量化投资模型

1. 量化交易都有哪些主要的策略模型

研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态，其最重要手段的概率取胜，最重要的技术是概率统计，最主要的研究方向是市场行为心理。那么我们在选择用于研究的参数时，也应该用我们的经验来确定是否把某技术参数放进去，因为一般来说定性投资比较好用的参数指标对量化投资同样适用。
量化投资区别于传统定性投资的主要特征在于模型。我打个比方，我们看病，中医与西医的诊疗方法是不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，主观定性程度大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。中医对医生的经验要求非常高，他们的主观判断往往决定了治疗效果，而西医则要从容得多，按事先规定好的程序走就行了。量化投资就是股票投资中的西医，它可以比较有效地矫正理智与情绪的不兼容现象。
量化投资的一般思路：选定某些技术指标（我们称之为参数，往往几个组成一组），并将每一个参数的数据范围进行分割，成几等份。然后，用计算机编程写出一段能对这些参数组对股票价格造成的影响进行数据统计的程序，连接至大型数据库进行统计计算，自动选择能够达到较高收益水平的参数组合。但是选出这些参数组后还不能马上应用，因为这里涉及到一个概率陷阱的问题，比如说，有1到100这一百个数字放在那里，现在让你选择，请问你选到100的可能性是多大？是的，就是1/100，如果较幸运你选到了100并不能说明你比别人聪明，而是概率的必然。所以，在进行统计时要特别关注统计的频率与选出的结果组数量之间的关系。在选出符合要求的参数组后我们还应留出至少三年的原始市场数据进行验证，只有验证合格后才能试用。

量化投资原始数据策略：我们选用96年后的市场数据，因为96年股市有过一次交易政策改革（你可以自己查询了解一下），为了不影响研究结果我们不采纳96年以前的数据进数据库。 量化投资研究的硬设备：高计算性能电脑，家用电脑也可以，不过运算时间会很长，我曾经用家用电脑计算了三个月时间才得到想要的数据。
统计方法：可以选用遗传算法，但我在这里陪大家做的是比较简单的模型，所以采用普通统计方法就可以了。
用于量化研究的软件：我采用的是免费的大型数据库MYSQL，ASP网络编程语言，以及可以设置成网络服务器的旗舰版WIN7操作系统。

2. 量化投资模型如何开发的

量化的模型开发大致分为以下几个环节：
①数据处理，看你用什么工具，R还是内Matlab还是python，或者是c++，最容好是工具本身的格式，这样速度会快的多，比如Rdata，或matlab的mat格式，或者python的npy格式，或者c++的二进制格式，还有就是你要用什么数据，分钟数据，切片数据，还是tick数据，根据你的需求不同进行处理。

②指标建立，这个工作可以看成问题的关键，如何建立指标，你的思想是什么，都来源于此，举个简单的均线指标，matlab，就是ma=movavg(data,length)
③模型回测，据我理解就是一个大循环:
if time>9. && time<15 && close(i)>ma(i) && p!=1
buy
else
sell
if p==1 && 止损条件
平仓
等等
④计算收益
然后根据收益，夏普比率等，改条件，重复上面的工作。

