量化交易戰法第五課

1. 股票量化交易是什麼

量化交易個以前的股票交易本質沒有區別，只是提高了工作效率，
量化交版易分為量化分析和權程序化自動交易
量化分析，如果你是普通散戶我現在問幾個問題，第一MACD指標默認參數下，在三千多隻股票日k上近兩年那隻收益最好，那隻虧損最大。這要人工多大的工作量，如果會寫程序代碼，幾行代碼就解決了。在繼續如果調換MACD參數能否增加收益用那幾個參數是最優組合，這要是人工基本無法完成，計算量太大了，但計算機就很快完成了參數優化。
而且量化分析不是技術分析，例如你問一個價值投資者，三千多家上市公司，你知道有多少家連續10年都沒虧損過嗎，同樣幾行代碼就知道。
假如你聽了一個老師的講課，說他的牛x戰法，普散戶聽了你只能價單試試，但量化分析我可以在不同市場不同時間周期，不同品種，進行回測嚴重，優化。這些就是量化分析。
程序化自動交易。
就是利用計算機技術自動交易，這對於散戶比較難實現，簡單的用第三方然間寫幾個交易策略可以實現自動交易。
但當你交易上你就會發現，滑點問題，你的速度不夠快，需要專線網路，需要底層語言的交易系統，高速的硬體設備。
但散戶還是必須要進行量化學習因為這樣才能更好的幫助你分析。
下圖就是最簡單的趨勢指標

2. Python學習，量化交易的應該怎麼學

掘金量化社區就有很多寬客互動交流學習，再說掘金有很多針對新手入門的指引，可以讓您從0到1一步步成為一個合格的quant.

3. 量化交易是什麼意思

量化交易是一種投資方法。

以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。量化交易指使用數學模型取代人為的主觀性判斷，利用計算機技術從龐大的歷史數據中甄選能為企業帶來超額收益的大概率事件以制定有利於企業發展的策略。

從18世紀開始，金融投資的先驅已經開始探索各種不同的投資方法，經過多年的進化，已經嘗試了從價值分析、風險套利到日間交易等不同的方向。那麼，在目前不斷變化的中國資本市場，什麼投資方向迫切需要我們深入探索。筆者認為，量化投資作為中國市場的新興投資方法，正在引來越來越多的關注。
中國投資者對數量化投資，雖不陌生，卻仍懵懂。量化投資理論是藉助現代統計學和數學的方法，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，用數量模型驗證及固化這些規律和策略，然後嚴格執行已固化的策略來指導投資，以求獲得可持續的、穩定且高於平均的超額回報。量化交易主要運用數學公式來構建模型，經過大量數據來判斷將來價格走勢，並且由程序進行擇機選股的一種方式。它的選股而十分廣泛，覆蓋面達到上百隻甚至上千隻股票，並且能夠排除迫漲殺跌等人為因素，紀律性很強。
「量化交易」有著兩層含義：一是從狹義上來講，是指量化交易的內容，將交易條件轉變成為程序，自動下單；二是從廣義上來講，是指系統交易方法，就是一個整合的交易系統。即為根據一系列交易條件，智能化輔助決策體系，將豐富的從業經驗與交易條件相結合，在交易過程管理好風險控制。

量化交易至少應該包括五個方面的要素：
(1)買入和賣出的信號系統。
(2)牛市還是熊市的方向指引，比如用200天移動平均線分辨熊市中系統風險的規避。
(3)頭寸管理以及資金管理。
(4)風險控制，運用信號源來確定止損位置，利用資產曲線和權益曲線來加以判定和管理。
(5)投資組合，不一樣的投資品種、不相同的交易系統(不同功能和參數，有快有慢)以及不相同時間周期組合，現分散組合，讓交易賬戶波動更加穩定。

4. 量化交易系統系列-通向財務自由之路總結

本文的直接目的是為了自己的策略研究打基礎，想把市面上經典的書籍介紹的系統的各個方面納入本文章，為策略研究做個參考，感覺網上介紹的都不太全面。

文章第一版為閱讀通向財務自由之路[1]的總結，介紹了系統開發的各個步驟（會適當加上自己的理解，理解不當請指正），以後閱讀的書籍和資料希望能夠以此為框架添加進去，並做出適當修改。

