学习量化交易，应该如何入门？

量化交易是指依据客观数据来计算开仓和平仓的时点，相对于主观交易具有确定性和纪律性等优点。目前量化交易主要可以分为：基本面量化交易，技术指标量化交易和高频量化交易三大类。无论是哪一类量化交易，想要入门都离不开收集整理基础数据，开发量化数学模型和历史数据绩效回测这3个步骤。

基本面量化交易相较于技术指标量化交易需要更多的经济和金融知识储备，较难上手。根据不同的模型需要定期收集来自国家统计局、海关、央行等部门发布的经济数据，然后根据交易标的受各类经济数据的影响情况开发量化模型，最后跟历史行情走势复盘模型的绩效。

技术指标量化交易相对来说是最容易上手的，基础数据一般只需要价格、成交量、持仓量等数据，而这些数据基本上各种行情软件都提供。然后可以使用一些经典指标，例如布林带、KDJ、MACD等，也可以自创指标，最后通过历史行情走势复盘验证指标的有效性。

高频量化交易可以说是最难上手的一种，其基础数据要求收集tick级别的海量数据，而且除了编写量化模型以外，还需要考虑机器的硬件速度，距离交易所服务器的远近等问题。对于新手来说一般不推荐直接学习高频量化交易。

最后，想要较为顺利的完成以上3个步骤，可能需要较为精通计算机编程，因为无论是基础数据的收集整理，还是最后交易过程的程序化实现都离不开简单的编程步骤，好在目前很多平台都提供一些简单语言，有一定基础的人参照示例很快就可以自己编写了。

量化交易是指通过严谨的数学或统计学模型，借由计算机的辅助，通过对大量历史数据的分析，从而选择大概率有超额收益的投资方法，然后由计算机直接执行的方式。

注意：量化交易在执行层面上有很强的客观性，但本质上是一种主观性很强的交易方式。因为策略思想，投资逻辑，市场选择以及计算机何时执行都是由投资者事先确定的。

量化交易系统的结构主要由以下几部分组成：

1.寻找策略思想

2.取得所需数据

3.生成策略模型

4.检验策略模型

5.部署实盘交易

6.策略运行评估

注意：每一个组成部分都不是一蹴而就的，需要反复测试，修改，验证。

如果您是专业的投资者，我个人认为入门以及唯一应该做的就是确定好自己的策略思想就好了，其他的交给专业的机构去完成，因为系统开发不是一个简单的过程。

如果您只是单纯地想了解量化交易的话，入门依然是策论思想，包括经典理论，逻辑推理，经验总结等。比如说宏观基本面和中观行业面的信息，然后传统的经典理论有道氏理论，艾略特波浪理论，时间周期等等。

推荐几本书：《日本蜡烛图技术》（强推），《江恩投资哲学》《聪明的投资者》。

注意：经典的投资理论很多是基于作者所处的年代和市场，因而有其局限性，所以需要根据自己的实际情况去糅合各家的理论所长，在交易中灵活运用并总结为可以为己所用的精华。

最后补充几个经常和量化交易一起出现的概念：程序化交易（自动化交易），高频交易，算法交易。

程序化交易：强调下单交易工具是通过计算机自动检测和执行，跟策略本身的开发和优劣无关。

高频交易：这个高频是指交易依赖的信息是高频度信息，而不是频繁交易的意思，它有可能交易很多，也可能交易很少。交易过程中采用低延迟技术对数据进行分析和处理，对计算机的硬件和软件要求较高。

算法交易：目的是减少对市场的冲击和影响，降低交易成本，比较典型的例子是“大单拆小”，在大多数情况也是通过程序化交易实现的。

量化投资的门槛还挺高的，从知识储备来说，计算机Python和金融学知识至少都是要了解的，可以选懂一样再学另一样。而真正做量化的时候就涉及到数据，回测框架和策略研究，建议最好先用一个平台，因为自己一个人买数据做框架不现实，我自己用的是聚宽的平台，好处是常规的财务数据，行情数据和技术指标基本都有，入门是够用了。谈到升级，难度就大很多，比如多因子策略，需要用到的回测框架就复杂很多，要做IC回归，T检验，分层测试，这时候就要再补习统计学的东西，真的都弄了一遍发现常规的因子赚不到什么钱，要要开始因子挖掘，量化也是条不归路，且行且珍惜吧。

1.??? 坚持。坚持是一种习惯的最佳培养方式，到点必须执行某种动作，长期坚持。我就坚持看出，到点就执行，哪怕打开书我就犯困，走神，也要坚持执行，而且坚持看30分及以上。

2.??? 训练速读速记的能力。这个技能是自学者的必备技能，因为他可以帮你充分利用碎片时间。这个技能经常会给我带来惊喜，长期大量的碎片信息记忆积累，会在不经意的某天链接成知识块，也为我进行系统学习时提供充足的素材、提高学习效率。最重要的一点是，它是灵感的重要来源。

