如何量化交易规则

㈠ 十大经典量化交易策略

海龟交易策略
阿尔法策略
多因子选股
双均线策略
行业轮动
跨品种套利
指数增强
网格交易
跨期套利
高频交易策略

拓展资料
海龟交易法是着名的公开交易系统，1983年着名的商品投机家理乍得. 丹尼斯在一个交易员培训班上推广而闻名于世，它涵盖了交易系统的各个方面。其法则覆盖了交易的各个方面，并且不给交易员留下一点主观想象决策的余地。它具备一个完整的交易系统的所有成分。
海龟交易法的内容
一个完整的交易系统包含了成功的交易所需的每项决策：
1、市场----买卖什么
2、头寸规模----买卖多少
3、入市----何时买卖
4、止损----何时退出亏损的头寸
5、离市----何时退出赢利的头寸
6、策略----如何买卖
市场——买卖什么
第一项决策是买卖什么，或者本质上在何种市场进行交易。如果你只在很少的几个市场中进行交易，你就大大减少了赶上趋势的机会。同时，你不想在交易量太少或者趋势不明郎的市场中进行交易。
头寸规模——买卖多少
有关买卖多少的决策绝对是基本的，然而，通常又是被大多数交易员曲解或错误对待的。
买卖多少既影响多样化，又影响资金管理。多样化就是努力在诸多投资工具上分散风险，并且通过增加抓住成功交易的机会而增加赢利的机会。正确的多样化要求在多种不同的投资工具上进行类似的（如果不是同样的话）下注。资金管理实际上是关于通过不下注过多以致于在良好的趋势到来之前就用完自己的资金来控制风险的。
买卖多少是交易中最重要的一个方面。大多数交易新手在单项交易中冒太大的风险，即使他们拥有其他方面有效的交易风格，这也大大增加了他们破产的机会。
入市——何时买卖
何时买卖的决策通常称为入市决策。自动运行的系统产生入市信号，这些信号说明了进入市场买卖的明确的价位和市场条件。
止损——何时退出亏损的头寸
长期来看，不会止住亏损的交易员不会取得成功。关于止亏，最重要的是在建立头寸之前预先设定退出的点位。
离市——何时退出赢利的头寸
许多当作完整的交易系统出售的“交易系统”并没有明确说明赢利头寸的离市。但是，何时退出赢利头寸的问题对于系统的收益性是至关重要的。任何不说明赢利头寸的离市的交易系统都不是一个完整的交易系统。
策略——如何买卖
信号一旦产生，关于执行的机械化方面的策略考虑就变得重要起来。这对于规模较大的帐户尤其是个实际问题，因为其头寸的进退可能会导致显着的反向价格波动或市场影响。

㈡ 股市量化交易什么意思

“量化交易”有两层含义：一是狭义的，指量化交易的内容，将交易条件转化为程序，自动下单；第二，广义上是指系统交易方式，是一个综合的交易系统。也就是说，根据一系列的交易条件，一个智能的辅助决策系统，将丰富的经验与交易条件相结合，在交易过程中管理风险控制。
拓展资料：
在A股市场上，股票买卖遵循以下的交易规则：
T＋1交易方式，即当天买入的股票，需要下一个交易日卖出。
买入最小单位为1手，即100股，且必须每次买入的数量必须是100股的整数倍，卖出可以不整100股卖出，但是不足100股的部分，必须一次性卖出。
遵循“时间优先，价格优先”的原则，即较高买进申报优先满足于较低买进申报，较低卖出申报优先满足于较高卖出申报；同价位申报，先申报者优先满足。
除此之外，在a股市场上，投资者只能进行做多操作，不能进行做空操作；其委托交易时，其委托价格必须在个股的当天涨跌幅限制内，否则无效；委托单在当日的交易时间内有效，收盘之后，其委托单无效。
涨跌幅限制：
新股上市及重组成功上市股票首日无涨跌幅限制，一般情况下涨跌幅限制为前一交易日收市价上下10%，即一个交易日最大振幅为20%。
ST股票及＊ST股票涨跌幅限制为前一交易日收市价上下5%，即一个交易日最大振幅为10%。股票涨（跌）幅价格＝股票前一日收盘价格×10%（或5%）。
权证涨跌幅限制权证涨（跌）幅价格＝标的证券前日涨（跌）幅价格×125%×行权比例。
具体交易时间规定：
每周一至周五，每天上午9:30至11:30，下午1:00至3:00，法定假期除外。
集合竞价：上午9:15——9:25，其中9:15——9:20可以撤单，9:20——9:25不能撤单，9:25以成交量最大的价格为开盘价。
连续竞价：上午9:30——11:30，下午1:00——3:00
成交顺序：
价格优先——较高价格买进申报优先于较低价格买进申报，较低价格卖出申报优先于较高价格卖出申报；
时间优先——买卖方向、价格相同的，先申报者优先于后申报者。先后顺序按交易主机接受申报的时间确定。

