量化交易策略有哪些？
一、交易策略
一个完整的交易策略一般包括交易标的的选择，进出场时机的选择，仓位和资金管理等几个方面。
按照人的主观决断和计算机算法执行在策略各方面的决策中的参与程度的不同，可以将交易策略分为主观策略和量化策略。
二、主观策略
主观策略主要依靠投资者的主观判断。
期货市场的投资者通过对产业上中下游、供需、宏观经济预期等的调查做出自己的判断。
类似的，股票市场的主观投资者通过深入研究行业的各个方面，调查行业内的上市公司，形成交易决策。
另外，无论是股票市场还是期货市场，大量的主观投资者是依赖技术分析做出决策的。
三、量化策略
量化策略主要依赖于计算机算法进行交易。
投资者将初步的交易逻辑输入计算机，并运用大量的历史数据做统计和回测，在此基础上做出适当的修改、扬弃，以形成可接受的交易策略。策略在形成后，往往各个决策条件就已经确定，实盘中按照既定的程序执行。
对比而言，部分主观策略在对单个标的的研究深度上有优势，可以通过深度研究提供专家级的意见。而量化策略由于运用计算机决策，可以处理大量的数据，因此在广度上有优势。另外，量化策略在执行中不会受人的状态、情绪等不确定性的影响，因而执行更为严格和精确。
四、常见策略
常见的量化交易策略可以大致分为趋势策略和市场中性策略，趋势策略常见的有双均线策略、布林带策略、海归交易法和多因子选股策略等。
常见的市场中性策略包括统计套利策略、Alpha对冲策略等，著名的网格交易法更多的是一种交易方法，可以用在不同类型的策略中。
下面我们对这几个常见策略做一个简单介绍，想深入了解某个策略的读者可以借助互联网获得更多资料。
(1) 双均线策略
双均线策略在趋势交易中有广泛的应用。该策略根据长短两根不同周期的移动平均线的金叉和死叉来交易。在短周期均线上穿长周期均线(金叉)时做多，在短周期均线下穿长周期均线(死叉)时做空。双均线系统可以进一步扩充为多均线系统。
(2) 布林带策略
布林带由三条线构成，其中的中线是一根移动平均线，上线是由中线加上n倍(如2倍)标准差构成，下线是中线减n倍标准差。当行情上穿上线时做多，下穿下线时做空。
(3) 海归交易法
海归交易法由商品投机家理查德·丹尼斯的推广而闻名。该法则涵盖交易的进出场，资金和仓位管理的各各方面，是一套完整的交易系统。关于该策略的具体交易模式几个字不容易说清楚，详细的了解大家可以参考《海归交易法则》这本书，特别是后面的附录。
(4) 多因子选股
多因子选股模型是股票交易中常见的策略。建立过程包括选取候选因子，在历史数据检验的基础上挑选有效因子并剔除冗余因子等几个过程，最后是根据因子选择要交易的股票，确定出入场时机。
(5) 统计套利
统计套利可以用于期货市场的跨品种和跨期套利，也可以用于相关性高的股票之间的价差套利。它是利用相关性高的标的之间的价差或者价比回归的性质，在价差或价比偏离均衡位置时进场，在价差或价比回到均衡位置时出场。
(6) Alpha对冲策略
Alpha对冲策略同时持有方向相反的两种头寸对冲Beta风险。在国内市场常见的是持有股票多头的同时，持有股指期货空头，该策略是否能够获得超额收益依赖于选取的股票是否具有高的Alpha正值。
(7) 网格交易法
网格交易法的核心是网格间距和中轴线的确定。我们以螺纹钢期货合约为例说明，目前螺纹价格3000，我们建立初始仓位，比如50%仓位。随后螺纹钢每涨50点卖出10%，每跌50点买入10%。这里的3000就是中轴，50点是网格宽度。该策略的收益波动很大
量化交易靠谱吗，收益稳定吗？
贺明，现任宽潮智投FOF研究院院长，研究生学历。2002年进入金融交易行业，先后在国泰君安和上海中期期货工作。现在“分形量化交易”系统和这些配套的程序，完全可以在期货交易上实现全自动量化交易。
量化策略一般用什么平台回测？分别有什么优劣势
盈时量化策略回测平台，不会编程也能玩转量化。
盈时“策略机器人”集策略智能生成、策略评估、筛选优化、批量生成等功能于一体的交互式策略生成平台。平台以计算机智能生成算法为核心，使用了机器学习、模式识别、统计学、可视化技术等人工智能技术，包含策略构建模块、混编计算模块、策略绩效优化模块等组件，在策略优化方面使用了高效的遗传编程与NSGA-II等算法，进而充分利用CPU多核心性能，实现多进程同步高效生成策略。
语言：Python
适用人群：期货投资者（有无编程基础都可）
数据库：期货
回测用时：需要排队分钟记
支持的功能：支持将策略使用在交易开拓者的平台，属于实盘交易。策略给出建议，但需要自己手动确定进行买卖。
