什么是量化交易？

　　量化交易也称为算法交易，是严格按照计算机算法程序给出的买卖决策进行的证券交易。简单的来讲就是用把自己的投资想法用数理模型和计算机手段数量化的实现。
　　大家容易把量化交易与技术分析混淆，实际上量化交易的内容丰富的多。许多量化交易系统在进行建模和运算的时候会用到基本面数据，比如估值、市值、现金流等，还有的算法将新闻作为变量进行计算。而技术分析基本只需要用到交易标的的量价数据。
　　一般投资者，在接触交易时，一般采用主观交易模式，根据个人对于盘面或者基本面的判断来进行下单，容易受到客户情绪因素影响，在接触交易一段时间后，多数投资者会选择指标来指导自己进行交易，然而由于这种模式下单仍然要经过投资者主观过滤，如果操作不当，仍然会效果不理想。在经历了主观交易和指标交易的各种缺点后，转型为专业投资者都会选择量化投资，数据回测与系统纪律性让投资者走向成功的路上事半功倍。
　　投资者在进行量化交易时，工具的选择是多元化的，如图2所示，基础偏弱可以选择通达信、博易大师等交易软件，利用量化指标进行半自动交易，倾向于全自动交易者可以考虑运用文华财经、博易大师和交易开拓者等软件进行模型的建立与优化，而要求更高的投资者可以运用基础编程语言C++、MATLAB等构建具有个人特色的交易平台。
　　量化交易是将市场中的历史数据通过构建因子，通过选出＂具有超额收益＂的标的来赚钱的交易策略。离不开最新的数学和计算机理论的支持。
　　如果应用于股票市场的话，一般包括量化选股和量化择时两点。
　　选股模型主要包括：多因子模型、风格轮动模型、行业轮动模型、资金流模型、动量反转模型、一致预期模型、趋势跟踪模型和筹码选股模型。
　　择时包括：趋势择时、市场情绪择时、时变夏普率模型、牛熊线模型、Hurst指数模型、SVM模型、SWARCH模型和异常指标择时等等。
　　量化投资的优点在于纪律性、系统性、及时性、准确性和分散化。
　　对于这个问题，首席投资官评论员李睿阳认为：
　　数量金融，也称为量化金融/量化交易，属于应用数学领域，涉及金融市场的数学建模。一般而言，数量金融会推导和扩展数学或数值模型而不必建立与金融理论的联系，只要将观察到的市场价格作为输入即可。数学上的一致性是必需的，并不一定必须和经济学理论兼容。因此，虽然金融经济学家可能会研究公司可能具有某种股价的结构性原因，但金融数学家可能会将股价视为给定的值，并尝试使用随机微积分来获得相应的衍生工具的价值。无套利定价的基本定理是数学金融中的关键定理之一，而Black-Scholes方程和公式是关键结果之一。
　　数量金融也与金融工程领域重叠。后者侧重于应用和建模，通常借助于随机资产模型，而前者除了分析外，还侧重于构建模型的实施工具。总的来说，有两个独立的金融分支需要先进的定量技术：一方面是衍生品定价，另一方面是风险和投资组合管理。
　　量化交易就是制定好模式，程序自动批量化的交易。
　　给你举一个例子，比如说我把程序设定为，如果次新股里面出现一个三连板的股票，那么立马批量买入跟它上市时间差不多的次新股。
　　那么就会出现次新股里面有一个龙头三连板的时候，会出现很多股同时突然拉起来，在往常我们可能会人工选股，慢慢的筛选一下，然后买入。
　　一般盯盘的，反应快的，可能买到就能赚钱，量化交易的好处是直接电脑程序识别，第一时间就能买入筹码，比人工选股再买入要快了很多。
　　量化交易不仅助涨，也助跌，比如煤炭股里面选一个股作为风向标，程序设定当这个股快速下跌的时候，立马把其他的煤炭股也抛出来。
　　这样当煤炭期货下跌，或者有什么利空的时候，被选为标的的那只煤炭股下跌就会带动其他煤炭股快速下跌。
　　简而言之，就是把我们认为胜率比较高的模式编制成程序，然后触发条件之后程序批量化的进行交易就叫量化交易。