㈢ 在股市中，量化交易是怎样的

量化交易是通过构建因素和选择市场上的历史数据“超额收入”以赚钱为目标的交易策略。离不开最新数学和计算机理论的支持。若应用于股市，一般包括量化选股和量化选时两点。股票选择模型主要包括：多因素模型、风格轮换模型、行业轮换模型、资本流动模型、动量反转模型、一致预期模型、趋势跟踪模型和芯片股票选择模型。

但它最终输给了人，输给了市场定量交易是程序订单，只要触发交易条件，就会疯狂地继续购买（或销售），导致单边趋势。一旦交易订单交易完成，股价日趋势基本突破，技术学校基本无助，只能看，没有办法！从长远来看，短期散户投资者基本上将被清理干净。因为它不能生存！因此，定量影响的是市场生态链：没有热钱，热钱不活跃，短期机会较少。短期机会较少，散户投资者不能生活，将逐渐退出股市。

㈣ 量化交易主要有哪些经典的策略

交易策略，量化策略，主观策略，常见策略。

交易策略：一个完整的交易策略一般包括交易标的的选择，进出场时机的选择，仓位和资金管理等几个方面。按照人的主观决断和计算机算法执行在策略各方面的决策中的参与程度的不同，可以将交易策略分为主观策略和量化策略。

主观策略：主观策略主要依靠投资者的主观判断，期货市场的投资者通过对产业上中下游、供需、宏观经济预期等的调查做出自己的判断。类似股票市场的主观投资者通过深入研究行业的各个方面，调查行业内的上市公司，形成交易决策。

量化交易注意事项

在量化交易中，交易规则、参数和回测都要依靠历史数据计算获得。我们无法判断这些从历史数据中获得的规律能否在未来的市场中持续有效，所构建的交易模型也无法判断能否应用。

简单的量化因子和策略更容易让人理解和接受，但越是简单的策略越容易被人们知悉，量化交易所获得的超额收益也越低。

㈤ 什么是量化投资如何做到程序化交易

所谓量化投资是将投资环节标准化的交易方式，主要包括选股、买入、卖出三个环节，而真正的量化投资是完全自动化交易，不需要人为参与，投资者只要监管程序是否正常运行，参数设置是否合理，指标选择是否在既定目标范围内。

量化投资的形成过程十分简单，就是一个想法，通过程序化语言变成现实，比如低市盈率投资，当市盈率低于5倍时买入，高于10倍时卖出，具体步骤如下：
首先确定自己的投资理念，是价值投资或是趋势投资，如果是价值投资，你要通过什么指标来确定这个价值是高还是低，同样趋势投资也要找到判断趋势的指标，不管是技术的还是财务的，都要是明确的指标，可以量化的。
其次还要有配套的交易策略，交易策略是根据投资理念的再细化的过程，包括买卖的时机，买卖的数量，仓位的安排等。市场上主要的量化策略有：多因子选股策略、相对价值对冲策略、网格交易策略、事件驱动策略、指数增强策略、日内回转交易策略、行业轮动策略、趋势投资策略以及多策略等。
在确定了指标和数量之后，再进行量化建模，将以上过程变成机器语言，也就是程序化，比如趋势投资确定KDJ日线金叉买入，死叉卖出，数量为总资产的10%，就可以通过这些条件写进程序。
最后，对编好的程序进行验证修改，量化交易软件有文华财经、蜗牛股票量化分析软件、方正证券量化交易平台等。
因此量化交易的门槛也是很高的，因为具备编程的能力投资者就寥寥无几，何况其核心并不在编程，而是对投资的理解，如何取舍相关指标，将其组合成新，打磨成无锋的重剑。
量化交易的优势是不言而喻的：自动程序化，不受情绪干扰；劣势也是明显的：无法做到灵活变通，因此现实投资中可以综合运用，在选股环节可以一半借助系统，在交易环节可以完全交给机器，投资人可以真正从盘面中解脱出来，专注于投资的本职工作：选择、研究、思考。
对于普通投资者来说，可以不懂编程，确定标准通过系统选股，然后只需要确定买入卖出的明确指标即可，最后盘后跟踪行情，盘前委托交易，到达则下单，不到不动。