參閱的書籍和資料可以參考本文末尾的參考資料。

了解你自己對目標設定起到關鍵作用，目標設定應該成為交易系統開發的重要環節。

然後根據這些清單，確定任務和目標。

你是根據你對市場的看法進行交易或者投資，讀完一些書後，寫下你對市場的看法，對系統的每一部分列出你的觀點。

專注於某一觀念，如趨勢跟蹤、波段交易、價值交易、套利、價差交易。

宏觀環境分析，確定長期的宏觀經濟情況。

長期和短期。

方案是採取其他行為前必須具備的條件，是進入和退出的基本方面，這能夠提高系統的可靠程度。

方案的五個步驟：
第一，確定合適的條件是否出現，以適合一個特定的系統。
比如適合熊市的系統。
第二，市場選擇。 選擇交易的市場，考慮6個方面：
（1）流動性如何
（2） 是否為新市場
（3） 交易所如何，你是否了解其規則
（4） 波動幅度 特定時間框架內的價格波動幅度
（5） 資本化程度。
（6）市場對你的理念的遵循程度如何。你的理念和市場非常吻合。
（7）選擇獨立的市場的資產組合。考慮各種市場的相關性。
第三，市場方向。對市場過去六個月的主導方向進行總結。
第四，方案條件。根據你的交易理念必須具備的條件，入市之前的必須的准則。
第五，市場時機的選擇。時機選擇信號。
方案測試，這里還不太理解。
（1）失敗的測試方案
（2）極點反轉或衰竭模式方案。
（3）折回方案
還有濾嘴和方案之間的關系。

方案選擇包括入市信號。入市信號有以下類型，這些類型以後有時間慢慢測試。
管道突破、圖標突破、波動幅度突破、ADX 、移動平均和 適應性平均 、 搖擺指數和隨機指數 。

止損點：如果理念失效，這是保護資金退出市場的那個點。
作用：
第一，設置願意承受的最大風險。比如進入價格為50元，設立停止點為47元，那麼初始風險R為3（50-47）。
第二，設定一個用於衡量隨後收益的基準。每筆收益設為R的多少倍並減去交易成本。

觀點：一旦進入了一筆交易，交易的成功更多的是靠價格移動的結果 ，而不是入市的結果。

看大多損失的分布，一般來說都小於1R，因為退出市場的點會上移。

止損方法
第一：置於市場雜訊之上。2.7-3.4乘平均真實波幅的10天移動平均。長期的可以使用10倍每日波動量的停價。3倍與每周波動量。
第二，找到最大不利偏移量MAE，並用該值的一定比例。最高價和最低價格，整個交易期間你有可能會碰到的不利於頭寸的最壞的一日內的價格移動。
第三，緊密的停價，帶來較高的R乘數的交易。
第四，基於入市理念使用合理的停價。
（1）美元停價 一筆交易願意承受的損失 高於MAE
（2）百分比折回停價 不要想像的 最好是MAE分析的基礎上 （3） 波動幅度停價 ATR的3倍
（4）DEV停價 計算平均真實波動幅度以及標准差 平均真實波動幅度 加上一個標准差 再加10%的修正因素 或者加兩個標准差。
（5）管道突破 和移動平均停價
（6）時間停價 一定時間內沒有實現利潤 就退出 適合短期不適合長期
（7）任意停價和心理停價 市場有很好的直覺，任意停價。心理停價：人本身狀態不佳。

缺點：加入止損， 降低市場的可靠度。

大多數系統需要多個退出策略。

退出策略分類 ：

期望收益是R乘數的平均數（平均收益除以平均損失，公式見9-1 ），由市場退出選擇。

期望收益 = win_r/loss_r （9-1）
win_r根據所有盈利的交易得出平均每筆獲利的R乘數，
loss_r根據所有虧損的交易得出平均每筆虧損的R乘數,。

看看R乘數的分布，盈利的R乘數如何，虧損是小於1R還是怎麼樣。

記得測試下在以下不同市場上的R乘數分布：

平緩的上漲
劇烈的上漲
平緩的橫向移動、
劇烈的橫向移動
平緩的下跌
劇烈的下跌

資金總風險百分為總賬戶的百分比，確立法則：
（1）利用別人的錢，總風險比例為1%及以下。
（2）自己的錢：0.5%-2.5%
（3）尋求巨額回報 承擔較大風險：2.5%以上。

