量化交易战法第五课

1. 股票量化交易是什么

量化交易个以前的股票交易本质没有区别，只是提高了工作效率，
量化交版易分为量化分析和权程序化自动交易
量化分析，如果你是普通散户我现在问几个问题，第一MACD指标默认参数下，在三千多只股票日k上近两年那只收益最好，那只亏损最大。这要人工多大的工作量，如果会写程序代码，几行代码就解决了。在继续如果调换MACD参数能否增加收益用那几个参数是最优组合，这要是人工基本无法完成，计算量太大了，但计算机就很快完成了参数优化。
而且量化分析不是技术分析，例如你问一个价值投资者，三千多家上市公司，你知道有多少家连续10年都没亏损过吗，同样几行代码就知道。
假如你听了一个老师的讲课，说他的牛x战法，普散户听了你只能价单试试，但量化分析我可以在不同市场不同时间周期，不同品种，进行回测严重，优化。这些就是量化分析。
程序化自动交易。
就是利用计算机技术自动交易，这对于散户比较难实现，简单的用第三方然间写几个交易策略可以实现自动交易。
但当你交易上你就会发现，滑点问题，你的速度不够快，需要专线网络，需要底层语言的交易系统，高速的硬件设备。
但散户还是必须要进行量化学习因为这样才能更好的帮助你分析。
下图就是最简单的趋势指标

2. Python学习，量化交易的应该怎么学

掘金量化社区就有很多宽客互动交流学习，再说掘金有很多针对新手入门的指引，可以让您从0到1一步步成为一个合格的quant.

3. 量化交易是什么意思

量化交易是一种投资方法。

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。量化交易指使用数学模型取代人为的主观性判断，利用计算机技术从庞大的历史数据中甄选能为企业带来超额收益的大概率事件以制定有利于企业发展的策略。

从18世纪开始，金融投资的先驱已经开始探索各种不同的投资方法，经过多年的进化，已经尝试了从价值分析、风险套利到日间交易等不同的方向。那么，在目前不断变化的中国资本市场，什么投资方向迫切需要我们深入探索。笔者认为，量化投资作为中国市场的新兴投资方法，正在引来越来越多的关注。
中国投资者对数量化投资，虽不陌生，却仍懵懂。量化投资理论是借助现代统计学和数学的方法，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，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可持续的、稳定且高于平均的超额回报。量化交易主要运用数学公式来构建模型，经过大量数据来判断将来价格走势，并且由程序进行择机选股的一种方式。它的选股而十分广泛，覆盖面达到上百只甚至上千只股票，并且能够排除迫涨杀跌等人为因素，纪律性很强。
“量化交易”有着两层含义：一是从狭义上来讲，是指量化交易的内容，将交易条件转变成为程序，自动下单；二是从广义上来讲，是指系统交易方法，就是一个整合的交易系统。即为根据一系列交易条件，智能化辅助决策体系，将丰富的从业经验与交易条件相结合，在交易过程管理好风险控制。

量化交易至少应该包括五个方面的要素：
(1)买入和卖出的信号系统。
(2)牛市还是熊市的方向指引，比如用200天移动平均线分辨熊市中系统风险的规避。
(3)头寸管理以及资金管理。
(4)风险控制，运用信号源来确定止损位置，利用资产曲线和权益曲线来加以判定和管理。
(5)投资组合，不一样的投资品种、不相同的交易系统(不同功能和参数，有快有慢)以及不相同时间周期组合，现分散组合，让交易账户波动更加稳定。

4. 量化交易系统系列-通向财务自由之路总结

本文的直接目的是为了自己的策略研究打基础，想把市面上经典的书籍介绍的系统的各个方面纳入本文章，为策略研究做个参考，感觉网上介绍的都不太全面。

文章第一版为阅读通向财务自由之路[1]的总结，介绍了系统开发的各个步骤（会适当加上自己的理解，理解不当请指正），以后阅读的书籍和资料希望能够以此为框架添加进去，并做出适当修改。