　　程序化交易员路过，量化交易是这样的，比如常见的kdj金叉并kd值在20以下，才做交易，那电脑编程是这么写，当持仓=0   and   kdj金叉   and  k和d值小于20  然后买入多少数量。这个过程不是人去判断，是电脑判断。当kd值有时21，人可能根据市场情绪也会买入，但电脑它不干。严格尊守。
　　量化交易，也有自动化交易，程序化交易，EA， 高频交易，算法交易等等，大致意思差不多，不同的领域可以叫法不一样，譬如外汇市场大多叫EA。主要是把自己的交易系统通过计算机语言（Python ，matlab等等，很多）程序编写实现出来，把这个程序和数据信息（量价信息，基本面，金融政策信息等等）接口接上，通过在计算机或服务器（现在大部分都是租一个云服务器）上运行，实时执行各种分析，选股，择时，买，卖，加仓，减仓，止损止盈等等。这样可以省去一些人力成本（人力分析慢，3000只股票得需要很对人天天），省去不必要的盯盘时间，一定程度规避情绪心理因素影响。一个完整的量化交易包括很多东西：1、资金管理或投资组合管理；2，选股，基于数据面的技术分析（均线，macd等等，太多了），基于基本面的分析（市盈率，财务报表等），基于经济面的分析（财政及货币政策，经济周期，行业周期轮动等），基于情绪面的分析；3，择时也即建仓的时机，止损止盈，加仓减仓平仓等；4，交易记录总结改进。当然还有别的很多内容。也有办自动化的，譬如只采用分析做选股。这个东西老美搞了30多年了，国内搞了十几年。可以了解一下大神西蒙斯和文艺复兴基金。国内这几年也出现很多平台，还不是特别成熟，入聚宽，掘金量化等等，也有几十个，可以关注一下。
　　「量化交易」是一门汇集数学知识与程式语言的学问，一般人或许会认为那是相关领域专家才能胜任的工作。但此书作者告诉我们并不尽然，这是他身为这领域专家，在历经数次成功与失败的实务操作后所下的结论。在从事量化交易前，需要先厘清一非常重要的观念，那就是这不是能一夕致富的行业，不然到头来只会落得血本无归的下场。积极谨慎的个性与耐心，是做这行业人最普遍具有的特质。
　　随着网络资源搜索的盛行，我们不难在许多学术文章或是相关网页论坛里，找寻到许多适合自己偏好取向的交易策略。因此我们关心的是如何分辨这些交易策略的好坏，以及避免在这过程中犯下一些常见的错误，例如存活偏误(survivorship bias)、前视偏误(look-ahead bias)、资料窥探偏误（Data-snooping bias）以及对交易成本的考量等，以下一一为大家介绍。
　　下图为计量交易的流程．首先，交易者会从历史资料或过去经验中得到对于市场的知识，将知识量化后发展出交易策略，并使用策略对过去历史资料做回测，产生对此策略的评估报告．这样做的好处是，可以确保执行者对策略完全了解，另一方面，若在回测中发现不够好的部分，也可以及时修正与改进．最后，此策略就可以进入实际操作的阶段．而从发展策略到回测产生评估报告的过程，就是传统投资方式与量化交易最大的差异处。
　　关于回测的各种知识
　　首先，是进行回测的平台，以下介绍几个常用的回测平台：第一个常用的回测平台是Excel 资料的输入、输出都可在同一张表格上完成，交易人可以轻易地做比较与判读，但Excel的缺点就是只适合用来处理较简单的模型。第二个常见的交易平台为Matlab Matlab的优点如以下这张图所示，它可以轻易的从外部的资料库汇入资料，并有丰富的数学及统计工具帮助投资者建立较复杂的策略和处理大量资料，但Matlab的缺点是测试完策略后，至少到目前在一些的情形下，必须从另外的交易平台做下单。
　　注：与Matlab较为相似的平台，如「R」、「Python」也是一般常见的使用工具，各有其优缺点。第三个是在国内较为常见的交易平台Multicharts 除了适用多种标的资产的交易如股票、期货、外汇等项目外，简易的操作方式与其所具备的许多服务功能，像是图表交易、下单匣、交易追踪视窗、市场深度视窗、自动化进场/出场与商品代码转换等特色所著称。
