Ⅰ 如何成為一名合格的量化交易員
量化交易是量化金融行業最尖端的領域之一。無論你是想通過面試還是建立自己的交易策略，你都會花費大量的時間和精力去學習相關的知識。不僅如此,你還需要有良好的編程技能,至少在一個高級編程語言,高頻交易策略的日益普及,在技術方面越來越重要的戰略執行,所以精通C / c++可能是最好的選擇。作為一個量化交易員，當我們說到量化交易時，你可能已經參與其中，甚至可能已經制定了一些交易策略。相信我，你無法拒絕其中的刺激和冒險。但我可以告訴你，有很多問題，你還沒有一個完美的解決方案。
成為一個量化交易員，壓力會非常大。不僅需要了解市場，與其他交易員、其他公司保持良好聯系，還需要一些健康的溝通技巧。這樣可以更快地獲得市場信息和一些市場細節。如果你是一個純粹的股票價值交易者，那麼你可能不需要與企業打交道，但你需要非常深入地研究你的數學模型，然後反復訓練和優化它。很多與人相關的行為特徵往往會導致量化交易者的成功。畢竟，整個市場是由人主導的。如果你能准確地分析交易者在市場中的心理行為，那麼你就是最大的贏家。
Ⅱ 量化交易如何入門要學習多長時間
很好入門，多學多看。
學習量化交易，一定要理解它的風險性從何而來。
首先是一二級市場「級差」風險，其次是交易員操作風險，最後是系統軟體的風險。
第二種風險是交易員操作失誤。這同時也牽扯到第三種風險，系統軟體風險，每個交易員在系統中都有相應的交易許可權，包括數量、金額。
有個業內資深人士帶路會事半功倍，尤其對金融愛好者而言，一些理解上的細微偏差，都可能導致整體概念上的錯誤認識。
比如我就是通過資深人士帶著入門的。除了學習量化收益，還學了很多投資理財方面的知識，有各種理財偏好，每個群體對應了不同的投資類型……推敲過後，我選擇了無界財富，因為他們風控模式可以看出，比如國有金融機構風控、銀行存管這些，比較穩健的方式。
所以說，他不僅是學我習量化交易的前輩，還是我理財的入門引導人，他多次提醒我們不要盲目跟風，以自己的風險承擔能力來選擇。如果偏好穩健的方式，同樣可以選擇無界財富這類穩健平台作為入門。
Ⅲ 量化交易的那些事！
最近一段時間，很多人覺得股票越來越難做了，板塊加速切換，市場走勢極端，一些中線趨勢良好的板塊個股完全無視基本面突然連續大幅殺跌。
有人說，這是因為量化交易成為了我們的對手盤，助漲殺跌。有些票漲六七個點，突然就摸漲停了，有些票跌六七個點，突然就奔跌停去了。手速、資金都拼不過，甚至按照這樣的趨勢，我們這些靠交易為生的散戶，有可能要被機器人幹掉。事實果真如此嗎？
今日筆者就來給大家分享一下量化基金的那些事。
量化交易到底是怎麼交易的？
交易員A兄，19至20年在國內某量化基金做交易員，基金規模最大到70億。最開始在量化交易部，後期在人工t0部。基本上交易部的東西都清楚，國內這幾家量化基金的交易模式也大同小異。
量化交易是怎麼交易的呢？大部分策略是量化對沖模型。
就是買入市場上的活躍股，然後開對應金額的期指空單對沖（IF，IC，IH都有），多頭金額和空單金額（期指有杠桿，實際佔用金額少）基本上在1：0.8到1：1區間浮動。
賺錢邏輯就是，不管大盤漲跌，因為有對沖，只要買入的票足夠強，只要能跑贏對沖指數（if，ih，ic），基金就是永遠賺錢的。
也有一些純多頭策略，就是不帶對沖，全買股票的，但是少一些。
量化交易的買入賣出，都是一攬子交易。每天要買入的票少的時候200隻，多的時候能到4、5百隻。這些票根據權重劃分金額，有的票買的多，大部分票只買一點點。一般前二十隻票，買入金額佔到總成交金額的4成左右了。
當天開盤前，策略部的演算法就會把當天的買入賣出任務做好。交易員的工作就是把當天要買的票買完（不論價格），把當天要賣的票賣完（不論價格）。考核指標就是以當天開盤價作為基準，算出平均買入成本與開盤價偏離值，以收盤價作為基準計算賣出價格偏離值，用這兩個數據算績效。
這個模式就導致，股票早上買的時候很容易打高了，因為很多公司都是這個演算法，互相一搶，股價就能推上去。但沒辦法，交易員一般10點之前就要買完票了，越往後風險越大，因為不知道誰就突然漲停了，導致買入成本暴增，是要被談話的。