頭寸確定模型分類 ：

根據以上做出交易計劃，其中要包括為可能發生的大災難做好准備，針對每一項災難設計可執行方案

資金用完後有新的信號怎麼辦：
第一，限制新的購買；第二，消除最差的業績股票，增加新股票；第三，繼續購買新的，頭寸規模確定小點。

影響系統開發的六個關鍵因素：

5. 量化交易主要有哪些經典的策略

量化選股之多因子選股模型
量化擇時--雙均線（MA）、DMA、TRIX、MACD擇時

量化擇時--PE擇時

還有趨勢型，網格型，剝頭皮，概率法則，高頻交易，神經網路，基因演算法

6. 如何設計量化交易策略

對於新手來說開發一個策略最開始一定是模仿。

第一步，利用現成指標構建邏輯。TB內置了眾多的技術指標，取出一個，寫入買賣點，回測下歷史行情，這樣就可以得到一個簡單的策略了。隨著策略經驗的積累，這里的邏輯選擇會越來越多樣化。

當然這樣的策略一般是不賺錢的，所以我們第二步，進行參數優化。

選擇參數遍歷，觀察不同參數對於策略會產生怎樣的影響。一般情況下我們會得到幾組看起來比較賺錢的參數，然後我們進行第三步，樣本外檢測。

比如說我們之前遍歷的參數是2014年的數據得出的幾個表現好的參數，那麼我們就用2013/2015的數據對這些參數進行檢測。一般來說，這一參數會在樣本外慘淡無比，完全沒有樣本內優化出來的威武。
這時第四步，進行觀察，判斷策略失效的原因是什麼。

假設發現策略失效原因是樣本外某一兩次特殊的行情導致大幅虧損，那麼我們就可以設置一個硬止損來規避這種風險；如果發現策略失效是因為交易次數過少，那我們就將交易邏輯稍微放鬆，比如要求>x的地方改為>=x甚至是>=x-1。等等等等，這種修改就是策略的經驗了。