㈥ 散户如何做量化交易

定量投资是标准化投资环节的交易方式，主要包括选股、购买、销售三个环节.在量化交易过程中，散户可以这样做：1、根据个股的历史数据，进行多因子选股，比如，把市盈率、市净率、市销率等作为选股标准，选出一些价值被低估，或者处于合理区域的个股。 2、顺势交易，即在上涨的趋势中买入，在下跌的趋势中卖出。

一、散户是怎么量化交易的？
1、根据股票的历史数据，进行多因子股票选择.例如，将股价收益率、股价收益率、市场收益率等作为股票选择基准，选择价值被低估或处于合理地区的股票.
2、顺势交易，以上升趋势购买，以下降趋势销售.
3、进行合理的仓库管理，即采用漏斗型仓库管理法、矩形仓库管理法、金字塔形仓库管理法等，应对股票后期风险.
4、根据股票的历史趋势，寻找股票的支持位置和压力位置，以此为止损、止损点，在压力位置，获得收益时立即销售的支持位置，股票损失时立即销售股票，避免更大的损失.

二、散户如何做量化交易
确保管理公司所有的活动遵守法规规定，确保对付给基金管理公司的费用和付给投资者的收益计算符合法规和契约规定负责.同时，受托委员会负贵监督和核查托管人是否合法、合规、高效地进行基金资产净值核算、报酬的计提和支付、资金的划付，以及收益的分配等.委员会还应有权审查管理公司及托管机构高级人员个人账户及证券交易的详细内容.并定期对交易、资产净值、服务合同进行审查，定期向监管部门提交相关报告。

三、量化交易系统的出现能够解决什么问题？
1.减少客观因素(情绪化交易)带来的影响，从而达到稳定持续盈利目的。
2.有严格风险控制机制，可杜绝过量交易、重仓交易、大幅亏损等问题。
3 解放操盘时间，降低重复工作带来的时间消耗，从而达到提高效率目的。