賣出是這樣的，公司所有的票有一個7%止盈單，就是只要股價沖到7%，就會賣出。而且收盤統計的時候，漲幅超過7%的票是按7%的價格計算賣出成本的，假如賣早了那就賣虧了，假設我5個點賣了，沖到8個點，收盤砸綠，算收盤價的時候還是按7%算，這個對交易員很不友好。
「19年初那波行情我們當時規模不小了，有時候單票買入金額能佔到股票總成交的10%甚至更多，這時候票就很難買了，因為一買就要把價格推上去，推上去買入成本巨高，我們業績就會很差。但是沒辦法，任務一定要完成的。
印象很深刻的，19年2月1日，當時有個同事買入任務里要買 300615欣天科技800多萬，大家可以看一下這票前一天成交額，成交額太小了800很難買進去，買了一點點就封板了，然後炸板，我同事一直想等回落了慢慢買結果一直不回落，最後他直接集合競價把票頂到漲停板把剩下的買入任務買完了……」
量化策略模型：聯創股份的推升
由於「交易員A」兄從事於交易部門，選股條件那是策略部的事情並不清楚，而且這些量化公司都號稱自己有幾百上千個選股因子，每天機房電腦都在跑程序，在第二天開盤前把票選好。
不過公司的幾個模型結構是知道的。當時主要有7日模型，9日模型，13日模型，還有一個兩日模型。
這個N日模型的N就代表持股周期，表示買入後持有N日後賣出。有時候連續幾天都有同一隻票的買入任務，那麼這個票就會在持倉里躺小半個月。隨著模型時間到了之後，慢慢賣完。
演算法部都是清華高材生，學歷在那放著呢。不過再牛的策略也是人定的，再牛的量化演算法也是人選的。
模型的變化（持倉時間長短）、對沖指數風險敞口的調整，以及選股因子等，策略部一直在做優化。這些變化不是說某天突然發現不行了，然後就要改了、之前的都完全放棄了，而是說每天都有在回測市場分析賬戶表現，然後策略部們去做細微的調整。
「為什麼說這個模型的事情，今年的聯創股份這種，很明顯就是被量化模型推上去的。因為這票根本沒有什麼基本面，純垃圾股一個，pvdf那種故事聽聽就算了。」
實際上就是這票被很多家量化演算法選中了，有長周期的有短周期的，但是在前期都主要是買入為主，所以我們可以看到這票被鎖倉了，一直往上推，當然漲的好也就有散戶信了他的故事（散戶也鎖倉），然後到賣出的時候，這票往下按接不起來，因為大家模型時間都差不多到了。
今年好多票漲的快，漲幅大，但是調整的非常狠，跟量化模型同質化有很大的原因。
各位兄很感興趣的T+0
由於買入模型持倉7、9、13天不等，而且都是市場上比較活躍的票。那麼這些票躺著不動其實就是一種浪費，這些票可以甩給t0團隊去做t，用來搞額外收益。
「我之前的工作內容，說實話很無趣，自主操作的空間很少，更像是一個人形下單機器，所以在後期公司要開展t0交易的時候我果斷轉崗去了t0交易部。
當時國內幾家大的量化私募都已經有自己的交易團隊了，我司屬於介入比較晚的，老闆應該是去九坤這幾家參觀學過，也就動了搞t0團隊的想法。在成立自己T0團隊之前，公司的底倉是打包給國內幾家專業的t0公司去做的。」
t+0這邊很簡單，底倉給交易員分好，然後交易員自己拿著底倉去做日內差價，這個差價就是交易員的業績，然後公司按比例給交易員提成就是工資。
t0交易員是沒有底薪的，沒有底薪沒有五險一金沒有社保，全靠業績活。而且這個東西淘汰率相當高，當時新組建團隊，招來了四十多個新人，最後只留下來一個。最主要的是，現在基本沒有t0團隊要新人的了，沒公司願意培養新人。
關於t+0還有一個事情。
很多人做創業板新股喜歡看融券余額，覺得融券量大的票會容易漲，他們說的是要打爆空頭，第二天融券方要回補還券。
其實不是這樣的……創業板新股上市之前就已經把這些機構的券約出去了，這些券各大t0機構從券商手裡借到，當成底倉給交易員做t0交易。因為新股波動大做t0收益高，當然券息也高。但是專業的t0團隊是不可能裸空的，融券量大隻是券商把券借給t0團隊了，人家當天就已經買回了。
量化基金收益的潛規則
其實量化賽道也很擁擠，因為交易同質化很強，大家的策略大同小異，起重要因素的其實不是選股策略而是對沖盤的風險敞口。之前說了，多頭和空頭的比例是在1：0.8和1：1區間浮動的，那麼這裡面的可操作空間其實非常大。
而具體收益率，各個產品之間的差距其實很大……
