⑴ 揭开“量化交易”的神秘面纱
量化交易（ quantitative trading ）是金融术语，即以数学模型代替人为主观判断，以计算机程序从还想历史数据中筛选出多种“大概率事件”并总结出规律，从而制定相应的投资策略。有了量化交易策略，就较容易减少投资者情绪波动的影响，避免在市场狂热或悲观的情况下做出非理性的投资决策。
在量化交易出现之前，股票和证券市场的投资操作都是人工完成的。著名的股神巴菲特，他的故事投资秘诀就是价值投资，即通过大量研读财报选出优质的公司，并长期持有。价值投资利润固然高明，但知易行难，绝大多数的投资者并没有耐心和毅力去逐一研读每家企业的资料，分析基本面，等等。以美股为例，14000+家公司，每份财报都有好几百页，怎么看得完。更何况，很多机构和投资者都是炒短线的，根本没时间按价值投资的思路去做资料分析。
在此背景下，很多金融创新就应运而生了。比如金融学上有一个很著名的交易策略叫动量交易（momentum trading），即股票价格向上突破到某个比例时买入，下跌某比例时卖出。这个原则说起来容易，人工操作就很困难。而有了计算机之后，交易员只需要输入具体明确的交易策略的指令，剩下的具体操作就可以由电脑自动完成了，非常轻松。
20世纪70年代，随着计算机算力的突飞猛进，金融数据的大数据分析变得简单易行，接着一大批划时代的金融理论诞生了，比如投资组合理论、资产定价理论、期权定价理论，都是在这一时期出现的，这些理论为挖掘金融数据提供了理论基础。另一方面，市场上需要管理的钱越来越多，证券的种类也越来越多。计算能力、金融理论基础、市场需求，这三个条件在一个时代同时实现，量化交易也就应运而生了。
率先使用量化交易技术的是投资银行们。他们利用计算机技术在海量的数据里面挖掘信息，设计很多很复杂的金融产品，放大杠杆，获取着令人难以置信的高额利润。由于计算机技术的大面积应用，很多IT天才云集华尔街，他们大都是穿着T恤和牛仔裤不修边幅的宅男，与西装革履的传统银行家形成了鲜明的对比。2006年，来自摩根史丹利，高盛，德意志银行等投行的顶级“宽客”（Quants，量化交易专家）平均年收入是5.7亿美金，年龄最小的才30岁左右。
经过投行们的推波助澜之后，量化交易在金融市场上占据着相当大的份额。目前的美股市场上，量化交易大概占到60%的比重。
量化交易的核心竞争力就是对海量数据进行分析计算，进而提炼出一定的规律，并据此作出预测。比如，对于某一只农业概念股，除了常规的坎财务数据、历史产量，还可以利用卫星数据来分析天气，然后把农产品的历史产量和其它先关数据全都难过来，进过整合分析之后预测这产品的未来产量，进而对该只农业股的股价进行预测。在市场平稳发展、规律性较强的情况下，只要精确地捕捉到这些规律，投入一些本金，并加上一定的杠杆，就可以实现很高比例的盈利，可谓是一本万利，这也是前文提到很多量化交易的IT专家能够获取天量收入的秘诀。
这个原理听起来确实很诱人，然而却不是容易做到的。毕竟从海量繁杂的数据中持续捕捉规律，并作出准确预测，是非常复杂和烧脑的劳动，费一般人力所能及。因此，大多数投行都是到MIT（麻省理工学院）、普林斯顿等最牛的高校里挖最牛的人才来组建团队。这些精英们也经常自诩，他们是用模拟天体运行规律的方式来解读金融世界。简言之，这是智商密集型的精英领域，非一般人可以涉足。
然而，经济世界和金融领域的运行状况，跟天文物理、化学生物等稳态结构领域的规律是大相径庭的，没有必然和连续的规律 。量化交易确实厉害，但却非稳赚不赔的必杀神技。实际上，量化交易的风险非常大。关键在于，量化交易的本质是基于历史数据挖掘规律，因此它依赖于过去的趋势。而如果这些趋势依存的条件发生变化，趋势也就不复存在。进而，基于这些趋势所做的投资策略，也就面临着失败的厄运。
最著名的案例就是著名的投行“所罗门兄弟”，它里面有一个叫梅瑟维夫的天才，自己组建了著名的量化基金“长期资本管理公司”。在1998年之前，这家公司的业绩非常好，年化收益达到32%，在同行之中一骑绝尘。但是经过俄罗斯卢布崩盘的黑天鹅事件之后，一切灰飞烟灭。
1998年俄罗斯卢布大幅贬值，市场上到处抛售俄罗斯债券。长期资本管理公司根据自己设定的量化模型，不但不抛售，反而激进地抄底，想着等市场反弹之后大赚一笔。然而1998年8月17日，俄罗斯政府发表声明不再偿还任何债务。卢布应声而落，长期资本管理公司爆仓，一天就亏掉几亿美金，在一个月之后，这家天才云集的公司就破产清盘了。
量化交易把金融市场当作稳态结构，以为一切皆有序可循。然而，金融市场不是天体世界，它归根到底是人的市场。人性的贪婪、恐惧、欲望都会随着市场情况的变化而变化。因此它是一个规律和任性相互作用的动态过程，没有一成不变的规律，也没有料事如神的预测模型。用李善友教授近两年广为人知的说法，叫“ 不连续性 ”。
当今的量化交易已经回归到了一个正常状态：一方面，认识到量化交易在数据挖掘和科学决策方面的优势，但是另外一方面，人们也认识到量化交易是有局限的，尤其是应对这种突如其来的规律变化的时候，这种纯量化交易可能会面临更大的风险。
作为全球重要的金融市场之一，中国也有一定规模的量化交易的，但仍处于萌芽的发展状态。炒过股票的同学都知道，中国股市虽然长期收益率不错，但仍总体而言仍是“消息市”、“题材市”、“概念市”，一旦政策或者环境有点风吹草动，中国市场的变动是非常非常频繁的，而且波动的幅度特别大。在市场起伏很大、无规律性非常明显的情况下，量化交易策略就难以凑效，更遑论赚取暴利。
