量化交易是一门汇集数学经验与程式语言的学问，一般人或许会认为这是相关领域专家才能胜任的工作。其实不然，现在有很多个人投资者开始接触和使用量化交易，从国外的经验来看虽然目前国内的金融监管禁止高频交易，但是未来一定会放宽这方面的监管。
所以现在学习量化交易的经验也是金融市场的趋势，这本书在2008年出版，有的经验之谈已经过时，但是其量化交易的概念还是值得翻开来学习。
《QUANTITATIVE TRADING》
此书作者告诉我们，在从事量化交易前，需要先厘清一非常重要的观念，那就是这不是能一夜暴富的行业，不然到头来只会落得血本无归的下场。
随着网络资源搜索的盛行，我们不难在许多学术文章或是充满大神的论坛里，找寻到许多适合自己偏好取向的交易策略。因此我们关心的是如何分辨这些交易策略的好坏，以及避免在这过程中犯下一些常见的错误，例如幸存者偏差（survivorship bias）、前视偏差（look–ahead bias）、数据窥探偏差（Data-snooping bias）以及对交易成本的思考等，下文就开始一一介绍。
量化交易的流程
首先，交易者会从历史资料或过去经验中得到对于市场的经验，将经验量化后发展出交易策略，并使用策略对过去历史资料做回测，产生对此策略的评估报告。这样做的好处是，可以确保执行者对策略完全了解，另一方面，若在回测中发现不够好的部分，也可以及时修正与改进。最后，此策略就可以进入实际操作的阶段。而从发展策略到回测产生评估报告的过程，就是传统投资方式与量化交易最大的差异处。图为量化交易的流程
关于回测的各种经验
首先，是进行回测的平台，以下介绍几个常用的回测平台：
第一个常用的回测平台是Excel
资料的输入、输出都可在同一张表格上完成，交易人可以轻易地做比较与判读，但Excel的缺点就是只适合用来处理较简单的模型。
第二个常见的回测平台为Matlab
Matlab的优点如以下这张图所示，它可以轻易的从外部的资料库汇入资料，并有丰富的数学及统计工具帮助投资者建立较复杂的策略和处理大量资料，但Matlab的缺点是测试完策略后，至少到目前在一些的情形下，必须从另外的交易平台做下单。
注：与Matlab较为相似的平台，如R、Python也是一般常见的使用工具，各有其优缺点。
第三个是在国内较为常见的交易平台
常被使用的交易平台为JoinQuant、RICEQUANT、UQER，这三个平台各自拥有相当多使用者，里面有许多社群分享的交易策略，资源十分丰富。许多量化交易的前置作业，如选定标的资产，下载历史资料等都能在这些平台上轻松完成，各网站的资料汇整连接的都十分完善，使用者只需专注在策略上的设计即可。
除了这些优秀的量化交易平台，还有一些国内的量化交易论坛，当然主要推荐经管之家（原人大经济论坛）有丰富的开放资源，并提供源码分享。
五种常见错误
交易人可以在网络上寻找到大量的免费数据来源，但在使用数据时，必须注意5点致命错误，避免错误触发交易信号。
1.标的是否有分拆和转增分红的情况
以每股100元的股票A举个例子，按2:1的比例分拆股票，分割后股票A的收盘价差将近一倍，这时就需对分割前的收盘价做调整。也就是必须将收盘价除以二。
转增分红的情况就是上市公司分红派息，计算公式为：
送转股除权报价=登记日收盘价/(1+每股送转股比例) 如果送转股+现金分红
配股的话，计算公式为：
除权除息报价=(股权登记日收盘价+配股价×配股比例-每股现金红利)/(1+每股送转股比例+每股配股比例)
根据上述的调整方式，得到调整完股票分拆和转增分红后的收盘价，以此收盘价进行回测，才能得到正确的报酬。
2. 幸存者偏差
做回测的时候，可能会面临一个情况是部分标的已经ST和ST*，会被我们排除在股票池外，而得到数据都是有幸存者偏差的收益。也就是说对过去做回测时只利用了现在成分股的信息，剔除了那些未来因为业绩或者股价表现不好而被剔除出成分股中股票的影响。