設置好新的邏輯後我們回到第二步，重復以上步驟。

最終我們修改得到了一個樣本內外都賺錢的策略，第五步，實盤追蹤。

在未來一段完全未知的行情中隨著時間檢驗策略，觀察策略的真實表現究竟如何。如果表現與預期相符合，那麼說明策略有效，第六步，進行交易。

隨著交易進行，我們也要觀察策略的有效性，當發現策略出現超出預期的虧損時，第七步，調整或終止策略。

7. 量化交易是什麼

「量化交易」有著兩層含義：一是從狹義上來講，是指量化交易的內容，將交易條件轉變成為程序，自動下單；二是從廣義上來講，是指系統交易方法，就是一個整合的交易系統。
【拓展資料】
一、量化交易主要運用數學公式來構建模型，經過大量數據來判斷將來價格走勢，並且由程序進行擇機選股的一種方式。它的選股而十分廣泛，覆蓋面達到上百隻甚至上千隻股票，並且能夠排除迫漲殺跌等人為因素，紀律性很強。
二、「量化交易」有著兩層含義：一是從狹義上來講，是指量化交易的內容，將交易條件轉變成為程序，自動下單；二是從廣義上來講，是指系統交易方法，就是一個整合的交易系統。即為根據一系列交易條件，智能化輔助決策體系，將豐富的從業經驗與交易條件相結合，在交易過程管理好風險控制。
三、量化交易至少應該包括五個方面的要素：
(1)買入和賣出的信號系統。
(2)牛市還是熊市的方向指引，比如用200天移動平均線分辨熊市中系統風險的規避。
(3)頭寸管理以及資金管理。
(4)風險控制，運用信號源來確定止損位置，利用資產曲線和權益曲線來加以判定和管理。
(5)投資組合，不一樣的投資品種、不相同的交易系統(不同功能和參數，有快有慢)以及四、不相同時間周期組合，現分散組合，讓交易賬戶波動更加穩定。量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。
五、首先，從全球市場的參與主體來看，按照管理資產的規模，2018年全球排名前六位中的五家資管機構，都是依靠計算機技術來開展投資決策，而且進入2019年由量化及程序化交易所管理的資金規模進一步擴大。
六、其次，全球超70%的資金交易用計算機或者程序進行，其中一半是由量化或者程序化的管理人來操盤。在國外招聘網站搜索金融工程師(包括量化、數據科學等關鍵詞)會出現超過33萬個相關崗位。
七、第三、從高校的培養方向來看，已有超過450所美國大學設置了金融工程專業，每年相關專業畢業生達到1.5萬人，市場需求與畢業生數量的差距顯著，因此數據科學、計算機科學、會計以及相關STEM（基礎科學）學生畢業後進入金融行業從事量化分析和應用開發的相關工作。
八、國內市場，目前國內量化投資規模大概是3500到4000億人民幣，其中公募基金1200億，其餘為私募量化基金，數量達300多家，佔比3%(私募管理人共9000多家)，金額在2000億左右。中國證券基金的整體規模超過16萬億，其中公募14萬億，私募2.4萬億，樂觀估計，量化基金管理規模在國內證券基金的佔比在1%~2%，在公募證券基金佔比不到1%，在私募證券基金佔比5%左右，相比國外超過30%的資金來自於量化或者程序化投資，國內未來的增長空間巨大。
九、量化交易特點，編輯，量化投資和傳統的定性投資本質上來說是相同的，二者都是基於市場非有效或弱有效的理論基礎。兩者的區別在於量化投資管理是「定性思想的量化應用」，更加強調數據。
十、量化交易具有以下幾個方面的特點：
1.紀律性。根據模型的運行結果進行決策，而不是憑感覺。紀律性既可以剋制人性中貪婪、恐懼和僥幸心理等弱點，也可以克服認知偏差，且可跟蹤。
2.系統性。具體表現為「三多」。一是多層次，包括在大類資產配置、行業選擇、精選具體資產三個層次上都有模型；二是多角度，定量投資的核心思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；三是多數據，即對海量數據的處理。

8. 量化交易該如何入門

如果你想量化交易快速入門。。。
十行代碼帶你量化交易入門 - JoinQuant，文章以簡單的實例介紹了在聚寬做量化交易最核心的流程——策略編寫、策略回測、建立模擬、發送信號，絕對是量化交易極速入門教程。
如果你想要更多的學習資源。。。
量化課堂 - JoinQuant，量化課堂里提供了編程，數學，策略實例，統計研究，金融市場等量化相關的知識，尤其是在量化核心的數理方面，質量用心，業界難覓。
社區干貨遴選與整理（持續進行中）- JoinQuant，上百篇的聚寬社區好文，從心得技巧到策略分享，從機器學習到股指套利，可謂是成噸的量化交易干貨。
如果你想找好策略或你有好策略。。。
策略擂台 - JoinQuant，旨在發現好策略，發現好寬客，聚寬將助其實現其價值，尋求合作共贏的機會，讓人人真正地成為靠策略賺錢的寬客。
另外，策略擂台目前可以免費訂閱牛人的策略信號，跟著交易，躺著賺錢不是夢。我了解到的最厲害的，用戶跟策略半年多，6萬變到12萬。

9. 完全不懂金融，想學習量化投資需要學習哪些金融科目

我個人認為學抄習量化投資在金融襲方面需要具備兩個方面的知識：
1、首先是要了解金融市場與金融產品，只有這樣才能在眾多市場與標的中選擇合適的來構建投資組合，這一方面需要了解的基礎知識有：金融市場與金融機構、投資學、金融衍生品等等；
2、其次是需要了解如何量化，相信你應該有足夠的IT背景，編程沒啥問題，其次的話就是要了解數理來溝通金融產品選擇與編程落地，需要了解的科目有：概率論、統計學、計量經濟學、金融經濟學、數理金融等。

