量化交易是什么? 快速入门版
由iquant创建，最终由small_q 被浏览 367 用户
什么是量化交易？
度娘官方版 — 理论这么说
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 。（注：文末含所有量化核心工具）
简介版 — 职场上的量化交易
量化交易主要是根据纯粹的数据，做一些统计类型的工作，从中找到一套正期望值的交易信号系统。这个信号系统会告诉我们在什么时候买，什么时候卖。跟其它交易来比，它和其它的交易系统的区别来比，这是一个非常客观的交易系统，不参杂任何主观因素，是全自动的一套系统。
什么是正期望值的交易系统呢？
正期望值的系统就是它平均每笔的盈利是正向的。这样的话随着次数的增多，它的最终交易结果最终结果也是趋于正向的，因为最终的值取向于平均结果乘以次数。
单笔的交易可能会亏损，这是因为它有一个输赢的概率。不过，这个不是问题。因为如果我的系统是正期望值的，它最终的结果和趋势是盈利的，它会回归盈利的。
举个反向的例子，比如去赌场玩儿百家乐。作为一个赌客，跟赌场相比，我们的正期望值系统是负的。也就是赌的次数越多，我们输的概率越大，最后趋向于百分之百。所以大家要从统计的角度来看问题，而不是从单次去看，不是盈亏的角度。
这是量化交易和其它交易方式的最本质的区别。比如主观交易，它可能根据的是一些基本面或信息面去判断某个点是该做多还是做空，什么时候买什么时候卖。这是主观交易的一套方式。而量化交易是从完全不同的角度去看这件事情。
进阶版 -- 量化交易岗到底都是什么？
策略开发岗位：首先你会从事数据整理清洗工作，然后上升到策略开发，再到量化研究员，最后到基金经理。基金经理实际上管理的就是投资组合了，而非单个的策略。
量化IT支持岗：一开始是做一些账户实时监控系统的UI开发，之后做账户的适配开发，也就是CPP的开发，再往后会做一些整体基金的IT架构的开发，比如基金整体可能会要求有一些组合下单的东西，这样的话就需要从IT价格上来考虑。
专业版 — 量化交易都有哪些经典的策略？
R-breaker: 它很清晰的构建出了一个完整计算框架，包括买点是怎么计算出来的，卖点是如何计算出来的以及反转点是如何计算出来的，它都是很全面的。这个可以供大家仔细研究的，但是倒不一定照抄它，因为照抄是没有意义的。但是你可以通过策略本身，看到它一个盈利的模型。
海龟交易法：可以看一下它里面是如何计算止损，少数，进场点，出场点的。这是一个很完善的一个策略框架，我们完全可以在这些策略上面开发自己的策略。
有一点值得注意的是，如果你开发的策略是很多其它人没有考虑到的点，与众不同的话，相对来说你会注意到市场上一些效率不高的一些点，这样你的竞争者就会少，而你的优势就会更大一些。
统计操定类型的策略：这个策略是对价差建模，价差在恒定区间内波动，这样大家可以构建一些均值回归类型的套利策略。
大家在去写交易策略的时候，一定要注意的是这个策略的优点在哪里，缺点在哪里，相对于缺点，优势是什么。任何一个交易策略都不可能完美无缺，都有缺点和优点，搞清楚它的弱点是比较重要的。
你的策略之所以能盈利，那一定在市场上占有某种优势，如果策略产生回撤的话，就代表你的策略面对市场的时候产生某种劣势所以会回撤。所以，清楚自己策略的劣势是是非常重要的。
其实做一个交易策略就是在问一个问题，也就是“我怎么样可以能使我的系统得到一个长期向的正盈利？”这个相对来讲，更重要一点。
我能做这工作么？！
Of course ！只要你想，就可以！
量化交易岗没有明确的，硬性的门槛需求。也不需要金融经济类的专业背景。当然，大家如果懂一点金融知识的话会更好，但是这不作为一个硬性要求。
他们主要偏好编程和数理统计能力。因为量化交易就是基于编程，基于程序。所以写程序的能力很重要！还有数理统计能力，主要是用来在我们对大量的数据作分析的时候你能有一个很明确的框架去处理一些问题。如果你学过一些数理统计能力的话，帮助会比较大。
个人能力和性格呢，会更看重新员工的踏实程度。因为我们在做一些量化交易的策略开发的时候，是很枯燥的。拿到一些历史数据后，我们作一些清洗整理的工作。这需要大量的重复，因此如果不够有耐心和细心的话，很难做好这些事情。
