量化交易收益率高吗，高频交易只挣不赔，那么挣的钱从哪来？

为什么说高频交易只挣不赔？问题第一部分，也很值得回答。

希望读者能够明白上面这些道理。

那我们讨论这些利润从何而来？

不管哪种量化交易都存在一定风险，优点如下：

1.风险低

逻辑上，只要程序判断交易条件达到的情况下，利差出现了，只要你交易成功了，自然就有利润。这样的套利策略，风险并非来自于市场涨跌判断对与错，而是来自于程序是否能抢到这个订单。这样的风险，相比涨跌对错，还是相对低很多。所以市场上一直称呼套利策略为低风险策略，对风险承受能力低的人，可以选择套利策略。

2、利润稳定，回撤低

套利策略的利润空间相对固定，没有特别高的回报率，但很稳定，同时，套利策略的收入，回撤很低，基本不会碰到盈利大幅度回撤的情况，收益曲线基本上是一条斜上的直线。

3、适应性广

无论市场涨跌，都是有套利空间的，不像某些策略，是基于某些趋势的单特征市场，比如说上涨市场，下跌市场，或者震荡市场等。但差价套利策略是适应几乎所有市场的，他的核心基础建立在两个市场同一种产品的定价会无限接近缠绕前进的原理。

量化交易自1950年就开始出现，2000年后开始蓬勃发展。专业的量化交易是成熟市场的标志，未来也会成为资本市场的主流投资行业。

如果你觉得这篇内容对你挺有帮助，诚邀您帮我三个忙：

1.点赞，让更多的人也能看到这篇内容（收藏不点赞，都是耍流氓≥???≤）

2.关注我和专栏，让我们达成长期友好关系~

3.阅读我的简介，说不定对您有帮助哦。

感谢您的支持！~

楼主是个人在搞开发吗?还是在什么单位任职?

量化投资本身在中国就属于不明觉厉的行业,你得找懂行的人和机构.

量化投资一直是一个神秘的存在。

能赚钱的策略一旦公开就会失效，导致了这个行业极其封闭。同行之间虽然也会有交流， 但不谈具体策略是大家心照不宣的规矩。

大众对量化行业的了解，大部分来自于西蒙斯与文艺复兴公司的传说。故事的主要内容是，西蒙斯在长达30年的时间里，取得了35%的年化收益率，远超股票之神巴菲特。

由于没有人知道其真实策略，所以新闻媒体演绎出了很多神奇的故事，诸如公司招募了大量的顶级科学家，研究包括太阳旋转、潮汐运动等万物规律。简直把这个公司描述成了毕达哥拉斯学派一般的神秘组织。

所以，普通人看待量化，就像看待算命大仙一样，分成鲜明的两派。一派认为内有玄机，对其深信不疑；一派认为是无根之木，无论如何也不可采信。

这不是量化原本的面貌。所以本文试图打破量化的神秘感，科学理性地谈一谈量化研究究竟是怎样进行的。

股价的运动是一个开放问题，即影响它的因素是无穷无尽的，所以个股的股价无法精准预测。这在我的上一篇文章已经说过。

然而，股票市场的运行还是有很多规律存在的。比如某些股票更有可能在未来比其它股票涨得好，某些股票在市场情绪亢奋时弹性更大，某些股票在市场大跌时更抗跌，等等。

基于大量的历史样本，去挖掘出这些潜在的规律，形成能获利的交易策略，就是量化投资的主要工作。

所以，策略在历史回测上的表现，是量化工程师判断其有效与否的最重要的证据。

可是有人会说，历史不能代表未来。很多事情可能在过去10年都是对的，但突然有一天就错了，不是吗？而且就算实盘赚到了钱，也无法证明未来仍然有效。既然无法证明，所以这个东西不科学，也就不可信。