「19年初那波創投工業大麻氫能源的行情大家應該都知道，到5月份我們的頭部產品收益率都干到了60%了，但是當時竟然還有一些產品是不賺錢的，真不賺錢甚至還有略虧一點的。
這個差距大的原因應該是各個產品的買入時間有差異，因為買的越早其實別的資金就在給你抬轎子（這些是我猜的沒法證實）。實際上在私募拍拍網上的明星產品收益率都還不錯，年化跑個二三十沒問題。但是，但是，但是！後面的產品根本不能看………頭部產品其實就是個廣告效應吸引投資人的…等你虧錢了，老闆開始心理按摩就行了，反正大部分客戶啥也不懂……
我們老闆就不會交易，他工作的一個主要內容就是給客戶心理按摩……
前東家規模最多到70億，當時老闆是有沖擊百億規模的想法的，擴招了很多人。實際上是這些規模一部分是公司本來賺上去的凈值，還有一大半是場外的人看公司業績漂亮高位跟投的…我知道的有一個大戶一個人就在我司放了20億，做量化對沖。
最後結果是行情沒了之後，好多後期進場的人是虧錢的，這些人虧了之後就會選擇贖回，撤資，然後規模也會迅速變小。很快的，從20億規模到70億只用了半年，從70億回到不到20億，用了不到半年……
不過老闆怎麼都是賺的，行情好的時候賺業績提成，新入場資金賺管理費……基金虧了，客戶就自己贖回好了，反正老闆都是血賺。」
最後
其實所有人（包括私募，公募，量化），對於市場都是靠蒙的……
能不能漲，為什麼漲，能漲多少，不是一個人說了算的，因為市場這么大，根本不是一個人能夠決定的。（袖珍盤庄股除外，這種就真看老莊心情………）
行情都是一陣子一陣子的，年初白酒yyds，三月碳中和yyds，5月醫美yyds，789月新能源賽道yyds，最後把鍋全甩到量化頭上去……其實還是自己學藝不精啊……
總的來說，市場的東西都交給市場去消化，市場有市場自己的規律。yyds白酒照樣能跌，賽道股照樣會大幅回撤。
老師們要認真觀察市場，認真學，認真提高自己的交易水平，其實是可以盈利的。
做量化的這些程序員大部分連股票都沒炒過，人家寫的程序也就是發現了市場規律，然後用合理的倉位，策略去做交易。連這些人都能賺錢，其實我們需要做的是客服自己的貪婪和恐懼，做一個無情的交易機器就好了。
Ⅳ 什麼是股票量化交易
什麼是量化投資？
簡單來講，量化投資就是利用計算機科技並採用一定的數學模型去踐行投資理念、實現投資策略的過程。
傳統的投資方法主要有基本面分析法和技術分析法兩種，與它們不同的是，量化投資主要依靠數據和模型來尋找投資標的和投資策略。
主要有哪些量化投資策略呢？
第一，也是最重要的一類策略：量化選股
量化選股就是採用數量的方法判斷某家公司是否值得買入的行為。根據某種方法，如果該公司滿足了該方法的條件，則放入股票池；如果不滿足，則從股票池中剔除。量化選股的方法有很多種，總的來說，可以分為公司估值法、趨勢法和資金法三大類。
公司估值法通過比較公司估值法得出的公司理論股票價格與市場價格的差異，判斷股票的市場價格是否被高估或者低估，從而尋找出價值被低估或被高估的股票。這種就是基本面量化。
趨勢法就是根據市場表現，如強勢、弱勢、盤整等不同的形態，做出對應的投資行為的方法。可以追隨趨勢，也可以進行反轉操作等。這種就是技術面量化。
資金法的本質思想是追隨市場主力資金的方向，如果資金流入，則應該伴隨著價格上漲；如果資金流出，則應該伴隨著價格下跌。資金法本質上是一種跟風策略，追隨主流熱點，從而期望在短時間內獲得超額收益。這種是交易行為量化。
通過量化方法選出來的股票，通過不斷的輪換，就可以獲得超額收益。
第二類策略是：量化擇時
傳統的有效市場假認為金融市場是不可預測的，價格充分反映了所有相關的信息，價格變化服從隨機遊走，對金融產品價格的預測將毫無意義。
但是隨著計算機技術、混沌、分形理論的發展，眾多研究發現，股價的波動不是完全隨機的，它貌似隨機、雜亂，但在其復雜表面的背後，卻隱藏著確定性的機制，因而存在可預測成分。例如利用一種叫 Hurst 指數的工具，可以在較大的時間刻度上判斷出大盤的高點和低點。
根據量化擇時的策略判斷，可以進行大盤的高拋低吸，例如熊市底部抄底，牛市頂部拋頂。
第三類策略是：對沖套利
對沖套利就是利用兩個相關性比較高的品種，同時進行做多和做空的操作的一種交易策略，當兩個品種的價差偏差超過了合理區間，存在較大的概率回歸，這是對沖套利策略的理論邏輯。