总结：
开发模型的步骤一般是：数据处理、寻找因子、回测验证、实盘模拟、风险归因。

备注：
数据处理：去极值、标准化、中性化；数据预处理。
寻找因子：寻找Alpha、寻找收益波动比因子、另外优矿上提供了近400个因子因子可以自己验证。

3. 如何开发量化投资模型

4.如何进行量化投资
一个量化投资的交易系统主要包括三个部分，阿尔法模型、风险模型和交易成本模型。
阿尔法模型旨在预测宽客所考虑金融产品的未来趋势；
风险模型旨在帮助宽客投资不太能带来收益但会造成损失的敞口规模；
交易成本模型用于帮助确定从目前的投资组合到新的投资组合的交易成本。
目前对于量化交易的研究重点大都集中在对阿尔法模型的研究上。
阿尔法模型
阿尔法模型是量化交易系统的第一个重要组成部分，主要是为了寻找盈利机会。
阿尔法是希腊字母α的音译，常用于量化表述投资者的盈利能力或投资者得到的与市场波动无关的回报。
阿尔法模型分为：
趋势形、回复型、技术情绪型、价值型/收益型、成长型和品质型
趋势型和均值回复型交易策略都依赖价格数据；纯技术情绪型的策略比较少见通常都只作为一个辅助因子；而价值型/收益型、成长型和品质型策略都基于基本面数据
趋势跟随策略
趋势跟随策略是基于以下基本的假定：在一定时间内市场通常朝着同一方向变化，据此对市场趋势做出判断就可以作为制定交易策略的依据。常见于期货市场，最常用移动平均线交叉来定义趋势。
均值回复策略
均值回复策略的基本理论认为，价格围绕其价值中枢而上下波动，判断出这个中枢以及波动的方向便足以捕捉到交易机会。统计套利是用的最多的均值回复策略，认为价格出现背离类似股票的价值终究会缩小到合理的区间范围。
技术情绪型策略
这一类策略没有明确的经济理论支撑，主要通过追踪投资者情绪相关指标来判断预期回报，如交易价格、交易量以及波动性指标等。比如观察期权市场的认沽认购量和隐含波动率做现货的择时，再者就是高频交易通过限价指令簿的形态来判断近期市场情绪。
价值型/收益型策略
价值型策略主要用于股票交易。这类策略认为市场倾向于高估高风险资产的风险，而低估低风险资产的风险。因此，在适当的时间买入高风险资产和卖出低风险资产，就可以获得收益。常用的指标有PE（市盈率）、PB（市净率）等，常应用于股票多空。
成长型策略
成长型策略试图通过对所考虑资产以往的增长水平进而对未来的走势进行预测。他认为价格上涨通常都是存在趋势的，价格上涨最快的产品通常比同类产品更具有优势，他要求投资者能尽早判断公司的股价处于增长期，从而捕捉到公司的股价未来更大的上涨幅度。宏观上常见于外汇市场，例如持有经济迅速增长的国家的外汇，这些国家的利率比经济增长缓慢或处于复苏期的经济体要高；股票市场通常用EPS等指标度量。
品质型策略
这类策略的支持者认为，在其他条件相同的条件下最好买入或持有高品质的产品而做空或减少持有低品质的资产。这类策略比较看重资金的安全，受宏观市场影响比较大，常用的指标有杠杆比率、收入波动比、管理团队水平和欺诈风险。
不管是什么类型的策略最终受益都体现在交易中关于买卖时机的把握和持有头寸选择的技巧。
https://uqer.io/community/list 这个社区里面有很多关于量化的策略，也有很多牛人，可以和他们多讨论讨论的。

4. 如何建立一个股票量化交易模型并仿真

研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态，其最重要手段的概率取胜，最重要的技术是概率统计，最主要的研究方向是市场行为心理。那么我们在选择用于研究的参数时，也应该用我们的经验来确定是否把某技术参数放进去，因为一般来说定性投资比较好用的参数指标对量化投资同样适用。
量化投资区别于传统定性投资的主要特征在于模型。我打个比方，我们看病，中医与西医的诊疗方法是不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，主观定性程度大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。中医对医生的经验要求非常高，他们的主观判断往往决定了治疗效果，而西医则要从容得多，按事先规定好的程序走就行了。量化投资就是股票投资中的西医，它可以比较有效地矫正理智与情绪的不兼容现象。
量化投资的一般思路：选定某些技术指标（我们称之为参数，往往几个组成一组），并将每一个参数的数据范围进行分割，成几等份。然后，用计算机编程写出一段能对这些参数组对股票价格造成的影响进行数据统计的程序，连接至大型数据库进行统计计算，自动选择能够达到较高收益水平的参数组合。但是选出这些参数组后还不能马上应用，因为这里涉及到一个概率陷阱的问题，比如说，有1到100这一百个数字放在那里，现在让你选择，请问你选到100的可能性是多大？是的，就是1/100，如果较幸运你选到了100并不能说明你比别人聪明，而是概率的必然。所以，在进行统计时要特别关注统计的频率与选出的结果组数量之间的关系。在选出符合要求的参数组后我们还应留出至少三年的原始市场数据进行验证，只有验证合格后才能试用。
量化投资原始数据策略：我们选用96年后的市场数据，因为96年股市有过一次交易政策改革（你可以自己查询了解一下），为了不影响研究结果我们不采纳96年以前的数据进数据库。
量化投资研究的硬设备：高计算性能电脑，家用电脑也可以，不过运算时间会很长，我曾经用家用电脑计算了三个月时间才得到想要的数据。
统计方法：可以选用遗传算法，但我在这里陪大家做的是比较简单的模型，所以采用普通统计方法就可以了。
用于量化研究的软件：我采用的是免费的大型数据库MYSQL，ASP网络编程语言，以及可以设置成网络服务器的旗舰版WIN7操作系统。