　　另外，在国外更常被使用的交易平台为Quantopian、Quantconnect、Portfolio123，此三个平台各自拥有相当多使用者，里面有许多社群分享的交易策略，资源十分丰富。许多量化交易的前置作业，如选定标的资产，下载历史资料等都能在这些平台上轻松完成，各网站的资料汇整连接的都十分完善，使用者只需专注在策略上的设计即可。选定交易平台后，接着是寻找及使用历史资料
　　交易人可以在网络上寻找到大量的免费资料来源，但在使用上述资料时，必须注意几个要点，避免错误触发交易信号。
　　1.标的是否有股票分割以及发股利的情况
　　以(IGE) ETF做个例子，下表为2005/6/7-10的资料，在8-9间，该ETF做了一次2 :1的股票分割，表格中可以发现两天的收盘价差将近一倍，这时就需对分割前的收盘价做调整。也就是必须将收盘价除以二。
　　而下面表格则是2005-07年发放股利的状况，必须针对每一次股利发放计算调整的乘数。乘数计算方式为( Prev. Close – Dividend ) / Prev. Close。
　　根据上述的调整方式，得到下表为调整完股票分割和股利发放后的收盘价，以此收盘价进行回测，才能得到正确的报酬。
　　2.标的的存活偏误（Survivorship Bias）
　　做回测的时候，可能会面临一个情况是部分标的已经下市无法得到资料，而未将这些资料放进历史资料中，而得到有所偏差的报酬。举个虚拟的交易策略为例，买进当年表现最差股票并持有一年。
　　由上面的两个例子，可以得知交易人在进行回测使用历史资料时必须非常小心，以免产生有所偏差的结果。
　　而如何公平比较不同的策略和不同交易人的结果，Sharpe Ratio是一个公认较为适合的指标，Sharpe Ratio衡量的是承担每单位风险所得到的超额报酬。
　　3.前视偏误（Look-ahead bias ）
　　我们使用交易完成之后的资讯会导致前视偏误，比如以在「当日最低价的1%之内买入股票」的策略就有前视偏误，因为在收盘之前是无法得知当日股票的最低价格，使用有落后期数的历史数据可以避免这一偏误的产生。我们能依下列方式检验是否存在前视偏误：第一步骤是使用标的物的所有历史数据运行程式，将推荐买卖仓位存入一个文件A；第二步骤是移除最近N天(10天或100天)的历史数据后，再次运行程式，将推荐买卖的仓位存入另一个文件B；第三步骤是不考虑文件A的最后N行，比对文件A和文件B的买卖仓位是否相同？如果仓位不一致，则说明移除的N天数据参与了文件A的运算，故回测程式有前视偏误的存在。
　　4.数据窥探偏误（Data-snooping Bias）
　　数据窥探偏误指的是我们过度优化参数而夸大了回测绩效，可分为参数优化和非参数优化两种。参数优化是指像进出场门槛值，持有期限和回测期限等；非参数优化是指利用开盘价或是收盘价来交易，是否持有过夜，交易标的为大型股或是小型股等。这些类型的选择往往可以优化回测绩效，但对未来绩效并不能保证会有好的结果。有三种方法来降低这种偏差：第一种最常见的方法是增加我们的样本量；第二种是样本外回测，样本外回测指的是将历史数据分成两部分，用第一部分来优化参数，我们称为训练集（training set），用第二部分来做样本外测试，我们称为测试集（test set）。
