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。

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。

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
2. 市场结构：交易所、做市商、暗池、ECN
3. 市场微结构：订单簿、价差、流动性、冲击
4. 订单类型与执行语义：限价、市价、IOC、FOK、冰山

第二部分：数据底盘

5. 行情与基本面数据管线：tick、bar、因子库
6. 数据陷阱：幸存者偏差、复权、前视、未来函数
7. 特征存储与时间对齐：point-in-time 正确性
8. 另类数据：新闻、舆情、链上数据、卫星图

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
10. 统计套利：协整、配对交易、PCA 残差
11. 事件驱动策略：财报、并购、指数调整
12. 机器学习选股：标签构造、防过拟合、SHAP 归因
13. 时间序列深度学习：TCN、Transformer 在量化的实践与陷阱
14. 加密资产策略：资金费率套利、跨所搬砖、DeFi 收益

第四部分：组合与风险

15. 组合构建：均值方差、风险平价、Black-Litterman
16. 风险模型：Barra 多因子、风险归因、压力测试
17. 头寸管理：Kelly、波动率目标、风险预算
18. 交易成本模型：冲击成本、滑点、TCA

第五部分：回测与评估

19. 回测引擎设计：事件驱动与向量化
20. 回测陷阱：前视偏差、过拟合、数据窥视
21. Walk-forward 与 Purged CV：时间序列正确切分
22. 绩效指标：Sharpe、Sortino、最大回撤、信息比率

第六部分：执行与做市

23. 执行算法：TWAP、VWAP、POV、IS
24. 智能订单路由（SOR）与暗池策略
25. 做市策略：Avellaneda-Stoikov 与库存管理
26. 高频交易架构：低延迟、内核旁路、FPGA 概览

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
28. 运维与合规：监控、熔断、监管报送、复盘

推荐阅读路径

完全入门 → 01 → 03 → 05 → 09 → 19 → 22

因子策略研究 → 09 → 10 → 12 → 15 → 20 → 21

系统工程与基建 → 05 → 07 → 19 → 23 → 27 → 28

高频与做市 → 02 → 03 → 23 → 25 → 26

加密与多资产 → 02 → 14 → 24 → 25

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