自动生成策略原理与简介：通过设置参数，运用机器学习的方法，一键生成源码策略。
备注：国内首个利用深度学习的人工智能量化平台，不懂编程也能做量化。
盈时，专注于为客户提供高品质的量化交易技术咨询服务和领先的量化交易产品，是一家从事金融数据分析、金融软件开发、程序化交易算法与交易策略研究等业务的科技公司。
在中国，做量化交易一天的工作是怎样的
在中国，做量化交易一天的工作是怎样的？
【Edward.Fu的回答(265票)】:
谢邀。
作为一个管理规模超5亿的CTA基金经理，回答这个问题简直是义不容辞。
一般来说，所有quant trader的日常工作分2块，1是对现有策略的管理和维护，2是开发新策略。
而回答这个问题，又可以分为2个版本，一个是屌丝版，一个是高大上版。
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
屌丝版
首先，是屌丝小A对于现有策略管理和维护：
1. 早上开盘前半小时，小A手忙脚乱开启各种交易软件，包括文华财经、大智慧、同花顺、快期、万德、TB、MC等，随后七手八脚手工调整各账号、各策略在各品种上的资金比例、标的合约、隔夜shibor利息等；
2. 开盘后，小A人工盯盘N个品种，开启8、16、32个行情窗口，确保程序正常交易，无明显bug，无乱发单现象，中途对行情提心吊胆，然后当扯淡的行情超越小A心理承受底线，撕毁小A自尊后小A果断停掉策略，修改参数，再迫不及待再把新策略丢进实盘，结果盘中突现行情，新策略没有发单，回溯时惊喜的发现老版策略早已满仓并盈利满满，小A心想，草，原来老版比新版更好；
3. 收盘后，小A开始用excel统计今日盈亏、发单、滑点等情况，然后做交易记录和净值图，惊喜的发现上周净值创新高之后的连续一周回撤后今天终于开始略有盈利，暗爽了一把，随后发给客户交易记录。期间最大的土豪客户B突然打电话过来，责问为何最近回撤太大，模型是否失效，是否需要减仓。小A淡定的各种解释波动率，ZF维稳，神华调价，乌克兰动乱。经过1个小时的不断解释后土豪B终于被说服，反过来安慰略显急躁的小A，表示如果下次再创新高后会考虑在加一倍的资金。小A长嘘一口气之后，看了下表，已经下午5点，遂开始自我打鸡血，为自己制定了新策略开发的进度和计划，但又考虑到目前策略盘中仍需跟踪观察，于是把计划中的deadline又延迟了1倍。在看表，已经6点，于是整理了下自己的老式联想手提，关机，心想下次提成后是不是该换个苹果，但又担心Mac各种软件的兼容性。回家的路上，在路边的永和吃完了晚餐，疲惫的面容下却依然掩饰不了小A内心的狂热与自豪；
第二天，在确保各交易数据和信息无误后，小A开始了新策略开发之旅：
1. 各种看K线，希望自己的火眼金睛能从纷杂混乱的走势中扑捉到些许信息，绞尽脑汁后突发灵感，于是埋头写代码2小时，写完后小A的内心开始无限憧憬牛逼新策略的绩效曲线，恨不得马上丢进去回溯绩效。结果发现新策略的盈利因子PF平均只有1.1，夏普0.8，年化收益风险比1.2。小A傻眼了，顿时赶脚不可能，开始怀疑数据不对，或者数据周期太短，内心实在无法接受这么牛逼的新策略怎么可能绩效如此鸡肋。在无比蛋疼的接受了这个狗血的事实后，小A出门在楼下的全家买了2个包子，决定下午再战；
2. 吃完午饭后，小A伸了个懒腰，扭了2下僵硬的脖子，再次投入到上午未完成的代码之旅。苦苦思索了4个小时后，依然毫无收获。小A表示压力山大，决定下楼透透气，走一走，放松下自己那纷杂无章的思绪。上海的4月，虽然有点小小的阳光，但依旧乍暖还寒。小A感受到些许的凉意后，拉上了下自己身上泛黄的adidas外套的拉链，然后漫无目的的走过1条街，到了一个十字路口。小A望着前面穿梭的各种车辆，终于等到了绿灯，而就在小A决定过马路那电光石火的瞬间，突然，小A有了一个崭新的想法：既然在全样本统计下，新策略没有明显效果的话，那我可不可以做一个类似红绿灯的机制，选出特定的模式作为绿灯，把不符合的行情作为红灯，做一个类似于模式识别的开关，来决定策略是否交易呢？想到这，小A开心的咯咯笑了出来，立马回头一路飞奔到办公室，在原有策略的基础上加了一个类似于KNN的模式识别。这次，小A不急着回溯了，因为他的内心，已经灰常淡定，他很自信这次的改进能让新策略脱胎换骨。果然，回溯报告验证了小A的想法。好几个品种测试下来，绩效都非常满意。而更让小A内心奔腾、无比狂热的是当他把新策略在20多个品种上来回测试后，吃惊的发现原来新策略的普适性如此之强，20多个品种上，几乎没有一个亏损，平均盈利因子PF有2.0，夏普2.5，年化收益风险比5.3。经过3年的摸索，终于，小A依靠最新开发的策略成功逆袭，接下来，便有了高大上的版本；