参阅的书籍和资料可以参考本文末尾的参考资料。

了解你自己对目标设定起到关键作用，目标设定应该成为交易系统开发的重要环节。

然后根据这些清单，确定任务和目标。

你是根据你对市场的看法进行交易或者投资，读完一些书后，写下你对市场的看法，对系统的每一部分列出你的观点。

专注于某一观念，如趋势跟踪、波段交易、价值交易、套利、价差交易。

宏观环境分析，确定长期的宏观经济情况。

长期和短期。

方案是采取其他行为前必须具备的条件，是进入和退出的基本方面，这能够提高系统的可靠程度。

方案的五个步骤：
第一，确定合适的条件是否出现，以适合一个特定的系统。
比如适合熊市的系统。
第二，市场选择。 选择交易的市场，考虑6个方面：
（1）流动性如何
（2） 是否为新市场
（3） 交易所如何，你是否了解其规则
（4） 波动幅度 特定时间框架内的价格波动幅度
（5） 资本化程度。
（6）市场对你的理念的遵循程度如何。你的理念和市场非常吻合。
（7）选择独立的市场的资产组合。考虑各种市场的相关性。
第三，市场方向。对市场过去六个月的主导方向进行总结。
第四，方案条件。根据你的交易理念必须具备的条件，入市之前的必须的准则。
第五，市场时机的选择。时机选择信号。
方案测试，这里还不太理解。
（1）失败的测试方案
（2）极点反转或衰竭模式方案。
（3）折回方案
还有滤嘴和方案之间的关系。

方案选择包括入市信号。入市信号有以下类型，这些类型以后有时间慢慢测试。
管道突破、图标突破、波动幅度突破、ADX 、移动平均和 适应性平均 、 摇摆指数和随机指数 。

止损点：如果理念失效，这是保护资金退出市场的那个点。
作用：
第一，设置愿意承受的最大风险。比如进入价格为50元，设立停止点为47元，那么初始风险R为3（50-47）。
第二，设定一个用于衡量随后收益的基准。每笔收益设为R的多少倍并减去交易成本。

观点：一旦进入了一笔交易，交易的成功更多的是靠价格移动的结果 ，而不是入市的结果。

看大多损失的分布，一般来说都小于1R，因为退出市场的点会上移。

止损方法
第一：置于市场噪声之上。2.7-3.4乘平均真实波幅的10天移动平均。长期的可以使用10倍每日波动量的停价。3倍与每周波动量。
第二，找到最大不利偏移量MAE，并用该值的一定比例。最高价和最低价格，整个交易期间你有可能会碰到的不利于头寸的最坏的一日内的价格移动。
第三，紧密的停价，带来较高的R乘数的交易。
第四，基于入市理念使用合理的停价。
（1）美元停价 一笔交易愿意承受的损失 高于MAE
（2）百分比折回停价 不要想象的 最好是MAE分析的基础上 （3） 波动幅度停价 ATR的3倍
（4）DEV停价 计算平均真实波动幅度以及标准差 平均真实波动幅度 加上一个标准差 再加10%的修正因素 或者加两个标准差。
（5）管道突破 和移动平均停价
（6）时间停价 一定时间内没有实现利润 就退出 适合短期不适合长期
（7）任意停价和心理停价 市场有很好的直觉，任意停价。心理停价：人本身状态不佳。

缺点：加入止损， 降低市场的可靠度。

大多数系统需要多个退出策略。

退出策略分类 ：

期望收益是R乘数的平均数（平均收益除以平均损失，公式见9-1 ），由市场退出选择。

期望收益 = win_r/loss_r （9-1）
win_r根据所有盈利的交易得出平均每笔获利的R乘数，
loss_r根据所有亏损的交易得出平均每笔亏损的R乘数,。

