你还在看电脑面前盯盘看K线吗? 你还在为一次亏损寝食难安，为一次盈利欣喜若狂吗? 如果是，那也许你就OUT了。随着量化交易的蓬勃发展，一群统计狗、程序猿们已经开始使用计算机模型进行交易了，这些程序用不休眠，无人值守，24小时为你监控市场，产生利润。真有那么好的事吗?这不就是印钞机了吗? 请看下面分解。

一、你是否坚信市场的有效性？

量化交易的获利来源于市场的无效性。如果市场服从随机游走，那大部分金融机构都可以关门了，还炒什么股啊。如果市场是有效的，那可能一个人一辈子都碰不到大牛市。持续不断的上涨的K线排列，概率该有多小啊。一个比较现实的假设是，市场在一定程度上是无效的，单纯的价格序列中存在大量的获利机会。

二、概率的游戏

量化交易是概率的游戏，一个交易策略是否能够盈利，关键看胜率和盈亏比。胜率是盈利次数占总交易数的百分比，盈亏比是平均盈利和平均亏损的倍数关系。这两者需要平衡，也很难兼顾。例如，玩彩票盈亏比很高，胜率很低，所以总体是亏损的。

三、一个概率取胜的例子

上图是个高盈亏比低胜率策略的策略。虽然盈利的交易很稀疏，但是却远离零点，亏损交易很密集，但紧贴零点，所以从右边的资金曲线上看，策略总体上是盈利的。所以，量化交易者会坦然的接受亏损，也会正确的看待盈利，它们只是交易系统的一个部分。

四、量化交易策略的构建

4.1思路部分

下面用一个例子来说明一个交易策略的生产过程。某交易员发现，价格突破了一些关键点位后，会向着突破的方向持续发展。于是我们设计一个简单的突破策略:当价格突破近期高低点时，相应的做多或做空。

4.2准备条件

接下来，就要进行进一步细化，做成一个模型。需要回答这么几个问题：1、时间框架是怎样的? 小时线、日线还是周线?

2、如何定义高低点? 往回看几跟K线?

3、进场后如何止损? 固定点位止损还是ATR（平均真实波动）止损?

4.3代码实现

将上述问题具体化以后，就用程序代码将它们予以实现。国内比较普遍使用的是tradeblazer和multicharts。当然，技术实力较强的交易者也可以选择自行开发交易平台，用java,python等语言予以实现。

4.4参数优化

在策略构建的初期，一些参数是待定的。如均线的K线条数，止损点位，止盈点位等。这些参数都可以用遍历的方法进行优化，也就是说，穷举各种参数的组合，找到使盈利最大化的那一套参数。

4.5继续优化

这里，我们对止盈点位和止损点位进行了优化，绘制了一副3D优化图。X和Y轴分别代表被优化的参数，即止盈点和止损点，Z轴代表目标函数，即盈利。我们可以看到，盈利在不同的参数组合情况下高低起伏，呈现出了一个个山峰、平原和低谷。那么，我们是否应该选择那些山峰呢?其实不是。因为选择这些山峰可能会带来一个问题，就是过度拟合。表现过好的参数组合满足了过去市场的某种特殊情况，只要参数发生微小变化，策略表现就会急剧下降，这就是”山峰”的含义。相比而言，目标函数的“平原”区是更为稳定的参数，因为参数在这个范围内变化，策略表现是稳定的。所以我们要选择平原。下面这幅图是参数经过优化后的策略表现，资金曲线图表现出剧烈的波动，这反应了策略思路本身存在缺陷，高低点的突破并不能对价格起到很好的预测作用，参数优化并不能解决策略思路本身的问题。

五、回测

5.1样本内回测

5.2样本外回测

如果我们找到了一个可行的策略，又选择了合适的参数，策略回测表现让人满意，下一步就是样本外测试了。样本外测试的目的，是用新的数据对策略进行检验，考验策略的盈利能力。在之前的测试中，我们已经使用了一部分的历史数据。策略是在这些历史数据中被“训练”出来的，很容易出现过度拟合的问题。极端情况下，只要参数数量足够多，我们是可以轻易的通过历史数据训练出100%胜率的策略。但这样的策略并不具有通用性，如果用新的数据测试这样的策略，结果一定是糟糕的。

这就是我们进行样本外测试的原因。样本外数据也是历史数据，只是我们在测试初期预留出来的，没有碰过，是“干净”的数据。如果策略在新数据下的表现不好，那么这样的策略仅仅是过度拟合的结果。上图就是一个过度拟合的例子，策略盈利在样本外数据中急剧下降。

5.3蒙特卡罗测试

下一个测试是蒙特卡洛实验。在试验中，我们模拟未来市场可能出现的各种变化，考察策略是否足够健壮。这些变化可能是价格的变化，也可能是参数的变化，还有可能是交易顺序的重新排序，不一而足。借助实验软件，我们可以进行上千次的重复实验，看看策略是否还能生存下来。上图是蒙特卡罗的实验结果，红线代表原市场条件的测试结果，绿 {MOD}代表最恶劣的5%的市场条件，紫 {MOD}代表实验平均结果。可以看到，策略在最差的5%情况下，仍然能够维持盈利，说明策略是健壮的。

