量化交易策略
在量化投资领域，交易策略主要有单边投机、套利交易和做市商等，其中的套利交易是通过捕捉两种或多种金融工具间的价格错误，以从中获利。但当发生黑天鹅“肥尾”事件时，剧烈的价差波动会打破一些套利交易所能“承受”的极限，导致套利策略出现较大回撤。
关于套利交易策略，市场上大部分交易者有以下几种做法：
1）期现套利
期现套利属于无风险套利，比如如果股指期货相对于现货升水，那可以做多现货， 并做空股指期货， 股指期货在交割日必定收敛于现货标的，持有到期了结多空头寸， 获取开仓时的价差收益。需要注意可能发生的极端情形，持仓期间的可能波动会导致期货保证金不足而爆仓。
2）跨期套利，跨品种套利
这两种需要交易者有一定的 view， 对于所交易的价差(跨期价差, 或者跨品种价差)看多或者看空（不一定收敛）。
3）统计套利
要求找出一组满足协整(cointegration)要求的标的, 根据协整关系构建组合，组合在一定区间内呈现稳定震荡（稳定时间序列），然后在该区间内，高于中轴时做空组合，低于中轴时做多组合。
关于高频交易：
交易者根据市场微观形态（盘口信息，order book）对于市场下一刻涨跌算出概率分布，在概率超过一定值时建仓。由于高频交易频率很高，每天可以有几千，乃至几万次的开关仓，所以收益十分的稳定。常见工具有 HMM（隐马尔科夫模型）等。
挖掘机器学习在量化交易中的应用
随当前alpha go 的大热，很多交易者也开始挖掘机器学习在量化交易中的应用，试图通过遗传算法，SVM 在内的工具介入策略研发。
一个好的量化交易系统是做好量化的基础。交易系统一般是构建所谓的“事件驱动”系统。
从事件的复杂度来区分为以下三种：
简单而常见的事件：就是市场行情更新(占比 99%以上)
高级事件：如成交回报(去年股灾期间，有一家俄罗斯人经营的高频公司伊仕顿， 就是频繁运用自己报单的回报信息，获取了远高于市场行情的更新频率，获取了高额回报)
更复杂的事件：如分析企业的突发事件，来对企业的各类金融资产进行投资，包括股票、债券及其衍生物
分析企业的突发事件
事件导入后，系统经过分发，触发策略逻辑，从而判断是否产生交易信号，并通过系统报向交易所。这里有一个衡量系统性能的重要的指标：即所谓的tick to order。它指的是从市场行情达到系统边界到策略形成交易信号，报单离开系统所花的时间。
关于回测系统
量化交易系统一般还包含对应的回测系统，回测系统是策略构建过程中提供依据的平台。回测系统通过在历史上策略的各项表现（夏普率，收益回撤比，最大回撤，最长回撤周期等）的评判，以此评估一个策略是否达到上线标准。
量化交易系统一般还包含对应的回测系统
在回测测试时，我们需要避免过拟合，以及使用未来函数的情况。假设条件要合理，谨防导致回测跟实盘表现相差甚远。最后市场是千变万化的，我们需要实时监控策略的有效性，一旦策略失效，要及时停止策略或优化策略。做好量化交易，必须秉持一颗客观公正的心。