3.??? 建立学习正反馈机制。为什么人喜欢玩游戏，尤其是电子游戏，有人专门分析过这个问题，那就是游戏有及时的反馈，然玩家随时获得成就感，所以就会不断的投入注意力。我也为自己在学习问题上建立了很多正反馈机制，例如，如果一周内我的学习时间达到10小时，我就会去吃点好吃的。如果超过15小时，我就会去买点自己想要的。如果超过20小时，我就会在周日给自己放一个小假。再例如，激发自己的好奇心和欲望，让自己能够想要去知道结果，或者急切的渴望达成。再再例如，让自己中二一点，给这件事情赋予一个神圣的意义，让整个事情充满仪式感。。。。

4.??? 与自己的终极目标相结合。这个其实是第三条的超级加强版，其实很多人都论述过这个观点，那就是把一件辛苦的事情和自己的终极目标相结合，那么这件事情会变得非常有乐趣，谁劝都没用。

5.??? 丰富的学习手段。这个主要是看个人的爱好了，我的做法是把记笔记变成一种乐趣，我纸质笔记和电子笔记都用，还买了彩色笔丰富笔记颜色。总之就是弄一些让自己能够愉悦的学习工具来使用。

?

说一下我个人的经历吧。之前先做国际市场自动化交易差不多有五年。

这五年非常痛苦。人生真的感觉没有什么乐趣，除了交易还是交易。每天除了改参数。想策略。复盘测试。在改参数，在想策略。。。。。

基本上能想到的都想到了。最后还是没有大成功。略见小伟的成功。

当然，现在回过头来看，这种经历真的是一辈子的财富。因为自动化交易，它是一种逆人性的培训方式。不是什么人都能够有这样一种阅历。我现在的大脑就是那个时候特殊训练。自我感觉确实有点不入流吧。

虽然经历过啦，也无法在串改。虽然没有赚取大额的资金，但是为以后稳定盈利。赚取了坚实的基础。

这个行业靠自己太难了。

因为以前在后台工作。最多能统计几十万客户的盈亏比例。全自动交易手法。以及各种策略。有些学是学不来的。

书不在多，看这几本就行：

系统学习1：Barra USE3 handbook

系统学习2：Quantitative Equity Portfolio Management（QEPM）， Ludwig Chincarini 偏学术风格。

系统学习3：Active Portfolio Management（APM）， Grinold & Kahn 偏业界风格。

系统学习4：Quantitative Equity Portfolio Management（QEPM）， Qian & Hua & Sorensen APM的补充

值得总结的是数学、计算机、分析框架等工具都只是量化投资的形，优质投资想法才是灵魂。所以在修炼上述量化投资的基本功的同时，请不要忘记向有洞察力、有独立思考的其它派系的投资专家学习，无论他/她是价值投资、成长投资、涨停板敢死队、技术分析、主题投资、逆向投资、各类套利。将你自己想出的或者从别人那里习得的投资想法，用量化框架验证、改进、去伪存真，并最终上实盘创造价值。

色既是空，空既是色

用 tushare 获取股票行情数据，用python scikit learn 库 做模型

学习量化交易，一定bai要理解它的风险性du从何而来。

首先是一二级市zhi场“级差”风险，其次是交易员操作风险，最后是系统软件的风险。

第二种风险是交易员操作失误。这同时也牵扯到第三种风险，系统软件风险，每个交易员在系统中都有相应的交易权限，包括数量、金额。

有个业内资深人士带路会事半功倍，尤其对金融爱好者而言，一些理解上的细微偏差，都可能导致整体概念上的错误认识。

比如我就是通过资深人士带着入门的。除了学习量化收益，还学了很多投资理财方面的知识，有各种理财偏好，每个群体对应了不同的投资类型……推敲过后，我选择了无界财富，因为他们风控模式可以看出，比如国有金融机构风控、银行存管这些，比较稳健的方式。

所以说，他不仅是学我习量化交易的前辈，还是我理财的入门引导人，他多次提醒我们不要盲目跟风，以自己的风险承担能力来选择。如果偏好稳健的方式，同样可以选择无界财富这类稳健平台作为入门。

