Quantitative Trading and Machine Trading (《量化交易》与《机器交易》)
欧内斯特·陈所著的量化交易经典两册。《量化交易》侧重于介绍量化交易的基础知识、策略寻找与回测、自动交易执行及风险管理；《机器交易》则深入阐述了人工智能、机器学习、订单流分析、跨交易所套利以及在比特币等新兴市场中的应用。
核心法则与策略模块
- 量化交易 (Quantitative Trading)：也称算法交易，是严格按照计算机算法程序给出的买卖决策进行的证券交易。其基础必须是基于历史金融数据检验编码策略的历史业绩（回测）。 [来源：2026-06-21-note-www-guziyuan-cn—欧内斯特-陈—Ernest-P-Chan---量化交易-如何建立自己的算法交易（来源未公开） ]
- 策略寻找与变形：公开发表的学术论文或交易员论坛中存在大量策略，但很多已经失效或未计交易成本。真正的窍门是对基础策略进行适合自身条件的变形（如缩短持有期、调整建仓清仓时点）。 [来源：2026-06-21-note-www-guziyuan-cn—欧内斯特-陈—Ernest-P-Chan---量化交易-如何建立自己的算法交易（来源未公开） ]
- 人工智能与机器学习的局限性：
- 机器学习在金融数据上的应用（“数据挖掘”）存在极大的**“过拟合 (Overfitting) 风险”**。因为金融数据在统计学上是不平稳的，收益概率分布会不断改变。
- 机器学习模型通常是**“黑盒”**，缺乏可解释性。当一个由机器学习生成的复杂策略在实盘中发生重大亏损时，交易员通常无法理解为什么失败，也就难以采取补救措施。相比之下，人类设计的简单物理模型更容易被人类交易员进行修正和管控。 [来源：2026-06-21-note-机器交易-利用算法赢得市场先机-Machine-Trading_-Deploying-Computer-Algorit（来源未公开） ]
- 以比特币为例的均值回复与套利：
- 均值回复特征：对比特币一分钟中间价进行时间序列分析（如 AR(16) 和 ADF 检验）表明，其在短时间内具有极强的均值回复特征，适用于布林带套利策略。
- 跨交易所套利 (Cross-Exchange Arbitrage)：比特币新兴市场由于不够成熟，存在丰富的跨市场套利空间。但实盘套利中必须扣除高昂的双向佣金、跨交易所提取币时的提现费，并且需要防范交易所倒闭或被黑客入侵的巨大信用风险 (Credit Risk)。 [来源：2026-06-21-note-机器交易-利用算法赢得市场先机-Machine-Trading_-Deploying-Computer-Algorit（来源未公开） ]
- 管理账户起步 (Managed Accounts)：对于独立交易员，代客理财最简单的业务起点是管理客户的独立账户。客户资金仍存放于客户自己的经纪商账户中，仅向交易员授予交易权限。这保证了资金透明性，且省去了对冲基金高昂的第三方财务审计和合规监管成本。 [来源：2026-06-21-note-机器交易-利用算法赢得市场先机-Machine-Trading_-Deploying-Computer-Algorit（来源未公开） ]
Source: 2026-06-21-note-www-guziyuan-cn--欧内斯特-陈--Ernest-P-Chan---量化交易-如何建立自己的算法交易（来源未公开）, 2026-06-21-note-机器交易-利用算法赢得市场先机-Machine-Trading_-Deploying-Computer-Algorit（来源未公开）