上一期我们谈到了程序化交易，说白了就是电脑代替人工实现高效率的交易。今天简单的谈一下关于量化交易的个人观点，可能对于现在想了解或者想关注研究量化的朋友有一些启发。

首先：什么是量化交易，能干干嘛，怎么干？

量化交易是严格按照计算机算法程序给出的买卖决策进行的交易方式。它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。

......

哇！！好高大上啊！不明白！

通俗点：就是把你多年有关风险控制、套利、交易策略等一系列的投资经验总结成规律并通过计算机语言来实现，有计算机带你在市场上交易。

量化交易简单的有Excel来实现，复杂的通过C++、Python、R等编程语言来实现，看个人情况而定。而且目前考虑到量化的使用成本以及技术问题应用还没有大规模的普及到个人用户，主要还是一些机构和私募在大规模使用。

但是量化交易与技术分析又不是一种概念，实际上量化交易的内容更加丰富。很多量化交易系统的建立初期需要考虑很多基本面消息以及基本面数据，但从技术分析而言能考虑的就是交易标的的量化数据。

其次：量化适合所有人吗？

说到量化就应该了解金融行业的本质，金融本身是不创造财富的，它的作用是让资本高效流通，发挥资本的作用，让社会生产生活更加丰富高效，但也容易造成了很多资产风险，酿成危机。金融产品的分类也很多，从市场来看商品本身交易的市场我们一般称为一级市场，比如菜市场。而基于商品的债券进行交易的市场被称为二级市场，而金融业发展迅速，现在已经有各种金融衍生品交易，可以基于商品的证券进行交易，也可以在这个证券基础上再证券化，甚至基于某些指标（index）成为了N级市场，比如股指期货，这时证券的本身价值和其商品的关系就很难直接关联了。二级证券的价格实际就是对商品价格的一阶求导，N级证券价格则是对基于的若干商品的分别N-1阶的偏微分方程。

所以人们在购买的时候主要是关注市场对产品价格的变化通过差价来获取利润，所以量化交易只是通过计算机来简化了中间的过程实现人力的解放，从而实现量化价值。但是归根结底量化也只是工具，对于一般人而言并不是都适应的。

如果你是一个经验丰富的投资者，有了很稳健的交易系统，那么你可能需要的不是量化思路，而是怎么通过计算机来实现你的思路。如果你是一个程序员那么可能这是一个你需要研究的方向。

再次强调量化只是工具，并不一定说就能赚钱的，这不像市面上所有的销售人员说的那样，就一定能赚钱，因为这个问题很简单，假设一种极端情况，如果市场上大部分人都能实现量化交易，那么这么多盈利的人，谢谢钱从哪来？不符合市场规律！所以量化并不适合所有人，目前来看量化的成本和技术要求都很高。

并不像一些销售人员说的那样，他们的策略多么厉害，怎么怎么的赚钱，基本都行都是骗人的，所以认清楚自己的优略势，明白什么适合自己，怎么做适合自己。

最后：总结一下实现量化的步骤。

这是知乎大神的分享，我觉得写的很具体分享一下，便于大家学习。

第一步，利用现成指标构建逻辑。

软件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。

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。

第三步，进行样本外检测。

比如说我们之前遍历的参数是2016年的数据得出的几个表现好的参数，那么我们就用2014/2016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。

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。