那麼什麼是量化？
傳統交易：老漁民憑經驗判斷哪裏有魚（看K線圖/聽消息）
量化交易：用聲吶掃描海底地形（數學模型），自動佈網收網（程序化交易）
優勢：包括紀律性、系統性、實時性、分散化等。
不足：包括樣本誤差和樣本偏差、策略共振、錯誤歸因、黑箱等。

01、爲什麼需要量化交易？
傳統的投資方式往往依賴於經驗和直覺，但人容易被情緒影響，比如恐慌、貪婪，不是靠個人感覺來管理資產。

而量化交易通過分析大量數據和模型，找到市場的規律，減少主觀因素的干擾，找投資標的，建立可以重複使用並反覆優化的投資策略，並指導投資決策過程。

在應用方面，量化投資幾乎覆蓋了投資的全過程，包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、算法交易、資產配置、風險控制、當然也包括加密貨幣市場等。

02、量化交易的優勢

紀律性
傳統投資很大程度上會受到諸如貪婪、恐懼等人的情緒的影響，有時候很難保證交易執行的紀律。

一般會嚴格執行量化模型所給出的投資指令，而不會隨着投資者情緒的變化而隨意更改，因而有着相對嚴格的交易紀律。

系統性
量化的系統性特徵主要包括多層次的量化模型、多角度的觀察及海量數據處理等。

多層次模型主要包括大類資產配置模型、行業選擇模型、精選個股模型等。

多角度觀察主要包括對宏觀週期、市場結構、企業估值、成長性和盈利質量、市場情緒等多個角度的分析。

海量數據處理是指量化投資能通過計算機獲得遠超人腦的數據和信息處理能力，進而捕捉更多的投資機會。

實時性

能及時快速地跟蹤市場變化，不斷髮現能夠提供超額收益的新的統計模型，尋找新的交易機會。量化正是在不斷尋找估值窪地，通過全面、系統性的掃描，捕捉錯誤定價、錯誤估值帶來的機會。

分散化

量化交易的分散化，也可以說是靠概率取勝。
這表現爲兩個方面：

一是從歷史數據中發現規律，這些歷史規律多是過去有較大概率獲勝的策略；

二是依靠篩選出股票/幣種組合來取勝，而不是一隻或幾隻股票/幣種取勝，從投資組合理念來看也是捕獲大概率獲勝的股票/幣種，而不是押寶到單個股票/幣種上。

03、量化交易的不足
樣本誤差和樣本偏差
很多量化策略非常依賴歷史數據，但是歷史數據可能缺乏足夠的多樣性和足夠長時間的積累，因此樣本取樣可能因爲數量過少而出現誤差，或者因爲取樣非隨機而出現偏差。
在此基礎上取得的相關性規律，一旦離開樣本範圍就可能失效，從而失去參考性。

策略共振

許多量化策略，和技術分析策略相似，一旦某個策略被證明有效，隨着使用者增加，策略共振之下，它的有效性就減弱。

錯誤歸因

在應用比較廣泛的的多因子量化策略中，是從數據的結果來反推原因，只要構建足夠多的因子，就很可能實現某個特定的已知結果。

然而，當基於這個多因子組合構建的量化策略，用於實際交易的時候，可能會因爲錯誤歸因的原因而失效。因爲從結果來倒退原因，無法準確區別哪些是偶然因素，哪些是決定性的因果因素。

黑箱

各種量化策略，包括高頻、對衝或套利等，往往都沒有內在因果關係，其策略的有效性大多建立在歷史數據的強相關性上。策略的邏輯在於，根據歷史數據，如果55%或更大概率是有效的，那麼只要重複數據足夠多，勝算就會積累。

04、量化交易是怎麼工作的？
收集數據

收集股票、幣種、債券、期貨等金融產品的歷史數據，比如價格、成交量、公司財務報表等。

開發模型

根據數據發現規律，比如“某幣在下午3點後經常漲、交易訂單、掛單量、資金費率等等”。將這些規律轉化成數學模型，比如某種公式或規則。

回測策略

用歷史數據測試這些規則是否有效，看看按照這種方法過去能不能賺到錢。

執行交易

使用計算機程序來自動化執行交易，比如發現規則成立時自動下單。

05、構建策略有兩種思路

一種是數據挖掘，在一堆數據中通過統計、歸納發現穩定的結構，常用的技術分析便是此類。由於價格數據是隨機變動的，不太可能有持續穩定的結構，需要不斷的迭代優化，但未來新產生的數據少，很難在少量數據裏發現新的穩定結構，所以，當歷史數據的統計規律一旦失效，策略也基本就喪失價值了。

這種策略的開發路徑是先有數據，再挖掘規律，再不斷的優化迭代。

第二種是邏輯論證，通過數學推導得出一個結論，例如平價套利理論，通過計算會得出一個套利邊界，只要價格超過邊界，就存在套利機會，無論價格是怎麼變動的，只要超過套利邊界，就有套利機會。

這種策略的開發路徑是先邏輯推導出規律，再對基礎條件選代，例如利率的變動、儲藏成本的變動，會得出不同的計算結果，用新的計算結果等待價格觸發的交易機會。

明天我會發布一期視頻，看看華爾街頂級交易員是如何利用量化套利上百億的！