面对这种质疑，我只能承认，确实无法严格证明策略能永远有效。但是，不能说这个东西不科学，历史回测其实是最科学的投资研究方法。

科学是什么

我们就来谈谈科学是什么。

在现代的语境里，“科学”似乎与“正确”、“真理”等词画上了等号。说一个事物很科学，隐含的意思就是它是经过证明的，是正确的，是不会错的。

然而，这简直太抬举科学了。事实上，科学根本承担不了这么高的期望，它从来就不代表正确，也不需要严格的逻辑证明。

一开始人类确实希望基于一些颠扑不破的真理，以及严格的逻辑推理，把所有“正确的知识”都系统性地证明出来。这就是所谓的理性主义，代表人物包括柏拉图、笛卡尔等人。

但后来，人类认识的进步，特别是在微观物理学上的不断突破，使大家慢慢认识到，这个世界可能是不存在终极真理的。于是理性主义的根基被彻底动摇。

而近两百年兴起的“科学”，实际上是建立在一种得过且过的实用主义精神之上。我们目前所谓的“科学”知识，只能说是经过了一套严格的检测程序后，至今还没有发现反例的规律。

甚至我们都不用知道这个规律背后的机理，只要它是能复现的规律，也照样可以把它纳入“科学”的范畴。

拿医药研发举例，现在我们使用的很多正规药物，其实人类并不清楚其在我们身体里的全部作用细节，而仅凭给大量人员服用并进行效果的归纳，就可以被批准上市。无论是美国还是中国，在新药上市前都要求做若干期临床前和临床实验，但从未要求“机理上严格证明”这一步骤。

像著名的药物阿司匹林，在19世纪并未完全了解其作用机理的情况下，做为解热镇痛药物上市；后来又不断被人类研究，陆续发现了其有治疗关节炎，抗血栓，甚至抗癌的功效，成为一代神药。这样的例子很多，另一个是治疗II型糖尿病的明星药物二甲双胍。

量化如何成为科学

我们回来看量化，基于大量历史样本的检验，找到稳定的相关性规律，并且指导实践，这是最典型的科学流程。

然而，虽说科学没有硬门槛，谁都可以来试一试；但要真正纳入科学的认可，还是非常严格的。关键就体现在如何认定“稳定的相关性规律”上面。

还拿药物来举例。“我亲眼所见这个药方治好了我们村好几个人”，这样的论证是远远不够的。现代药物研发要求进行大规模随机双盲实验，本质上是从统计学上保证样本足够大且具有无偏性，而且还要小心翼翼地排除各种因素的干扰，如安慰剂效应等。

同样，“历史回测的收益高”是远不能证明某量化策略中确实找到了稳定规律的。

而且与药物研发相比，量化投资中的规律更不稳定。因为前者的研究对象是生物体，其遵从的生物进化规律是以百年到千年为演变尺度；而投资规律的背后是人类制度、文化、心理，其变化是以年为尺度变化的。

事实上，绝大多数收益高的历史回测都是过拟合。即并没有找到普适性的规律，而是策略中设置的交易逻辑和参数恰好与这段历史的行情、风格相匹配，所以收益非常好。

避免过拟合是很难的。有人可能会说，我没有刻意研究历史行情的风格，而且我回测的时间很长，说明样本量很大，所以我的策略就不是过拟合。其实不然。

举个例子，有人做了一个策略回测了20年，发现整体表现还不错，唯一的大问题是在熊市时净值回撤很大。于是他加了一段代码逻辑，只要当整体市场的PE大于40，就开始空仓，直到PE小于20才开始满仓。结果回撤和净值表现均大幅改善。

这其实是典型的过拟合，虽然回测了20年时间，但这段逃顶抄底的逻辑实际只在历史中触发了6次，完全无法从统计上证明它是一个“普适规律”。

为了避免过拟合，我们总结了许多实用的检验方法。我们发现，只要在回测中通过了这些严格的检验，它在实盘继续有效的概率是非常大的。

1.参数不敏感。

策略里的主要参数，比如上文用于逃顶抄底的PE数值，如果变大或变小一些，整个回测收益表现就剧烈变动，那基本就说明这个参数是过拟合。最好的情况应该是，参数从最佳值往大和往小的两边变化时，策略收益的变化相对缓慢和平滑，不会断崖式下降。

