量化交易
利用数学模型、统计方法和计算机程序进行投资决策的交易方式。核心是从数据中发现规律，用系统化策略替代主观判断。
学习路径（6-12个月）
阶段一：股票投资基础（1-2个月）
- 理解股票、债券、基金、ETF的区别
- 掌握基本面分析（PE、PB、ROE）
- 掌握技术分析基础（K线、均线、成交量）
- 入门书籍：《股票大作手回忆录》（丁圣元译）、《聪明的投资者》、《漫步华尔街》
阶段二：数学与统计基础（1-2个月）
- 概率分布、假设检验、回归分析
- 时间序列基础（平稳性、自相关）
- Python数据处理（pandas、numpy、matplotlib）
阶段三：Python编程与数据分析（1-2个月）
- 核心库路线：Python基础 → NumPy → Pandas → Matplotlib → Scikit-learn
- 实战：用pandas清洗A股历史数据、画K线图、计算MACD/RSI等技术指标
阶段四：量化交易入门（2-3个月）
- 核心策略：双均线、动量、均值回归、多因子选股、统计套利
- 回测框架：backtrader、聚宽、米筐
- 评估指标：夏普比率、最大回撤、年化收益、胜率
阶段五：进阶量化方法（2-3个月）
- 多因子模型（Fama-French、Barra风险模型）
- 时间序列分析（ARIMA、GARCH）
- 机器学习应用（随机森林、XGBoost、LSTM）
- 投资组合优化（Markowitz均值方差、Black-Litterman）
阶段六：实盘与持续精进
- 策略至少3年样本外数据验证
- 小资金开始（不超过总资产10%）
- 建立交易日志
核心策略类型
| 策略类型 | 难度 | 说明 |
|---|---|---|
| 双均线策略 | ⭐ | 入门必做，金叉死叉 |
| 动量策略 | ⭐⭐ | 追涨杀跌的量化版本 |
| 均值回归 | ⭐⭐ | 价格偏离均值后回归 |
| 多因子选股 | ⭐⭐⭐ | 财务/技术因子组合选股 |
| 统计套利 | ⭐⭐⭐ | 配对交易、协整关系 |
| 机器学习策略 | ⭐⭐⭐⭐ | ML模型预测涨跌 |
关键注意事项
- 不要跳过数学基础，这是量化交易的根基
- 先在模拟盘跑通策略，再考虑实盘
- 回测不等于实盘，注意过拟合和滑点
- 量化不是印钞机，保持合理预期
- 风险管理永远第一位
推荐平台
- 聚宽(JoinQuant)：A股数据全，社区活跃，入门首选
- 米筐(RiceQuant)：界面友好，策略模板多
- Backtrader：开源Python框架，本地开发
- vnpy：开源实盘交易框架
免费数据源
- tushare — A股历史数据
- akshare — 开源金融数据接口
- baostock — 证券宝，免费A股数据
相关页面
- value-investing — 价值投资，量化交易的互补方法论
- lof-arbitrage — LOF套利，量化策略的一种
- convertible-bond — 可转债，量化策略可应用的投资品种
- algorithms — 算法基础，量化交易的底层能力