由上面的两个例子，可以得知交易人在进行回测使用历史资料时必须非常小心，以免产生有所偏差的结果。
3.前视偏差
我们使用交易完成之后的资讯会导致前视偏差，比如以在当日最低价的1%之内买入股票的策略就有前视偏差，因为在收盘之前是无法得知当日股票的最低价格，使用有落后期数的历史数据可以避免这一偏差的产生。我们能依下列方式检验是否存在前视偏差：
第一步骤是使用标的物的所有历史数据运行程式，将推荐买卖仓位存入一个文件A。
第二步骤是移除最近N 天(10 天或100 天)的历史数据后，再次运行程式，将推荐买卖的仓位存入另一个文件B。
第三步骤是不考虑文件A的最后N行，比对文件A和文件B的买卖仓位是否相同？如果仓位不一致，则说明移除的N天数据参与了文件A的运算，故回测程式有前视偏差的存在。
4.数据窥探偏差
数据窥探偏差指的是我们过度优化参数而夸大了回测绩效，也就是说我们过分相信统计上的显著，但实际却是不存在的关系，这在金融分析里十分普遍。
例如，在Wikipedia上的一个例子显示了拼字比赛获胜单词中的字母数（红）与被毒蛇杀死的美国人的数量（黑）之间的正相关关系，这种关系实际上并不真实。
数据窥探偏差可分为参数优化和非参数优化两种。参数优化是指像进出场门槛值，持有期限和回测期限等；非参数优化是指利用开盘价或是收盘价来交易，是否持有过夜，交易标的为大型股或是小型股等。
这些类型的选择往往可以优化回测绩效，但对未来绩效并不能保证会有好的结果。有三种方法来降低这种偏差：
第一种最常见的方法是增加我们的样本量。
第二种是样本外回测，样本外回测指的是将历史数据分成两部分，用第一部分来优化参数，我们称为训练集（training set），用第二部分来做样本外测试，我们称为测试集（test set）。
从测试集的损益图可以看出策略的绩效很好，这个配对交易策略在训练集和测试集上的夏普比率都很高，因此，可认为此策略不存在数据窥探偏差。
如果把进场门槛值改为1倍标准差，出场门槛值改为0.5倍标准差，即在组合价值向下跌破1倍标准差时，购买该价差组合，当组合价值上升超过0.5倍标准差时，做空该价差组合。在训练集上的夏普比率会上升至2.9，测试集的夏普比率会上升至2.1。
显然，后面这组门槛值更好，但并不是所有训练集上的参数优化都会提高测试集上的绩效。这时应该选择使得训练集和测试集上的绩效都较好（很可能不是最好）的参数。最后还要检测是否存在前视偏差。
第三种降低数据窥探偏差的方法为敏感度分析。敏感度分析是指我们在模型参数优化、通过测试集的检验之后，透过改变这些参数，来观察模型在训练集和测试集上的绩效变化。如果绩效变化很大，或者说在参数取任何其它值时绩效都不佳，模型很可能具有数据窥探偏差。
5.交易成本考量
例1：考虑交易成本的均值回归模型
一个简单的交易策略：以1995年到2006年这段期间，我们以收盘价买入前一交易日日收益最差的股票，卖空（A股还没放开）前一交易日日收益最好的股票。若不考虑交易成本，策略的夏普比率等于0.2510，而考虑交易成本的夏普比率等于-3.1884。因此这个策略是无利可图的。
策略的改进
首先我们需要注意的是所有策略的改进都要有经济学原理或者市场的现象作支撑，而不是乱套入些反复试验的方法，否则会产生数据迁就偏差。
例2：对例1 策略的微小改动
对策略进行如下改动：在市场开盘而非收盘时进行交易，不考虑交易成本的夏普比率会增加到4.43；而考虑交易成本的夏普比率会变为0.78，可以发现这个策略仍有利可图。
结尾
这篇文章主要是以Quantitative Trading这本书前三章内容为主，再加上与时下较为常见的交易平台作介绍，希望能让读书能对量化交易有初步的了解与认知，后续章节的部分会再陆续与大家分享。
声明：本文言论仅代表作者个人观点，不代表财富科技观点，也不构成任何投资建议，仅供读者参考，引用文章版权归原作者所有，如有侵权，请联系。