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
一觉醒来，发现知乎上这篇拙文已被20多位大内高手连续点赞，深感惶恐。接下来讲的是小A逆袭变身高大上后的故事，各位请不要以为高大上必然就是权二代或富二代的大概率事件。在量化投资领域，只要你能静下心2-5年如一日的研究，每个人都可以逆袭。你的内心，必须要能做到即便在喧闹的菜市场依然能不被卖菜大妈七寸不烂之舌忽悠买发芽的土豆，即便在脱光的吉泽明步+波多野结衣+濑亚美莉3人面前一想到新的idea必须打开电脑，且鼻血狂飙且狂敲代码。
淡泊明志，宁静求远。一定要相信70分的智商+100分的努力+70分的背景+100分绝对深入和专注的细节研究可以完败100分的智商+100分的背景+80分努力+BS/GARCH/DL/SVM/HMM/machine learning(这个打ML会让人误会,不太好)样样精通的学霸。
这个领域，个人认为未来是比互联网金融的更火的热门,而最最最重要的是，这个行业，还没有3巨头。
如果您有幸从事这个领域，那恭喜你，如果你够努力，够钻研，大概率你还是会被历史滚滚的车轮压过你的尸体，不过回首往事，你依然可以给你的后辈讲述那一个个或宏伟或悲壮的大佬故事和一路走来自己伴随这个行业成长的心酸过程。要相信，这个行业目前在中国的现状，绝对是一群聪明绝顶的geeks抢占技术制高点的群雄逐鹿。而大部分从业人员，终将成为历史的尘埃，就像当年那一批批的互联网创业者炮灰。但是，如果你已尽自己全力一搏，那之后的成与败，于你来说，真的那么重要么？大丈夫生于乱世，当带三尺之剑，立不世之功。至于后话，永远是留给后人说的。
如果你年过30，有房贷车贷，而未从事这个行业，个人建议不要尝试轻易转行，要知道风险和收益本身便是一回事 。
如果你是个只图安稳，只听父母之言的襁褓之儿，请你不要选择这个行业。要知道若你的性格缺少血性，没有屡败屡战的勇气，你的淘汰率将会是100%，这个行业不适合弱者，也不相信关系，更不相信眼泪。有的只是优胜劣汰，胜者为王。
如果你是个初出茅庐的热血少年，对这一行有点兴趣，也愿意倾其功于一役，那请你颤抖吧，鸡东吧，怒吼吧。若你背景和经验都不错，我说的不错是至少国外重点大学本科以上或国内10大名校本科以上，请选择一个相对的高起点，去目前已略有名气的山寨，搬搬砖，打打下手，谦虚好学，跟个愿意教你的师傅，千万千万不要觉得自己牛逼。这一行，不图名气，默默赚钱的实力派到处都是。而假若你非上述此类，请你先没事自学点编程，高数和金融工程，少看点岛国片和跟朋友鬼扯，静下心安安静静为自己未来充电，不要妄自菲薄。这个行业，只相信绩效和实力，不关心你的出身。我自己的背景，非十大名校，也非211，更非985，属于典型的后者。
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
感谢各位看官的经常光顾和点赞，有段时间没上知乎，突然发现拙文已经被点赞100+。想来周末闲来无事，于是在此为各位继续奉上高大上版。 楼下的@kuhasu前辈，不是我本人，他下面的回复确实已经蛮接近高大上的真相。不过不得不让我感叹的是世界真的好小，因为当时我也在伦敦的时候，还跟这位前辈@kuhasu有过一面之缘。不过，那时候，我还只是个刚入行的菜鸟而已，而@kuhasu 前辈早已经功成名就了。
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
高大上版：
1. 早上8点10分，闹钟响第二下还没结束，小A迅速按停闹钟。蹑手蹑脚、小心翼翼地起床，生怕不小心吵醒了还在睡觉的老婆。随后开始洗漱，煮了点燕麦，从冰箱里拿出牛奶，倒好后放到冰箱外面，边吃还边为老婆水煮了一个土鸡蛋，这样老婆起床后就能吃到热腾腾的燕麦、鸡蛋和牛奶了。
小A看了下表，8点50分，这时手机响了一下，一个叫“交易小助手”的APP收到了一条提示：今天上海气温15-25度，有小雨，请带伞。**证券、**期货、IB、万德、Bloomberg五大数据源数据已正常订阅，策略组合矩阵已根据2014/6/13最新行情自动调整。看到这，小A心满意足的笑了笑。之所以选择三星，就是为了在安卓下更方便的为自己写一个交易监控的APP，确保每日的日常交易无误。这时候小A带上伞出门，走了大概15分钟，到达公司，随后便开始了一天的交易：
