严格来讲，量化交易是运营复杂的统计学方法和数学模型，从庞大的历史数据中海选出能够带来收益的多种"大概率"事件以找出规律、制定策略，并且能用数据模型验证、固化这些规律和策略，然后用计算机来严格、高效地执行。

这一定义涉及统计学、金融学和计算机科学等多门学科，通俗点来说，量化交易是指利用统计学、数学、计算机技术和现代的金融理论来辅助投资者更好地盈利。这些量化的方法可用于分析海量历史数据，也可以用来控制持仓大小、进行风险评估、控制等。

因此，量化交易与传统的主观交易并不是二元对立，量化交易也包含主观交易，比如常见的期货跨市套利策略、期权波动率套利等就属于半自动交易。它们需要交易员综合历史均值回归，以及对宏观政策的主观解读，开盘前调整好参数让计算机严格执行策略。

综上，量化交易是对主观交易的升华，剔除部分人为不稳定的因素，让用户专注于寻求超额收益。

关注点

主观交易

主观交易需要关注国际环境、财经新闻，券商的研究分析报告，公司的财务报告、K线趋势、个股新闻、热点事件、甚至一些小道消息，并对其进行定性或者定量分析。定性分析可以是体验公司产品或者直接实地考察，定量分析则可根据自己的选股原则，用各种指标进行打分，加权汇总后，买入分数高的股票，卖出分数低的股票，以形成交易信号。

主观交易具有交强的主观能动性，即在同样的选股原则和止盈止损策略下，100个人操盘会有100种不同的结果，基于大数定律和类正态分布，可以发现一小部分人的资金曲线会非常平滑和漂亮，但是大部分人都会低于均线水平。原因大多是因为人毕竟不是纯粹的理性动物，面对股市的波动，很容易被情绪击败。

量化交易

量化交易不仅关注历史行情数据、基本面指标数据，而且会把一些非传统的数据，比如市场情绪、财经新闻的关键字转化成为机器学习中的特征。

有了数据之后，就需要运用数学和统计学的方法，如单位根检验、线性回归等方法从大数据中找到超额收益的多种"大概率"事件，比如选股的量化思想就是进行收益拆解，从很多维度进行数据化的判断。传统上把所有因子分为7大类：盈利性、估值、现金流、成长性、自产配置、价格动量和技术面。通过现代统计学的方法进行冗余因子的剔除和降为、因子权重的确定，以及对精英因子进行打分。基于选股模型的判断形成交易信号，通过程序化交易的API进行自动化交易，并且在交易系统上引入风险控制模块来管理持仓。

量化交易的优点是，将人从重复的交易事务中抽离出来。让人把更多的精力放在更好的策略开发上。另外，相比于人的操作速度，量化交易要更精准、更快，对市场的反应也更灵敏。

此外，主观交易者对于策略思路的保密性要求并不高，这是因为上文已经提到，主观交易有太多的主观色彩，因此即使告诉你策略，大部分人依然会亏损。相反，量化交易则由于操作者是机器，考虑到程序本身是可复制的，因此策略的保密性要求就很高。

国内常用的量化交易策略

期货CTA策略

商品交易顾问（Commodity Trading Advisor，简称CTA）是指通过为客户提供期货、期权方面的交易建议，或者通过受管理的期货账户参与实际交易，来获得利益的机构或个人。传统意义上，CTA基金的投资品种仅限于商品期货，但近年已扩展到包括利率期货、股指期货、外汇期货在内的几乎所有的期货品种。

广义上讲，CTA策略基本上能够分3类，其中趋势跟踪策略占比90%，均值回归占比25%，逆趋势或趋势反转占5%。

趋势跟踪策略

趋势跟踪策略是基于市场并非有效的假设，基本面变化的信息需要一定的传递事件，资产价格不能立即反应基本面的变化，价格向合理方向逐渐变化的过程所表现出来的趋势。与正太分布相比，资产收益率的分布通常具有"尖峰肥尾"的特点，"肥尾"提供了趋势跟踪策略的收益。趋势跟踪策略的盈利与市场的波动性密切相关，存在亏损的可能，因此，趋势跟踪策略交易者要注意及时止损。趋势跟踪策略在一定程度就是"追涨杀跌"的策略，通过快速止损实现"大盈小亏"，从而在整体上获利。

价差套利策略

价差套利策略，通过捕捉市场的不合理差价，买入被低估的资产，卖出被高估的资产，获得回归收益，打到资本盈利或避险的目的。套利交易风险小、回报稳定，对于大资金而言，如果单边重仓介入，将面临持仓成本较高、风险较大的不足；反之，如果单边轻仓介入，虽然可能降低风险，但其机会成本、时间成本也较高。因此整体而言，大资金单边重仓或单边轻仓介入市场，均难以获得较为稳定和理想的回报。

股票Alpha策略

Alpha策略是指运用复杂的量化方法从技术面、基本面角度分析未来价格变动趋势，以及不同股票间的相关性，进而买入低估值股票的同时卖出高估值股票，或者通过股指期货对现有投资组合头寸进行完全（部分）对冲，隔离系统风险，获取收益的策略。

该策略的成功取决于量化选股模型的有效性、对冲的覆盖程度，选股模型越有效，系统风险对冲得越好，策略效果越好。