量化交易

量化交易是用数据、模型与工程把”投资判断”变成可重复执行系统的过程。这个系列面向策略研究员与工程师，从信号设计到订单成交的整条链路，讲清楚工程上的真实挑战与解决方案。

这个领域最值得关注的 5 个问题

这些问题能区分真正理解量化交易的人和只会背术语的人。本系列的目的就是回答它们：

1. 为什么 99% 的量化策略都死在回测与实盘之间？ → 不是逻辑问题，是数据、成本、过拟合的工程问题。详见第二部分（数据）、第五部分（回测）、第六部分（成本）。

2. 成本（交易成本 + 延迟 + 冲击）的真实规模是多少，它如何支配你的策略选择？ → 多数人只看 Sharpe，忘了总 PnL = alpha - cost。总成本永远是已知的损失。详见第四部分（成本）、第六部分（执行）。

3. 如何区分”历史回测中的好”和”未来能跑的好”？ → K-fold 在时序数据上为什么失效？Walk-Forward 怎么设？什么时候该用 Purged K-Fold？详见第五部分（回测）。

4. 高频和低频策略在工程上的本质区别是什么，不只是延迟？ → 低频关心”这个月赚没赚”，高频关心”100 微秒内能不能发完 100 笔单”。监控粒度、风控形式、运维体系完全不同。详见第六部分（执行）、第七部分（高频）。

5. 为什么稳定性（不被打穿的概率）比 alpha（绝对收益）更难？ → 黑天鹅随时来，系统设计、风控规则、应急响应、团队文化决定了你能活多久。详见第七部分（运维）。

核心视角

• 因子与信号：从经典因子（价值、动量、质量）到机器学习选股，再到深度学习时间序列的陷阱。
• 数据正确性：幸存者偏差、前视偏差、未来函数的工程防守；PIT 库、特征版本化、对账机制。
• 回测科学性：向量化与事件驱动的权衡；Purged K-Fold、Walk-Forward、数据窥视检验。
• 成本意识：交易成本模型、滑点、冲击，每一分都算。
• 执行工程：TWAP/VWAP/POV/IS 算法、智能订单路由、做市策略的库存管理。
• 生产可靠性：四套环境（研究、回测、模拟、实盘）的一致性；熔断、监控、合规报送。

适合谁看

• 量化研究员：要建立因子体系、回测流程、避免过拟合。
• 量化工程师：要搭建数据、回测、交易执行系统。
• 产品经理：想理解”为什么这个策略在回测中神，到了实盘就拉胯”。
• 对冲基金、自营团队：在多资产（A 股、美股、期货、加密）中快速迭代。

篇目依赖关系与阅读建议

地基（必读）

• 01 是全景，建立心智模型
• 02-04 是市场机制基础，后续执行、做市都要用

不同角色的推荐路径

完全入门（无基础，了解全貌）
01 → 02 → 03 → 05 → 09 → 19 → 22 → 27

因子策略研究（关心 alpha 有效性）
09 → 10 → 12 → 15 → 20 → 21
前置：05/06/07（数据正确性）

系统工程与基建（关心系统搭建）
05 → 07 → 19 → 23 → 27 → 28
配合：09（因子示例）、18（成本模型）

高频与做市（关心低延迟执行）
02 → 03 → 23 → 25 → 26
配合：18（成本模型）、27-28（风控体系）

加密与多资产
02 → 14 → 24 → 25
前置：18（成本模型）

目录

第一部分：导论与市场结构

1. 量化交易全景：从信号到订单的工程链路
   • 建立心智模型，理解为什么「能跑的系统」和「赚钱的系统」是两个东西
2. 市场结构：交易所、做市商、暗池、ECN
   • 你的订单真的去了交易所吗，还是被中介吃掉了
3. 市场微结构：订单簿、价差、流动性、冲击
   • 执行质量取决于对订单簿形状的理解深度
4. 订单类型与执行语义：限价、市价、IOC、FOK、冰山
   • IOC/FOK/Post-Only 不只是交易所选项，是执行策略的基础

第二部分：数据底盘

5. 行情与基本面数据管线：tick、bar、因子库
   • 数据质量不行，再好的 alpha 也是纸上谈兵
6. 数据陷阱：幸存者偏差、复权、前视、未来函数
   • 多数 backtest 失败，不是逻辑问题，是数据问题
7. 特征存储与时间对齐：point-in-time 正确性
   • Point-in-Time 正确性是机器学习 alpha 的基础
8. 另类数据：新闻、舆情、链上数据、卫星图
   • 新闻、链上数据有 alpha，但清洁成本很高