看看R乘数的分布，盈利的R乘数如何，亏损是小于1R还是怎么样。

记得测试下在以下不同市场上的R乘数分布：

平缓的上涨
剧烈的上涨
平缓的横向移动、
剧烈的横向移动
平缓的下跌
剧烈的下跌

资金总风险百分为总账户的百分比，确立法则：
（1）利用别人的钱，总风险比例为1%及以下。
（2）自己的钱：0.5%-2.5%
（3）寻求巨额回报 承担较大风险：2.5%以上。

头寸确定模型分类 ：

根据以上做出交易计划，其中要包括为可能发生的大灾难做好准备，针对每一项灾难设计可执行方案

资金用完后有新的信号怎么办：
第一，限制新的购买；第二，消除最差的业绩股票，增加新股票；第三，继续购买新的，头寸规模确定小点。

影响系统开发的六个关键因素：

5. 量化交易主要有哪些经典的策略

量化选股之多因子选股模型
量化择时--双均线（MA）、DMA、TRIX、MACD择时

量化择时--PE择时

还有趋势型，网格型，剥头皮，概率法则，高频交易，神经网络，基因算法

6. 如何设计量化交易策略

对于新手来说开发一个策略最开始一定是模仿。

第一步，利用现成指标构建逻辑。TB内置了众多的技术指标，取出一个，写入买卖点，回测下历史行情，这样就可以得到一个简单的策略了。随着策略经验的积累，这里的逻辑选择会越来越多样化。

当然这样的策略一般是不赚钱的，所以我们第二步，进行参数优化。

选择参数遍历，观察不同参数对于策略会产生怎样的影响。一般情况下我们会得到几组看起来比较赚钱的参数，然后我们进行第三步，样本外检测。

比如说我们之前遍历的参数是2014年的数据得出的几个表现好的参数，那么我们就用2013/2015的数据对这些参数进行检测。一般来说，这一参数会在样本外惨淡无比，完全没有样本内优化出来的威武。
这时第四步，进行观察，判断策略失效的原因是什么。

假设发现策略失效原因是样本外某一两次特殊的行情导致大幅亏损，那么我们就可以设置一个硬止损来规避这种风险；如果发现策略失效是因为交易次数过少，那我们就将交易逻辑稍微放松，比如要求>x的地方改为>=x甚至是>=x-1。等等等等，这种修改就是策略的经验了。