5. 量化投资、量化交易、量化金融，这三者有什么区别吗

其二，行为金融学认为，投资者是不理性的。任何一个投资个体的判断与决策过程都会不同程度地受到认知、情绪、意志等各种心理因素的影响。基金经理和投资研究员在一段时间跟踪某只股票之后，由于时刻关心股价的表现和基本面的变动，可能出现不同程度的情感依赖，“和股票谈起恋爱”。即使出现了下跌趋势，也可能因为过度自信、抵制心理等不理性的分析出发点而导致投资、荐股时的行为偏差。而量化投资依靠计算机配置投资组合，克服了人性弱点，使投资决策更科学、更理性。

6. 什么是量化投资

定义：是指通过数理统计分析，选择那些未来回报可能会超越基准的证券版进行投资，以期获取超越指数基权金收益的基金。

释义：区别于普通基金，量化基金主要采用量化投资策略来进行投资组合管理。总的来说，量化基金采用的策略包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、资产配置等。对于量化基金的产品设计，虽然量化基金一般都是采用多因素模型对股票进行分析和筛选，但不同的量化基金的侧重点是不一样的，也就是包括投资思路、观察角度、分析方法在内都是不同的。

在我国证券市场，基本面研究占主流地位，然而随着证券市场的不断发展、证券数目的增加、衍生品的出现等，基金要想战胜指数的难度也越来越大，量化投资则开始发挥越来越重要的作用，因此我国也涌现出了大批量化基金。

7. 什么是量化投资

你好，量化投资，简单地说就是利用数学、统计学、信息技术的量化投资方法来管理投资组合。

8. 量化模型是什么意思

量化模型，是把数理统计学应用于科学数据，以使数理统计学构造出来的模型得到经验上的支持，并获得数值结果。这种分析是基于理论与观察的并行发展，而理论与观测又通过适当的推断方法而得以联系。

一个完整的量化模型包括哪些？

近几年，量化投资在国内兴起，但在很多人眼里，量化投资仿佛是一个非常神秘的新事物。而实际上，量化投资的无非就是宽客通过计算机语言，将交易策略布置到一个量化系统中，然后进行回测和实战的过程。量化投资的本质还是投资者的智慧，只是实现过程中运用到计算机这一工具。

宽客们到底是如何系统的构建一个完整的量化模型的？可以肯定的是，宽客跟普通投资者一样，也在观察市场，产生一些普通投资者也会想到的想法，当宽客产生一些想法时，他们会通过计算机去验证他们的想法是否靠谱或者是能否带来收益。而作为普通投资者，实现想法往往是困难的，如同普通投资者在投资或炒股过程中，发现在15分钟K线图，上升趋势中股价跌破MA169后便会进入调整。普通投资者只是感觉，而宽客可以通过编写程序然后在市场的历史数据回测，验证这个想法是否靠谱。

一个简单的想法编写成简单的程序，这明显不能称作为量化模型，但这却是任何一个量化模型的来源，即人的想法。完整的量化模型应当包括：策略模型、风险模型、交易成本模型、投资组合构建模型、执行模型，如下图：

投资组合构建模型：投资组合构建模型在于构建一个能创造最大盈利的投资组合。主要分为：基于规则的投资组合构建模型和基于优化的投资组合构建模型。基于规则的投资组合构建模型主要分三类：相等头寸加权，相等风险加权，信号驱动型加权。其中前两类分别保证了投资组合的每个个股头寸相等和所承担的风险相等。第三类根据信号强度来加权，投资组合中个股与策略模型设定的条件越接近则赋予的权重越大，这是合理决定头寸规模的最佳途径。