2013年中国有一个光大“乌龙指”事件，就跟量化交易有密切的关系。当时是光大证券的交易员不小心输错了一个数字，下了一个70亿的天量买单，瞬间拉动股价大涨，进而触发了很多量化交易程序的自动执行条件，很快导致300多亿的资金涌入场内，几分钟之内上证指数就拉升了100多点，59支权重股瞬间涨停。很多不明就里的散户盲目跟进，结果损失惨重。事后很多人除了控诉光大证券，也指责采用量化交易的机构，因为量化交易数倍放大了“乌龙指”效应，明显影响了整个股市，进而间接促成他们的跟进损失。
在2013-2014期间，有些量化交易机构收益不错，但经过2015年股灾之后，整个A股市场的情绪和资金面都发生了巨大的变化，过去行之有效的策略通通报废，以量化交易为核心的私募基金倒掉了300多家。
因此，量化交易在中国市场的成长壮大，路漫漫其修远兮。我们普通人，还是老老实实学巴菲特，踏踏实实研读财报，搞价值投资吧^_^
⑵ 什么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盘都是交易员自己来看的，实现根据市场的行情的变化，来执行买卖操作。后来由于金融的不断发展，市场中的过程也就变得多了起来。如果只是单单靠一个交易员来完成较多的股票操作，那是不现实的，也正是因为如此，后面将其跟计算机相互结合金融操作起来。
量化交易指的是以先进的数学模型代替人为的主观判断，利用计算机技术从巨大的历史数据中选出能够带来超多收益的多种“大概率”事件以制定策略，极大地减少了投资者的情绪波动以及影响，避免在市场极度狂热或者是悲观的情况下做出非理性的投资决策。
传统的定性投资本质以及量化投资的本质上来说是相同的，两者都是基于市场非有效或者是弱有效的理论基础。两者之间的区别是在量化投资管理时“定性思想的量化应用”更加强调数据。
⑶ 关于量化交易，这些入门知识你需要了解
这篇文章将向你介绍量化交易系统的一些基本概念。本文主要面向两类读者，第一类是正在努力寻找一份量化交易员工作的求职者，第二类是期望尝试开启自己量化交易事业的个人投资者。关于量化交易，这些入门知识你需要了解。
量化交易是数量金融学一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略，就需要你投入时间学习一些必备知识。
量化交易系统包括四个主要部分：
策略识别：搜索策略、挖掘优势、确定交易频率。
回溯测试：获取数据、分析策略性能、剔除偏差。
交割系统：连接经纪商、使交易自动化、使交易成本最小化。
风险管理：最优资本配置、最优赌注或凯利准则、交易心理学。
我们首先来谈谈如何识别一个交易策略。
策略识别
所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其预期年化预期收益更高且(或)风险更低。如果你是一个“散户”交易员，一定要清楚自己的资金是否充足，以及交易成本对策略的影响。
通过各种公开数据搜索可盈利的策略实际上十分简单，并没有大家想的那么难。研究学者会定期发表理论交易结果(虽然大多为交易成本总额)。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
你可能会问，个人与公司怎么可能愿谈他们的可盈利策略，特别是当他们知道，如果其他人“复制相同的策略”，长期而言它终将失效。
原因就在于，他们通常不会透露具体的参数以及他们所使用的调参方法，而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上，若要创建你自己的、独一无二的策略，一个最好的法子就是寻找相似的方法，尔后执行你自己的优化程序。
你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。
均值回归策略试图利用这么一个事实：“价格序列”(如两个关联资产的价差)存在一个长期均值，价格对均值的短期偏离终将回归。
动量交易策略则试图“搭上市场趋势的顺风车”，利用投资心理和大基金结构信息在一个方向积聚动量，跟随趋势直至回归。
定量交易还有一个重要方面，即交易策略的频率。低频交易(Low Frequency Trading， LFT)通常指持有资产超过一个交易日的策略。相应地，高频交易(High Frequency Trading， HFT)通常指持有资产一个交易日的策略。
超高频交易(Ultra-High Frequency Trading， UHFT)指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易，但也只是在你掌握了交易“技术栈”与订单簿动力学的详细知识后才有可能。本篇入门文章，我们不会对这些问题做任何深入探讨。
策略或策略集合一旦确定，现在就需要在历史数据上测试其盈利能力，这就进入了回溯测试的工作范围。
回溯测试
回溯测试的目标是提供证据，佐以证明通过以上流程所确定的策略，无论是应用于历史(训练)数据还是测试数据均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。
由于种种原因，回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处，由于它包含了大量的偏差，我们必须尽尽力仔细审查并剔除它们。
我们将讨论几种常见类型的偏差，包括先窥偏差、幸存者偏差与优化偏差(亦称“数据窥视偏差”)。回溯测试中其他几个重要方面，包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
策略一旦确定，我们就需要获取历史数据，并藉此展开测试，如有可能还可改进策略。现在卖数据的很多，所有资产类型的数据都有。通常，数据的质量、深度、时间间隔不同，其价格也不同。