1. 早上9点开盘，小A新买的工作站+UPS已自动开启所有交易相关的软件。像往常一样，这个时候小A人工开始核对他的策略组合矩阵，确保所有策略所分配的头寸比例一切正常；
2. 开盘后，小A便投入到最近手头上的一些研究课题，如遗传算法在策略组合上的应用，做市商类高频策略的开发，隐马尔科夫在下单算法上的应用，以下省略1000字......现在的小A，已经没有之前的那种高强度的压力了。因为就算这些课题失败了，那也无所谓，毕竟像这类难题的攻克又不是一朝一夕的事情。再说，目前现有的策略体系前期都已经构建完成，至少在目前的1-2年，国内的环境还不至于让小A之前的老策略这么快淘汰掉。不过，出于未雨绸缪考虑，小A最近和公司的管理层一直有在协商，是否需要从google、百度、物理实验室等这些工业界再挖几个做算法的人过来。小A这个想法已经存在有一段时间了，虽然目前的老策略仍在继续盈利，但是已经可以很明显的感觉到传统策略的盈利能力一直在下降。若非最近半年新研发成功的一些策略，也许今年的年化收益风险比就不能像往年一样上3了吧；
3. 收盘后，系统已将今日所有的绩效统计数据自动生成，包括滑点、成交概率、委托到成交的平均回报时间等等。比较后发现**公司的速度相对略慢，于是给**公司老总打了个电话，要求其尽快对IT部门技术升级。打完电话后小A还在逼叨叨逼叨叨、自言自语地说尼玛连个行情端口都这么慢，明年我们自己买个小点的经纪公司得了，这样还能省下验证保证金这档子事。不过小A想了想还是还是算了，一是这个风险好像还是蛮头痛，毕竟去年光大事件还历历在目；二是这年头经纪商也赚不了几个钱，要不是交易所返个佣，估计十有八九的经纪商都得饿死；
2014年6月23日新出来热乎的工作岗位，请各位有合适的朋友多多推荐，有意的请在下面留自己的邮箱，合适的话我会私信大家：
CTA投资研究员（数据挖掘分析师）
岗位职责：
1.分析金融市场（期货、股票等）数据，寻找可利用的机会；
2.开发与维护量化交易策略；
3.提供机器学习/数据挖掘相应的技术支持；
岗位要求：
1.熟练计算机编程能力，熟练掌握至少一门编程语言，python优先；
2.理工科背景，具有良好的数理统计、数据挖掘等相关知识储备，熟悉机器学习方法（分析科学问题和相应数据，建立模型和方法，验证模型和方法，应用模型和方法并分析结果，改进模型和方法）；
3.有处理分析大量数据的经验，并能熟练选择和应用数据挖掘和机器学习方法解决科研和工作中的实际问题；
4.良好的自我学习和快速 学习能力，有工作激情，喜欢金融行业；
5.两年及以上实验室研究经验或研发类工作经验优先；
6.硕士以上学历，各校本科相关专业特别优秀可考虑。
CTA高级研究员（投资经理）
岗位要求：
1. 理工科背景，良好的数理统计功底，硕士或博士学历。
2. 三年左右相关（CTA程序化交易统计套利数据分析量化策略开发）研发或投资工作经验
（请在简历中详细描述过往工作岗位、职责、工作成果）。
3. 良好的编程能力，熟悉python/linux者最佳。
4. 良好的学习能力和执行力。
岗位职责：
1、研究期货市场价格规律，寻找可量化的交易机会。
2、开发与优化量化策略模型，制定交易方案。
3、构建与维护投资组合，最大化绩效。
4、配合团队优化投研流程，提高投研效率。
薪酬待遇：
固定年薪25万起，外加优厚业绩提成和年终奖金。推荐的朋友有奖，请扩散。
【kuhasu的回答(40票)】:
谢邀。
作为一个管理规模超30亿美金对冲基金从业者，回答这个问题简直是义不容辞。
一般来说，所有quant trader的日常工作分2块，1是对现有策略的管理和维护，2是开发新策略。
而回答这个问题，又可以分为2个版本，一个是屌丝版，一个是高大上版。
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
高大上版
首先，是高富帅小A对于现有策略管理和维护：
1、早上开盘前，电脑系统自动开启，然后进行自检，并进入交易状态，小A这时候在刷微博和微信朋友圈；
2、开盘后，电脑自动交易。小A在看书，游泳，跑步，游园，逛街，看书是前几年的状态，省下的是后几年的状态，小A闲着无聊的时候会去上班，搞一级市场，所以有时候在做并购谈判。如果出现了极其特殊的情况，比如海缆断、交易所停电、地震和火山爆发，前几年的时候小A的手机会第一时间收到消息切换到人工操作，而后来根本就不用切换到人工操作了，所以小A有时候也为自己插不上手而黯然神伤；