执行模型：执行模型是实施量化模型的最后一个环节，如果没有执行模型，那么整个量化模型并没有存在的意义。执行模型中订单执行算法是最关键的，其主要目的是，以尽可能低的价格，尽可能完整地完成想要交易的订单。具体的执行算法包括：采用何种订单类型，采用进取订单还是被动订单，采用大订单还是小订单。对于资金量比较小的宽客，执行模型往往是比较简单的，一旦出现信号，其所需成交量的并不需要太大。而对于资金量较大的宽客来说，执行模型是比较复杂的，需要根据实际情况来选择合适的下单方式。

以上就是量化模型的整个系统框架，其中任何一个部分都发挥至关重要的作用，因此一个完整的能盈利的量化模型是非常有价值的。

9. 量化投资有哪些优势

量化投资就是借助现代统计学、数学的方法，从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，力求取得稳定的、可持续的、高于平均的超额回报。量化投资属主动投资范畴，本质是定性投资的数量化实践，理论基础均为市场的非有效性或弱有效性。
量化投资特点：
第一，投资视角更广。借助计算机高效、准确地处理海量信息，在全市场寻找更广泛的投资机会。
第二，投资纪律性更强。严格执行数量化投资模型所给出的投资建议，克服人性的弱点。
第三，对历史数据依赖性强。
量化投资策略有如下五大方面的优势，最大的优势就是风险管理更加精准，能够提供超额的收益，主要包括纪律性、系统性、及时性、准确性、分散化等。
(1)纪律性：严格执行量化投资模型所给出的投资建议，而不是随着投资者情绪的变化而随意更改。纪律性的好处很多，可以克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差，行为金融理论在这方面有许多论述。
(2)系统性：量化投资的系统性特征主要包括多层次的量化模型、多角度的观察及海量数据的观察等等。多层次模型主要包括大类资产配置模型、行业选择模型、精选个股模型等等。多角度观察主要包括对宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度的分析。
(3)及时性：及时快速地跟踪市场变化，不断发现能够提供超额收益的新的统计模型，寻找新的交易机会。
(4)准确性：准确客观评价交易机会，克服主观情绪偏差，妥善运用套利的思想。量化投资正是在找估值洼地，通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。与定性投资经理不同，量化投资经理大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。
(5)分散化：在控制风险的条件下，充当准确实现分散化投资目标的工具。分散化也可以说量化投资是靠概率取胜。这表现为两个方面，一是量化投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用，这些历史规律都是有较大概率获胜的策略。二是依靠筛选出股票组合来取胜，而不是一个或几个股票取胜，从投资组合理念来看也是捕获大概率获胜的股票，而不是押宝到单个股票上。

10. 量化投资

没有你想的书

我多年来都有关注这方面的书 可是也没有在国内找到

数量化投资是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪；相对于传统投资方式来说，具有快速高效、客观理性、收益与风险平衡和个股与组合平衡等四大特点。量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等，在各个环节都有不同的方法及量化模型：

一、估值与选股

估值：对上市公司进行估值是公司基本面分析的重要方法，在“价值投资”的基本逻辑下，可以通过对公司的估值判断二级市场股票价格的扭曲程度，继而找出价值被低估或高估的股票，作为投资决策的参考。对上市公司的估值包括相对估值法和绝对估值法，相对估值法主要采用乘数方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；绝对估值法主要采用折现的方法，如公司自由现金流模型、股权自由现金流模型和股利折现模型等。相对估值法因简单易懂，便于计算而被广泛使用；绝对估值法因基础数据缺乏及不符合模型要求的全流通假设而一直处于非主流地位。随着全流通时代的到来和国内证券市场的快速发展，绝对估值法正逐渐受到重视。

选股：在当前品种繁多的资本市场中，从浩瀚复杂的数据背后选出适合自己投资风格的股票变得越加困难。在基本面研究的基础上结合量化分析的手段就可以构建数量化选股策略，主流的选股方法如下：

资产配置方法与模型
资产配置类别 资产配置层次 资产配置方法 资产配置模型
战略资产配置 全球资产配置 大类资产配置 行业风格配置 收益测度 风险测度 估计方法 马克维茨 MV 模型 均值 -LPM 模型 VaR 约束模型 Black-Litterman 模型
战术资产配置 ( 动态资产配置 ) 周期判断 风格判断 时机判断 行业轮动策略 风格轮动策略 Alpha 策略 投资组合保险策略

