什么是量化交易？策略、流程，以及零售交易者真正能用的部分

完整内容包括：什么是量化交易、什么不是量化交易；从趋势跟随到做市的策略家族；带有两个“多数策略会死在这里”节点的工作流循环；如何阅读回测统计；用一张表比较量化、系统化与主观交易；把 Smart Money 交易机会转化为可测试规则的完整示例；回测欺骗您的七种方式；工具、职业路径，以及零售交易者真正能用的部分。下方的回测统计检查器会为您粘贴的任何报告打分。

真实图表上的 Zeno×

◆ 真实图表 · Zeno 用于黄金、Bitcoin 和 NAS1001 / 3

◆ 真实图表 · XAUUSD · 15M · Quantum Algo Zeno Gold

◆ 真实图表 · BTCUSDT 永续合约 · 2H · Quantum Algo Zeno + Tidal Force

◆ 真实图表 · NAS100 CFD · 4H · Quantum Algo Zeno + Tidal Force

‹

›

滑动或使用箭头 · 3 张真实图表

每一次 Zeno 喊单都记录在公开实盘记录中。查看 Zeno 方案

什么是量化交易？

量化交易是由源自数据并经过统计检验的规则来决定交易，而不是由某个人对每一笔交易做判断。量化策略会准确说明何时买入、卖出以及如何确定仓位大小 — 可以是代码，也可以是计算机能够遵循的一组规则 — 并且在任何资金承担风险之前，先用样本外数据衡量其价值。这个定义涵盖了从对冲基金的高频做市，到零售交易者基于规则的趋势系统；把它们统一起来的是流程，而不是数学。本指南是完整说明：什么是量化交易、什么不是量化交易、策略家族、区分策略与曲线拟合的流程、如何阅读回测、量化 vs 系统化 vs 主观交易、工具和岗位，以及零售交易者可以从这门学科中现实借用什么。

用通俗的话说，量化交易如何运作？

主观交易者看图表然后做决定。系统化交易者遵循书面规则，但可能手动执行。量化交易者从数据中推导规则，用统计方法证明规则，并且通常让机器执行规则。量化的优势很少是秘密信号；它是流程 — 一个被诚实测试的假设，按统计结果确定仓位，监控衰减，并在数据说明该停用时退役。这也是为什么量化交易不那么关乎“判断正确”，而更关乎“不欺骗自己”，也解释了为什么本页大部分内容都在讲人会如何被欺骗。

主要的量化交易策略家族有哪些？

• 趋势跟随 / 动量 — 按规则买入已经上涨的资产、卖出已经下跌的资产；这是管理期货和 CTA 行业的骨干，背后有五十年的数据。小亏很多，大赢很少，与股票相关性低。
• 均值回归 — 押注被拉伸的价格回到平均值附近：配对交易、统计套利、股票短期反转。小赢很多，偶尔大亏；对市场状态敏感。
• 做市 — 同时报买卖两边并赚取点差，同时管理库存；需要速度和基础设施；这是机构领域，不属于零售。
• 套利 — 给两个地点的同一事物定价并交易价差：指数套利、跨交易所加密套利、期货基差。优势很小，并且一旦被发现就会消失。
• 因子 / 横截面 — 按特征（价值、动量、质量、波动率）对一个标的池排序，做多顶部、做空底部；这是支撑全球大量机构资金的量化投资。
• 事件驱动和另类数据 — 财报、公告、资金流、情绪、持仓；越来越多由机器学习完成。
• 执行算法 — VWAP、TWAP、POV：不是为了盈利的策略，而是为了低成本地放置大订单；这是多数零售交易者在不知情中受益的量化工作。

零售量化交易几乎完全存在于前两个家族，以及价格行为交易机会的规则化版本中 — 包括 Smart Money 结构，只要其规则写得足够精确，能够测试。

量化交易流程是什么样？

本指南中的循环图就是这门纪律：假设 → 数据 → 回测 → 样本外测试 → 模拟交易 → 实盘 → 监控 → 回到假设。循环上有两个位置标着“多数策略会死在这里”，而它们正是策略应该死掉的地方。

◆ 图示 · 量化流程 · 策略应该死在哪里

第一个位置在回测和样本外测试之间。在用来衡量的同一份数据上优化的回测会看起来很好 — 这正是优化会做的事。留出一段策略从未见过的时期并在其上测试，是防止拟合噪声的唯一检查；多数样本内看起来很优秀的策略会在那里崩掉，而这说明流程在发挥作用。