舉個例子，工商銀行和建設銀行的股價往往同漲通跌，因此如果當工商銀行漲的時候，可以賣出工商銀行，買入建設銀行。當兩者價差回復正常的時候，賣出建設銀行，再買入工商銀行。這樣來回的操作，可以獲得一個超越牛熊的收益。
目前國內資本市場可以進行的對沖套利策略包括：期現套利、跨期套利、跨品種套利、跨市場套利、ETF 套利、分級基金套利等。
例如 2018 年 10 月，因為在 2015 年在股災中，大量進行 ETF 交易的幾個私募基金，給證監會重罰，其中東海恆信給罰款 2 億多，他們就是利用 EFT 套利的策略，在 2013 到 2015 年期間，盈利超過 10 億。
有了對沖套利策略，無論是熊市還是牛市，都可以獲得比較穩健的收益。
第四類策略是：期權套利
期權套利交易是指同時買進賣出同一相關期貨，但不同敲定價格或不同到期月份的看漲或看跌期權合約，希望在日後對沖交易部位或履約時獲利的交易。
期權套利的交易策略和方式多種多樣，有多種相關期權交易的組合。特別是期權的高杠桿特徵，使得在 2018 年的熊市中，有不少優秀的交易員依然可以獲得超過 50% 的收益率。
第五類策略是：資產配置
學術界有一個公認的結論，投資中真正賺錢的關鍵是資產配置，而不是具體的交易。通過對主要的大基金的績效歸因可以得出結論，90% 的收益來自於正確的資產配置，也就說，選擇市場比交易更加重要。
量化投資管理將傳統投資組合理論與量化分析技術結合，極大地豐富了資產配置的內涵，形成了現代資產配置理論的基本框架。
Ⅳ 在中國，量化交易員每天要做什麼樣的工作
隨著量化投資的概念在國內逐漸流行，量化交易員這個聽起來神秘又高大上的職業也逐漸走入人們的視野。量化交易員平常的工作其實沒有固定的模式，但總結下來大都包括: 現有策略的管理維護，看盤（通常開N個窗口，大都是定製化的各種彩色表格、圖、列表和滾動新聞的組合）以及查看策略有沒有亂發單，開發新的策略，每日進行盤後處理，統計委託、持倉、波動率、滑點等等，這些工作聽起來瑣碎且機械，但真正開發出所謂的印鈔機達到躺贏的境界可謂少之又少，大部分人仍然需要不斷學習並且經歷各種市場的考驗：
1、靈感，在市場上策略逐漸趨同、逐漸失效的過程中是很重要的，自己絞盡腦汁更新了好幾個版本的新策略回測時各種指標竟然遠不如行業內正火熱的幾個「經典策略」，市場總是公平而又殘酷的。
2、心理，投資講求的是心理戰，對於量化交易員來說，程序化交易的方式可以避免一部分人性的因素，但是否干預、何時干預模型（尤其是模型並不完備）一直是一個長期困擾交易員的問題
3、不確定性，個人認為，量化交易者同時也需要結合一些基本面，尤其是在國內金融市場信息不對稱、雜訊大以及監管因素變化下能夠從市場調研中獲得有效信息以減少不確定性是相當重要的。
Ⅵ 在中國，做量化交易一天的工作是怎樣的
做量化交易一天的工作：
8:00~9:00： 打開交易策略，設置一些運營參數
9:00~9:30： 觀察策略運轉，確保沒有問題
9:30~15:30: 解決已有策略的問題並研究新策略，測試新想法
15:30~17:00: 分析交易記錄， 確定第二天的交易計劃
17:00~18:00: 運動
崗位職責：
分析金融市場（期貨、股票等）數據，尋找可利用的機會；開發與維護量化交易策略；提供機器學習/數據挖掘相應的技術支持；
崗位要求：
1.熟練計算機編程能力，熟練掌握至少一門編程語言，python優先；
理工科背景，具有良好的數理統計、數據挖掘等相關知識儲備，熟悉機器學習方法（分析科學問題和相應數據，建立模型和方法，驗證模型和方法，應用模型和方法並分析結果，改進模型和方法）；
有處理分析大量數據的經驗，並能熟練選擇和應用數據挖掘和機器學習方法解決科研和工作中的實際問題；良好的自我學習和快速 學習能力，有工作激情，喜歡金融行業；兩年及以上實驗室研究經驗或研發類工作經驗優先；
(6)股票如何做量化交易員擴展閱讀
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。
Ⅶ 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。