基本面选股：通过对上市公司财务指标的分析，找出影响股价的重要因子，如：与收益指标相关的盈利能力、与现金流指标相关的获现能力、与负债率指标相关的偿债能力、与净资产指标相关的成长能力、与周转率指标相关的资产管理能力等。然后通过建立股价与因子之间的关系模型得出对股票收益的预测。股价与因子的关系模型分为结构模型和统计模型两类：结构模型给出股票的收益和因子之间的直观表达，实用性较强，包括价值型(本杰明·格雷厄姆—防御价值型、查尔斯·布兰迪—价值型等)、成长型(德伍·切斯—大型成长动能、葛廉·毕克斯达夫—中大型成长股等)、价值成长型(沃伦·巴菲特—优质企业选择法、彼得·林奇—GARP价值成长法等)三种选股方法；统计模型是用统计方法提取出近似线性无关的因子建立模型，这种建模方法因不需先验知识且可以检验模型的有效性，被众多经济学家推崇，包括主成分法、极大似然法等。

多因素选股：通过寻找引起股价共同变动的因素，建立收益与联动因素间线性相关关系的多因素模型。影响股价的共同因素包括宏观因子、市场因子和统计因子(通过统计方法得到)三大类，通过逐步回归和分层回归的方法对三类因素进行选取，然后通过主成分分析选出解释度较高的某几个指标来反映原有的大部分信息。多因素模型对因子的选择有很高的要求，因子的选择可依赖统计方法、投资经验或二者的结合，所选的因子要有统计意义上或市场意义上的显著性，一般可从动量、波动性、成长性、规模、价值、活跃性及收益性等方面选择指标来解释股票的收益率。

动量、反向选股：动量选股策略是指分析股票在过去相对短期的表现，事先对股票收益和交易量设定条件，当条件满足时买进或卖出股票的投资策略，该投资策略基于投资者对股票中期的反应不足和保守心理，在投资行为上表现为购买过去几个月表现好的股票而卖出过去几个月表现差的股票。反向选股策略则基于投资者的锚定和过度自信的心理特征，认为投资者会对上市公司的业绩状况做出持续过度反应，形成对业绩差的公司业绩过分低估和业绩的好公司业绩过分高估的现象，这为投资者利用反向投资策略提供了套利机会，在投资行为上表现为买进过去表现差的股票而卖出过去表现好的股票。反向选股策略是行为金融学理论发展至今最为成熟，也是最受关注的策略之一。

二、资产配置

资产配置指资产类别选择、投资组合中各类资产的配置比例以及对这些混合资产进行实时管理。资产配置一般包括两大类别、三大层次，两大类别为战略资产配置和战术/动态资产配置，三大层次为全球资产配置、大类资产配置和行业风格配置。资产配置的主要方法及模型如下：

战略资产配置针对当前市场条件，在较长的时间周期内控制投资风险，使得长期风险调整后收益最大化。战术资产配置通常在相对较短的时间周期内，针对某种具体的市场状态制定最优配置策略，利用市场短期波动机会获取超额收益。因此，战术资产配置是在长期战略配置的过程中针对市场变化制定的短期配置策略，二者相互补充。战略资产配置为未来较长时间内的投资活动建立业务基准，战术资产配置通过主动把握投资机会适当偏离战略资产配置基准，获取超额收益。

三、股价预测

股价的可预测性与有效市场假说密切相关。如果有效市场假说成立，股价就反映了所有相关的信息，价格变化服从随机游走，股价的预测就毫无意义，而我国的股市远未达到有效市场阶段，因此股价时间序列不是序列无关，而是序列相关的，即历史数据对股价的形成起作用，因此可以通过对历史信息的分析来预测股价。

主流的股价预测模型有灰色预测模型、神经网络预测模型和支持向量机预测模型(SVM)。灰色预测模型对股价的短期变化有很强的预测能力，近年发展起来的灰色预测模型包括GM(1, 1)模型、灰色新陈代谢模型和灰色马尔可夫模型。人工神经网络模型具有巨量并行性、存储分布性、结构可变性、高度非线性和自组织性等特点，且可以逼近任何连续函数，目前在金融分析和预测方面已有广泛的应用，效果较好。支持向量机模型在解决小样本、非线性及高维模式识别问题中有许多优势，且结构简单，具有全局优化性和较好的泛化能力，比神经网络有更好的拟合度。