刚入门的量化交易员(至少零售等级)最初使用雅虎金融板块(Yahoo Finance)的免费数据就行。对于数据供应商，这里不再赘言。我想重点谈一谈处理历史数据时，时常遇到的问题。
对于历史数据，人们主要关心的问题，包括数据精度或清洁度、幸存者偏差、应对如分发红利、拆分股票等公司行为的调整。
精度与数据整体质量有关，无论数据是否包含错误。有时错误容易识别，比如使用一个窄带滤波器，就可以找出时间序列数据中的“窄带”并更正它们。其他时候，错误又很难甄别，经常需要根据多个数据供应商提供的数据进行对比检查。
幸存者偏差通常是免费数据集或廉价数据集的一个”特征“。对于一个带有幸存者偏差的数据集，它不包含已经不再交易的资产数据。不再交易的证券，则表示已经退市或破产公司的股票。如果数据集中含有此类偏差，策略在此数据集上的测试表现可能比在”真实世界“里表现的更好，毕竟历史”赢家“已经被预先筛选出来，作为训练数据使用。
公司行为即公司开展的常引发原始价格阶梯形变化的”逻辑“活动，它不应该计入价格预期年化预期收益。公司分发红利和拆分股票行为是引发调整的两个常见行为，二者无论发生哪一种，都需要进行一个”回调“的流程。我们一定要留心，不要把股票拆分和真实预期年化预期收益调整混为一谈。许多交易员在处理公司行为时都碰过壁！
为了开展回溯测试，我们必须使用一个软件平台。你可以选择一个专门的回测软件如MultiCharts，一个数值平台如Excel或MATLAB，或者一个用Python或C++完全自主实现的平台。对于MultiCharts(或类似平台)，个人是比较介绍，对于编程的要求比较低。
在做系统回测时，一定要量化表示系统性能。定量策略的“业界标准”度量为最大资金回挫与夏普比率。最大资金回挫表示一段时间(通常一年)内账户资金曲线从波峰至波谷的最大跌幅，常使用百分比表示。
由于大量的统计因素，LFT策略比HFT策略的资金回挫更高。历史回测会显示过去的最大资金回挫，它能够较为贴切地反映策略的未来资金回挫情况。第二个度量指标是夏普比率，它被启发式地定义为“超额预期年化预期收益均值与超额预期年化预期收益标准差的比值”。
这里，超额预期年化预期收益表示策略预期年化预期收益超出某个预定基准，如标普500或三月期短期国债(预期年化预期收益)的额度。注意人们通常不使用历史预期年化预期收益指标，因为它忽略了策略波动性的影响，而夏普比率却考虑到了这一点。
如果经过回测，策略的夏普比率很高且其最大资金回挫已经最小化，则可以认为它趋于无偏，下一步就是要搭建一个交割系统。
交割系统
交割系统是一个方法集合，由它来控制交易策略生成的交易列表的发送和经纪商的交割行为。事实上，交易可以半自动、甚至全自动生成，而执行机制可以手动、半自动(即“点击一次交割一项”)或者全自动。
尽管如此，对于LFT策略，手动和半自动技术却比较常见；对于HFT策略，则必须创建一个全自动交割机制，由于策略和技术彼此依赖，还要经常与交易指令生成器紧密相接。
在搭建交割系统时，我们需要考虑几个关键因素：连接经纪商的接口、交易成本(包括佣金、滑动价差与价差)最小化、实时系统与回测时系统性能的差异。
联系经纪人的方法有很多，你可以直接电话联系他，也可以通过一个全自动高性能的应用程序接口(API)实现。理想情况，就是希望交割交易的自动化程度尽可能高。这样一来，你不仅可以脱开身集中精力进行深入研究，还能运行多个策略、甚至HFT策略(实际上，如果没有自动化交割，HFT根本不可能)。
前面说过的几种常用回溯测试软件如MATLAB、Excel和MultiCharts，对于LFT策略或简单策略都是不错的选择。但是，如果要做真正的HFT，你就必须要构造一个用高性能语言(如C++)编写的内部交割系统。
说个我的亲身经历，以前受聘于一家基金管理公司，我们有一个十分钟的“交易周期”，每隔十分钟下载一次新的市场数据，然后根据这十分钟的信息进行交割。这里用的是一个优化的Python脚本。对于任何处理分钟级或秒级频率数据的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系统的优化通常不在量化交易员的工作范围。但是，在小点的公司或高频交易公司，交易员就是交割人，所以技术面越广越好。你要想进一家基金管理公司，一定要记住这一点。你的编程能力不说比你的统计学和计量经济学禀赋更重要，至少也同样重要！
另外一个属于交割系统的重要问题是交易成本最小化。一般地，交易成本由三部分构成：佣金(或税收)、损耗与价差。佣金是向经纪商、交易所和证券交易委员会(或类似政府监管机构)支付的费用；滑动价差是你的预期交割价位与真实交割价位的差值；价差则是待交易证券的卖出价与买入价之差。注意价差不是常数，它依赖于市场当前流动性(即买单和卖单数量)。
交易成本是决定一个策略是高夏普比率且盈利丰厚，还是低夏普比率且极不盈利的关键。根据回溯测试正确预测未来的交易成本很具有挑战性，你需要根据策略频率，及时获取带有卖出价与买入价信息的历史交易数据。
为此，大型基金管理公司量化交易的整个团队都专注于交割优化。当基金管理公司需要抛售大量交易时(原因五花八门)，如果向市场“倾泻”大批股票，会迅速压低价格，可能都来不及以最优价格交割。
因此，纵使遭受损耗风险，基金管理公式也会选择使用算法交易，通过“打点滴”的方式向市场出单。此外，其他策略如若“捕到”这些必要性条件，也能利用市场失效(获利)。这是基金结构性套利的内容。
交割系统最后一个主要问题关系到策略的实时性能与回测性能的差异。这种差异由多种因素造成，比如我们在“回溯测试”一节已经深入讨论过的前窥偏差与最优化偏差。