3、收盘后，电脑自动维护，对于非全天24小时交易的电脑，自己关机休息了，24小时交易的机器会根据情况定期自检。十几前年的时候，小A会时不时看看交易结果报告，没过几年就发现这是多么没有意义的事情了，于是想起来才会看一下报告。
自从上马了事件驱动系统之后，新闻事件、社区舆情、突发情况等等都被爬虫和自然语言分析取代了，大数据处理能力比人脑快还准。本来小A可以五马长枪地点评波动率，ZF维稳，神华调价，乌克兰动乱，但是最后的结果却常常是在电脑那边基于的参考权重相当的低，低得甚至可以忽略不计，这一次次地挫败了小A本来爆棚的自信心和自我陶醉感，开始意识到开放心是多么的重要，然后日常活动中加入了冥想（就是坐在那里像个屌丝一样什么也不想）。前年的时候，小A服务的公司又上马了一套新系统，可以直接分析CNN，BBC，路透，彭博，CCTV的新闻频道报道，小A坚信，随着物联网的发展，用不了多久，他们公司就可以分析出主播中午是不是吃的韭菜馅的包子了。
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
淡泊明志，宁静求远。一定要相信这个领域出身根本不重要，学历学校、学习成绩、智商、年龄、工作经验、继承的财富，等等其他行业的制胜法宝都是浮云。
这个领域，个人认为未来是比互联网金融的更火的热门,而最最最重要的是，这个行业，巨头绝对没兴趣露头，因为巨头不需要融资，不融资就没有必要做广告。
如果您有幸从事这个领域，那恭喜你，如果你够努力，够钻研，大概率你还是会被历史滚滚的车轮压过你的尸体，不过回首往事，你依然可以给你的后辈讲述那一个个或宏伟或悲壮的大佬故事和一路走来自己伴随这个行业成长的心酸过程。要相信，这个行业目前在中国的现状，绝对是一群聪明绝顶的geeks抢占技术制高点的群雄逐鹿。而大部分从业人员，终将成为历史的尘埃，就像当年那一批批的互联网创业者炮灰。但是，如果你已尽自己全力一搏，那之后的成与败，于你来说，真的那么重要么？大丈夫生于乱世，当带三尺之剑，立不世之功。至于后话，永远是留给后人说的。（呃～这段实在是模仿不下去了，太文艺青年范儿了我说不出来，赞！）
如果你年过30，有房贷车贷，而未从事这个行业，那恭喜你，西蒙斯40岁才创建的大奖章基金，索罗斯33岁才投资入门43岁才创建的索罗斯基金。外界的信息都是错的，就算你早接触，哪怕是证券基金从业者，也不一定对路。而对于财务现金流稳健的你来说，即便不辞职，利用业余时间从事交易也可以实现财务自由，条件成熟了就可以辞职单独成立基金。这是二级市场作为公平市场的优势。
这个行业不适合弱者，也不相信关系，更不相信眼泪。有的只是优胜劣汰，胜者为王。国内目前的机构基本上都有严重的缺陷，风险爆发是迟早的事儿，而且会越来越多，这跟之前的经验、管理框架体系、选人用人都有关系，无论是券商自营、资管、还是私募机构,我们作为市场的直接参与者要感谢他们无私地为市场提供了流动性。
如果你是个初出茅庐的热血少年，对这一行有点兴趣，也愿意倾其功于一役，那请你颤抖吧，鸡东吧，怒吼吧。即便你背景和经验都不错，即便至少国外重点大学本科以上或国内10大名校本科以上，即便你先努力自学了编程，高数和金融工程，考取了CFA等证（CFA不是必需的），即便。。。先去锻炼吧！我们不招新手！^_^
+++++++++++++++++++++++++++++++华丽分割线+++++++++++++++++++++++++++++++
上面回复纯属好玩儿，无任何指向性，对其他回复者的热心回复，尤其被模仿的回复者衷心感谢！
如有虚假纯属巧合，切莫对号入座。:P
【JamesGe的回答(8票)】:
不邀自来，终于见到一个自己能答的了，不能放过！！！
鄙人现在管理2个亿的套利策略账户，至于什么套利，呵呵，圈子真心小。反正市场容量20亿上下这种吧。。。。
+++++++++++++++++++++++++++++++我素疯哥线+++++++++++++++++++++++++++++++
盘前：大概8:20到公司，做各种盘前准备，主要是启动一下交易软件啦，话说公司自己研发的系统启动起来真是麻烦，以后一定要找个运维做这种事情！！关注一下早间新闻（99%的概率是没什么用），刷个微博，泡咖啡，吃面，然后给其他交易员开个晨会，嗯，其实就是扯扯淡。
早上开盘时间：进入紧张而又无聊的开盘时间。做我这个事情，一天大概只有半个小时是在成交的，其他时间就是看着。看看行情是不是正常，程序有没有乱发单，手动调整一下参数，手感来了可以开张多单玩玩，不要超过风控上限哦亲~~ 这个时候主要有两件事情：1. 监控程序和持仓，2. 观察市场，为策略开发寻找灵盖。