10. 關於量化交易，這些入門知識你需要了解

這篇文章將向你介紹量化交易系統的一些基本概念。本文主要面向兩類讀者，第一類是正在努力尋找一份量化交易員工作的求職者，第二類是期望嘗試開啟自己量化交易事業的個人投資者。關於量化交易，這些入門知識你需要了解。
量化交易是數量金融學一個極其艱深復雜的領域。若要通過面試或構造你自己的交易策略，就需要你投入時間學習一些必備知識。
量化交易系統包括四個主要部分：
策略識別：搜索策略、挖掘優勢、確定交易頻率。
回溯測試：獲取數據、分析策略性能、剔除偏差。
交割系統：連接經紀商、使交易自動化、使交易成本最小化。
風險管理：最優資本配置、最優賭注或凱利准則、交易心理學。
我們首先來談談如何識別一個交易策略。
策略識別
所有量化交易流程都肇始於一個初期研究。這個研究流程包括搜索一個策略、檢驗它是否適合你可能正在運作的策略組合、獲取任何測試策略時所需數據、努力優化策略使其預期年化預期收益更高且(或)風險更低。如果你是一個「散戶」交易員，一定要清楚自己的資金是否充足，以及交易成本對策略的影響。
通過各種公開數據搜索可盈利的策略實際上十分簡單，並沒有大家想的那麼難。研究學者會定期發表理論交易結果(雖然大多為交易成本總額)。一些數量金融學主題博文也會詳細討論策略。交易期刊還會簡報一下基金管理公司使用的一些策略。
你可能會問，個人與公司怎麼可能願談他們的可盈利策略，特別是當他們知道，如果其他人「復制相同的策略」，長期而言它終將失效。
原因就在於，他們通常不會透露具體的參數以及他們所使用的調參方法，而這些優化技能才是把一個表現平庸的策略調成一個回報豐厚的策略所需的關鍵技術。實際上，若要創建你自己的、獨一無二的策略，一個最好的法子就是尋找相似的方法，爾後執行你自己的優化程序。
你所看到的很多策略都可歸入均值回歸交易策略、趨勢跟隨或動量交易策略兩類。
均值回歸策略試圖利用這么一個事實：「價格序列」(如兩個關聯資產的價差)存在一個長期均值，價格對均值的短期偏離終將回歸。
動量交易策略則試圖「搭上市場趨勢的順風車」，利用投資心理和大基金結構信息在一個方向積聚動量，跟隨趨勢直至回歸。
定量交易還有一個重要方面，即交易策略的頻率。低頻交易(Low Frequency Trading， LFT)通常指持有資產超過一個交易日的策略。相應地，高頻交易(High Frequency Trading， HFT)通常指持有資產一個交易日的策略。
超高頻交易(Ultra-High Frequency Trading， UHFT)指持有資產的時常達秒級與毫秒級的策略。雖然散戶可以進行HFT與UHFT交易，但也只是在你掌握了交易「技術棧」與訂單簿動力學的詳細知識後才有可能。本篇入門文章，我們不會對這些問題做任何深入探討。
策略或策略集合一旦確定，現在就需要在歷史數據上測試其盈利能力，這就進入了回溯測試的工作范圍。
回溯測試
回溯測試的目標是提供證據，佐以證明通過以上流程所確定的策略，無論是應用於歷史(訓練)數據還是測試數據均可盈利。它可以反映該策略未來在「真實世界」中的預期表現。
由於種種原因，回溯測試不能保證一定成功。這或許就是量化交易最為微妙之處，由於它包含了大量的偏差，我們必須盡盡力仔細審查並剔除它們。
我們將討論幾種常見類型的偏差，包括先窺偏差、倖存者偏差與優化偏差(亦稱「數據窺視偏差」)。回溯測試中其他幾個重要方面，包括歷史數據的可用性與清潔度、真實交易成本及可靠回測平台上的決定。我們會在後續「交割系統」一節深入討論交易成本。
策略一旦確定，我們就需要獲取歷史數據，並藉此展開測試，如有可能還可改進策略。現在賣數據的很多，所有資產類型的數據都有。通常，數據的質量、深度、時間間隔不同，其價格也不同。
剛入門的量化交易員(至少零售等級)最初使用雅虎金融板塊(Yahoo Finance)的免費數據就行。對於數據供應商，這里不再贅言。我想重點談一談處理歷史數據時，時常遇到的問題。