然而，对于有些策略，在部署之前不易测得这些偏差。这种情况对于HFT最为常见。交割系统和交易策略本身均可能存在程序错误，回溯测试时没有显现却在实时交易时出来捣乱。市场可能受到继交易策略部署后的一场政变的影响，而新的监管环境、投资者情绪与宏观经济形势的变化也均可能导致现实市场表现与回溯测试表现的差异，从而造成策略盈利性上的分歧。
风险管理
量化交易迷宫的最后一块是风险管理程序。风险包含我们之前谈论的所有偏差。它包括技术风险，比如所有在交易所的服务器突然发生硬盘故障。它还包括经纪风险，如经纪商破产(此说并非危言耸听，引发恐慌的明富环球就是一个例子)。
总而言之，它覆盖了几乎所有可能干扰到交易实现的因素，而其来源各不相同。已经有成套的书籍介绍量化交易策略的风险管理，本人也就不再对所有可能的风险来源做详细说明。
风险管理还包括投资组合理论的一个分支，即所谓的“最优资本配置”，涉及到如何将资本分配给一组策略、如何将资本分配给策略内不同交易的方法。这是一个复杂的领域，依赖于一些高级数学知识。
最优资本配置与投资策略杠杆通过一个名为凯利准则的业界标准建立联系。本文是一篇入门文章，我在此不详谈其计算。凯利准则对策略预期年化预期收益的统计性质做过一些假设，但是它们在金融市场中并不一定成立，交易员因此在实现时通常会有所保留。
风险管理的另外一个关键成分涉及到交易员自身心理因素的处理。尽管大家都承认，算法交易若无人为干涉，不太容易出现问题。交易员在交易时，稍不留神仍然可能会掺入许多认知偏差。
一个常见的偏差是厌恶规避，当人发现损失已成定局，其所带来的痛苦，可能会麻痹人的行为，不能做到及时抛盘止损。类似地，由于太过忧心已经到手的预期年化预期收益可能赔掉，人们可能也会过早抛盘收利。
另外一个常见的偏差是所谓的偏好偏差：交易员太看重事件而非长远地看问题。此外，当然不能落下“恐惧与贪婪”这对经典的情绪偏差。这两种偏差常导致杠杆不足或杠杆过度，造成爆仓(账户资产净值近乎为零或更糟)或盈利缩水的局面。
总结
由此观之，量化交易是数量金融学中一个虽趣味十足但极其复杂的领域。我对这个话题的讨论浅尝辄止，文章就已经这么长了！我在文中三言两句带过的问题，已经有大量的相关书籍和论文出版。
因此，在你申请量化基金交易职位前，务必要进行大量的基础调研，至少应当具有统计学和计量经济学的广泛背景，以及使用MultiCharts、MATLAB、Python或者R程序语言实现的丰富经验。如果应对的是更加复杂的高频端策略，你的技能组合可能还要包含Linux内核修改、C/C++、汇编编程和网络延迟优化。
⑷ 量化交易的那些事！
最近一段时间，很多人觉得股票越来越难做了，板块加速切换，市场走势极端，一些中线趋势良好的板块个股完全无视基本面突然连续大幅杀跌。
有人说，这是因为量化交易成为了我们的对手盘，助涨杀跌。有些票涨六七个点，突然就摸涨停了，有些票跌六七个点，突然就奔跌停去了。手速、资金都拼不过，甚至按照这样的趋势，我们这些靠交易为生的散户，有可能要被机器人干掉。事实果真如此吗？
今日笔者就来给大家分享一下量化基金的那些事。
量化交易到底是怎么交易的？
交易员A兄，19至20年在国内某量化基金做交易员，基金规模最大到70亿。最开始在量化交易部，后期在人工t0部。基本上交易部的东西都清楚，国内这几家量化基金的交易模式也大同小异。
量化交易是怎么交易的呢？大部分策略是量化对冲模型。
就是买入市场上的活跃股，然后开对应金额的期指空单对冲（IF，IC，IH都有），多头金额和空单金额（期指有杠杆，实际占用金额少）基本上在1：0.8到1：1区间浮动。
赚钱逻辑就是，不管大盘涨跌，因为有对冲，只要买入的票足够强，只要能跑赢对冲指数（if，ih，ic），基金就是永远赚钱的。
也有一些纯多头策略，就是不带对冲，全买股票的，但是少一些。
量化交易的买入卖出，都是一揽子交易。每天要买入的票少的时候200只，多的时候能到4、5百只。这些票根据权重划分金额，有的票买的多，大部分票只买一点点。一般前二十只票，买入金额占到总成交金额的4成左右了。
当天开盘前，策略部的算法就会把当天的买入卖出任务做好。交易员的工作就是把当天要买的票买完（不论价格），把当天要卖的票卖完（不论价格）。考核指标就是以当天开盘价作为基准，算出平均买入成本与开盘价偏离值，以收盘价作为基准计算卖出价格偏离值，用这两个数据算绩效。
这个模式就导致，股票早上买的时候很容易打高了，因为很多公司都是这个算法，互相一抢，股价就能推上去。但没办法，交易员一般10点之前就要买完票了，越往后风险越大，因为不知道谁就突然涨停了，导致买入成本暴增，是要被谈话的。
卖出是这样的，公司所有的票有一个7%止盈单，就是只要股价冲到7%，就会卖出。而且收盘统计的时候，涨幅超过7%的票是按7%的价格计算卖出成本的，假如卖早了那就卖亏了，假设我5个点卖了，冲到8个点，收盘砸绿，算收盘价的时候还是按7%算，这个对交易员很不友好。
“19年初那波行情我们当时规模不小了，有时候单票买入金额能占到股票总成交的10%甚至更多，这时候票就很难买了，因为一买就要把价格推上去，推上去买入成本巨高，我们业绩就会很差。但是没办法，任务一定要完成的。
印象很深刻的，19年2月1日，当时有个同事买入任务里要买 300615欣天科技800多万，大家可以看一下这票前一天成交额，成交额太小了800很难买进去，买了一点点就封板了，然后炸板，我同事一直想等回落了慢慢买结果一直不回落，最后他直接集合竞价把票顶到涨停板把剩下的买入任务买完了……”
量化策略模型：联创股份的推升
由于“交易员A”兄从事于交易部门，选股条件那是策略部的事情并不清楚，而且这些量化公司都号称自己有几百上千个选股因子，每天机房电脑都在跑程序，在第二天开盘前把票选好。