而且量化交易的话现在的市场上对于人才的需求量还是蛮大的，不管是从策略开发也好还是从量化IT 的支持角度来讲，都是挺多的。
量化交易目前在国内前景还是很好的，因为它是用另一个角度去看待交易问题，这个角度要利用到计算机的很多知识，是有一定门槛的，所以还是有比较优势的。
其实，编程／计算机是一项基本功，其次数学会培养大家一个非常清晰的思维。但没有硬性门槛，关键你所掌握的东西跟用人单位的需求匹配就可以了。
没有编程基础也是很容易去学量化交易的其实，包括我认识的50多岁的人去学编程去学量化交易的，做的也不错。最重要的是要对自己有信心，要有坚持。有的时候我认为坚持更重要一些。
量化入门书籍
书籍。 因为量化投资在国内起步很晚，书籍基本都是出自美国作家之手，这里列举书籍榜单，此榜单可以认为是量化交易的金融基础知识，至于软件程序方面，都是机器学习和大数据相关的通用技能，故不再列举。
-
《量化交易：如何建立自己的算法交易事业》（"Quantitative Trading: How to Build Your Own Algorithmic Trading Business"） - Ernest P. Chan
- 这本书对量化交易的基础进行了全面的介绍，适合初学者了解整个行业的运作方式。作者Ernest Chan提供了关于策略开发、风险管理和交易心理学的实用建议。
-
《算法交易：赢利策略及其实现》（"Algorithmic Trading: Winning Strategies and Their Rationale"） - Ernest P. Chan
- 深入地探讨了算法交易的策略和技术。作者介绍了多种交易策略，并讨论了每种策略背后的逻辑和数学原理。
-
《量化投资策略分析》（"Quantitative Investment Analysis"）- Richard A. DeFusco, Dennis W. McLeavey, Jerald E. Pinto, David E. Runkle
- 重点介绍了量化投资中的统计和数学方法。内容涵盖了回归分析、时间序列分析和风险管理等多个方面，适合希望深入了解量化分析方法的读者。
-
《Python金融大数据分析》（"Python for Finance: Mastering Data-Driven Finance"）- Yves Hilpisch
- 学习金融数据分析和量化交易中Python编程的绝佳资源。书中不仅介绍了Python编程基础，还涵盖了数据分析库如Pandas和NumPy的应用。
-
《金融建模与量化分析》（"Financial Modelling and Quantitative Analysis"）- Andrew W. Lo
- 知名的量化投资专家Andrew W. Lo所著，提供了量化分析的全面视角，包括金融市场的统计模型、风险管理技术以及量化策略的实现方法。
-
《机器学习与量化投资：从数据处理到策略实施》（"Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies"）- Stefan Jansen
- 深入探讨了机器学习在量化交易中的应用。涵盖了数据挖掘、模型构建、策略开发等多个方面，特别适合对机器学习在金融市场应用感兴趣的读者。
-
《高频交易：算法策略与风险管理》（"High-Frequency Trading: A Practical Guide to Algorithmic Strategies and Trading Systems"）- Irene Aldridge
- 专注于高频交易领域，详细讲解了高频交易策略、市场微观结构以及相关的风险管理技巧。适合对高频交易感兴趣的专业人士阅读。
-
《量化投资策略：技术分析与行为金融学的结合》（"Quantitative Trading Strategies: Harnessing the Power of Quantitative Techniques to Create a Winning Trading Program"）- Lars Kestner
- 深入讨论了各种量化交易策略，结合技术分析和行为金融学，为读者提供了一系列实用的交易工具和方法。
-
