课程导学与量化交易概述

大家好，我是这门课的主讲人。在金融科技领域摸爬滚打了十来年，从最早的C++回测系统到现在的实时流计算平台，踩过的坑确实不少。今天咱们聊聊量化交易和Flink的结合，这是整个课程的开篇，也是我特别想讲清楚的一个话题。

量化交易到底是什么？

说白了，量化交易就是用数学模型代替人的主观判断来做交易决策。你想想看，一个交易员盯着屏幕看K线，凭经验说「嗯，这个形态要涨了」——这是主观交易。而量化交易呢？它会说「当5日均线上穿20日均线，且成交量放大30%以上，同时RSI小于70时，以市价买入」。这就是规则，是代码，是可重复验证的逻辑。

我个人习惯把量化交易拆成三个核心环节：

• 策略研发：找规律、建模型、写代码
• 回测验证：用历史数据检验策略是否靠谱
• 实盘执行：把策略部署到生产环境，真金白银地跑

我在项目中遇到过不少新手，一上来就想着搞深度学习、搞高频交易。其实没必要。量化交易的核心不是算法多炫酷，而是逻辑是否自洽、风险是否可控。嗯，这一点后面会反复提到。

Flink在量化交易中扮演什么角色？

这个问题很有意思。很多人问我：「Flink不是做实时流处理的吗？跟交易有什么关系？」

关系大了去了。你想想看，一个典型的量化交易系统需要处理什么？

• 实时行情数据（每秒成千上万笔）
• 订单状态更新（成交、撤单、拒单）
• 风控指标计算（持仓、敞口、保证金）
• 策略信号生成（基于实时数据的计算）

这些全都是流数据。而Flink最擅长的，就是处理这种「无界数据流」——数据源源不断地来，你要实时地算、实时地决策。

我记得有一次帮一家私募搭建系统，他们之前用Python写了个简单的轮询程序，行情来了就拉一下，算完再发单。结果遇到行情剧烈波动时，程序处理不过来，订单延迟了好几秒。后来换成Flink，同样的策略，延迟从秒级降到了毫秒级。这就是流计算引擎的价值。

Flink在量化系统中的典型架构

下面这张图是我自己总结的，也是这门课的核心架构。你看一眼就能明白Flink在整个系统中的位置。

这张图其实就概括了这门课要讲的核心内容。数据从交易所来，经过Flink实时计算，最后输出到交易执行模块。中间还有风控反馈回路——这是很多系统容易忽略的。

课程目标与学习路径

这门课的目标很明确：让你从零开始，搭建一个能用的Flink量化交易平台。不是那种「Hello World」级别的demo，而是真正能接入实盘、处理真实行情的系统。

具体来说，学完这门课你能做到：

• 理解Flink的核心概念和编程模型
• 掌握实时行情数据的接入和处理
• 实现策略信号的实时生成
• 搭建完整的交易执行和风控模块
• 学会系统监控和性能调优

学习路径我建议这样走：

1. 基础篇（第1-8章）：Flink基础概念、环境搭建、核心API。这部分是地基，别跳。
2. 进阶篇（第9-18章）：实时行情处理、窗口计算、状态管理、容错机制。这里开始接触量化场景。
3. 实战篇（第19-26章）：策略回测、实盘对接、风控系统、性能优化。真正动手搭系统。
4. 扩展篇（第27-30章）：多策略管理、机器学习集成、系统运维。让你从能用变成好用。

一些心里话

做量化交易系统，技术只是手段，不是目的。我见过太多人沉迷于优化延迟、追求极致的性能，结果策略本身是亏钱的。嗯，这话可能不太好听，但确实是经验之谈。

这门课我会尽量把「技术」和「业务」结合起来讲。每个Flink的特性，我都会告诉你它在量化场景中对应什么问题。比如Watermark在行情乱序时怎么处理，Checkpoint在系统崩溃时怎么恢复——这些都是实战中一定会遇到的。

我曾经因为没处理好乱序数据，导致策略在实盘中多开了好几手单，差点触发风控。从那以后，我对Flink的Watermark机制研究得特别透彻。这些坑，我会在课程里一一告诉你。

章节范围	核心内容	前置要求
第1-8章	Flink基础、环境搭建、DataStream API	Java基础、Linux基本操作
第9-18章	窗口、状态、容错、时间语义	Flink基础概念
第19-26章	行情接入、策略实现、交易执行	量化交易基础知识
第27-30章	多策略、ML集成、运维监控	完整实战经验

好了，开篇就聊这么多。接下来咱们就要动手了——下一章直接搭建Flink开发环境。我会带着你一步步配置，把那些容易踩的坑提前指出来。准备好了吗？

---