午休： 出去跟大家吃个饭呗。。。什么？！你以为交易员会谈论很高大上的内容？？！！我会告诉你我们只是服务员面前装13吗？不过，那个女孩的确有点像某岛女神。。。
下午开盘时间：基本跟上午一样，不同是的收盘前一个小时是仓位调整阶段，这个时候如果仓位不合适，就要紧张一下了。最纠结的就是收盘前30分钟出行情。。。尼玛，我刚调好仓位，要不要这样啊。。。
收盘后一个小时：算账（当之无愧最重要的事情），盘后处理工作（记录持仓，算一下波动率，统计滑点），想想明天的交易策略（大概率时间要做微调，大调的时候也时有发生），打电话给其他公司交易员扯扯蛋（赚钱的时候）。复盘总结会，也是扯淡。
之后的时间：交易员盘后的时间非常灵活的，当然，我也去过很变态的公司，每天待到7,8点，不过这绝13不是常态。做研究这种事情。。。有了灵感想不做都难受，但是没灵感的时候硬做，一般做出来都是废的。一般一周中研究和学习的时间一半一半吧。我很佩服每天能固定时间做研究的人，鄙人绝对是三天打渔两天晒网那种。 没办法。。。只能去女澡堂找找灵感咯~
+++++++++++++++++++++++++++++++我素疯哥线+++++++++++++++++++++++++++++++
最后说一句，见了很多量化交易员之后，我的感觉就是每个人都有自己的风格，有那种20年如一日做研究的，也有像我这样赚了钱就要去旅游三个月的，也有吃斋念佛的。上次交流会见了一个60岁的老爷爷，做TB的程序化，真心佩服。所以没有必要太在乎别人做什么，跟交易本身一样，只要自己舒服就行啦~
【杨影枫的回答(6票)】:
谢邀，但其实没啥好答的。。。
量化的主要特点就是自动化，一旦自动化就极大的减少了人为干预，所以每天流程性的工作只是打开程序，然后监视行情和报单观察有没出错。（程序自动下单、自动记录交易结果、自动完成、甚至自动回测演算出交易参数）
其他主要工作是在开发新的策略，或者对已有策略的回测以及实现。
基本不需要与客户接触，基本很少事务性的工作，甚至有些极致的连经济类新闻都不是很关心。。。
【吴敌的回答(5票)】:
谢谢Vas Brandon的邀请， 目前在run一个HFT， 每日基本流程如下：
8:00~9:00： 打开交易策略，设置一些运营参数
9:00~9:30： 观察策略运转，确保没有问题
9:30~15:30: 解决已有策略的问题并研究新策略，测试新想法
15:30~17:00: 分析交易记录， 确定第二天的交易计划
17:00~18:00: 运动
另外，贴一个比较欣赏的国外量化交易员Ernie Chan对这个问题的回答。
——知乎
如何成为一名合格的量化交易员？
首先你要懂得相关的专业知识，而且要爱岗敬业，严格遵守自己的职位操守和道德，也要有自己的想法，知道是什么该做的，什么是不该做的，这样就可以成为一名非常合格的量化交易员了
量化交易员是策略研发要求高还是交易要求高
在整个量化交易策略的研发流程当中，买和卖是最为基本的量化交易策略组成部分，而这个部分的设定主要与收益情况相关。这里所说的相关，具体分为两种不同的情形，一种是总体的关联性，即基于买点、卖点的选择，买卖策略应该得到一个正的整体收益。另一种则来自于对交易资产未来收益的判断、或者说预测，即判断交易资产的未来收益为正时，就买入资产；判断交易资产的未来收益为负时，则卖出或卖空资产。实际操作中，这两种关联关系的情况可能更为复杂一些。有的时候，买和卖的具体操作也可能受到风险方面设置的影响，例如为了限制单次交易的最大损失而采取止损之类的操作时，用于清仓的买卖设置就会相应的变动，这也是作者将风险和买卖用虚线相连的原因。不过在大部分情况下，买卖这一最为基本的组成部分还是与收益的关系最大，研究者也应该在研发这一个组成部分时，着重考虑收益情况的具体影响。
对量化交易策略风险的控制可能会影响到量化交易策略中的买卖设置，但是在更普遍的情况下，风险这一因素主要影响的是交易仓位的设置。当然，前提条件还是需要买卖策略的总体收益为正，在这样的条件下再结合仓位的设置，才能够在合适的风险水平下取得达到要求的收益。通过对交易资产具体仓位的调整，交易者可以比较直接的控制单次交易以及整个交易策略的风险水平。例如在满仓交易的情况下，定量的判断了当前交易的风险之后，觉得风险过大无法承受，那么最为直接的处理方法就是在满仓的基础上相应的降低仓位的大小。在仓位降低之后，对于整体资金而言风险也就随之降低了。由于仓位本身具有量化、直观的特性，因此当交易者希望将风险处理到一个特定的水平时，调整仓位是一个比较方便的手段。