六、策略举例

6.1三均线策略

下面分别介绍一下策略的种类。从策略的交易思路看，大致可分为趋势策略（动量策略）和逆势策略（均值回转策略）。两种策略分别适应于不同的品种和市场条件。趋势策略的常见例子是均线交叉策略。短均向上突破长均做多，向下突破做空。趋势策略捕捉了市场的冲动情绪，当价格上涨时，大量交易者非理性的跟进，价格下跌时，人们又急剧恐慌。趋势策略者就可以“顺应趋势”，追涨杀跌，让“趋势成为朋友”。

6.2布林带策略

逆势策略则相反，逢高卖出，逢低买入。在某些市场的某些时段中，价格确实存在这样的高低震荡的情况，逆势者容易利用这样的价格属性频繁的积累微小利润。但是，市场总是趋势与震荡并存，我们很难判断市场何时震荡，何时趋势，有没有解决办法呢？当然有，如下策略。

6.3跨期套利策略

我们要把思路打开，将目光从单个品种转向多个品种的组合价差上，也就是常说的配对交易。例如不同到期日的期货合约价差就存在高度的相关性。例如，我们将两个不同到期日橡胶合约的价格序列放在一张图上，就可以看到他们之间的高度相关性。虽然两个合约各自的价格呈现出趋势属性，但它们的价差是稳定的震荡属性。

我们通过震荡策略，交易两者的价差，就可以获得比较稳定的收益。价差组合的方式有很多，并不局限于两个品种，我们可以通过下列通用公式，配置出无数个可能盈利的价差组合。哪个组合式可以盈利的呢？需要我们自己去挖掘。而目前我们量化家的策略超市，直接把有效的策略提供给选择使用。

七、风控管理

7.1马丁格尔仓位管理

一个优秀的策略不仅能给我们带来持续稳定的收益，同时在风控上的把握也是极为关键。正如一辆汽车在量产之前需要持续不断的测试同样的道理。而在投资市场中，只要超出无风险利率，就会存在波动，存在波动，就有可能带来亏损，所以你会发现，哪怕你投资一个极为优秀的基金或是股票，每年所带给你的年化回报也并非一成不变的，甚至有时候，行情不好，遇到熊市还会出现不小的亏损。

事实是任何投资项目都应该首先关注风险。

而量化交易对于风控的把握会着重从仓位的管理出发。仓位管理，就是决定某一策略分配多少资金的问题，初学者往往过分执迷于策略思路本身的盈利，而忽略了仓位管理。实际上，仓位是量化交易最重要的环节。即使拥有了盈利的策略，如果仓位管理不当，完全可能爆仓出局。下面我们来探讨一个有趣的仓位管理方法，叫martingale.这是一种死扛型的仓位管理机制，每经历一次亏损，我们在下次交易时就把仓位放大一倍，一旦盈利，我们就把仓位恢复到初始值。例如，当经历了3次连续亏损之后，仓位数分别是，1，2，4。如果第4次交易盈利了，我们就把仓位恢复到1.martingale的资金曲线很好看，几乎是一条直线，因为通过仓位的放大，只要获得一次盈利，就可以把之前所有的亏损全部扳回。资金曲线迅速恢复。我们看看上面这幅图，是不是很让人兴奋呢?

不幸的是，天下没有免费的午餐。交易者的资金永远是有限的，但martingale的亏损却是无限的，假设连续亏损次数进一步放大，变成5次，10次，那么仓位也会急剧放大，变成32和1024，最后，因为交易者资金不足，而出现爆仓。上图是10000次martingale后出现的爆仓现象。随着交易频率增高，爆仓的几率也逐渐增大。那我们能否继续优化呢？答案是肯定的。

上图是影响爆仓概率的因素，而影响爆仓概率的参数有这么几个：

1、策略思路本身的胜率。

2、策略的盈亏比。

3、每次亏损后翻倍的倍数。

4、盈亏交易的概率分布。

5、可以想见，胜率越高，连续亏损的概率越小；盈亏比越大，每次亏损的回撤就越小；翻倍数量越大，亏损分布越集中，越容易爆仓。

我们将翻倍系数从2降低为1.6后，用在一个胜率50%，盈亏比为1.2的策略上之后，经过10000次交易。仍然没有爆仓。

总结：一个优秀的策略从逻辑的建立再到回测，再到风控的管理都是经过千百万次的回测得出的。一个看似简单的策略，全套代码几千上万多行。6个程序猿，3个金融、数学建模师，1个风控专员。还需要万次计算机寻优，回测执行，系统风险排查，模拟盘交易测试，累计收益率评测，模型定性，参数设定调优。量化交易，简约但并不简单！

八、关于人工智能

我们再来说说量化交易的新趋势----人工智能。手工交易者的技术分析，甚至是基本面分析，未来都有可能被机器所取代。这在计算机领域，叫做模式识别，通俗的讲，叫找规律。技术分析的本质就是寻找价格规律，基本面分析又何尝不是呢?有了计算机的帮助，这些找规律的事情完全可以由计算机完成，人工神经网络就是一个典型的应用案例。在上图中，我们用一些简单的数学函数，模拟出一个个的神经元。这些神经元能够从外界接受价格信息和基本面数据，经过函数转换变成输出，反射到下一个神经元，最后从右边输出。这些转换函数的初始参数是随机的，但当我们进行成千上万次训练后，这些参数得到逐渐的优化，最后生成一个准确率较高的预测模型。模型的具体原理，是我们无法从参数的数值去理解的，这相当于一个黑盒。这样的黑盒，可能可以找到我们人脑无法发现的一些数据规律，也许只是参数拟合的结果，需要一系列的测试去加以验证。

但它相比人脑而言，能够更加细致的发现一些隐秘的规律。