四、绩效评估

作为集合投资、风险分散、专业化管理、变现性强等特点的投资产品，基金的业绩虽然受到投资者的关注，但要对基金有一个全面的评价，则需要考量基金业绩变动背后的形成原因、基金回报的来源等因素，绩效评估能够在这方面提供较好的视角与方法，风险调整收益、择时/股能力、业绩归因分析、业绩持续性及Fama的业绩分解等指标和方法可从不同的角度对基金的绩效进行评估。

绩效评估模型 / 指标

绩效评估准则
择时 / 股能力
业绩归因分析
风险调整收益
业绩持续性
Fama 业绩分解

模型 / 指标
T-M 模型

H-M 模型

GII 模型

C-L 模型
资产配置收益

证券选择收益

行业选择收益

行业内个股选择收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
双向表分析

时间序列相关性
总风险收益

系统风险收益

分散化投资收益

五、基于行为金融学的投资策略

上世纪50～70年代，随着马科维茨组合理论、CAPM模型、MM定理及有效市场假说的提出，现代金融经济学建立了一套成熟的理论体系，并且在学术界占据了主导地位，也被国际投资机构广泛应用和推广，但以上传统经济学的理论基石是理性人假设，在理性人假设下，市场是有效率的，但进入80年代以后，关于股票市场的一系列研究和实证发现了与理性人假设不符合的异常现象，如：日历效应、股权溢价之谜、期权微笑、封闭式基金折溢价之谜、小盘股效应等。面对这些金融市场的异常现象，诸多研究学者从传统金融理论的基本假设入手，放松关于投资者是完全理性的严格假设，吸收心理学的研究成果，研究股市投资者行为、价格形成机制与价格表现特征，取得了一系列有影响的研究成果，形成了具有重要影响力的学术流派－行为金融学。

行为金融学是对传统金融学理论的革命，也是对传统投资实践的挑战。随着行为金融理论的发展，理论界和投资界对行为金融理论和相关投资策略作了广泛的宣传和应用，好买认为，无论机构投资者还是个人投资者，了解行为金融学的指导意义在于：可以采取针对非理性市场行为的投资策略来实现投资目标。在大多数投资者认识到自己的错误以前，投资那些定价错误的股票，并在股价正确定位之后获利。目前国际金融市场中比较常见且相对成熟的行为金融投资策略包括动量投资策略、反向投资策略、小盘股策略和时间分散化策略等。

六、程序化交易与算法交易策略

根据NYSE的定义，程序化交易指任何含有15只股票以上或单值为一百万美元以上的交易。程序化交易强调订单是如何生成的，即通过某种策略生成交易指令，以便实现某个特定的投资目标。程序化交易主要是大机构的工具，它们同时买进或卖出整个股票组合，而买进和卖出程序可以用来实现不同的目标，目前程序化交易策略主要包括数量化程序交易策略、动态对冲策略、指数套利策略、配对交易策略和久期平均策略等。

算法交易，也称自动交易、黑盒交易或无人值守交易，是使用计算机来确定订单最佳的执行路径、执行时间、执行价格及执行数量的交易方法，主要针对经纪商。算法交易广泛应用于对冲基金、企业年金、共同基金以及其他一些大型的机构投资者，他们使用算法交易对大额订单进行分拆，寻找最佳路由和最有利的执行价格，以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。任何投资策略都可以使用算法交易进行订单的执行，包括做市、场内价差交易、套利及趋势跟随交易。算法交易在交易中的作用主要体现在智能路由、降低冲击成本、提高执行效率、减少人力成本和增加投资组合收益等方面。主要的算法包括：交易量加权平均价格算法(VWAP)、保证成交量加权平均价格算法(Guaranteed VWAP)、时间加权平均价格算法(TWAP)、游击战算法(Guerrilla)、狙击手算法(Sniper)、模式识别算法(Pattern Recognition)等。

综上所述，数量化投资技术贯穿基金的整个投资流程，从估值选股、资产配置到程序化交易与绩效评估等。结合量化投资的特点及我国证券市场的现状，好买认为量化投资技术在国内基金业中的应用将主要集中在量化选股、资产配置、绩效评估与风险管理、行为金融等方面，而随着包括基金在内的机构投资者占比的不断提高、衍生品工具的日渐丰富(股指期货、融资融券等)以及量化投资技术的进步，基金管理人的投资策略将会越来越复杂，程序化交易(系统)也将有快速的发展。