　　从测试集的损益图可以看出策略的绩效很好，这个配对交易策略在训练集和测试集上的Sharpe ratio都很高，因此，可认为此策略不存在数据窥探偏误。如果把进场门槛值改为1倍标准差，出场门槛值改为0.5倍标准差，即在组合价值向下跌破1倍标准差时，购买该价差组合，当组合价值上升超过0.5倍标准差时，做空该价差组合。在训练集上的Sharpe ratio会上升至2.9，测试集的Sharpe ratio会上升至2.1。显然，后面这组门槛值更好，但并不是所有训练集上的参数优化都会提高测试集上的绩效。这时应该选择使得训练集和测试集上的绩效都较好（很可能不是最好）的参数。最后还要检测是否存在前视偏误。第三种降低数据窥探偏误的方法为敏感度分析。敏感度分析是指我们在模型参数优化、通过测试集的检验之后，透过改变这些参数，来观察模型在训练集和测试集上的绩效变化。如果绩效变化很大，或者说在参数取任何其它值时绩效都不佳，模型很可能具有数据窥探偏误。
　　5.交易成本考量
　　例2：考虑交易成本的均值回归模型
　　一个简单的交易策略：以1995年到2006年这段期间，我们以收盘价买入前一交易日日收益最差的股票，卖空前一交易日日收益最好的股票。若不考虑交易成本，策略的Sharpe ratio等于0.2510，而考虑交易成本的Sharpe ratio等于-3.1884。因此这个策略是无利可图的。
　　策略的改进
　　首先我们需要注意的是所有策略的改进都要有经济学原理或者市场的现象作支撑，而不是乱套入些反覆试验的方法，否则会产生数据迁就偏差。
　　例3：对例2策略的微小改动
　　对策略进行如下改动：在市场开盘而非收盘时进行交易，不考虑交易成本的Sharpe ratio会增加到4.43；而考虑交易成本的Sharpe ratio会变为0.78，可以发现这个策略仍有利可图。
　　量化交易，通俗一点说，就是通过编写软件程序，实时监测市场交易情况，并且设定一些条件，一旦当市场交易情况满足这些条件时就自动执行一些操作，比如买入、卖出等。最初级就是软件公式进出买卖。量化交易能够排除人的非理性因素，通过大数据与人工智能可以操作大量的资金，降低人力成本。
　　全球最大对冲基金去年桥水基金宣布在上海自贸区注册投资公司，引起了金融界的广泛关注。这家常年在世界对冲基金榜单上位居前列甚至是榜首的美国公司掌管约1500亿美元，客户主要由机构客户组成，包括外国政府、央行，企业和公共养老金，大学捐款和慈善基金。它总部设在美国康涅狄格州，总共拥有约1500名雇员。桥水的历史超过40年，可谓对冲基金中的常青树。它在2008金融危机中获得了正收益。
　　量化交易占比到底是多少？券商中国记者调查后发现，现阶段A股市场量化交易日成交额约为2000亿元，成交占比在20%左右。这是能够统计的到，还有大量的游资，私募以及大户，其规模可想而知。  这次量化交易之所以，在中国股市引起这么大的反应。主要是因为大象开始用上的精确制导了，大量高频短线交易，助涨杀跌，无形放大了市场的系统风险。当这些大体量资金改做短线了，可以想象一下：有资金体量，信息，有专业的团体与技术…虎入鸡群！
　　量化交易打破了股市生态，以前是各种资金各做一块，机构与公慕做价值发现，以长线为主；游资与私募偶尔出来活跃一下市场，大家各相安无事，至少这个生态琏也保持平衡。大量的主流大资金开始玩跨界了，当下的市场就是这种情况。游资都打被找怕了，在新的平衡建立起来之前，市场不会有大的主线与机会。做为普通股民，也要不断学习提高自己。打不过，还不能加入他们…
　　所谓的量化交易通俗来讲就是机械化操作。就是满足一定的条件就自动化操作。比如你自己买股票站上五日均线买入跌穿五日均线卖出。只要设定一下这样的操作方法的程序到时候只要满足这样的条件电脑就会自动的买进卖出而不需要人为去操作。做股票最重要的一点就是有了一套好方法严格执行。如果是人去操作难免会坚持不下去因为人会因为盘面而情绪波动从而不坚持自己的方法。但是机器就不同只要设置好方法的程序到时候它就自动买卖。所以量化交易以后会越来越流行。
　　上面的各位大佬回答得都很到位了，我作为10年个人投资股票经历，2年自行研发量化交易系统并现在正在和私募合作发产品的一个量化新人，我来谈谈我对量化交易的浅薄认知。
　　量化交易带给我的一个最深刻的印象就是其＂确定性＂。主观交易到量化交易
