量化交易就是依靠计算机程序实施投资策略的方法。

从上个世纪 60 年代开始，就有一群交易员、数学家和信息处理专家试图建立数学模型，用计算机根据历史数据拟合股票价格走势，然后再根据当下获得的数据，预测未来。

这就是所谓的量化交易（ Quantative Trading ）。

量化交易真正的起步是在 80 年代信息革命之后，因为此时计算机已经可以担当重任了。

通过计算机预测股票的长期走势不太靠谱，但是利用股票短时效应的量化交易确实在一定时间里给一些对冲基金带来了丰厚的回报。

比如说双均线策略、10日、20日均线，因为这是所有的交易软件默认的均线日期，如果我们按5日线上穿10日线买入，5日线下穿10日线卖出，但是量化投资的机构就可以设置成4日线上穿9日线买入，4日线下穿9日线卖出，这样就比大多数散户提前一天买入或卖出，这就是优势。

而且A股市场有将近5000千只股票，在短短的时间里要靠人力把所有的股票过一遍，其实是完全不可能的。

但是现在有了计算机，就没问题了。

交易员可以写代码，然后向计算机输入一个交易策略的指令：“当股票价格4日线上穿9日线买入，当股票价格4日线下穿9日线卖出”，然后把这个交易策略的指令输出去，让机器来下单操作。

量化交易的优势就是利用统计学寻找一些市场行为，这些行为会在时间序列中重复出现，投资者应捕捉这些行为，提高自己在赌局中的优势，想办法提高胜率。

当身在赌局中时，如果没有自己的优势，那么一定处于不利的地位，长期的交易一定会输光所有资本。

量化交易好的作用就是利用计算机技术和金融理论的进步，帮助我们克服人性上的弱点，然后在投资上作出更好的决策。

坏处是，量化交易是依据过去的历史数据的分析基础上，对未来的预测和判断，寻找规律，这些规律可能不适应未来的数据。

2013年中国有一个光大“乌龙指”事件，就是光大的交易员不小心输错了一个数字，下了一个70亿的买单，结果就导致这个股价大涨，就触发了很多量化交易程序的条件，所以一下子导致300多亿的资金涌入场内，几分钟之内上证的指数就拉升了100多点，59支权重股瞬间涨停。

所以这也是为什么后来很多人指责量化交易，他们认为是量化交易导致了这个“乌龙指”事件。

还有一种量化高频交易，举个例子：假如一个卖家要以 10.06 元的价格卖掉 100 股 A 公司股票，一个买家愿意出 10.05 元买 100 股同样的股票，那么这个交易其实是无法达成的。

这时，如果买家提高一分钱，或者卖家降低一分钱，这个生意就可以做了。

但是如果卖家和买家一看交易达不成，之间又没有信息沟通，买家的提价和卖家的降价是同时进行的，即一方下单以 10.06 元买进，另一方下单以 10.05 元卖出，那么买卖之间就多出来一分钱的价差，这样交易的中间商就可以挣到1分钱。

如果有人看到这个信息，“迅速”地下两个单子——以 10.05 元买进，再以 10.06 元卖出，就挣走了这一分钱。

这种交易每次量不可能太大，利润也不可能高，但是机会很多，因此其特点是交易的频率非常高。

这种交易还必须迅速达成，否则生意就没了，至于要多么迅速呢？可以和你讲一个真实的例子，芝加哥一家高频交易公司，为了提高零点一秒左右的交易时间（抢单时间），专门花了一亿多美元改进芝加哥到纽约的光纤专线。

当然，上面讲的只是高频交易的原理，它中间交易中的算法其实很复杂，因为不可能这样直接就把那一分钱挣走了，通常这一分钱可能会有几个人来挣。

就可能出现刚买进股票，就被别人抢先卖出，最后股票烂在手里的风险。

量化策略编写必要基础知识&技能储备

量化投资作为金融、计算机、数学的交叉应用领域，量化策略对个人知识和技能有一定要求，至少需要:

· 证券知识：需要了解证券的交易规则、证券分析基本原理

· 计算机编程：熟悉至少一门计算机语言，熟悉数据结构、能够处理数据、能够编写运算公式和逻辑

· 数学知识：统计学、高等数学、金融时序数据处理等知识

标签：交易股票