需要说明的是，前面已经提到了买和卖是量化交易策略最为基本的组成部分，实际上仓位的设定是根据买卖决策和风险两个因素共同形成的，不建立在买卖之上的仓位选择是空洞没有意义的。此外还有一个更为极端的情况，仓位的正确设定有助于进一步优化策略的整体收益，之后要介绍的凯利公式的意义正在于此。在图1中由买卖到仓位的箭头，实际上可以看作是收益、买卖这一个整体部分指向仓位的箭头。不过在实际使用中，凯利公式所导出的仓位设定往往过于偏激，超过正常风险控制下的最高仓位值，因此仓位仍然与风险的关系更为紧密。
在图1这个较为松散的量化交易策略研发流程中，交易成本是和买卖以及仓位具有同等地位的组成部分。在实际操作中，就是首先基于对收益和风险的判断得出合适的买卖和仓位选择，然后在买卖和仓位共同组成的量化交易策略当中考虑交易成本，也就是在建立仓位和退出仓位等操作中扣除所需要承担的交易成本。随后再次判断该量化交易策略所代表的收益和风险情况，只有这两个因素仍然在接受范围之内，才能确认这是一个可行的量化交易策略。虽然最后用来执行的组成部分只有买卖和仓位，但是交易成本作为对量化交易策略的一个实际化修正，也是策略研发流程中一个不可或缺的组成部分。
上面提到的对量化交易策略收益和风险情况的判断，实际上是一个综合性的评价问题。一个最为重要的参考依据应该是策略在整个交易过程中的净值走势，通过对策略净值走势的分析，就可以建立起该量化交易策略运行情况的全面判断。但是净值走势本身由于细节过多，因此无法简单的用来进行策略之间的横向对比。这时就需要精炼净值走势中所包含的信息，选取合适的部分形成量化的评价指标，从而进行量化交易策略的进一步判定。就作者看来，评判一个策略的标准中最重要的仍然是策略在整个交易过程下的收益情况，一个负收益的量化交易策略根本无需考虑其风险即可排除。而当收益为正时，再结合风险的度量进行具体的取舍，就可以直观的给出量化交易策略是否合格的评判标准了。作者心目中最重要的风险指标是策略净值的回撤水平，在后面的案例分析中也会重点查看回撤的结果。
于此同时，一些量化交易策略在进行收益和风险情况的判断时，仅仅针对策略自身的净值走势进行研究是不够的，给出一个合理的基准来进行对比往往是更为有效的判别方法。例如后面的案例中会涉及到的量化选股策略，当交易选择仅限为对具体的股票进行持仓，而不考虑空仓或者卖空时，选取一个特定的基准进行对比就会是一个更为有效的判别方法。这主要是由于量化选股策略的仓位始终为多头，因此不论如何配置，策略所持仓位都含有资本资产定价模型中所提到的市场成分。而选股策略本身的意义在于选择更好的股票、不在于获取市场收益，因此将市场走势作为对比、或者在策略收益中剔除掉市场成分就是一个更合理的做法。
上述所有的操作，都需要建立在对历史数据的分析之上，在量化交易领域当中一般称之为回溯测试，或者简称回测。所谓回溯，也就是将交易的过程在历史数据上复现一遍，这里面包含了一个假设，即历史数据在量化交易策略中展现出的样本特征在未来的交易中依然存在，否则回溯测试就失去了意义。关于这一假设的分析其实在诸多技术分析著作中均有涉及，一般被称为“历史会重演”，这里不再继续展开。不同于传统技术分析的是，量化交易策略的研发过程更加深入具体，在涉及到策略的参数设定、模型设置等具体问题时，需要采用数量化的方法、也就是最优化等技术手段进行解决。例如如何设置买点和卖点可以使得相应的总体收益最大等等，都是很典型的最优化数学问题，那么找到合适的最优化技术和算法并加以应用，就能够确定量化交易策略的最终形式，用以进行实际交易。
图1中所展示的是一个较为松散的一般性框架，用来总领性的说明量化交易策略的基本研发流程。在具体的策略研发过程中，这个框架经常会因为具体研发设置和策略设置的不同而产生变化。例如当量化交易策略的主要作用不是在时间轴上选择具体的买卖时点，而是在同一个时间点上对多个资产进行选择和配置时，图1中的一些说明就显得有些含混不清。量化选股策略就是这一类策略中最为常见的形式，因此这里在整体框架不变动的情况下，针对图1进行了文字上的调整，用以说明量化选股策略的运行框架与研发流程。当然，使用选股策略的框架体系来处理多个资产甚至多个策略的挑选、配置也是可以的，在不复杂的情况下只需要稍作联想即可。
买卖和仓位虽然是更为通用的说法，但是更适合于描述择时策略，放在选股策略的研发框架中会显得比较突兀，因此图2将买卖换成了选股，仓位则换成了配比，这样更容易让读者领会该研发流程的含义。实际上，对于每一期的选股而言，如果选择了原先没有仓位的股票，那么对应的操作就是买入该股票，如果已经建仓的股票没有被选入这一期的股票池，那么对应的操作就是卖出该股票。而配比则是在买卖的基础上，通过仓位大小的变化来实现具体配置。因此，选股和配比实际上可以算作是买卖和仓位选择的特殊情况，只是这种说法更为贴合量化选股策略本身。