不过公司的几个模型结构是知道的。当时主要有7日模型，9日模型，13日模型，还有一个两日模型。
这个N日模型的N就代表持股周期，表示买入后持有N日后卖出。有时候连续几天都有同一只票的买入任务，那么这个票就会在持仓里躺小半个月。随着模型时间到了之后，慢慢卖完。
算法部都是清华高材生，学历在那放着呢。不过再牛的策略也是人定的，再牛的量化算法也是人选的。
模型的变化（持仓时间长短）、对冲指数风险敞口的调整，以及选股因子等，策略部一直在做优化。这些变化不是说某天突然发现不行了，然后就要改了、之前的都完全放弃了，而是说每天都有在回测市场分析账户表现，然后策略部们去做细微的调整。
“为什么说这个模型的事情，今年的联创股份这种，很明显就是被量化模型推上去的。因为这票根本没有什么基本面，纯垃圾股一个，pvdf那种故事听听就算了。”
实际上就是这票被很多家量化算法选中了，有长周期的有短周期的，但是在前期都主要是买入为主，所以我们可以看到这票被锁仓了，一直往上推，当然涨的好也就有散户信了他的故事（散户也锁仓），然后到卖出的时候，这票往下按接不起来，因为大家模型时间都差不多到了。
今年好多票涨的快，涨幅大，但是调整的非常狠，跟量化模型同质化有很大的原因。
各位兄很感兴趣的T+0
由于买入模型持仓7、9、13天不等，而且都是市场上比较活跃的票。那么这些票躺着不动其实就是一种浪费，这些票可以甩给t0团队去做t，用来搞额外收益。
“我之前的工作内容，说实话很无趣，自主操作的空间很少，更像是一个人形下单机器，所以在后期公司要开展t0交易的时候我果断转岗去了t0交易部。
当时国内几家大的量化私募都已经有自己的交易团队了，我司属于介入比较晚的，老板应该是去九坤这几家参观学过，也就动了搞t0团队的想法。在成立自己T0团队之前，公司的底仓是打包给国内几家专业的t0公司去做的。”
t+0这边很简单，底仓给交易员分好，然后交易员自己拿着底仓去做日内差价，这个差价就是交易员的业绩，然后公司按比例给交易员提成就是工资。
t0交易员是没有底薪的，没有底薪没有五险一金没有社保，全靠业绩活。而且这个东西淘汰率相当高，当时新组建团队，招来了四十多个新人，最后只留下来一个。最主要的是，现在基本没有t0团队要新人的了，没公司愿意培养新人。
关于t+0还有一个事情。
很多人做创业板新股喜欢看融券余额，觉得融券量大的票会容易涨，他们说的是要打爆空头，第二天融券方要回补还券。
其实不是这样的……创业板新股上市之前就已经把这些机构的券约出去了，这些券各大t0机构从券商手里借到，当成底仓给交易员做t0交易。因为新股波动大做t0收益高，当然券息也高。但是专业的t0团队是不可能裸空的，融券量大只是券商把券借给t0团队了，人家当天就已经买回了。
量化基金收益的潜规则
其实量化赛道也很拥挤，因为交易同质化很强，大家的策略大同小异，起重要因素的其实不是选股策略而是对冲盘的风险敞口。之前说了，多头和空头的比例是在1：0.8和1：1区间浮动的，那么这里面的可操作空间其实非常大。
而具体收益率，各个产品之间的差距其实很大……
“19年初那波创投工业大麻氢能源的行情大家应该都知道，到5月份我们的头部产品收益率都干到了60%了，但是当时竟然还有一些产品是不赚钱的，真不赚钱甚至还有略亏一点的。
这个差距大的原因应该是各个产品的买入时间有差异，因为买的越早其实别的资金就在给你抬轿子（这些是我猜的没法证实）。实际上在私募拍拍网上的明星产品收益率都还不错，年化跑个二三十没问题。但是，但是，但是！后面的产品根本不能看………头部产品其实就是个广告效应吸引投资人的…等你亏钱了，老板开始心理按摩就行了，反正大部分客户啥也不懂……
我们老板就不会交易，他工作的一个主要内容就是给客户心理按摩……
前东家规模最多到70亿，当时老板是有冲击百亿规模的想法的，扩招了很多人。实际上是这些规模一部分是公司本来赚上去的净值，还有一大半是场外的人看公司业绩漂亮高位跟投的…我知道的有一个大户一个人就在我司放了20亿，做量化对冲。
最后结果是行情没了之后，好多后期进场的人是亏钱的，这些人亏了之后就会选择赎回，撤资，然后规模也会迅速变小。很快的，从20亿规模到70亿只用了半年，从70亿回到不到20亿，用了不到半年……
不过老板怎么都是赚的，行情好的时候赚业绩提成，新入场资金赚管理费……基金亏了，客户就自己赎回好了，反正老板都是血赚。”
最后
其实所有人（包括私募，公募，量化），对于市场都是靠蒙的……
能不能涨，为什么涨，能涨多少，不是一个人说了算的，因为市场这么大，根本不是一个人能够决定的。（袖珍盘庄股除外，这种就真看老庄心情………）
行情都是一阵子一阵子的，年初白酒yyds，三月碳中和yyds，5月医美yyds，789月新能源赛道yyds，最后把锅全甩到量化头上去……其实还是自己学艺不精啊……
总的来说，市场的东西都交给市场去消化，市场有市场自己的规律。yyds白酒照样能跌，赛道股照样会大幅回撤。
老师们要认真观察市场，认真学，认真提高自己的交易水平，其实是可以盈利的。
做量化的这些程序员大部分连股票都没炒过，人家写的程序也就是发现了市场规律，然后用合理的仓位，策略去做交易。连这些人都能赚钱，其实我们需要做的是客服自己的贪婪和恐惧，做一个无情的交易机器就好了。
⑸ 如何成为一名合格的量化交易员
首先你要懂得相关的专业知识，而且要爱岗敬业，严格遵守自己的职位操守和道德，也要有自己的想法，知道是什么该做的，什么是不该做的，这样就可以成为一名非常合格的量化交易员了
⑹ 什么是股票量化交易
什么是量化投资？
简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去践行投资理念、实现投资策略的过程。