需要解决困扰的趋势、买卖点，识别庄家动向和主力资金流向，股票深套想要解套，选股、买卖点把握不好，可以私信猫九 关注股票股市猫九，投资不迷路！

量化交易，指的是利用数学模型，在金融市场中寻找稳定超额收益的投资手段。量化交易有着挖掘信息能力强，不易受主观情绪影响，下单及时、准确，风险控制严格等特点，能够获得稳健的收益。而其相对于传统主观投资，上手难度也比较大，门槛较高。入门量化交易，主要需要了解如下几方面的知识。
1.数学/统计学知识
既然说到用数学模型，那数学和统计学的知识是必不可少的。由于国内金融市场尚不完备，一些衍生品交易受到限制，所以相较国外市场，能用到的数学/统计学知识也要少一些。对于非理工背景的投资者，需要补充基础的高等数学，线性代数，概率论，统计学，最优化理论等等学科的知识，这些内容可以在高校教科书中找到。对于一些新兴的利用机器学习的交易策略，还需要了解一些数据挖掘的知识。但既然是入门，这部分自然不是必要的。
另外，计量经济学的应用尤其广泛。进行策略研究时经常要面对大量的时间序列、面板数据。虽然在实践过程中更加注重策略结果，只要能赚钱的策略就是好策略，但在严谨的计量理论的支持下，回归结果更准确，能更好的刻画数据背后的关系，故往往更容易得到与预期相近的结果。其中，时间序列回归与截面、面板回归的逻辑与假设均有较大区别，且广泛用于刻画及预测金融资产的收益，波动。计量经济学的书籍推荐伍德里奇的《计量经济学导论：现代观点》；时间序列推荐布鲁克斯的《金融计量经济学导论》。

2.编程能力
由于量化策略要处理大规模的数据，并采用复杂的数学算法，故需要利用程序来完成这一过程。大部分面向对象的编程语言，如Python，Java，R等都可以胜任这一工作。我在这里推荐Python，在业界比较主流，其特点主要是包括大量第三方开发的包，如处理数据的Numpy，Pandas，和金融包Talib，和各个平台及其他语言兼容性良好。其中Pandas是美国知名对冲基金AQR开发的数据处理包，非常适合用于金融数据。Python的学习可以通过《利用Python进行数据分析》等书籍进行学习，也可以通过一些网上教程快速入门。在实际应用的过程中，应该多参考各个工具包的API文档。
回测程序主要包括导入数据及初始化账户，每个交易时间点择时条件、调仓逻辑，及回测结果计算，绘制净值曲线等等。某些量化平台封装的回测环境，简化了这一过程，能够方便的对策略进行测试。

3.金融基础知识量化交易，根本上是金融市场中的行为。虽然该岗位对数学、编程知识有要求，但脱离了其金融本质，就无法设计出优秀的策略。量化投资者需要了解各种金融资产的性质，以及影响其价格的因素。对于股票而言，公司的基本面及财务情况，其所处行业的形势能够从某种程度上反映在其股票价格中，因此投资者应对此有基本了解。这部分可以参考博迪，凯恩，马库斯的《投资学》，以及财务会计，报表相关书籍。此外，中国市场受到人为操控的因素影响较为显著，在实盘操作中，量化投资者在依赖量化策略进行投资决策的同时，一般也会加入一些主观判断，以更及时捕捉市场走势，获得更高的收益。因此，宏观经济，政策形势对金融市场的影响，也是投资者不能忽视的问题。每天看看财经新闻，长久以来可以培养金融直觉。4.策略研究能力即是将以上内容综合运用，将投资思想程序化，开发成为有投资价值的策略的能力。起步时，应多参照已有的较为成熟的策略，进行完善复制。策略本身的逻辑可能三言两语就能概括，但在实际执行的过程中的细节不可忽略。众所周知，在回测中表现突出的策略在实盘中不一定有效，但在回测中效果都不好的策略，难以在实盘重有良好的表现。过度拟合，幸存者偏差和使用未来函数都是新手经常会出现的错误，避免这些错误，才能让回测结果更好的接近真实情况。同时，在得到回测结果后，如何对收益进行归因分析，研究持仓股票，风险暴露，并对参数进行优化，也是量化投资者需要解决的问题。一些经典的投资策略包括多因子策略（Fama-French三因子模型），技术指标择时（MACD，布林带等），动量反转策略，事件驱动策略，统计套利策略等。其中很多策略源于外国学术论文，高质量学术期刊包括Journal of Finance，Journal of Financial Economics等等。同时有一些系统的教学书籍，包括Barra Handbook（多因子圣经），Quantitative Equity Portfolio Management（主要讲解投资组合管理），Quantitative Trading Strategies（主要讲如何构造量化策略）。5.在实践中学习策略回测终究是回测。基于过去行情设计的策略，一定能在过去的时间区间内有良好的表现。但同样的历史不一定会重演，随着市场趋势和微观结构的改变，策略在未来的时间可能不会按照预期的方向发展。实盘中还存在报表信息公布延迟，交易摩擦，下单对市场价格影响等问题。故一个交易策略，在经过严谨全面的回测检验后，要在实盘上检验其真正效果。在接触量化交易初期，了解数学编程，模型搭建中的细节处理都是绕不开的问题。而如今各种技术手段都较为成熟，可供大家使用，一个成功的投资者与众不同的地方一定在于其设计策略的思想，和对市场的把握。设计交易策略应以背后的金融直觉为基础，是我一直坚信的理念。希望各位投资者能够在量化投资领域中找到自己独特的视角，成为下一个西蒙斯！