對於歷史數據，人們主要關心的問題，包括數據精度或清潔度、倖存者偏差、應對如分發紅利、拆分股票等公司行為的調整。
精度與數據整體質量有關，無論數據是否包含錯誤。有時錯誤容易識別，比如使用一個窄帶濾波器，就可以找出時間序列數據中的「窄帶」並更正它們。其他時候，錯誤又很難甄別，經常需要根據多個數據供應商提供的數據進行對比檢查。
倖存者偏差通常是免費數據集或廉價數據集的一個」特徵「。對於一個帶有倖存者偏差的數據集，它不包含已經不再交易的資產數據。不再交易的證券，則表示已經退市或破產公司的股票。如果數據集中含有此類偏差，策略在此數據集上的測試表現可能比在」真實世界「里表現的更好，畢竟歷史」贏家「已經被預先篩選出來，作為訓練數據使用。
公司行為即公司開展的常引發原始價格階梯形變化的」邏輯「活動，它不應該計入價格預期年化預期收益。公司分發紅利和拆分股票行為是引發調整的兩個常見行為，二者無論發生哪一種，都需要進行一個」回調「的流程。我們一定要留心，不要把股票拆分和真實預期年化預期收益調整混為一談。許多交易員在處理公司行為時都碰過壁！
為了開展回溯測試，我們必須使用一個軟體平台。你可以選擇一個專門的回測軟體如MultiCharts，一個數值平台如Excel或MATLAB，或者一個用Python或C++完全自主實現的平台。對於MultiCharts(或類似平台)，個人是比較介紹，對於編程的要求比較低。
在做系統回測時，一定要量化表示系統性能。定量策略的「業界標准」度量為最大資金回挫與夏普比率。最大資金回挫表示一段時間(通常一年)內賬戶資金曲線從波峰至波谷的最大跌幅，常使用百分比表示。
由於大量的統計因素，LFT策略比HFT策略的資金回挫更高。歷史回測會顯示過去的最大資金回挫，它能夠較為貼切地反映策略的未來資金回挫情況。第二個度量指標是夏普比率，它被啟發式地定義為「超額預期年化預期收益均值與超額預期年化預期收益標准差的比值」。
這里，超額預期年化預期收益表示策略預期年化預期收益超出某個預定基準，如標普500或三月期短期國債(預期年化預期收益)的額度。注意人們通常不使用歷史預期年化預期收益指標，因為它忽略了策略波動性的影響，而夏普比率卻考慮到了這一點。
如果經過回測，策略的夏普比率很高且其最大資金回挫已經最小化，則可以認為它趨於無偏，下一步就是要搭建一個交割系統。
交割系統
交割系統是一個方法集合，由它來控制交易策略生成的交易列表的發送和經紀商的交割行為。事實上，交易可以半自動、甚至全自動生成，而執行機制可以手動、半自動(即「點擊一次交割一項」)或者全自動。
盡管如此，對於LFT策略，手動和半自動技術卻比較常見；對於HFT策略，則必須創建一個全自動交割機制，由於策略和技術彼此依賴，還要經常與交易指令生成器緊密相接。
在搭建交割系統時，我們需要考慮幾個關鍵因素：連接經紀商的介面、交易成本(包括傭金、滑動價差與價差)最小化、實時系統與回測時系統性能的差異。
聯系經紀人的方法有很多，你可以直接電話聯系他，也可以通過一個全自動高性能的應用程序介面(API)實現。理想情況，就是希望交割交易的自動化程度盡可能高。這樣一來，你不僅可以脫開身集中精力進行深入研究，還能運行多個策略、甚至HFT策略(實際上，如果沒有自動化交割，HFT根本不可能)。
前面說過的幾種常用回溯測試軟體如MATLAB、Excel和MultiCharts，對於LFT策略或簡單策略都是不錯的選擇。但是，如果要做真正的HFT，你就必須要構造一個用高性能語言(如C++)編寫的內部交割系統。
說個我的親身經歷，以前受聘於一家基金管理公司，我們有一個十分鍾的「交易周期」，每隔十分鍾下載一次新的市場數據，然後根據這十分鍾的信息進行交割。這里用的是一個優化的Python腳本。對於任何處理分鍾級或秒級頻率數據的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系統的優化通常不在量化交易員的工作范圍。但是，在小點的公司或高頻交易公司，交易員就是交割人，所以技術面越廣越好。你要想進一家基金管理公司，一定要記住這一點。你的編程能力不說比你的統計學和計量經濟學稟賦更重要，至少也同樣重要！