第二个位置在模拟交易和实盘之间。成交、滑点、延迟以及交易者自己的双手第一次出现；一个在完美成交下通过样本外测试的策略，可能把全部优势输给执行。模拟阶段 — 或者用最小仓位做实盘阶段 — 会在它花钱之前衡量这个缺口。

监控闭合循环：随着市场变化以及其他人发现同样优势，优势会衰减，而量化策略会带有何时关闭它的规则。

如何阅读回测报告？

本指南中的权益曲线图展示了一份策略报告的样子，以及如何阅读它：

◆ 图示 · 带统计数据的权益曲线 · 如何阅读报告

• 曲线本身 — 平滑度不如样本外部分（已标记）是否像样本内部分那么重要。如果曲线恰好在切分处走平或断裂，它就是被拟合出来的。
• 回撤（阴影） — 最大那一段就是您必须熬过去的数字；假设实盘会更糟。
• Sharpe 比率 — 每单位波动率对应的收益；对零售策略而言，高于 1 算体面，高于 2 则可疑，除非交易笔数很大。
• 最大回撤 — 同上；要把它与收益对比，而不是孤立看待。
• 利润因子 — 总利润除以总亏损；1.5–2 是健康水平，小样本中高于 3 是警告。
• 交易笔数 — 少于一百笔交易，其他统计都意义不大；Monte Carlo 指南解释了原因。
• 胜率 — 只有结合平均盈利和平均亏损才有意义；35% 胜率配合 3R 盈利，胜过 70% 胜率配合 0.4R 盈利。

插图上的统计面板写着：Sharpe 1.42、最大回撤 −14.8%、利润因子 2.31、386 笔交易、58% 胜率，并标出了样本外。这是一个值得模拟交易的策略；但还不是一个值得投入资金的策略。

主观、系统化和量化交易有什么区别？

本指南中的三栏插图区分了人们经常混淆的内容：

◆ 图示 · 主观 vs 系统化 vs 量化 · 什么决定交易

本站教授的 Smart Money Concepts 是系统化的：书面规则，由人或 QuantumBot 遵循。当规则被编码并做样本外测试时，它就变成量化 — 这正是 Zeno 引擎的本质，也解释了为什么它有公开记录。

零售交易者能从量化交易中使用什么？

不是基础设施 — 没有零售交易者能在速度上与做市公司竞争。能够迁移的是流程和三个习惯：

1. 把规则写到足够精确以便测试。“在扫荡后买入订单块回踩”是一条系统化规则；“当最近一次下跌收盘 K线出现在至少 2 ATR 的位移之前，并在 20 根 K线内被回踩时买入，止损放在其外侧 0.5 ATR，目标为前一波段”才是量化规则。
2. 做样本外测试。TradingView 的 Strategy Tester、Python，或带留出时期的 Bar Replay；我们的回测和 TradingView 回测指南会说明做法。
3. 按统计结果确定仓位，并监控。从测得的期望值和回撤出发，使用固定比例风险；并制定策略何时关闭的规则。Monte Carlo 指南涵盖相关算术。

完整示例：把 Smart Money 交易机会变成量化规则

如果由主观交易者描述，这个交易机会是：“在近期低点被扫荡后，等待一次性质变化，然后买入订单块回踩，止损放在扫荡下方，目标设在区间高点。”

同一个交易机会写成足够精确、可以测试的量化规则：

• 标的池和时间周期：EURUSD、GBPUSD、XAUUSD；15-minute K线；仅伦敦和纽约时段（07:00–20:00 UTC）。
• 扫荡：一根 K线的低点低于此前 20 根 K线的最低低点至少 0.1 ATR(14)，且收盘回到该此前低点上方。
• 性质变化：在接下来 12 根 K线内，收盘高于扫荡 K线之前 6 根 K线的最高高点。
• 订单块：性质变化 K线之前 8 根 K线中，最后一根收盘低于开盘的 K线。
• 入场：在订单块高点挂限价单，有效期 20 根 K线；未触及时取消。
• 止损：扫荡 K线低点下方 0.5 ATR(14)。目标：扫荡前 20 根 K线的最高高点。风险：每笔交易承担权益的 1%，仓位按止损距离计算。
• 过滤器：在计划内高影响力数据发布前后 30 分钟内不入场；每个品种最多持有一个未平仓头寸。