㈦ 关于量化交易，这些入门知识你需要了解

这篇文章将向你介绍量化交易系统的一些基本概念。本文主要面向两类读者，第一类是正在努力寻找一份量化交易员工作的求职者，第二类是期望尝试开启自己量化交易事业的个人投资者。关于量化交易，这些入门知识你需要了解。
量化交易是数量金融学一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略，就需要你投入时间学习一些必备知识。
量化交易系统包括四个主要部分：
策略识别：搜索策略、挖掘优势、确定交易频率。
回溯测试：获取数据、分析策略性能、剔除偏差。
交割系统：连接经纪商、使交易自动化、使交易成本最小化。
风险管理：最优资本配置、最优赌注或凯利准则、交易心理学。
我们首先来谈谈如何识别一个交易策略。
策略识别
所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其预期年化预期收益更高且(或)风险更低。如果你是一个“散户”交易员，一定要清楚自己的资金是否充足，以及交易成本对策略的影响。
通过各种公开数据搜索可盈利的策略实际上十分简单，并没有大家想的那么难。研究学者会定期发表理论交易结果(虽然大多为交易成本总额)。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
你可能会问，个人与公司怎么可能愿谈他们的可盈利策略，特别是当他们知道，如果其他人“复制相同的策略”，长期而言它终将失效。
原因就在于，他们通常不会透露具体的参数以及他们所使用的调参方法，而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上，若要创建你自己的、独一无二的策略，一个最好的法子就是寻找相似的方法，尔后执行你自己的优化程序。
你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。
均值回归策略试图利用这么一个事实：“价格序列”(如两个关联资产的价差)存在一个长期均值，价格对均值的短期偏离终将回归。
动量交易策略则试图“搭上市场趋势的顺风车”，利用投资心理和大基金结构信息在一个方向积聚动量，跟随趋势直至回归。
定量交易还有一个重要方面，即交易策略的频率。低频交易(Low Frequency Trading， LFT)通常指持有资产超过一个交易日的策略。相应地，高频交易(High Frequency Trading， HFT)通常指持有资产一个交易日的策略。
超高频交易(Ultra-High Frequency Trading， UHFT)指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易，但也只是在你掌握了交易“技术栈”与订单簿动力学的详细知识后才有可能。本篇入门文章，我们不会对这些问题做任何深入探讨。
策略或策略集合一旦确定，现在就需要在历史数据上测试其盈利能力，这就进入了回溯测试的工作范围。
回溯测试
回溯测试的目标是提供证据，佐以证明通过以上流程所确定的策略，无论是应用于历史(训练)数据还是测试数据均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。
由于种种原因，回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处，由于它包含了大量的偏差，我们必须尽尽力仔细审查并剔除它们。
我们将讨论几种常见类型的偏差，包括先窥偏差、幸存者偏差与优化偏差(亦称“数据窥视偏差”)。回溯测试中其他几个重要方面，包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
策略一旦确定，我们就需要获取历史数据，并借此展开测试，如有可能还可改进策略。现在卖数据的很多，所有资产类型的数据都有。通常，数据的质量、深度、时间间隔不同，其价格也不同。
刚入门的量化交易员(至少零售等级)最初使用雅虎金融板块(Yahoo Finance)的免费数据就行。对于数据供应商，这里不再赘言。我想重点谈一谈处理历史数据时，时常遇到的问题。
对于历史数据，人们主要关心的问题，包括数据精度或清洁度、幸存者偏差、应对如分发红利、拆分股票等公司行为的调整。
精度与数据整体质量有关，无论数据是否包含错误。有时错误容易识别，比如使用一个窄带滤波器，就可以找出时间序列数据中的“窄带”并更正它们。其他时候，错误又很难甄别，经常需要根据多个数据供应商提供的数据进行对比检查。
幸存者偏差通常是免费数据集或廉价数据集的一个”特征“。对于一个带有幸存者偏差的数据集，它不包含已经不再交易的资产数据。不再交易的证券，则表示已经退市或破产公司的股票。如果数据集中含有此类偏差，策略在此数据集上的测试表现可能比在”真实世界“里表现的更好，毕竟历史”赢家“已经被预先筛选出来，作为训练数据使用。
公司行为即公司开展的常引发原始价格阶梯形变化的”逻辑“活动，它不应该计入价格预期年化预期收益。公司分发红利和拆分股票行为是引发调整的两个常见行为，二者无论发生哪一种，都需要进行一个”回调“的流程。我们一定要留心，不要把股票拆分和真实预期年化预期收益调整混为一谈。许多交易员在处理公司行为时都碰过壁！
为了开展回溯测试，我们必须使用一个软件平台。你可以选择一个专门的回测软件如MultiCharts，一个数值平台如Excel或MATLAB，或者一个用Python或C++完全自主实现的平台。对于MultiCharts(或类似平台)，个人是比较介绍，对于编程的要求比较低。
在做系统回测时，一定要量化表示系统性能。定量策略的“业界标准”度量为最大资金回挫与夏普比率。最大资金回挫表示一段时间(通常一年)内账户资金曲线从波峰至波谷的最大跌幅，常使用百分比表示。
由于大量的统计因素，LFT策略比HFT策略的资金回挫更高。历史回测会显示过去的最大资金回挫，它能够较为贴切地反映策略的未来资金回挫情况。第二个度量指标是夏普比率，它被启发式地定义为“超额预期年化预期收益均值与超额预期年化预期收益标准差的比值”。