设置好新的逻辑后我们回到第二步，重复以上步骤。

最终我们修改得到了一个样本内外都赚钱的策略，第五步，实盘追踪。

在未来一段完全未知的行情中随着时间检验策略，观察策略的真实表现究竟如何。如果表现与预期相符合，那么说明策略有效，第六步，进行交易。

随着交易进行，我们也要观察策略的有效性，当发现策略出现超出预期的亏损时，第七步，调整或终止策略。

7. 量化交易是什么

“量化交易”有着两层含义：一是从狭义上来讲，是指量化交易的内容，将交易条件转变成为程序，自动下单；二是从广义上来讲，是指系统交易方法，就是一个整合的交易系统。
【拓展资料】
一、量化交易主要运用数学公式来构建模型，经过大量数据来判断将来价格走势，并且由程序进行择机选股的一种方式。它的选股而十分广泛，覆盖面达到上百只甚至上千只股票，并且能够排除迫涨杀跌等人为因素，纪律性很强。
二、“量化交易”有着两层含义：一是从狭义上来讲，是指量化交易的内容，将交易条件转变成为程序，自动下单；二是从广义上来讲，是指系统交易方法，就是一个整合的交易系统。即为根据一系列交易条件，智能化辅助决策体系，将丰富的从业经验与交易条件相结合，在交易过程管理好风险控制。
三、量化交易至少应该包括五个方面的要素：
(1)买入和卖出的信号系统。
(2)牛市还是熊市的方向指引，比如用200天移动平均线分辨熊市中系统风险的规避。
(3)头寸管理以及资金管理。
(4)风险控制，运用信号源来确定止损位置，利用资产曲线和权益曲线来加以判定和管理。
(5)投资组合，不一样的投资品种、不相同的交易系统(不同功能和参数，有快有慢)以及四、不相同时间周期组合，现分散组合，让交易账户波动更加稳定。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。
五、首先，从全球市场的参与主体来看，按照管理资产的规模，2018年全球排名前六位中的五家资管机构，都是依靠计算机技术来开展投资决策，而且进入2019年由量化及程序化交易所管理的资金规模进一步扩大。
六、其次，全球超70%的资金交易用计算机或者程序进行，其中一半是由量化或者程序化的管理人来操盘。在国外招聘网站搜索金融工程师(包括量化、数据科学等关键词)会出现超过33万个相关岗位。
七、第三、从高校的培养方向来看，已有超过450所美国大学设置了金融工程专业，每年相关专业毕业生达到1.5万人，市场需求与毕业生数量的差距显著，因此数据科学、计算机科学、会计以及相关STEM（基础科学）学生毕业后进入金融行业从事量化分析和应用开发的相关工作。
八、国内市场，目前国内量化投资规模大概是3500到4000亿人民币，其中公募基金1200亿，其余为私募量化基金，数量达300多家，占比3%(私募管理人共9000多家)，金额在2000亿左右。中国证券基金的整体规模超过16万亿，其中公募14万亿，私募2.4万亿，乐观估计，量化基金管理规模在国内证券基金的占比在1%~2%，在公募证券基金占比不到1%，在私募证券基金占比5%左右，相比国外超过30%的资金来自于量化或者程序化投资，国内未来的增长空间巨大。
九、量化交易特点，编辑，量化投资和传统的定性投资本质上来说是相同的，二者都是基于市场非有效或弱有效的理论基础。两者的区别在于量化投资管理是“定性思想的量化应用”，更加强调数据。
十、量化交易具有以下几个方面的特点：
1.纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。
2.系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。

8. 量化交易该如何入门

如果你想量化交易快速入门。。。
十行代码带你量化交易入门 - JoinQuant，文章以简单的实例介绍了在聚宽做量化交易最核心的流程——策略编写、策略回测、建立模拟、发送信号，绝对是量化交易极速入门教程。
如果你想要更多的学习资源。。。
量化课堂 - JoinQuant，量化课堂里提供了编程，数学，策略实例，统计研究，金融市场等量化相关的知识，尤其是在量化核心的数理方面，质量用心，业界难觅。
社区干货遴选与整理（持续进行中）- JoinQuant，上百篇的聚宽社区好文，从心得技巧到策略分享，从机器学习到股指套利，可谓是成吨的量化交易干货。
如果你想找好策略或你有好策略。。。
策略擂台 - JoinQuant，旨在发现好策略，发现好宽客，聚宽将助其实现其价值，寻求合作共赢的机会，让人人真正地成为靠策略赚钱的宽客。
另外，策略擂台目前可以免费订阅牛人的策略信号，跟着交易，躺着赚钱不是梦。我了解到的最厉害的，用户跟策略半年多，6万变到12万。

9. 完全不懂金融，想学习量化投资需要学习哪些金融科目

我个人认为学抄习量化投资在金融袭方面需要具备两个方面的知识：
1、首先是要了解金融市场与金融产品，只有这样才能在众多市场与标的中选择合适的来构建投资组合，这一方面需要了解的基础知识有：金融市场与金融机构、投资学、金融衍生品等等；
2、其次是需要了解如何量化，相信你应该有足够的IT背景，编程没啥问题，其次的话就是要了解数理来沟通金融产品选择与编程落地，需要了解的科目有：概率论、统计学、计量经济学、金融经济学、数理金融等。