每一条都是主观版本留给判断的决定，而且每一条都可以变化并测量。若在 2019–2023 年样本内和 2024–2025 年样本外回测，这样一组规则要么在切分两侧保持统计特征，要么不能 — 如果不能，诚实的结论就是主观交易者的判断承担了规则集尚未捕捉到的工作，而这本身就是一个发现。这就是循环：规则是假设；样本外切分是实验。

量化交易者欺骗自己的七种方式是什么？

量化交易文献大多围绕这些问题，因为钱就是从这里流走的：

1. 过拟合 — 调整参数，直到过去看起来完美。解法是更少参数，以及一段未触碰的样本外时期。
2. 前视偏差 — 在测试中使用当时无法获得的信息（K线收盘前的收盘价、修订后的数据序列）。这在手工搭建的回测中很隐蔽，也很常见。
3. 幸存者偏差 — 只在今天的指数成分股或今天仍上市的币种上测试，排除了所有失败者。死掉的标的会美化结果。
4. 忽略成本 — 点差、佣金、滑点、资金费、融资成本。高频交易策略可能在这里失去全部优势；测试必须按每笔交易计入现实成本。
5. 小样本 — 四十笔交易的统计只是噪声。数百笔才算开始；Monte Carlo 指南展示了置信带会有多宽。
6. 状态依赖 — 只在牛市测试，或只在 2020 年后加密周期测试的策略，只经历过一种状态。至少覆盖每类状态中的一种。
7. 多重测试 — 试一百个想法，其中一个会因为偶然而显得非常出色。记录试过什么；相应折价看待赢家。

这些每一种都会让回测看起来比策略本身更好。没有一种会让它看起来更差，所以误差方向总是相同的，实盘结果也因此令人失望。

量化交易者如何处理风险、仓位和策略组合？

单一量化策略是在押注某个优势持续存在；一组低相关策略组合，则是机构应对市场状态变化的答案。零售交易者也可以做一个版本：在不同市场上使用一条趋势规则和一条均值回归规则，并把仓位设置到每条策略贡献相近风险，然后分别监控。单个策略内部的仓位大小来自测得期望值的固定比例 — 永远不超过 Kelly 比例，通常只用其四分之一到一半 — 当实盘回撤超过回测 Monte Carlo 分布认为合理的范围时，策略就关闭。这两条规则 — 按统计结果确定仓位，按统计证据退役 — 就是零售尺度下量化风险管理的全部，也是主观交易者最常跳过的两条规则。

量化交易需要哪些工具？

• TradingView Pine Script — 带内置测试器的策略；从图表想法到已测试规则的最快路径。
• Python — pandas、回测框架（Backtrader、vectorbt、Zipline 类）、经纪商和交易所 API；这是 Pine 之外任何事情的标准。
• QuantConnect / LEAN — 云端研究和实盘部署，带机构级数据；本站的平台评测中也介绍过。
• NinjaTrader (C#), MetaTrader (MQL), cTrader (C#) — 平台原生策略环境，各自带有测试器。
• 数据 — 加密货币用交易所自己的历史，期货用 CME 数据，股票用供应商数据；数据质量决定测试质量的上限。

如何建立量化交易职业？

量化岗位 — 量化研究员、量化开发、量化交易员 — 分布在对冲基金、自营交易公司、银行和资产管理公司，它们招聘时看重数学、统计、编程，以及越来越重要的机器学习，而不是交易经验。路径是量化学位、可证明的编码能力，以及能展示上述流程被诚实完成的项目。这是一条不同于零售交易和本站多数教学内容的职业道路；重叠的是纪律，而不是工作。

Quantum Algo 位于哪里

Zeno 是一套已编码、已测试、受监控的规则集 — 也就是 Smart Money Concepts 的量化版本 — 而实盘记录是它公开的样本外证据：结果出现前发布带止损和目标位的公开信号，并统计了 160 个已关闭信号：120 胜、40 负。QuantumBot 是执行层，为希望在不亲手下单的情况下运行规则的订阅者消除模拟到实盘的缺口。两者都不预测；两者都执行经过测试的优势并报告结果，而这一直就是量化交易。