一、量化交易概述：什么是程序化交易、量化交易的优势与风险、主流交易平台介绍

大家好，我是你们这门课的主讲。今天咱们聊聊量化交易最基础的东西——到底什么是程序化交易？它凭什么能赚钱？又有哪些坑？

我最早接触量化是在2015年，那时候国内做这块的人还不多。记得我第一次写了一个简单的双均线策略，回测曲线漂亮得不得了，结果实盘一跑，直接亏了半个月工资。嗯，从那以后我就明白了一个道理：回测是艺术，实盘是科学。

1.1 什么是程序化交易

说白了，程序化交易就是用计算机自动执行交易指令。你想想看，传统交易靠人盯盘、手动下单，速度慢不说，还容易受情绪影响。程序化交易就是把你的交易思路写成代码，让机器24小时盯着市场，一有机会就自动执行。

我个人习惯把程序化交易分成三个层次：

• 自动化执行：把已有的交易策略写成程序，自动下单。比如你每天收盘前买ETF，开盘卖，写个脚本就行。
• 策略化交易：基于某种逻辑（比如均线金叉死叉）生成买卖信号，程序自动执行。这是大多数人的起点。
• 量化交易：用数学模型、统计方法、机器学习来挖掘交易机会。这是高阶玩法，也是我们这门课的重点。

举个例子，我2018年帮一家私募做CTA策略。他们的需求很简单：螺纹钢期货突破20日高点就做多，跌破20日低点就做空。这就是典型的程序化交易——逻辑简单，但执行必须快。人工盯盘根本来不及，等你看懂了，行情都走完了。

1.2 量化交易的优势与风险

为什么越来越多的人转向量化？我总结了几个核心优势：

优势	说明	我的经验
纪律性	机器不会恐惧，不会贪婪。该止损就止损，该加仓就加仓。	我见过太多人，策略写好了，实盘时手抖不敢下单。机器不会。
速度	毫秒级响应，捕捉转瞬即逝的机会。	高频交易领域，1毫秒的延迟可能就是几百万的差距。
回测能力	用历史数据验证策略，避免盲目实盘。	但要注意，回测漂亮不代表实盘赚钱。我踩过这个坑。
多市场覆盖	同时监控股票、期货、期权、加密货币等多个市场。	一个人盯4个屏幕？不现实。但一台服务器可以。
可复制性	策略写好了，可以无限复制，规模化管理。	这也是机构喜欢量化的原因——可扩展。

但量化交易不是印钞机。风险同样不容忽视：

• 模型风险：你的策略可能过拟合。回测数据里表现完美，一到实盘就崩。我曾经写过一个策略，在2015-2017年回测年化收益80%，结果2018年实盘亏了30%。为什么？因为2018年的市场结构和之前完全不同。
• 技术风险：服务器宕机、网络延迟、API接口变更。2020年有一次，某交易所的API突然升级，我的程序直接断连，错过了整整一天的行情。
• 市场风险：黑天鹅事件。比如2020年3月的原油期货跌到负值，很多量化策略直接爆仓。因为模型里根本没考虑过价格能变负数。
• 流动性风险：你的策略可能在某些品种上无法成交。尤其是小市值股票，你挂单10万，可能只成交了1万。

1.3 主流交易平台介绍

做量化交易，选对平台很重要。我这些年用过不少平台，给大家梳理一下：

平台	适用人群	语言	特点	我的评价
聚宽	初学者、个人投资者	Python	回测+实盘一体，社区活跃	入门首选，文档齐全
米筐	专业投资者、小型机构	Python	数据质量高，支持多市场	数据不错，但收费略贵
掘金	中高频交易者	C++/Python	低延迟，支持期货期权	适合做高频，学习曲线陡
vn.py	机构、专业开发者	Python	开源，可定制化强	我最喜欢的框架，但需要自己搭环境
QuantConnect	全球市场投资者	Python/C#	支持美股、期货、期权	海外市场首选

我个人习惯用vn.py做主力框架。为什么？因为它是开源的，你可以完全掌控每一行代码。遇到问题可以自己改，不用等平台更新。但说实话，入门门槛确实高一些。如果你刚开始，我建议先从聚宽或米筐入手，等熟悉了再迁移到vn.py。

1.4 量化交易的知识体系

为了让大家对量化交易有个整体认识，我画了一张图。这张图涵盖了量化交易的核心模块和它们之间的关系：

这张图展示了我认为量化交易最核心的六个模块。它们不是孤立的，而是形成了一个闭环。数据驱动策略，策略经过回测验证，然后实盘执行，同时风控和监控全程介入。最后，实盘的结果反馈回来，优化策略，开始下一轮迭代。

你想想看，这个流程和传统交易最大的区别是什么？可重复、可验证、可优化。传统交易员靠直觉，亏了都不知道为什么亏。量化交易每一步都有数据支撑，亏了也能找到原因。

好了，这一章的内容就到这里。记住我说的：先动手，再优化。下一章我们会深入讲数据获取和清洗，这是量化交易的地基。地基不牢，房子再漂亮也得塌。

---

公众号:蓝海资料掘金营，微信deep3321