　　首先是人来交易，对应量化，我们称为主观交易。人交易必然有一个方法，可能叫模式、可能叫模型都没有关系。总之包括了买入卖出整个过程，比如选股，复盘，看盘，分析，跟踪，买入，仓位，卖出等等。我们给了这整个过程一个名词叫做策略。量化，可以把这一个过程程序化，因此变成了量化策略。
　　量化不仅仅是简单地把人的思路、行为程序化，它还解决了一些关键问题。
　　人的方法是经验论，是从过去的交易经历中提取出来的经验，但是这些经验有没有用，什么时候失效，什么时候有效，都得靠人去把握。大多数情况下，人没法确定这个经验到底有没有用，因为仅仅只是从个别强势股里面提取了一些正确的案例。
　　5日线金叉10日线买入为例，就是因为有人看到了一些涨的股票中有这个现象，但是实际上还有很多5日线金叉10日线买入后就再次死叉下跌的失败案例。人要么选择无视，要么无法去做统计，去了解这个方法到底是有多少正确率。用手工的办法去统计，不知道要花多少时间。那么程序的优势就体现出来了，可以在几分钟里面就把过去10年的所有股票的5日线金叉10日线的买点之后盈利的可能算出来，告诉你这个方法到底有多少正确率。 所以它的试错成本是极低的，并且是确确实实告诉你一个数字化的准确率，40%或者30%，人无法确认这个，人只能有一个模模糊糊的感觉。
　　机器可以测试各种方法，什么方法可以赚钱，在多少时间内可以赚多少钱，或者会亏多少钱，他都能很快测试出来，这个过程叫回溯测试，简称回测。这就是一个＂确定性＂。
　　我们知道做交易就是做概率，既然是做概率，怎么会有确定性呢？ 那么我告诉你，能确定60%的准确率，这就是一个确定性！ 胜率和盈亏比
　　没有100%赚钱的交易方法，我们所有的方法做的都是概率，那么做概率就是做两个东西，一个是胜率，一个是盈亏比。
　　胜率就是你做了很多笔交易，把赚钱的笔数除以总交易笔数。比如做了100笔交易，你做了统计，60笔是赚钱的，那么胜率就是60%。人来做概率，最大的问题就是不稳定，因为极少人能够做到像机器一样严格遵守所有的规则，始终如一的去做一个动作，所以胜率有时候高，有时候低，而大多数时候不足50%。也就是做10次交易，可能有6次是亏的。而这些亏损中，有一两次是可以通过规则避开的，但是人交易的时候因为种种原因，没有避开。
　　盈亏比是一段时间内的多笔交易的平均盈利除以平均亏损。比如你做了一年的交易，一共做了20笔交易，盈利了10笔，总共盈利10万，平均盈利就是10/10=1万。10比亏损，总共亏了5万，平均亏损就是5/10=0.5万。盈亏比就是1/0.5=2。在这个案例里面，你的胜率是50%，盈亏比是2，所以你总体盈利了。
　　那么最好的状态就是能够保持稳定，比如第一个季度胜率是50%，盈亏比是2，第二个季度，最好也差不多。但是大多数人是不稳定的，可能第二季度就变成了胜率30%，盈亏比0.5，那就是亏钱了。第三个季度又赚钱了，第四个季度又亏钱了。来来回回折腾好几年，有赚有亏，最后算总账，没赚钱。这就是不确定性。人有情绪，人有感情，就算有规则，人也经常不会遵守。
　　程序可以解决这个问题，他的胜率可能高一些比如60%，盈亏比可能低一些，比如1.2或1.3，但是它没有感情，没有情绪，该买买，该卖卖。它能稳定，甚至恒定的以这个胜率和盈亏比持续下去，那么他的行为就是确定的，他的盈利和亏损是可以预期的。或许它年化不高，可能10%~15%，但是他稳定啊，每年都按照这个增长率增长个10年，20年，那就不得了了。
　　当然，这是最理想化的量化交易状态，现在能做到这样的还真不多，头部的几家量化做的是真不错，比如幻方、九坤，资金曲线非常的稳定。其他的，还在路上。
　　附上我的产品2020年1月到2021年3月的回测资金曲线图
　　2018年1月到2021年3月就做的比较差了，最大回撤有14.6%，还需要不断的改进。