另外一個屬於交割系統的重要問題是交易成本最小化。一般地，交易成本由三部分構成：傭金(或稅收)、損耗與價差。傭金是向經紀商、交易所和證券交易委員會(或類似政府監管機構)支付的費用；滑動價差是你的預期交割價位與真實交割價位的差值；價差則是待交易證券的賣出價與買入價之差。注意價差不是常數，它依賴於市場當前流動性(即買單和賣單數量)。
交易成本是決定一個策略是高夏普比率且盈利豐厚，還是低夏普比率且極不盈利的關鍵。根據回溯測試正確預測未來的交易成本很具有挑戰性，你需要根據策略頻率，及時獲取帶有賣出價與買入價信息的歷史交易數據。
為此，大型基金管理公司量化交易的整個團隊都專注於交割優化。當基金管理公司需要拋售大量交易時(原因五花八門)，如果向市場「傾瀉」大批股票，會迅速壓低價格，可能都來不及以最優價格交割。
因此，縱使遭受損耗風險，基金管理公式也會選擇使用演算法交易，通過「打點滴」的方式向市場出單。此外，其他策略如若「捕到」這些必要性條件，也能利用市場失效(獲利)。這是基金結構性套利的內容。
交割系統最後一個主要問題關繫到策略的實時性能與回測性能的差異。這種差異由多種因素造成，比如我們在「回溯測試」一節已經深入討論過的前窺偏差與最優化偏差。
然而，對於有些策略，在部署之前不易測得這些偏差。這種情況對於HFT最為常見。交割系統和交易策略本身均可能存在程序錯誤，回溯測試時沒有顯現卻在實時交易時出來搗亂。市場可能受到繼交易策略部署後的一場政變的影響，而新的監管環境、投資者情緒與宏觀經濟形勢的變化也均可能導致現實市場表現與回溯測試表現的差異，從而造成策略盈利性上的分歧。
風險管理
量化交易迷宮的最後一塊是風險管理程序。風險包含我們之前談論的所有偏差。它包括技術風險，比如所有在交易所的伺服器突然發生硬碟故障。它還包括經紀風險，如經紀商破產(此說並非危言聳聽，引發恐慌的明富環球就是一個例子)。
總而言之，它覆蓋了幾乎所有可能幹擾到交易實現的因素，而其來源各不相同。已經有成套的書籍介紹量化交易策略的風險管理，本人也就不再對所有可能的風險來源做詳細說明。
風險管理還包括投資組合理論的一個分支，即所謂的「最優資本配置」，涉及到如何將資本分配給一組策略、如何將資本分配給策略內不同交易的方法。這是一個復雜的領域，依賴於一些高級數學知識。
最優資本配置與投資策略杠桿通過一個名為凱利准則的業界標准建立聯系。本文是一篇入門文章，我在此不詳談其計算。凱利准則對策略預期年化預期收益的統計性質做過一些假設，但是它們在金融市場中並不一定成立，交易員因此在實現時通常會有所保留。
風險管理的另外一個關鍵成分涉及到交易員自身心理因素的處理。盡管大家都承認，演算法交易若無人為干涉，不太容易出現問題。交易員在交易時，稍不留神仍然可能會摻入許多認知偏差。
一個常見的偏差是厭惡規避，當人發現損失已成定局，其所帶來的痛苦，可能會麻痹人的行為，不能做到及時拋盤止損。類似地，由於太過憂心已經到手的預期年化預期收益可能賠掉，人們可能也會過早拋盤收利。
另外一個常見的偏差是所謂的偏好偏差：交易員太看重事件而非長遠地看問題。此外，當然不能落下「恐懼與貪婪」這對經典的情緒偏差。這兩種偏差常導致杠桿不足或杠桿過度，造成爆倉(賬戶資產凈值近乎為零或更糟)或盈利縮水的局面。
總結
由此觀之，量化交易是數量金融學中一個雖趣味十足但極其復雜的領域。我對這個話題的討論淺嘗輒止，文章就已經這么長了！我在文中三言兩句帶過的問題，已經有大量的相關書籍和論文出版。
因此，在你申請量化基金交易職位前，務必要進行大量的基礎調研，至少應當具有統計學和計量經濟學的廣泛背景，以及使用MultiCharts、MATLAB、Python或者R程序語言實現的豐富經驗。如果應對的是更加復雜的高頻端策略，你的技能組合可能還要包含Linux內核修改、C/C++、匯編編程和網路延遲優化。