【学习笔记】量化交易

量化交易（Quantitative Trading，简称"量化"）是指用数学模型、统计方法、计算机程序和金融数据来制定并执行交易决策的一种交易方式。量化交易就是把交易逻辑写成规则和程序，让计算机根据数据自动判断什么时候买、什么时候卖、买多少、如何控制风险。本文介绍量化交易的核心思想、量化交易与普通交易的区别、量化交易的基本流程、量化交易常见策略类型、量化交易的优势局限和风险、学习量化交易需要具备的能力、量化交易的简单例子和量化交易适合的对象。

1. 量化交易的核心思想

传统交易往往更依赖交易者的经验、直觉和主观判断。比如，一个投资者可能会根据盘感认为某只股票"看起来要涨"，或者根据市场氛围决定加仓。而量化交易更强调规则化和数据化。它不会简单依赖"感觉"，而是会把交易逻辑明确表达出来，例如当短期均线上穿长期均线时买入，当价格跌破某个止损位时卖出，或者每个月选择估值较低、盈利质量较好、动量较强的一组股票构建组合。

量化交易的核心思想并不是神秘地预测未来，而是通过历史数据和统计分析，寻找市场中可能长期存在的概率优势。这个优势可能来自趋势延续，可能来自价格的均值回归，也可能来自估值、质量、动量、波动率等因子带来的长期收益差异。量化交易者是把这些市场现象转化成可以验证、可以执行、可以管理风险的交易系统。

2. 量化交易和普通交易的区别

表1 主观交易和量化交易的区别

|------|----------|------------|
| 对比维度 | 主观交易 | 量化交易 |
| 决策依据 | 经验、判断、盘感 | 数据、模型、规则 |
| 执行方式 | 人工下单 | 程序自动或半自动执行 |
| 情绪影响 | 较大 | 较小 |
| 可验证性 | 较弱 | 可以回测、统计评估 |
| 交易频率 | 低到中等 | 可低频、中频、高频 |
| 适合对象 | 依赖个人经验 | 依赖研究、数据和系统 |

量化交易并不一定比主观交易更赚钱，但它的优势是：规则明确、可回测验证、执行稳定、可同时监控大量标的、风险控制更系统化。

3. 量化交易的基本流程

在完整的量化交易流程中，

第一步通常是获取数据。数据是量化交易的基础，可能包括股票价格、成交量、财务报表、指数数据、宏观经济数据、期货和期权数据、外汇数据、加密货币数据，甚至还包括新闻、公告、研报和社交媒体情绪等另类数据。数据质量对策略结果影响非常大。如果数据本身存在错误，例如复权处理不准确、财务数据使用了未来信息、忽略了退市股票，或者没有考虑停牌和涨跌停，那么回测结果就可能严重失真。
有了数据之后，研究者需要提出一个策略假设。这个假设通常来自对市场规律的观察。例如，有人认为强势资产可能继续上涨，这就是动量或趋势思想；有人认为价格短期过度下跌后可能反弹，这就是均值回归思想；有人认为估值较低、盈利能力较强的股票长期表现可能更好，这就是价值和质量因子的思想。一个好的策略假设不应该只是单纯的数据挖掘结果，而应该有一定的经济逻辑或行为金融解释。
需要把策略假设转化为具体的交易规则。比如，如果研究的是动量策略，就可以规定每个月选择过去六个月涨幅排名靠前的一组股票买入，并持有一个月后重新调仓。如果研究的是均线策略，就可以规定当二十日均线上穿六十日均线时买入，当二十日均线下穿六十日均线时卖出。这个过程的关键是规则必须足够明确，不能含糊。只有规则清晰，才能进行程序化实现和历史回测。
回测是量化交易中非常重要的一环。所谓回测，就是把策略放到历史数据中运行，模拟如果过去按照这套规则交易，会得到怎样的结果。回测通常会关注年化收益率、最大回撤、波动率、夏普比率、胜率、盈亏比、换手率、交易成本之后的净收益等指标。通过这些指标，可以初步判断策略是否有研究价值。