2.核心分支样本量足够大。

人们普遍认为回测时间越长代表样本量越大，但容易忽略的是，策略的所有核心逻辑触发的次数是不是够多，这就叫核心分支样本量。上文提到的例子就是一个典型，在某些关键逻辑上，它的样本其实是很小的。

3.收益分布均匀。

这个比较好理解，就是这个策略的绝对收益或者超额收益在时间上的分布是比较均匀的，比如最好是每个月都能战胜大盘，或者每三个月、六个月也行，如果回测10年，只有其中1年取得了极高收益，其它年份都是跑输大盘的，这种策略你敢用吗？

4.风格不显著。

这个比较专业，稍微展开说一下。市场经常呈现一定的风格，如牛市市场情绪亢奋，投资者风险偏好高，而熊市情绪低落，投资者风险偏好低，这就是牛熊风格；还有如小市值和大市值风格，就是有些时间段里小市值股票涨得更好，而另一些时间段大市值的股票涨得更好等。

我们需要分析策略的收益是不是与某种风格高度相关，比如策略只在牛市赚大钱，在熊市亏得一塌糊涂；或者只在小市值风格下表现好，而在大市值风格的市场就不行。这都不是好策略。

有人说，那这个策略我只在特定风格时候做不就行了？我觉得也不是不行，但你得先能判断未来市场会处于什么风格，而这本身就是一个难度极高的事情……

总结

现代科学体系不是建立在欧几里得式的严谨推理之上，而是建立在以大规模实践为基础的统计学之上的。从这个意义上来说，量化研究是一个标准的科学探索流程。

然而，由于股票市场的规律相对于物理学和生物学规律来说，更加地多变和不稳定，所以非常容易把假规律当真，即所谓过拟合。对业余量化爱好者来说，过拟合是最常见的错误。典型情况就是，回测曲线优秀，实盘赚不到钱。

再谈开一点，很多个人投资者也会根据自己的投资经验来总结规律，形成所谓投资方法。但坦率地说，大部分人工能感受的样本量是非常小的，而且常常更多地只是利用近期的现象、自己熟悉的股票做总结，以至于样本不具备全局代表性。

这也是为什么很多新股民的投资方法非常脆弱，而且对市场风格高度依赖。而在市场上混迹了5到10年的老股民，往往对市场的认识更加全面。

最后，这一篇主要讲了量化研究何以成为可信赖的工具，下一篇来谈一谈在A股市场有哪些可以持续赚钱的策略逻辑。

目前公司优惠大放送，针对公开客户有固定名额赠送，可以免费使用我们的优质策略一个月，有兴趣的量化朋友可以加官方微信lhj2019lhj咨询

某期货业内知名公司量化交易部，旗下博士硕士一把，策略无数，经常业内开研讨会，公开宣称其量化策略历史收益多少多少，其母公司乃上市公司，年报中记载 投资的纯量化交易产品运行一周年亏损近-**%到达止损线清盘认赔。 这个就是目前中国量化交易界一个缩影，过去和未来的连接出现了问题？ 当然，也和体制有关。国企背景就是保守有余，创新不足。因为创新创不好会死人的。保守一点就不会有错。

说到量化交易，核心中的核心就是其策略思想，这个东西和学历真的关系不大。那个机构做量化水平高的标准就是越少的人听说过，哎，这个机构越可能是最牛掰的。你没听说过的，那就是接近最顶级的。知道的人越多的，就越接近于平庸的水平。

作为打比赛的量化交易策略，有2个讨巧的方法。

其一是假设其他对手有非理性的交易存在，其资金管理策略有漏洞，甚至是大漏洞，人家错你没错，这排名就上去了。对业余选手来说，普遍都会出现昏招。

其二，既然是比赛总会有几个精英出场，指望他们出错是概率很小的事情，在强对手不犯错的情况下想赢，比拼的是策略以及实现策略的效率上。

假设交易佣金都极低和对手的策略基本一致的前提下， 进行小周期的高频交易是获胜的一个思路。 如果有效策略可以分配在15-20个品种上，一天下来就是摇钱树的感觉。

如果策略没有对手强，那也就认命了吧，这个东西类似军事对抗里的代差，武器如果差了一代二代的，人再优秀也不行。

可是中国有个奇葩的不对称军事对抗理论，你用在量化交易里， 收益率比不过别人，就比稳定性吧。100万不好做，1000万以上量级的可以做到一年回撤控制在-2%以内，那对应的收益起码要超过 12%才算过得去， 24%就算良好了。 回撤控制可是比收益率要容易实现的多。