《金融市场技术分析：量化方法、模型和交易策略》（"Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications"）- John J. Murphy
- 尽管不专注于量化交易，这本书是技术分析领域的经典之作，对于理解市场动态和开发交易策略非常有帮助。
-
《建立赢利的量化交易策略：实证分析的艺术与科学》（"Building Winning Algorithmic Trading Systems: A Trader's Journey From Data Mining to Monte Carlo Simulation to Live Trading"）- Kevin Davey
- 作者通过自己的经验，详细介绍了创建和评估量化交易系统的全过程。书中充满了实际案例和实用建议，适合希望将理论应用于实践的读者。
量化交易本身客观讲是一个很有意思的事情，就是你不要把它当成是挣钱而去做的一个交易策略，这个是效率不高的。你要把它当成一个追寻，找出问题本身的一个过程。
希望正在看的你，也能明确未来的目标，努力并且坚持！
量化开发资源
平台入口
量化交易策略开发平台入口（PC端），可以开发线性和AI量化策略的平台
量化投资金融历史数据平台，获取所有金融股票、期货等市场历史数据平台
量化高级因子平台，可以选择一些更高级的因子自定义开发优质策略
量化课程学习入口，适合零基础入门量化的新手课程学习平台
平台组件
DAI — 金融数据库平台，高性能分布式数据访问平台
DAI — SQL数据函数列表， 罗列了量化交易开发常用的SQL函数大全
BigAlpha — 因子数据库平台，研究和分析股票、债券等金融资产的性能和风险的关键手段
QuantChat — AI开发助手 ，基于QuantLLM研发的下一代金融投资交互体验工具
BigTrader - 交易引擎(HFTrade） ，方便用户开发的功能强大的量化交易引擎
FAI - 云计算加速集群：**为海量数据处理、高频因子挖掘、并行超参数搜索、滚动训练等复杂计算任务量身定制的分布式云计算加速平台。凭借其强大的处理能力，FAI能够大幅提升计算效率，助力您轻松应对各类高性能计算挑战。
AIFlow - 任务管理：**通过AIFlow的任务管理界面，可以实时监控任务的执行状态。一旦任务成功完成，可以查看详细的执行结果，还能享受其带来的便捷管理体验和高效任务调度能力。
BigCharts - 量化数据可视化、配置项：一款专为金融市场和量化交易投资领域打造的数据可视化工具。它提供了丰富的图表类型和探索分析功能，帮助您更直观地理解和分析复杂的金融数据
BigBrain - 知识库插件：一款强大的知识库插件，支持一键式复制粘贴功能。只需在对应平台复制想要嵌入到知识库的链接，然后粘贴到BigBrain的知识库编辑器中，即可轻松实现知识的整合与共享。
开发模块
Python：一种简洁易读、功能强大的编程语言，适用于各种应用场景，从简单的脚本编写到复杂的数据分析、机器学习和Web开发。Python拥有丰富的标准库和第三方库，为开发者提供了广泛的支持和灵活性，是量化交易开发领域的重要语言之一。
Pandas：高效且用户友好的库，提供了强大的数据结构和数据分析工具，助力数据科学家和研究者轻松处理和分析数据。
NumPy：作为科学计算的基础包，NumPy支持大规模的多维数组和矩阵运算，为高性能计算量化交易数据提供了坚实的基石。
Pyarrow：一个跨平台的在内存中处理平面列式数据的Python库，它能在多个数据源和数据系统间高效传输数据，是AI量化开发大数据处理的关键组件。
Matplotlib：作为Python的2D绘图翘楚，Matplotlib能够生成从静态图像到动态、交互式图表的全方位可视化解决方案，满足量化交易数据可视化的各种需求。
Scikit-learn：为数据挖掘和数据分析提供了一套简单而高效的工具集，助力量化研究者快速构建和评估机器学习模型，实现数据洞察。
TensorFlow：作为领先的开源机器学习框架，TensorFlow为深度学习模型的开发、训练和部署提供了强大的支持，是AI人工智能领域的核心工具之一
SciPy：一个专为数学、科学和工程领域设计的库，SciPy提供了一系列高级的数值算法和函数，满足了科研人员和量化交易开发工程师在各种复杂计算场景中的需求。