但是，回测结果好并不代表策略未来一定有效。量化交易中一个非常常见的问题是过度拟合。也就是说，研究者不断调整参数，让策略在历史数据上表现得越来越好，但这种表现可能只是迎合了过去的偶然波动，并没有真正的未来预测能力。比如，一个策略经过大量测试后发现十三日均线和四十七日均线组合在过去表现最好，这并不意味着这个参数组合在未来也会有效。成熟的量化研究通常需要使用样本内、样本外测试，滚动测试，稳健性检验，以及不同市场环境下的表现分析，来尽量降低过拟合风险。

风险管理也是量化交易不可缺少的一部分。很多初学者过度关注收益，却忽略了风险。实际上，量化交易的目标不是让每一笔交易都赚钱，而是在可承受的风险下，让长期概率优势发挥作用。一个策略即使胜率较高，如果仓位控制不当，也可能因为一次极端行情遭受巨大损失。风险管理通常包括控制单个标的仓位、限制行业集中度、控制总杠杆、设置最大回撤阈值、根据波动率调整仓位，以及在异常行情中进行降仓或停止交易。
当策略通过回测和模拟盘验证之后，才可能进入实盘阶段。实盘交易比回测复杂得多。回测中，系统通常默认可以按照理想价格成交，但真实市场中会存在滑点、手续费、买卖价差、冲击成本、流动性不足、停牌、涨跌停、订单未完全成交、网络延迟、交易接口故障等问题。如果这些因素没有被充分考虑，策略在实盘中的表现可能远差于回测。因此，量化交易不只是策略研究，还包括交易系统、数据系统、风控系统和监控系统的建设。

4. 量化交易常见策略类型

常见的量化策略有很多类型。

趋势跟踪策略是其中比较经典的一类，它认为价格一旦形成趋势，就可能在一段时间内延续。均线交叉、突破策略、唐奇安通道、MACD 等方法都属于趋势交易思想。趋势策略的优点是逻辑简单，能够在大行情中获取较大收益；缺点是在震荡市场中容易频繁出现假信号，从而产生连续亏损。
均值回归策略则是另一种重要类型。它认为价格短期偏离合理水平后，存在向均值回归的倾向。例如，某只股票短期大幅下跌后可能出现反弹，两个高度相关的品种价差过度扩大后可能重新收敛，ETF 折溢价过高或过低后可能回归合理水平。均值回归策略在震荡市场中往往表现较好，但在单边趋势行情中可能面临较大风险，因为价格可能并不会很快回归，而是继续偏离。
多因子选股是股票量化中非常常见的策略。它通过多个维度评价股票，例如估值、成长、盈利质量、动量、波动率、市值、股息率、分析师预期、资金流等。研究者会根据这些因子给股票打分，再选择综合排名靠前的一篮子股票构建组合。多因子策略的优势是能够分散个股风险，并且可以把投资逻辑系统化；但它也面临因子拥挤、因子失效、交易成本过高和市场风格切换等问题。
套利策略试图利用不同资产之间的价格偏差获利。比如期现套利关注现货和期货之间的价格关系，跨期套利关注同一品种不同到期月份合约之间的价差，配对交易关注两只相关资产之间的相对价格偏离。套利策略看起来风险较低，但并不意味着没有风险。价差可能长时间不回归，交易成本可能侵蚀利润，流动性风险也可能在极端行情中显著放大。
高频交易是量化交易中门槛较高的方向。它依赖极短时间尺度上的数据和交易机会，通常关注订单簿、盘口变化、订单流、买卖价差和微观市场结构。高频交易对系统延迟、交易通道、服务器部署和执行算法要求极高，普通个人投资者一般不适合直接从高频交易入门。
近年来，机器学习也被广泛用于量化交易。研究者可能使用线性回归、逻辑回归、随机森林、XGBoost、神经网络、自然语言处理和强化学习等方法来预测收益、波动率、风险或市场状态。不过，机器学习在金融市场中并不天然具有优势。金融数据噪声很大，样本有限，市场规律还会变化，因此复杂模型很容易过拟合。很多时候，一个简单、稳健、可解释的模型，反而比复杂但不稳定的模型更适合实盘。

