量化交易 (Quantitative Trading)
量化交易（亦称算法交易）是指利用数学模型、统计学分析和计算机算法进行投资决策与证券买卖的交易方式。它通过对海量历史数据的回测，寻找具有统计学优势的规律，并交由程序自动执行，以减少人类情绪与主观判断对交易决策的负面影响。
量化交易的三大核心优势
- 统计优势：建立在大数定律（Law of Large Numbers）基础之上，寻求高频次下夏普比率（Sharpe Ratio）或信息比率（Information Ratio）高且稳定的收益模式。
- 风控与资金管理优势：采用严格的算法风控，如依据凯利公式（Kelly Criterion）来计算最优的杠杆比例 （均值/方差），并通过蒙特卡罗模拟与回撤（Drawdown）管理优化风险配置。
- 分散与可扩展性：通过协整（Cointegration）等工具，能同时对数十甚至成百上千只股票进行多空组合配置，且策略的扩展通常只需调整计算机程序中的杠杆率数值。
数学与统计学底层要求 (Mathematical & Statistical Foundations)
量化金融实际上比金融本身更侧重于数学的应用。要在量化领域取得成功，主要需要掌握并运用以下数学工具：
- 概率论与数理统计 (Probability & Statistics)：这是量化交易的基石。广泛应用于风险管理 (Risk Management)、期权定价 (Option Pricing)、蒙特卡罗模拟 (Monte Carlo Simulations)，以及在历史和实时市场数据中寻找可交易的统计规律与模式。
- 数学优化 (Optimization)：专注于在控制风险和成本的底线下实现收益最大化。例如均值-方差优化 (Mean-Variance Optimization)、衍生品对冲 (Derivatives Hedging)，以及计算最小化风险与交易成本的最优资产配比。
- 线性代数 (Linear Algebra)：在处理大规模数据集、投资组合优化 (Portfolio Optimization) 以及计算投资组合的预期回报率 (Expected Returns) 时不可或缺。
- 随机微积分与多元微积分 (Stochastic & Multivariable Calculus)：这是构建金融量化模型的必备工具。用于对市场的随机波动（如几何布朗运动）进行建模、资产组合优化，以及通过求偏导数 (Partial Derivatives) 来确定资产组合中各类资产的最优权重，理解市场变量的即时变化率。
Source: 2026-06-30-xiaohongshu-xhslink-com-o-7i8nd1gqgui（来源未公开）
核心策略分类
- 均值回归策略 (Mean Reversion)：认为资产价格在偏离均值后具有回归的内在属性。主要使用 ADF 检验测试平稳性，或通过协整测试（如 CADF 和约翰森检验）来构建平稳的投资组合；常用工具包括布林带和卡尔曼滤波（Kalman Filter）等。
- 动量策略 (Momentum)：基于过去趋势的可持续性。利用资产价格的过去收益正相关性来追随趋势，常用止损和持有期限来过滤噪声，能较好地应对“黑天鹅事件”。
回测的陷阱与原则
- 幸存者偏差 (Survivorship Bias)：历史回测数据中若包含已退市的股票，会使得回测业绩看起来比实际更为乐观。
- 过拟合与数据探测偏差：复杂的数学模型容易过度拟合历史的噪声，而失去样本外的预测能力。“简单的策略往往比复杂的数学公式更能在实盘中稳定盈利”。
- 不可替代的交易细节：回测必须计入真实的交易成本（手续费、买卖价差、滑点和市场冲击成本），否则极易产生虚假的高收益幻象。
Source: 2026-06-21-note-征服市场的人-DeepSeek-创始人梁文锋作序（来源未公开）
Source: 2026-06-21-note-算法交易-制胜策略与原理（来源未公开）