传统的投资方法主要有基本面分析法和技术分析法两种，与它们不同的是，量化投资主要依靠数据和模型来寻找投资标的和投资策略。
主要有哪些量化投资策略呢？
第一，也是最重要的一类策略：量化选股
量化选股就是采用数量的方法判断某家公司是否值得买入的行为。根据某种方法，如果该公司满足了该方法的条件，则放入股票池；如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类。
公司估值法通过比较公司估值法得出的公司理论股票价格与市场价格的差异，判断股票的市场价格是否被高估或者低估，从而寻找出价值被低估或被高估的股票。这种就是基本面量化。
趋势法就是根据市场表现，如强势、弱势、盘整等不同的形态，做出对应的投资行为的方法。可以追随趋势，也可以进行反转操作等。这种就是技术面量化。
资金法的本质思想是追随市场主力资金的方向，如果资金流入，则应该伴随着价格上涨；如果资金流出，则应该伴随着价格下跌。资金法本质上是一种跟风策略，追随主流热点，从而期望在短时间内获得超额收益。这种是交易行为量化。
通过量化方法选出来的股票，通过不断的轮换，就可以获得超额收益。
第二类策略是：量化择时
传统的有效市场假认为金融市场是不可预测的，价格充分反映了所有相关的信息，价格变化服从随机游走，对金融产品价格的预测将毫无意义。
但是随着计算机技术、混沌、分形理论的发展，众多研究发现，股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因而存在可预测成分。例如利用一种叫 Hurst 指数的工具，可以在较大的时间刻度上判断出大盘的高点和低点。
根据量化择时的策略判断，可以进行大盘的高抛低吸，例如熊市底部抄底，牛市顶部抛顶。
第三类策略是：对冲套利
对冲套利就是利用两个相关性比较高的品种，同时进行做多和做空的操作的一种交易策略，当两个品种的价差偏差超过了合理区间，存在较大的概率回归，这是对冲套利策略的理论逻辑。
举个例子，工商银行和建设银行的股价往往同涨通跌，因此如果当工商银行涨的时候，可以卖出工商银行，买入建设银行。当两者价差回复正常的时候，卖出建设银行，再买入工商银行。这样来回的操作，可以获得一个超越牛熊的收益。
目前国内资本市场可以进行的对冲套利策略包括：期现套利、跨期套利、跨品种套利、跨市场套利、ETF 套利、分级基金套利等。
例如 2018 年 10 月，因为在 2015 年在股灾中，大量进行 ETF 交易的几个私募基金，给证监会重罚，其中东海恒信给罚款 2 亿多，他们就是利用 EFT 套利的策略，在 2013 到 2015 年期间，盈利超过 10 亿。
有了对冲套利策略，无论是熊市还是牛市，都可以获得比较稳健的收益。
第四类策略是：期权套利
期权套利交易是指同时买进卖出同一相关期货，但不同敲定价格或不同到期月份的看涨或看跌期权合约，希望在日后对冲交易部位或履约时获利的交易。
期权套利的交易策略和方式多种多样，有多种相关期权交易的组合。特别是期权的高杠杆特征，使得在 2018 年的熊市中，有不少优秀的交易员依然可以获得超过 50% 的收益率。
第五类策略是：资产配置
学术界有一个公认的结论，投资中真正赚钱的关键是资产配置，而不是具体的交易。通过对主要的大基金的绩效归因可以得出结论，90% 的收益来自于正确的资产配置，也就说，选择市场比交易更加重要。
量化投资管理将传统投资组合理论与量化分析技术结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。
⑺ 量化交易是什么
什么是量化交易，未来前景如何？知道的讲讲。
量化就是就是具体化，使用模型来进行程序化交易。
打个通俗的比方：一般的人炒股或者期货就像看病中医一样，通过望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些，很大程度上通过依靠经验和感觉判断来进行操作；量化交易就像西医，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药，定量交易更像是西医，依靠模伐判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。模型对整个市场进行检查和扫描，满足你所编写的程序模型，就会进行处理（下单之类，都是可以自己设置的，看你的模型怎么编写）。
程序化交易越来越被人熟知，使用的人也越来越多，总体来市场会越来越扩大化。
具体的程序化交易程序软件：文化、TB、金字塔等，总的来说金字塔使用起来简单上手，编写的语言不难，而且功能比前两者多。
高频交易和量化交易到底有什么区别
从历史上看，很多高频交易公司的创始人都是交易员出身，原来就从事衍生品的做市、套利等业务。一开始这些工作并不需要多高深的知识。随着计算机技术的发展，交易的自动化程度和频率也逐渐提高，这些公司逐渐聘请一些数学、统计、计算机背景较强的人员加入以适应形势的发展。当然，这个过程也出现了一些分化，有的公司还是保留了交易员在公司的主导地位，并且始终未放弃人工交易，最终形成了人机结合的半自动交易；而另外一些公司对新鲜技术的接受程度更高一些，往往采取全自动的交易模式。事实上，也没有证据表明全自动交易的公司就比半自动交易的公司更为优越，到目前为止，也只能说是各有利弊。
人工交易的最大弊端在于手动下单的地方离交易所较远，在行情剧变的时候往往抢不到单。在这一点上，全自动交易的公司可以通过托管机房来最大程度减少信号传输的时间，不过自动化交易往往因为程序过于复杂，加上很多公司人员流动较大，在程序的维护上会出现一些失误，最终程序出错酿成大祸，比如著名的骑士资本。