10. 关于量化交易，这些入门知识你需要了解

这篇文章将向你介绍量化交易系统的一些基本概念。本文主要面向两类读者，第一类是正在努力寻找一份量化交易员工作的求职者，第二类是期望尝试开启自己量化交易事业的个人投资者。关于量化交易，这些入门知识你需要了解。
量化交易是数量金融学一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略，就需要你投入时间学习一些必备知识。
量化交易系统包括四个主要部分：
策略识别：搜索策略、挖掘优势、确定交易频率。
回溯测试：获取数据、分析策略性能、剔除偏差。
交割系统：连接经纪商、使交易自动化、使交易成本最小化。
风险管理：最优资本配置、最优赌注或凯利准则、交易心理学。
我们首先来谈谈如何识别一个交易策略。
策略识别
所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其预期年化预期收益更高且(或)风险更低。如果你是一个“散户”交易员，一定要清楚自己的资金是否充足，以及交易成本对策略的影响。
通过各种公开数据搜索可盈利的策略实际上十分简单，并没有大家想的那么难。研究学者会定期发表理论交易结果(虽然大多为交易成本总额)。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
你可能会问，个人与公司怎么可能愿谈他们的可盈利策略，特别是当他们知道，如果其他人“复制相同的策略”，长期而言它终将失效。
原因就在于，他们通常不会透露具体的参数以及他们所使用的调参方法，而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上，若要创建你自己的、独一无二的策略，一个最好的法子就是寻找相似的方法，尔后执行你自己的优化程序。
你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。
均值回归策略试图利用这么一个事实：“价格序列”(如两个关联资产的价差)存在一个长期均值，价格对均值的短期偏离终将回归。
动量交易策略则试图“搭上市场趋势的顺风车”，利用投资心理和大基金结构信息在一个方向积聚动量，跟随趋势直至回归。
定量交易还有一个重要方面，即交易策略的频率。低频交易(Low Frequency Trading， LFT)通常指持有资产超过一个交易日的策略。相应地，高频交易(High Frequency Trading， HFT)通常指持有资产一个交易日的策略。
超高频交易(Ultra-High Frequency Trading， UHFT)指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易，但也只是在你掌握了交易“技术栈”与订单簿动力学的详细知识后才有可能。本篇入门文章，我们不会对这些问题做任何深入探讨。
策略或策略集合一旦确定，现在就需要在历史数据上测试其盈利能力，这就进入了回溯测试的工作范围。
回溯测试
回溯测试的目标是提供证据，佐以证明通过以上流程所确定的策略，无论是应用于历史(训练)数据还是测试数据均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。
由于种种原因，回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处，由于它包含了大量的偏差，我们必须尽尽力仔细审查并剔除它们。
我们将讨论几种常见类型的偏差，包括先窥偏差、幸存者偏差与优化偏差(亦称“数据窥视偏差”)。回溯测试中其他几个重要方面，包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
策略一旦确定，我们就需要获取历史数据，并藉此展开测试，如有可能还可改进策略。现在卖数据的很多，所有资产类型的数据都有。通常，数据的质量、深度、时间间隔不同，其价格也不同。