这里，超额预期年化预期收益表示策略预期年化预期收益超出某个预定基准，如标普500或三月期短期国债(预期年化预期收益)的额度。注意人们通常不使用历史预期年化预期收益指标，因为它忽略了策略波动性的影响，而夏普比率却考虑到了这一点。
如果经过回测，策略的夏普比率很高且其最大资金回挫已经最小化，则可以认为它趋于无偏，下一步就是要搭建一个交割系统。
交割系统
交割系统是一个方法集合，由它来控制交易策略生成的交易列表的发送和经纪商的交割行为。事实上，交易可以半自动、甚至全自动生成，而执行机制可以手动、半自动(即“点击一次交割一项”)或者全自动。
尽管如此，对于LFT策略，手动和半自动技术却比较常见；对于HFT策略，则必须创建一个全自动交割机制，由于策略和技术彼此依赖，还要经常与交易指令生成器紧密相接。
在搭建交割系统时，我们需要考虑几个关键因素：连接经纪商的接口、交易成本(包括佣金、滑动价差与价差)最小化、实时系统与回测时系统性能的差异。
联系经纪人的方法有很多，你可以直接电话联系他，也可以通过一个全自动高性能的应用程序接口(API)实现。理想情况，就是希望交割交易的自动化程度尽可能高。这样一来，你不仅可以脱开身集中精力进行深入研究，还能运行多个策略、甚至HFT策略(实际上，如果没有自动化交割，HFT根本不可能)。
前面说过的几种常用回溯测试软件如MATLAB、Excel和MultiCharts，对于LFT策略或简单策略都是不错的选择。但是，如果要做真正的HFT，你就必须要构造一个用高性能语言(如C++)编写的内部交割系统。
说个我的亲身经历，以前受聘于一家基金管理公司，我们有一个十分钟的“交易周期”，每隔十分钟下载一次新的市场数据，然后根据这十分钟的信息进行交割。这里用的是一个优化的Python脚本。对于任何处理分钟级或秒级频率数据的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系统的优化通常不在量化交易员的工作范围。但是，在小点的公司或高频交易公司，交易员就是交割人，所以技术面越广越好。你要想进一家基金管理公司，一定要记住这一点。你的编程能力不说比你的统计学和计量经济学禀赋更重要，至少也同样重要！
另外一个属于交割系统的重要问题是交易成本最小化。一般地，交易成本由三部分构成：佣金(或税收)、损耗与价差。佣金是向经纪商、交易所和证券交易委员会(或类似政府监管机构)支付的费用；滑动价差是你的预期交割价位与真实交割价位的差值；价差则是待交易证券的卖出价与买入价之差。注意价差不是常数，它依赖于市场当前流动性(即买单和卖单数量)。
交易成本是决定一个策略是高夏普比率且盈利丰厚，还是低夏普比率且极不盈利的关键。根据回溯测试正确预测未来的交易成本很具有挑战性，你需要根据策略频率，及时获取带有卖出价与买入价信息的历史交易数据。
为此，大型基金管理公司量化交易的整个团队都专注于交割优化。当基金管理公司需要抛售大量交易时(原因五花八门)，如果向市场“倾泻”大批股票，会迅速压低价格，可能都来不及以最优价格交割。
因此，纵使遭受损耗风险，基金管理公式也会选择使用算法交易，通过“打点滴”的方式向市场出单。此外，其他策略如若“捕到”这些必要性条件，也能利用市场失效(获利)。这是基金结构性套利的内容。
交割系统最后一个主要问题关系到策略的实时性能与回测性能的差异。这种差异由多种因素造成，比如我们在“回溯测试”一节已经深入讨论过的前窥偏差与最优化偏差。
然而，对于有些策略，在部署之前不易测得这些偏差。这种情况对于HFT最为常见。交割系统和交易策略本身均可能存在程序错误，回溯测试时没有显现却在实时交易时出来捣乱。市场可能受到继交易策略部署后的一场政变的影响，而新的监管环境、投资者情绪与宏观经济形势的变化也均可能导致现实市场表现与回溯测试表现的差异，从而造成策略盈利性上的分歧。
风险管理
量化交易迷宫的最后一块是风险管理程序。风险包含我们之前谈论的所有偏差。它包括技术风险，比如所有在交易所的服务器突然发生硬盘故障。它还包括经纪风险，如经纪商破产(此说并非危言耸听，引发恐慌的明富环球就是一个例子)。
总而言之，它覆盖了几乎所有可能干扰到交易实现的因素，而其来源各不相同。已经有成套的书籍介绍量化交易策略的风险管理，本人也就不再对所有可能的风险来源做详细说明。
风险管理还包括投资组合理论的一个分支，即所谓的“最优资本配置”，涉及到如何将资本分配给一组策略、如何将资本分配给策略内不同交易的方法。这是一个复杂的领域，依赖于一些高级数学知识。
最优资本配置与投资策略杠杆通过一个名为凯利准则的业界标准建立联系。本文是一篇入门文章，我在此不详谈其计算。凯利准则对策略预期年化预期收益的统计性质做过一些假设，但是它们在金融市场中并不一定成立，交易员因此在实现时通常会有所保留。
风险管理的另外一个关键成分涉及到交易员自身心理因素的处理。尽管大家都承认，算法交易若无人为干涉，不太容易出现问题。交易员在交易时，稍不留神仍然可能会掺入许多认知偏差。
一个常见的偏差是厌恶规避，当人发现损失已成定局，其所带来的痛苦，可能会麻痹人的行为，不能做到及时抛盘止损。类似地，由于太过忧心已经到手的预期年化预期收益可能赔掉，人们可能也会过早抛盘收利。
另外一个常见的偏差是所谓的偏好偏差：交易员太看重事件而非长远地看问题。此外，当然不能落下“恐惧与贪婪”这对经典的情绪偏差。这两种偏差常导致杠杆不足或杠杆过度，造成爆仓(账户资产净值近乎为零或更糟)或盈利缩水的局面。
总结
由此观之，量化交易是数量金融学中一个虽趣味十足但极其复杂的领域。我对这个话题的讨论浅尝辄止，文章就已经这么长了！我在文中三言两句带过的问题，已经有大量的相关书籍和论文出版。
因此，在你申请量化基金交易职位前，务必要进行大量的基础调研，至少应当具有统计学和计量经济学的广泛背景，以及使用MultiCharts、MATLAB、Python或者R程序语言实现的丰富经验。如果应对的是更加复杂的高频端策略，你的技能组合可能还要包含Linux内核修改、C/C++、汇编编程和网络延迟优化。