https://zhuanlan.zhihu.com/p/341250814

期货量化交易是可以实现正的收益的。

首先，从历史上来看，期货的CTA基金，CTA指数收益，能够长期获得正的收益，并且比相应的股票指数，经风险调整后的收益率更高。

其次，从相应的经济金融理论来看，期货收益的来源，主要是两部分，一部分是市场无效引起的错误定价，可以通过套利或者价值投资等方式，获取相应的利润；另一部分是承担市场风险带来的收益，包括波动性风险，流动性风险等等，承担的风险越多，承担的风险越高，带来的收益相应越高。

无论从经济金融理论，还是从过去的交易历史来看，期货量化交易都是能带来正的期望收益的。

既然期货量化交易能够带来正的期望收益，那么，是不是，不会亏损呢？会不会造成大量的交易者进行量化交易导致这些正的期望收益越来越少呢？

期货量化交易和任何交易一样，都是会可能亏损的，任何一种交易类型，都可能经历不适合的行情，都可能会亏损。所以，当经历的时间少，交易次数少，就可能存在亏损。

期货量化交易并不是圣杯，和主观交易一样，也和这个社会一样，当量化交易盈利比较多的时候，会有很多资金涌入进来采用量化的方式做投资，这样，量化交易，获取的利润就会降低，当降低到一定程度，甚至是负数，就会有一部分资金不在采用量化交易的方式，导致这些资金减少，利润增加。量化交易可以是任何一种交易类型，比如套利，比如价值投资，比如趋势跟踪。

所以，总体上来看，量化交易是可以获得正的期望的收益率的，但是，这个正的期望的收益率，可能需要一定的时间和交易次数才能够获得。

不需要的，金融数学这块研究内容主要是各种资本资产期权定价、数学建模、衍生品设计。设计套利模型，期权的套期保值，而对于期货，股票，外汇这方面，由基本面引起大波动的，数学分析作用比较小。

通过大数据，深度学习来找套利机会的微观结构策略，短时间就会失效（不到一年），需要经常更换，找新的Alpha特征，本质是拿大钱赚小钱的模式，学会这些数学工具，出路主要是对冲基金，一些银行。

量化交易，如果做短线，本金不需要很大，几万起步，例如半仓做有色金属期货日内，可以同时做几个品种。做日线多品种，本金就需要多一些，因为策略的回撤比日内大，本金是日内的几倍差不多。

对个人交易者来说，有用的知识主要是：建立模型，能够回测数据检查模型，一些基本面常识，概率统计。如果不做期权定价，套利，衍生品设计，可以不学金融数学，不影响做量化。

参考书目：在炒股方面，金融科班出身和野路子自学成才有多大差别？ - 空木道长的回答 - 知乎

很大程度而言，传统多因子策略和AI策略都是特征工程——即选出好的因子（特征）。

不同之处在于，模型不一样对因子收益的挖掘也不一样，传统多因子策略挖掘线性收益，AI能够挖掘更为复杂的非线性收益。

从90年代Fama-French三因子模型到15年五因子模型，从Barra风险结构模型到WorldQuant 101 Formulaic alphas，已经有一些被发现的长期有限因子，比如 流动性因子、估值因子、市值因子、换手率因子、杠杆因子、成长性因子、盈利能力因子、财务质量因子等。其他的因子一般都是没有效果的因子，这么一看，没有效果的因子就非常多了，数量是正无穷大，因为因子的构造之后又变成了新的因子。

最近我们采用机器学习方式，对282个因子进行了实验，即使是在2017年（17年市场风格突变，许多因子失效），也挖掘出不少年化收益大于30%、夏普比率大于1.5的有效因子，详情请参考：【重磅】AI Alphas(A股版) 。

BigQuant—人工智能量化交易平台