至于过度拟合无法抵御黑天鹅事件，那是人工交易和自动交易都无法避免的问题。一般来说，Getco、Jane Street、SIG、Virtu Financial等是半自动交易，Tower Research、Hudson River Trading、Jump Trading等是全自动交易。
量化投资公司跟高频交易公司则有很大的不同。首先，美国的量化投资公司基本上都是量化背景极强的人创办的，比如说文艺复兴的创始人西蒙斯是数学家出身，DE Shaw的创始人David Shaw是计算机教授出身，AQR的创始人Cliff Asness是金融学家出身，而高频交易公司则更多是传统交易员创办的；其次，量化投资一般依赖于复杂的模型，而高频交易一般依赖于运行高效的代码。
量化投资公司的持仓时间往往达到1—2个星期，要预测这么长时间的价格趋势需要处理的信息自然非常庞大，模型也因此更为复杂，对程序的运行速度反而没那么敏感；高频交易处理信息的时间极短（微秒或毫秒级），不可能分析很多的信息，因此模型也趋于简单，竞争优势更多依靠代码运行的效率，很多人甚至直接在硬件上写程序；而最后，量化投资的资金容量可达几百亿美元，而高频交易公司往往只有几千万至几亿美元，但由于高频交易的策略表现远比量化投资稳定，如Virtu Financial交易1238天只亏1天，因此一般都是自营交易，而量化投资基金一般来说都是帮客户投资。
期货量化交易和程序化交易有什么区别？
建议： XP 对话框中有很多选项设置，通常都是先选中某个选项，然后再单击“确定”按钮开始执行。利用鼠标双击可罚简化这一操作步骤，双击某个选项可以做到既选中又执行。
什么是量化投资？
数量化投资、程序化交易、算法交易、自动化交易以及高频交易都是数量化交易的特定方式， 其描述内容的侧重点各有不同。数量化交易应用IT技术和金融工程模型偶那个帮助投资者指定投资策略、减少执行成本、进行套利和风险对冲。数据、速度、风险管理是数量化交易系统建设中的关键问题。期货市场的数量化自动交易模型正逐步由投资者编制自用，演变为有一定规模的投资咨询顾问组成的专业团队参与。
程序化交易，也可称之为系统交易或算法交易，设计人员将市场常用之技术指标，利用电脑软件将其写入系统中，结合市场历史数据，分析和组合各种指标建立数学模型，将交易策略系统化。当交易策略的条件满足时，程序化系统自动发出多空讯号，并且有效掌握价格变化的趋势，让投资人不论在上涨或下跌的市场行情中，都能抓住交易策略，进而赚取波段获利。程序化交易的操作方式不求赚取夸张利润，只求长期稳健的获利，于市场中成长并达到财富累积的复利效果。经过长时期操作，年获利率可保持在一定水准之上。
程序化交易又是一种个性化交易，每个投资者（或机构）都可以根据自己的投资经验和智慧，编写自己的交易模型，进行电脑自动交易。交易模型是交易思想的凝练和实际化，正确的交易思想在严格的操作纪律实行下将获得良好、稳定的投资收益，而通过交易模型正是将正确的交易思想与严格的操作纪律很好地结合在一起，帮助人们获取良好、稳定的投资收益。程序化交易在投资实战中不仅可以提高下单速度，更可以帮助投资者避免受到情绪波动的影响，消除交易时人性的恐惧、贪婪、迟疑及赌性等情绪，实现理性投资。
设计出色的程序化系统可以确保广为流传的交易成功三项基本原则的顺利实施：顺应市场趋势、控制亏损交易、做足盈利交易。
总而言之，模型策略的出色设计、资金的有效风险控制、行情交易软件的稳定可靠、数据的及时流畅以及下单速度的快捷,组成了优秀的程序化交易系统，它是量化投资的一种具体实现途径。
量化系统是什么?
博尔证券量化交易系统是上海兆吉信息技术有限公司引进海外成熟量化投资模型，拥有完全自主知识产权的证券量化交易系统，是国内首款面向个人投资者的证券量化交易系统。
证券量化交易是指在证券市场中博尔证券量化交易系统，通过对交易资金及交易报价等数据进行批量比对后，分别找出资金数据及价格数据的运作规律，并根据这种规律进行投资交易，以获取最大的投资收益。博尔证券量化交易系统主要针对交易的两个要素交易价格和交易量做量化处理，并最终得出上涨概率的预测结果。
想从事量化交易的行业 具体如何学习量化交易还比较迷茫 所以想请教一些问题 不知道能不能稍微讲解一下 10分
不用这么复杂，现在文华赢智软件的麦语言很适合初学者，都是一些封包函数，很容易入门。
有什么问题可随时跟我们联系，使用文华软件有几年时间，还是有些经验。
量化云网站为您服务。
量化交易和程序化交易有什么联系和区别呢？
量化交易大多用在股票交易上，量化是指将某只股票或者摸个行业的数据进行量化，在更具各家机构自己的量化公式进行选择，量化交易只是选择，并不涉及交易，程序化交易也是一种量化交易，但是是更具已有的数据进行，比如各种行情指标，MACD KDJ等，无法像量化交易那样把能涉及到的所有数据进行量化，程序化交易更侧重交易的自动进行，没有认为干预，且模型编写简单，个人用户也可以进行
量化投资是什么？
量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。
量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，大家也比较关心。量邦科技冯永昌打个比方来说明这种关系，我们先看一看医生治病，中医与西医的诊疗方法不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。
什么是量化交易 程序化交易应该怎么做
那是编程高手们玩得
股票量化交易转期货,区别是什么?
