量化交易（Quantitative Trading）是使用数学模型和计算机算法来制定交易决策和执行交易的方法。量化交易者通过分析历史数据、识别统计模式和关系，开发能够预测市场行为的算法。这些算法可以自动生成买入和卖出信号，甚至可以直接执行交易，从而减少情绪因素对交易决策的影响。
- 客观性：遵循明确的规则，减少情绪和主观因素的影响
- 系统性：能够同时分析大量数据和多个市场
- 可测试性：策略可以在历史数据上进行回测，评估其表现
- 效率：可以自动化执行，减少人工操作
- 风险管理：可以精确计算风险暴露和设置风险限制
- 数据质量：需要高质量、无偏差的历史数据
- 过拟合风险：策略可能对历史数据过度优化，但在未来数据上表现不佳
- 市场变化：市场条件和结构随时间变化，策略可能需要适应
- 技术要求：需要编程和统计知识
- 执行成本：交易成本（如滑点和手续费）可能显著影响策略收益
OHLCV是指开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）和成交量（Volume）的组合数据，是金融市场分析的基础数据形式。
- 开盘价（Open）：交易时段内的第一个成交价格
- 最高价（High）：交易时段内的最高成交价格
- 最低价（Low）：交易时段内的最低成交价格
- 收盘价（Close）：交易时段内的最后一个成交价格
- 成交量（Volume）：交易时段内的成交数量（股票的股数、期货的合约数等）
- 日线（Daily）：每个交易日的OHLCV数据
- 周线（Weekly）：每周的OHLCV数据
- 月线（Monthly）：每月的OHLCV数据
- 分钟线（Minute）：每分钟的OHLCV数据
- Tick数据：每笔交易的数据，包括价格和成交量
考虑公司行为（如分红、拆股）后的价格。这对长期回测尤为重要，因为未调整的价格可能导致错误的结果。
-
移动平均线（MA）：给定周期内价格的平均值，用于平滑价格数据和识别趋势
- 简单移动平均线（SMA）：所有价格的等权平均
- 指数移动平均线（EMA）：给予近期价格更高权重的移动平均
- 加权移动平均线（WMA）：根据自定义权重计算的移动平均
-
MACD（Moving Average Convergence Divergence）：基于两条移动平均线的差值，用于识别动量变化
- MACD线：短期EMA减去长期EMA
- 信号线：MACD线的EMA
- 柱状图：MACD线减去信号线
-
相对强弱指数（RSI）：测量价格变动的速度和变化幅度，取值范围0-100
- 通常RSI > 70被视为超买，RSI < 30被视为超卖
-
随机指标（Stochastic Oscillator）：衡量当前价格相对于给定时间段内价格范围的位置，也是0-100的范围
- %K线：当前收盘价在最近N个周期的高低点范围内的位置
- %D线：%K线的移动平均
-
布林带（Bollinger Bands）：基于移动平均线的波动率通道
- 中轨：N周期的简单移动平均线
- 上轨：中轨 + K倍标准差
- 下轨：中轨 - K倍标准差
-
平均真实范围（ATR）：衡量市场波动性的指标
- 真实范围（TR）：当日最高价与最低价的范围、当日最高价与前一日收盘价的差值、当日最低价与前一日收盘价的差值三者中的最大值
- ATR：TR的N周期移动平均
- 交易量加权平均价格（VWAP）：按成交量加权的平均价格
- 成交量变化率：衡量成交量变化的速度
- 资金流量指标（MFI）：结合价格和成交量的振荡器，类似于带有成交量权重的RSI
基于市场趋势的延续性，当价格形成上升趋势时买入，下降趋势时卖出。
- 移动平均线交叉策略：当短期均线上穿长期均线时买入，下穿时卖出
- 通道突破策略：当价格突破上轨时买入，突破下轨时卖出