5. 量化交易的优势、局限和风险

量化交易的优势主要体现在系统化和纪律性上。它可以减少情绪干扰，让交易按照既定规则执行；它可以处理大量数据，同时监控成百上千个标的；它可以通过历史回测评估策略特征；它也可以把风险控制嵌入交易流程中，避免过度依赖临场判断。对于个人交易者来说，量化交易最大的价值之一，是帮助自己从随意交易转向有规则、有验证、有复盘的交易方式。

但量化交易也有明显局限。历史有效不代表未来有效，市场结构和投资者行为会不断变化。交易成本、滑点和冲击成本可能让一个看似盈利的策略变成亏损策略。数据错误可能导致虚假的回测结果。高换手策略，对成本非常敏感。极端事件也可能让模型失效。过度拟合是量化交易中最常见的问题之一。量化交易并不是一台自动赚钱机器，它只是用更加科学、系统和可复现的方法去寻找交易优势。

6. 学习量化交易需要具备的能力

学习量化交易通常需要同时掌握金融、编程、数学统计、数据处理、策略研究和工程实践。金融知识有助于人们理解交易品种、市场制度、资产定价和风险来源。编程能力有助于人们获取数据、处理数据、实现策略、进行回测和自动化交易。数学统计能力有助于人们判断策略是否真的具有统计意义，避免被随机噪声误导。数据处理能力用于为量化交易打下数据基础。策略研究能力有助于找到有效的策略。工程能力则在实盘阶段非常重要，因为真实交易系统需要稳定运行，需要处理异常、记录日志、监控风险和保证订单执行。

对于初学者来说，Python 通常是最适合入门的语言。它有丰富的数据分析和量化研究工具，例如 pandas、numpy、matplotlib、scipy、statsmodels、scikit-learn、backtrader、vectorbt、vn.py 等。初学者可以先从数据处理和简单回测开始，例如获取股票或 ETF 的历史行情，计算均线、收益率、波动率和最大回撤，然后实现一个简单的均线策略或动量策略。等理解回测的基本逻辑之后，再逐步学习多因子、组合优化、风险控制和实盘接口。

7. 量化交易的简单例子

如果用一个简单例子来说明量化交易，可以看均线策略。假设某个策略规定，当二十日均线上穿六十日均线时买入，当二十日均线下穿六十日均线时卖出。这个策略背后的逻辑是，短期价格趋势强于长期趋势时，市场可能进入上涨阶段；短期趋势转弱时，则退出持仓。虽然这个策略非常简单，但它已经具备量化交易的基本特征：规则明确，可以用代码实现，可以用历史数据回测，也可以在满足条件时自动执行。

真正成熟的量化交易并不只是写一个买卖公式，而是一个完整体系，包括数据、策略、回测、风控、执行、监控、迭代。具体就是可靠的数据来源、合理的策略假设、严谨的回测框架、充分的风险控制 、稳定的交易执行、持续的监控报警，以及定期的策略复盘和迭代。策略上线之后，也并不意味着工作结束。研究者还需要观察实盘表现是否符合预期，分析收益和风险来源，判断策略是否正在失效，并根据市场变化进行调整。

8. 量化交易适用的对象

量化交易比较适合的对象是：喜欢数据分析、有编程基础、对金融市场有兴趣、能接受不确定性、有耐心做长期研究、注重纪律和风险控制的人；不太适合的对象是：想快速暴富、完全不愿意学习编程、不能接受回撤、只想找一个稳赚公式、过度依赖历史回测的人。

总之，量化交易是一种用数据、模型和程序进行投资交易的方法。它的目标不是准确预测每一次涨跌，而是在长期中寻找具有统计优势的交易机会，并通过严格的风险控制和稳定执行，让这种优势尽可能转化为实际收益。量化交易就是把投资逻辑规则化，把交易过程程序化，把风险管理系统化，在不确定的市场中追求长期可验证的概率优势。