刚入门的量化交易员(至少零售等级)最初使用雅虎金融板块(Yahoo Finance)的免费数据就行。对于数据供应商，这里不再赘言。我想重点谈一谈处理历史数据时，时常遇到的问题。
对于历史数据，人们主要关心的问题，包括数据精度或清洁度、幸存者偏差、应对如分发红利、拆分股票等公司行为的调整。
精度与数据整体质量有关，无论数据是否包含错误。有时错误容易识别，比如使用一个窄带滤波器，就可以找出时间序列数据中的“窄带”并更正它们。其他时候，错误又很难甄别，经常需要根据多个数据供应商提供的数据进行对比检查。
幸存者偏差通常是免费数据集或廉价数据集的一个”特征“。对于一个带有幸存者偏差的数据集，它不包含已经不再交易的资产数据。不再交易的证券，则表示已经退市或破产公司的股票。如果数据集中含有此类偏差，策略在此数据集上的测试表现可能比在”真实世界“里表现的更好，毕竟历史”赢家“已经被预先筛选出来，作为训练数据使用。
公司行为即公司开展的常引发原始价格阶梯形变化的”逻辑“活动，它不应该计入价格预期年化预期收益。公司分发红利和拆分股票行为是引发调整的两个常见行为，二者无论发生哪一种，都需要进行一个”回调“的流程。我们一定要留心，不要把股票拆分和真实预期年化预期收益调整混为一谈。许多交易员在处理公司行为时都碰过壁！
为了开展回溯测试，我们必须使用一个软件平台。你可以选择一个专门的回测软件如MultiCharts，一个数值平台如Excel或MATLAB，或者一个用Python或C++完全自主实现的平台。对于MultiCharts(或类似平台)，个人是比较介绍，对于编程的要求比较低。
在做系统回测时，一定要量化表示系统性能。定量策略的“业界标准”度量为最大资金回挫与夏普比率。最大资金回挫表示一段时间(通常一年)内账户资金曲线从波峰至波谷的最大跌幅，常使用百分比表示。
由于大量的统计因素，LFT策略比HFT策略的资金回挫更高。历史回测会显示过去的最大资金回挫，它能够较为贴切地反映策略的未来资金回挫情况。第二个度量指标是夏普比率，它被启发式地定义为“超额预期年化预期收益均值与超额预期年化预期收益标准差的比值”。
这里，超额预期年化预期收益表示策略预期年化预期收益超出某个预定基准，如标普500或三月期短期国债(预期年化预期收益)的额度。注意人们通常不使用历史预期年化预期收益指标，因为它忽略了策略波动性的影响，而夏普比率却考虑到了这一点。
如果经过回测，策略的夏普比率很高且其最大资金回挫已经最小化，则可以认为它趋于无偏，下一步就是要搭建一个交割系统。
交割系统
交割系统是一个方法集合，由它来控制交易策略生成的交易列表的发送和经纪商的交割行为。事实上，交易可以半自动、甚至全自动生成，而执行机制可以手动、半自动(即“点击一次交割一项”)或者全自动。
尽管如此，对于LFT策略，手动和半自动技术却比较常见；对于HFT策略，则必须创建一个全自动交割机制，由于策略和技术彼此依赖，还要经常与交易指令生成器紧密相接。
在搭建交割系统时，我们需要考虑几个关键因素：连接经纪商的接口、交易成本(包括佣金、滑动价差与价差)最小化、实时系统与回测时系统性能的差异。
联系经纪人的方法有很多，你可以直接电话联系他，也可以通过一个全自动高性能的应用程序接口(API)实现。理想情况，就是希望交割交易的自动化程度尽可能高。这样一来，你不仅可以脱开身集中精力进行深入研究，还能运行多个策略、甚至HFT策略(实际上，如果没有自动化交割，HFT根本不可能)。
前面说过的几种常用回溯测试软件如MATLAB、Excel和MultiCharts，对于LFT策略或简单策略都是不错的选择。但是，如果要做真正的HFT，你就必须要构造一个用高性能语言(如C++)编写的内部交割系统。
说个我的亲身经历，以前受聘于一家基金管理公司，我们有一个十分钟的“交易周期”，每隔十分钟下载一次新的市场数据，然后根据这十分钟的信息进行交割。这里用的是一个优化的Python脚本。对于任何处理分钟级或秒级频率数据的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系统的优化通常不在量化交易员的工作范围。但是，在小点的公司或高频交易公司，交易员就是交割人，所以技术面越广越好。你要想进一家基金管理公司，一定要记住这一点。你的编程能力不说比你的统计学和计量经济学禀赋更重要，至少也同样重要！