- 动量策略：买入近期表现最好的资产，卖出表现最差的资产
基于价格会回归到均值的假设，当价格远离均值时产生交易信号。
- 布林带策略：当价格接近下轨时买入，接近上轨时卖出
- RSI策略：当RSI进入超卖区域时买入，进入超买区域时卖出
- 配对交易：利用两个相关资产的价格差异，做多低估资产同时做空高估资产
利用资产价格之间的统计关系进行交易。
- 协整对交易：利用两个资产价格之间的长期平衡关系
- 因子模型：基于多因子模型预测资产回报
- 机器学习模型：使用机器学习算法预测价格走势
- 回测（Backtesting）：在历史数据上模拟策略交易，评估其表现
- 样本内（In-sample）与样本外（Out-of-sample）测试：分别在训练数据和未见过的数据上测试策略
- 前向测试（Forward Testing）：在新数据上实时测试策略，但不实际执行交易
- 纸上交易（Paper Trading）：在实时市场数据上模拟交易，但不使用真实资金
- 总回报（Total Return）：策略产生的总收益率
- 年化收益率（Annual Return）：换算为年度的收益率
- 最大回撤（Maximum Drawdown）：从高点到随后低点的最大损失百分比
- 夏普比率（Sharpe Ratio）：超额收益与波动率的比值，衡量风险调整后的收益
- 胜率（Win Rate）：盈利交易占总交易的比例
- 盈亏比（Profit/Loss Ratio）：平均盈利交易与平均亏损交易的比值
- 前视偏差（Look-ahead Bias）：使用在实际交易时不可能获得的未来数据
- 生存偏差（Survivorship Bias）：只使用当前存在的资产数据，忽略已退市的资产
- 过拟合（Overfitting）：策略过度适应历史数据的特定模式
- 滑点（Slippage）：实际执行价格与预期价格的差异
- 交易成本：佣金、税费等交易费用
- 波动率（Volatility）：资产回报的标准差，衡量价格波动性
- 贝塔（Beta）：资产相对于市场的系统性风险
- 风险价值（Value at Risk, VaR）：在给定置信水平下，某一时期内可能的最大损失
- 条件风险价值（Conditional VaR, CVaR）：超过VaR时的预期损失
- 等权配置：在所有交易信号上投入相同资金
- 固定比例风险：基于资产波动率调整仓位，使每个交易承担相同比例的风险
- 凯利准则：基于胜率和盈亏比确定最优仓位大小
- 动态风险调整：根据市场状况和资产表现动态调整仓位
- 固定止损：当价格下跌超过固定金额或百分比时平仓
- 跟踪止损：随着价格上涨调整止损点，锁定部分利润
- 时间止损：在预定时间平仓，无论盈亏
- 波动率止损：基于资产波动性设置止损幅度
- 策略研究与开发：研究市场模式，提出交易假设，设计交易策略
- 数据获取与处理：获取历史数据，进行清洗、标准化等处理
- 策略回测：在历史数据上测试策略表现
- 策略优化：调整策略参数，提高性能
- 风险管理与投资组合构建：评估风险，确定资产配置
- 执行与监控：实盘执行策略，持续监控表现
- 监督学习：使用标签数据训练模型预测价格走势或交易信号
- 无监督学习：发现数据中的模式和结构，如资产聚类和异常检测
- 强化学习：通过与市场环境的交互学习最优交易策略
- 深度学习：使用神经网络处理复杂的市场数据和模式
- 市场微观结构：研究订单流和市场深度如何影响价格形成
- 延迟套利：利用市场信息传播的时间差进行交易
- 做市策略：通过提供流动性赚取买卖价差
- 统计套利：利用短期价格偏离进行快速交易
- 常见因子类型：价值、规模、动量、质量、波动性、流动性等
- 因子挖掘与评估：发现和验证新的alpha因子
- 多因子组合：构建多因子策略，平衡不同市场环境下的表现
- 因子定时：根据市场环境动态调整因子暴露