在本文中，我将向您介绍端到端量化交易系统附带的一些基本概念。这篇文章有望为两种受众服务。第一个是试图在基金中作为量化交易员获得工作的个人。第二种是希望尝试建立自己的“零售”算法交易业务的个人。

量化交易是量化金融中一个极其复杂的领域。获得通过面试或构建自己的交易策略所需的知识可能需要大量时间。不仅如此，它还需要广泛的编程专业知识，至少使用 MATLAB、R 或 Python 等语言。然而，随着策略交易频率的增加，技术方面变得更加重要。因此，熟悉 C/C++ 至关重要。

量化交易系统由四个主要部分组成：

策略识别- 寻找策略，利用优势并决定交易频率策略回测- 获取数据、分析策略绩效并消除偏见执行系统​​- 链接到经纪商，自动化交易并最小化交易成本风险管理- 最佳资本配置、“下注规模”/Kelly 标准和交易心理

我们将首先看看如何识别交易策略。

策略识别

所有量化交易过程都始于最初的研究阶段。该研究过程包括寻找策略、查看策略是否适合您可能正在运行的其他策略组合、获取测试策略所需的任何数据以及尝试优化策略以获得更高的回报和/或更低的风险。如果以“零售”交易者的身份运行该策略，您将需要考虑自己的资本要求，以及任何交易成本将如何影响该策略。

与普遍的看法相反，通过各种公共资源找到有利可图的策略实际上非常简单。学术界定期发布理论交易结果（尽管大部分是交易成本总额）。量化金融博客将详细讨论策略。行业期刊将概述基金采用的一些策略。

您可能会质疑为什么个人和公司热衷于讨论他们的盈利战略，尤其是当他们知道其他人“挤兑”可能会阻止该战略长期发挥作用时。原因在于他们不会经常讨论他们执行的确切参数和调整方法。这些优化是将相对平庸的策略转变为高利润策略的关键。事实上，创建自己独特策略的最佳方法之一是找到类似的方法，然后执行自己的优化程序。

您将看到的许多策略将属于均值回归和趋势跟踪/动量类别。均值回归策略是一种试图利用“价格序列”（例如两个相关资产之间的价差）存在长期均值并且与该均值的短期偏差最终会恢复这一事实的策略。动量策略试图通过“搭便车”市场趋势来利用投资者心理和大型基金结构，这种趋势可以在一个方向上聚集动量，并跟随趋势直到它逆转。

量化交易的另一个非常重要的方面是交易策略的频率。低频交易（LFT）通常是指持有资产超过一个交易日的任何策略。相应地，高频交易（HFT）一般是指日内持有资产的策略。超高频交易（UHFT）是指将资产保持在秒和毫秒数量级的策略。作为零售从业者，HFT 和 UHFT 肯定是可能的，但只有对交易“技术堆栈”和订单簿动态有详细的了解。在这篇介绍性文章中，我们不会在很大程度上讨论这些方面。

一旦确定了一个或一组策略，现在就需要根据历史数据对其盈利能力进行测试。那是回测的领域。