一个完整的的量化交易系统包括四大环节：量化策略思路的来源、量化数据库的搭建、量化模型的测试与评估、以及量化交易的实现。

本质上，量化交易依然是具有相当大主观因素的投资分析方法和交易方式。不论是滞有计算机参与辅助决策，量化交易的策略思想、投资逻辑、市场选择、甚至何时启动和停止计算机的运行等都是由投资者事先选定的，这使得量化交易依然是具有很强的主观性的交易方法。因此，量化交易是否能持续盈利，主要决定因素还是人，而非计算机。

（一）经典理论

在证券、外汇、期货、债券等领域上都有许多传统的精典投资理论，许多量化策略都来源于这些经典理论。以期货市场为例，主要的经典论有技术分析理论基础（包括交易量、持仓量以及各类技术分折）、道氏理论、趋势理论、形态理论（包括反转形态、持续形态等）、波浪理论、时间周期理论等。投资者根据上述理论产生出大量的量化策略思想，并完成量化策略的测试检验。因此，经典投资理论可以通过量化的思路，将理论中的具体逻辑量化成指标或事件，以形成交易信号。这种通过用量化交易来实现经典理论的投资，同时也能从原来经典理论衍生出新的投资策略，是量化策略发展初期的主流模式。

（二）逻辑推理

采用逻辑推理的方式来实现量化交易策略，主要基于宏观基本面今年研究。量化策略思路通过宏观信息的量化处理，整理出符合宏观基本面信息的理化模型。比较典型的量化策略例子如行业轮动量化的策略、市场情绪轮动量化策略、上下游供需关系量化策略等。这类策略思路来源非常广泛，比较难以形成具体数据，但现在有些对冲型基金根据上述思路生成量化策略产品。

（三）总结经验

经验总结是量化策略思想的另一个主要来源。在有量化策略交易之前，市场上已经存在了大批有经验的投资人士，其中不乏能够长期稳定盈利的佼佼者，他们对市场的看法和交易思路成了量化策略开发人员的模仿对象。经验交易者也愿意把他们觉得相对固化、具有稳定收益的交易策略通过量化的方式最后由机器自动交易，自己只需要做好监控就行了，这样能大大减少交易时所耗费的精力。在些设想下，出现了一批和经验交易者合作的量化策略团队。他们通过与经验丰富的交易者的沟通和讨论，将交易者丰富的实战经验以量化的思路发展到量化策略中。这类量化策略是市场上较为主流，但缺陷是许多实战经验与交易者个人的盘面感觉有关，很难量化。

（四）数据挖掘

以数据挖掘的方式可形成量化策略。由于大数据时代的到来，产生了很多数据挖掘技术。因为金融数据设计的范畴，数据设计的深度和广度很符合大数据的背景，所以数据挖掘技术应用在量化策略上可以说是顺理成章。数据挖掘技术通过对高维度的数据进行分析整理，把量化思路提升到应用层次，将一些隐藏在高维度的数据进行分析整理，把量化的思路提升到应用层次，将一些隐藏在高维度数据中的规律信息挖掘出来，最终形成量化交易策略。目前主要应用的数据模型有分类模型、关联模型、顺序模型、聚类模型等，主要的数据挖掘方法有神经网络、决策树、联机分析处理、数据可示化等。比如数据在量化策略中可以采用聚类技术对投资标的进行规律挖掘，以及基于关联规则的板块轮动，具体的分析结果用来发现股票板块轮动的关系，用在仓位调整上，获得超过原来由人为判断进行调仓更高的收益。

（五）机器学习

机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。机器学习系统通过利用提供的信息，修改已有知识库来提高学习系统执行部分完成任务的效率。执行部分根据知识库完成分析任务，同时把获得的信息反馈给机器学习部分。在量化策略研究应用中，环境、知识库和执行部分围绕的核心工作是量化策略研究分析，从当前正在发生的金融环境信息中接受信息，由执行部分做出判断并给出策略操作信息，记录策略操作的效果，同时反馈给量化策略学习部分来修改完善已有的策略基础知识库。通过一段时间的学习适应，由机器学习给出策略操作信号，并完善策略操作的过程，相当于用机器学习代替了经验总结。由于这个过程对于人来说相当于黑箱，大部分采用机器学习的量化团队，都只将其应用到量化策略分析的局部分析模块，不过将来可能会出现完全由机器学习来实现的量化策略。