另外一个属于交割系统的重要问题是交易成本最小化。一般地，交易成本由三部分构成：佣金(或税收)、损耗与价差。佣金是向经纪商、交易所和证券交易委员会(或类似政府监管机构)支付的费用；滑动价差是你的预期交割价位与真实交割价位的差值；价差则是待交易证券的卖出价与买入价之差。注意价差不是常数，它依赖于市场当前流动性(即买单和卖单数量)。
交易成本是决定一个策略是高夏普比率且盈利丰厚，还是低夏普比率且极不盈利的关键。根据回溯测试正确预测未来的交易成本很具有挑战性，你需要根据策略频率，及时获取带有卖出价与买入价信息的历史交易数据。
为此，大型基金管理公司量化交易的整个团队都专注于交割优化。当基金管理公司需要抛售大量交易时(原因五花八门)，如果向市场“倾泻”大批股票，会迅速压低价格，可能都来不及以最优价格交割。
因此，纵使遭受损耗风险，基金管理公式也会选择使用算法交易，通过“打点滴”的方式向市场出单。此外，其他策略如若“捕到”这些必要性条件，也能利用市场失效(获利)。这是基金结构性套利的内容。
交割系统最后一个主要问题关系到策略的实时性能与回测性能的差异。这种差异由多种因素造成，比如我们在“回溯测试”一节已经深入讨论过的前窥偏差与最优化偏差。
然而，对于有些策略，在部署之前不易测得这些偏差。这种情况对于HFT最为常见。交割系统和交易策略本身均可能存在程序错误，回溯测试时没有显现却在实时交易时出来捣乱。市场可能受到继交易策略部署后的一场政变的影响，而新的监管环境、投资者情绪与宏观经济形势的变化也均可能导致现实市场表现与回溯测试表现的差异，从而造成策略盈利性上的分歧。
风险管理
量化交易迷宫的最后一块是风险管理程序。风险包含我们之前谈论的所有偏差。它包括技术风险，比如所有在交易所的服务器突然发生硬盘故障。它还包括经纪风险，如经纪商破产(此说并非危言耸听，引发恐慌的明富环球就是一个例子)。
总而言之，它覆盖了几乎所有可能干扰到交易实现的因素，而其来源各不相同。已经有成套的书籍介绍量化交易策略的风险管理，本人也就不再对所有可能的风险来源做详细说明。
风险管理还包括投资组合理论的一个分支，即所谓的“最优资本配置”，涉及到如何将资本分配给一组策略、如何将资本分配给策略内不同交易的方法。这是一个复杂的领域，依赖于一些高级数学知识。
最优资本配置与投资策略杠杆通过一个名为凯利准则的业界标准建立联系。本文是一篇入门文章，我在此不详谈其计算。凯利准则对策略预期年化预期收益的统计性质做过一些假设，但是它们在金融市场中并不一定成立，交易员因此在实现时通常会有所保留。
风险管理的另外一个关键成分涉及到交易员自身心理因素的处理。尽管大家都承认，算法交易若无人为干涉，不太容易出现问题。交易员在交易时，稍不留神仍然可能会掺入许多认知偏差。
一个常见的偏差是厌恶规避，当人发现损失已成定局，其所带来的痛苦，可能会麻痹人的行为，不能做到及时抛盘止损。类似地，由于太过忧心已经到手的预期年化预期收益可能赔掉，人们可能也会过早抛盘收利。
另外一个常见的偏差是所谓的偏好偏差：交易员太看重事件而非长远地看问题。此外，当然不能落下“恐惧与贪婪”这对经典的情绪偏差。这两种偏差常导致杠杆不足或杠杆过度，造成爆仓(账户资产净值近乎为零或更糟)或盈利缩水的局面。
总结
由此观之，量化交易是数量金融学中一个虽趣味十足但极其复杂的领域。我对这个话题的讨论浅尝辄止，文章就已经这么长了！我在文中三言两句带过的问题，已经有大量的相关书籍和论文出版。
因此，在你申请量化基金交易职位前，务必要进行大量的基础调研，至少应当具有统计学和计量经济学的广泛背景，以及使用MultiCharts、MATLAB、Python或者R程序语言实现的丰富经验。如果应对的是更加复杂的高频端策略，你的技能组合可能还要包含Linux内核修改、C/C++、汇编编程和网络延迟优化。