记得炎黄财经中提到过：期货量化交易-量化交易恰恰可以尽可能地规避投资者在投资活动时所受到的心理影响。以数量模型验证及固化这些规律和策略，严格执行已固化的策略来指导投资，从而使投资决策更科学、更理性，这就是量化交易的优势所在，也是量化交易在期货市场的意义所在。
期货由于是T+0杠杆交易，策略上的止盈止损设置很重要且被频繁触发。投资者需要做好仓位控制。期货的涨跌停幅度和股票不同，且有连续涨跌停时扩板（扩大涨跌停幅度）和提高保证金比例的问题。盘面数据的获取可以使用其他的行情软件。
期货由于是T+0杠杆交易，策略上的止盈止损设置很重要且被频繁触发。投资者需要做好仓位控制。期货的涨跌停幅度和股票不同，且有连续涨跌停时扩板（扩大涨跌停幅度）和提高保证金比例的问题。
⑻ 在中国，做量化交易一天的工作是怎样的
做量化交易一天的工作：
8:00~9:00： 打开交易策略，设置一些运营参数
9:00~9:30： 观察策略运转，确保没有问题
9:30~15:30: 解决已有策略的问题并研究新策略，测试新想法
15:30~17:00: 分析交易记录， 确定第二天的交易计划
17:00~18:00: 运动
岗位职责：
分析金融市场（期货、股票等）数据，寻找可利用的机会；开发与维护量化交易策略；提供机器学习/数据挖掘相应的技术支持；
岗位要求：
1.熟练计算机编程能力，熟练掌握至少一门编程语言，python优先；
理工科背景，具有良好的数理统计、数据挖掘等相关知识储备，熟悉机器学习方法（分析科学问题和相应数据，建立模型和方法，验证模型和方法，应用模型和方法并分析结果，改进模型和方法）；
有处理分析大量数据的经验，并能熟练选择和应用数据挖掘和机器学习方法解决科研和工作中的实际问题；良好的自我学习和快速 学习能力，有工作激情，喜欢金融行业；两年及以上实验室研究经验或研发类工作经验优先；
(8)股票量化交易员扩展阅读
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，
极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
⑼ 量化交易的特点和前景
量化交易 是将传统交易理念规则化、变量化、系列化、模型化，利用计算机的数据处理能力，对宏观周期内投资产品的市场结构、估值成长、盈利质量、市场情绪等多个角度进行分析，藉以制定新型投资策略，形成一整套操作系统，在实盘中使用电脑自动执行。
以人工智替代投资者在某些环节中做决策，能极大地减少了情绪波动的影响，增强投资的一致性，可以大幅提升投资的稳定。相较主观交易者经常会应用“盘感”、“经验”、“第六感”作为其下单的策略，量化交易强调数据的重要性，一套策略一定是清晰明了的，首先得能说得清，道的明，策略是一套完整的闭环，无论开仓、平仓、止盈、止损，都有明确的条件，否则计算机也无法识别。
这样的好处也很明显，会让我们的交易变得清晰、成体系。我们能在此基础上，改良、精进，可以设立投资组合，交易不同的标的，使用不同的策略，而又相互不影响，能通过策略、资金管理、执行成体系的交易，而非停留在构建虚无缥缈且无法验证的策略这个阶段。交易系统扮演着“宪法”的角色，并不是具体的法令，剩余的细节则由操盘手借助自身经验来微调量化交易中的参数处理。量化交易也可以理解为是人工智能、数据分析在金融领域的一种应用。
量化交易与普通交易的区别类似于西医和中医，普通交易是中医，一番望、闻、问、切之后，依据个人经验和主观感觉开出药方；量化交易是西医，要化验、拍片，取得大量客观数据后开出药方。虽然都治病，但依据截然不同。量化交易运作之前，会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。
采取股票量化交易的目的就是以明确的指标和规则指导交易，量化策略在实际使用的过程中可以脱离人为判断，执行速度更快，运作效率得到了提高。不论是否采用程序化的执行手段，量化交易策略都能够在实际交易中减少人的负担，也就减少了许多重复性的劳动。早先的时候，投资市场都是交易员自己盯盘，根据市场动向来进行买卖。但是人的精力毕竟有限，随着金融市场的发展，股票越来越多，交易员很难再靠自己去分析和盯盘。后来，投行家们就想到了利用计算机大数据分析来进行金融操作，只要设定好相应的规则，编写好相应的程序，依靠计算机强大的数据处理能力，就可以轻松地进行市场操作了。
在科学不断进步的今天，越来越多的先进技术被创造出来并应用到各种情境之下。通过结合多个不同学科的知识和相应的数学模型，量化交易策略更有可能发现一些隐藏较深的复杂数据规律，而这些规律往往不太容易被主观交易者察觉得到。随着大数据、人工智能等技术的飞速进展，金融投资正在逐步由人主导转向由科技引领，人与技术在投资过程中如何更好地结合，成为未来投资的关键。在此背景下，量化投资日益得到国内大量基金公司的重视，特别是在监管逐步趋严、市场有效性逐步提升的过程中，量化交易具有广阔的成长空间。
作者: 公众号 量化交易小课堂