略有不同的，是风险在量化选股策略研发流程中的具体含义。由于选股策略的仓位操作涉及到多个股票之间的配比问题，因此这里的风险不仅包括单支股票的风险，也涉及到多支股票之间的风险程度，后一种风险一般采用股票收益之间的相关性来进行描述。例如在一般性的最优投资组合理论当中，经常使用协方差矩阵来刻画整个资产组合的风险水平。虽然从实际情况来看，相关性这一度量方式与风险的直观感受之间有一定的差距，但是在多资产环境下，一般都将资产间的相关性视为风险的来源之一，这是一个偏学术的、约定俗成的做法。
上面的例子是针对选股策略进行的文字上的变动，实际上量化交易策略研发流程的变化更多来自于各个研发组成部分不同的结合方式。而不同的结合方式，对应的是策略研发过程中不同的目标和需求。例如图1所介绍的松散的研发流程，是在确定好买卖行为和仓位设定之后，再针对实际交易中所产生的交易成本进行二次测试。这样的做法虽然简便易行，但是忽视了交易成本本身对于收益的影响，以及更进一步对于买点和卖点的影响。因此，在确定买卖设置的步骤中就考虑交易成本的影响，应该是一个更贴近于实际的研究框架。图3给出了相应的流程刻画，如图所示，在判断收益因素时，同时考虑交易成本对于收益的影响，从而优化出更为实际的买卖设置。再根据相应的风险控制，结合买卖点的选择，得出最后的仓位设置。在确定了买卖和仓位这两个部分之后，就获得了一个完整的量化交易策略。
图4给出了一个更紧凑、更贴合实际操作的量化交易策略研发流程。在该流程中，买卖和仓位的设置是同时作为参数进行优化的，优化的目标函数也进行了唯一化，即量化交易策略的风险调整后收益。而在确定需要优化的目标函数时，交易成本也如同上一个研发流程一样同时被考虑进去，从而保证买卖和仓位优化结果的准确性。毫无疑问，相较于上面所涉及到的研发流程、特别是图1中较为松散的研发流程，该量化交易策略研发流程的各个组成部分更为紧密，因此在优化过程中所产生的与实际操作的偏离也就越小，买卖和仓位设置的准确度也就更高。但是在实际工作中，如果想参照这一流程进行研发，那么就需要比较强的计算能力，数据量的大小也要达到一定要求，同时优化方法和目标函数的设定要能够同时覆盖买卖和仓位的所有参数，因此往往也只有极为简单的策略思路可以采用这样的流程框架进行研发。
在实际的量化交易策略相关工作中，研发只是整个工作流程的一部分，还有两个组成部分需要着重强调。基于此，图5在图1所示的研发流程的基础上给出了一个更为完整的工作流程。如图所示，需要增加的部分包括处于研发过程之前的数据准备工作以及处于研发过程之后的策略执行工作。这两项工作与前面所论述的研发流程具有很强的逻辑关联性与内在依赖性，三者结合起来形成的一个整体，基本上可以涵盖量化交易策略具体工作的绝大部分内容。
首先论述数据准备的工作，循着图5中的箭头可以看到，在量化交易策略的整体工作中，既要为研发过程准备相应的研究数据，也要为策略执行准备相应的实时数据。在研究数据方面，由于寻找合适的量化交易策略需要不断重复研发流程，因此对于数据的要求更偏重于准确性和覆盖能力。同时，对数据的清洗和转换也是一项重点工作，在大部分的数据科学研究、包括量化交易策略的研发当中，数据特征的合理抽取对于整体效果提升的重要性有时甚至要高于精巧的模型，当然很多时候数据的转换和模型的构造是相互融合的，针对具体情况应当采取具体的分析和处理。而在策略执行数据方面，则更应该关注于数据获取的及时性。至于数据的清洗和变换，只需要完全复制研发得到的量化交易策略下的数据准备工作即可。另外，为了保证数据的及时性，最终进行的数据清洗工作对时间消耗存在一定的要求。
然后讨论策略执行的工作。策略执行，是在量化交易策略研发完成之后，最终产出实际效能的组成部分。执行时应该遵循尽量贴近研发完成的量化交易策略的原则，与量化交易策略所确定的买卖、仓位等设置尽可能的保持一致，这样才能最真实的反映出前面量化交易策略的研发结果。同时，策略执行的结果也可以用来反向支持具体的研发流程，通过对策略执行所得到的收益、风险情况的判断，实时的重新进行研发，对量化交易策略进行修改，从而使得策略能够及时的得到现实的反馈，增强自身的稳健程度。值得一提的是，后面将要介绍的推进分析是一种模拟策略执行的回溯测试技术，读者可以在运行推进分析时有限度的了解到量化交易策略实际执行时的种种状态。