易中的參數處理。量化交易也可以理解為是人工智慧、數據分析在金融領域的一種應用。
量化交易與普通交易的區別類似於西醫和中醫，普通交易是中醫，一番望、聞、問、切之後，依據個人經驗和主觀感覺開出葯方；量化交易是西醫，要化驗、拍片，取得大量客觀數據後開出葯方。雖然都治病，但依據截然不同。量化交易運作之前，會先用模型對整個市場進行一次全面的檢查和掃描，然後根據檢查和掃描結果做出投資決策。
採取股票量化交易的目的就是以明確的指標和規則指導交易，量化策略在實際使用的過程中可以脫離人為判斷，執行速度更快，運作效率得到了提高。不論是否採用程序化的執行手段，量化交易策略都能夠在實際交易中減少人的負擔，也就減少了許多重復性的勞動。早先的時候，投資市場都是交易員自己盯盤，根據市場動向來進行買賣。但是人的精力畢竟有限，隨著金融市場的發展，股票越來越多，交易員很難再靠自己去分析和盯盤。後來，投行家們就想到了利用計算機大數據分析來進行金融操作，只要設定好相應的規則，編寫好相應的程序，依靠計算機強大的數據處理能力，就可以輕松地進行市場操作了。
在科學不斷進步的今天，越來越多的先進技術被創造出來並應用到各種情境之下。通過結合多個不同學科的知識和相應的數學模型，量化交易策略更有可能發現一些隱藏較深的復雜數據規律，而這些規律往往不太容易被主觀交易者察覺得到。隨著大數據、人工智慧等技術的飛速進展，金融投資正在逐步由人主導轉向由科技引領，人與技術在投資過程中如何更好地結合，成為未來投資的關鍵。在此背景下，量化投資日益得到國內大量基金公司的重視，特別是在監管逐步趨嚴、市場有效性逐步提升的過程中，量化交易具有廣闊的成長空間。
作者: 公眾號 量化交易小課堂