第三部分：因子与策略研究

9. 因子动物园：价值、动量、质量、低波、规模
   • 这些经典因子为什么还活着，背后是什么机制
10. 统计套利：协整、配对交易、PCA 残差
    • 协整不是看数据线条像不像，是看残差的 mean-reversion 强度
11. 事件驱动策略：财报、并购、指数调整
    • 财报发布瞬间的价格波动，是策略，不是运气
12. 机器学习选股：标签构造、防过拟合、SHAP 归因
    • 黑盒模型的 alpha 是真的，但能复现吗
13. 时间序列深度学习：TCN、Transformer 在量化的实践与陷阱
    • Transformer 在 NLP 牛，在时序预测上呢？不怎么样
14. 加密资产策略：资金费率套利、跨所搬砖、DeFi 收益
    • 24/7 交易、高波动、衍生品发达，策略机会但也风险

第四部分：组合与风险

15. 组合构建：均值方差、风险平价、Black-Litterman
    • 单个因子 IC 再高，组合后也可能被相关性打爆
16. 风险模型：Barra 多因子、风险归因、压力测试
    • 你的 VaR 模型没见过这个市场情况，所以会崩
17. 头寸管理：Kelly、波动率目标、风险预算
    • Kelly 公式好听，但用错了就是最快的赔钱方式
18. 交易成本模型：冲击成本、滑点、TCA
    • 你的回测用的滑点假设，可能比实际成本低 10 倍

第五部分：回测与评估

19. 回测引擎设计：事件驱动与向量化
    • 事件驱动 vs 向量化，选错一个，回测会比实盘慢 100 倍
20. 回测陷阱：前视偏差、过拟合、数据窥视
    • 能发现的 bug 多数是回测没做对；发现不了的也往往是回测问题
21. Walk-forward 与 Purged CV：时间序列正确切分
    • K-fold 在时序数据上等于作弊，必须用 Purged K-Fold 或 Walk-Forward
22. 绩效指标：Sharpe、Sortino、最大回撤、信息比率
    • Sharpe 不是王，Calmar 也不是；看对数据，选对指标

第六部分：执行与做市

23. 执行算法：TWAP、VWAP、POV、IS
    • TWAP vs VWAP 选错了，你的成本会多 5 个基点
24. 智能订单路由（SOR）与暗池策略
    • 流动性分散在不同场所，选错路由，成本会多吃
25. 做市策略：Avellaneda-Stoikov 与库存管理
    • 库存越来越大，是赚钱，还是在打赌价格会回
26. 高频交易架构：低延迟、内核旁路、FPGA 概览
    • 低延迟是软件工程，也是硬件设计

第七部分：生产工程与合规

27. 量化交易系统架构：研究、回测、模拟、实盘四套环境
    • 四套环境每套都要能快速验证彼此的一致性
28. 运维与合规：监控、熔断、监管报送、复盘
    • 再好的策略，一次没预料到的故障就能打穿账户

与其他系列的关系

本系列与已有的 fintech 系列互补：

• Fintech 系列 讲清算、撮合引擎、支付通路、风控合规的金融基础设施视角。
• 本系列 讲买方（基金、自营、量化私募）的策略侧与交易执行系统工程。

需要了解交易所撮合机制、行情数据结构时，可引用 fintech/16-matching-engine 和 fintech/17-market-data。

注意事项

1. 本系列为工程参考，不构成投资建议。任何策略的实际表现取决于市场环境、执行能力、风控体系、运气等多因素。
2. 数据与代码：所有 Python 代码示例使用 numpy/pandas/polars/scikit-learn/PyTorch 等开源库，仅为演示算法逻辑，不代表生产级实现。
3. 风险披露：量化交易本质上是高风险活动。黑天鹅事件（如 3AC、FTX、市场熔断）随时可能发生。
4. 合规：不同市场、不同管辖区有不同的监管要求。中国大陆居民参与加密交易、A 股程序化交易均涉及法律边界，请自行评估。

更新日期：2026-05-01
作者：ltl
系列相关：分布式系统百科 | 金融科技工程