股市量化择时系统

❶ 量化分析的量化投资策略

量化投资技术几乎覆盖了投资的全过程，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、算法交易，资产配置，风险控制等。
1·量化选股
量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池，如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类
2·量化择时
股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。
3·股指期货套利
股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同(但相近)类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。
4·商品期货套利
商品期货套利盈利的逻辑原理是基于以下几个方面 ：(1)相关商品在不同地点、不同时间对应都有一个合理的价格差价。(2)由于价格的波动性，价格差价经常出现不合理。(3)不合理必然要回到合理。(4)不合理回到合理的这部分价格区间就是盈利区间。
5·统计套利
有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利在方法上可以分为两类，一类是利用股票的收益率序列建模，目标是在组合的β值等于零的前提下实现alpha 收益，我们称之为β中性策略；另一类是利用股票的价格序列的协整关系建模，我们称之为协整策略。
6·期权套利
期权套利交易是指同时买进卖出同一相关期货但不同敲定价格或不同到期月份的看涨或看跌期权合约，希望在日后对冲交易部位或履约时获利的交易。期权套利的交易策略和方式多种多样，是多种相关期权交易的组合，具体包括：水平套利、垂直套利、转换套利、反向转换套利、跨式套利、蝶式套利、飞鹰式套利等。
7·算法交易
算法交易又被称为自动交易、黑盒交易或者机器交易，它指的是通过使用计算机程序来发出交易指令。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。根据各个算法交易中算法的主动程度不同，可以把不同算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。
8·资产配置
资产配置是指资产类别选择，投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。量化投资管理将传统投资组合理论与量化分析技术的结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。它突破了传统积极型投资和指数型投资的局限，将投资方法建立在对各种资产类股票公开数据的统计分析上，通过比较不同资产类的统计特征，建立数学模型，进而确定组合资产的配置目标和分配比例。

❷ 如何理解量化选股和量化择时之间的关系

所谓量化投资，就是通过定量或统计的方法，不断地从历史数据中挖掘有效的规律并在投资行为中加以利用，甚至通过计算机程序自动执行下单的动作。也就是说，量化投资方法是靠“概率”取胜，其最鲜明的特征就是可定量化描述的模型、规律或策略。

对于股票市场，量化投资主要包括量化选股、量化择时、算法交易、股票组合配置、资金或仓位管理、风险控制等。我们这里重点聊一聊量化选股和择时策略，其中前者解决哪些股票值得关注或持有，后者解决何时买入或卖出这些股票，以期在可承受的风险程度下，获得尽可能多的收益。

第一阶段：选股
选股的目标是从市场上所有可交易的股票中，筛选出适合自己投资风格的、具有一定安全边际的股票候选集合，通常称为“股票池”，并可根据自己的操作周期或市场行情变化，不定时地调整该股票池，作为下一阶段择时或调仓的基础。

量化选股的依据可以是基本面，也可以是技术面，或二者的结合。常用的量化选股模型举例如下：
1多因子模型
多因子模型：采用一系列的“因子”作为选股标准，满足这些因子的股票将作为候选放入股票池，否则将被移出股票池。这些因子可以是一些基本面指标，如 PB、PE、EPS 增长率等，也可以是一些技术面指标，如动量、换手率、波动率等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发生作用。
2板块轮动模型
板块轮动模型：一种被称作风格轮动，它是根据市场风格特征进行投资，比如有时市场偏好中小盘股，有时偏好大盘股，如果在风格转换的初期介入，则可以获得较大的超额收益；另一种被称作行业轮动，即由于经济周期的原因，总有一些行业先启动行情，另有一些（比如处于产业链上下游的）行业会跟随。在经济周期过程中，依次对这些轮动的行业进行配置，比单纯的买入持有策略有更好的效果。
3一致性预期模型
一致性预期模型：指市场上的投资者可能会对某些信息产生一致的看法，比如大多数分析师看好某一只股票，可能这个股票在未来一段时间会上涨；如果大多数分析师看空某一只股票，可能这个股票在未来一段时间会下跌。一致性预期策略就是利用大多数分析师的看法来进行股票的买入卖出操作。
与此类似的思路还有基于股吧、论坛、新闻媒体等对特定股票提及的舆情热度或偏正面/负面的消息等作为依据。还有一种思路是反向操作，回避羊群效应（物极必反），避免在市场狂热时落入主力资金出货的陷阱。

4资金流模型
资金流模型：其基本思想是根据主力资金的流向来判断股票的涨跌，如果资金持续流入，则股票应该会上涨，如果资金持续流出，则股票应该下跌。所以可将资金流入流出情况编制成指标，利用该指标来预测未来一段时间内股票的涨跌情况，作为选股依据。
第二阶段：择时
择时的目标是确定股票的具体买卖时机，其依据主要是技术面。取决于投资周期或风格（例如中长线、短线，或超短线），择时策略可以从比较粗略的对股票价位相对高低位置的判断，到依据更精确的技术指标或事件消息等作为信号来触发交易动作。

一般来说，择时动作的产生可以基于日K线（或周K线），也可以基于日内的小时或分钟级别K线，甚至tick级的分时图等。具体的量化择时策略可以分为如下几种：
1趋势跟踪型
趋势跟踪型策略适用于单边上升或单边下降（如果可做空的话）的行情——当大盘或个股出现一定程度的上涨和一定程度的下跌，则认为价格走势会进一步上涨或下跌而做出相应操作（买入->持有->加仓->继续持有->卖出）。

2高抛低吸型
高抛低吸型：高抛低吸型策略适用于震荡行情——当价格走势在一定范围的交易区间（箱形整理）或价格通道（平行上升或下降通道）的上下轨之间波动时，反复地在下轨附近买入，在上轨附近卖出，赚取波段差价利润（下轨买入->上轨卖出->下轨买入->上轨卖出->…）。
3横盘突破型
横盘突破型：价格走势可能在一定区间范围内长时间震荡，总有一天或某一时刻走出该区间，或者向上突破价格上轨（如吸筹阶段结束开始拉升），或者向下突破价格下轨（如主力出货完毕，或向下一目标价位跌落以寻找有效支撑），此时行情走势变得明朗。
横盘突破型策略就是要抓住这一突破时机果断开多或开空，以期用最有利价位和最小风险入场，获得后续利润（空仓或持仓等待机会->突破上轨则买入或平空/突破下轨则卖出或做空）。

常见的趋势跟踪型策略有：短时和长时移动均线交叉策略，均线多头排列和空头排列入场出场策略，MACD的DIFF和DEA线交叉策略等。如下图所示：

常见的高抛低吸型策略一般通过震荡类技术指标，如KDJ、RSI、CCI等，来判断价格走势的超卖或超卖状态，或通过MACD红绿柱或量能指标与价格走势间的背离现象，来预测波动区间拐点的出现。如下图所示：

常见的横盘突破策略包括布林带上下轨突破、高低价通道突破、Hans-123、四周法则等。如下图所示：

必须要强调的是，趋势跟踪型策略和高抛低吸型策略适用于完全不同的市场行情阶段——如果在单边趋势中做高抛低吸，或是在震荡行情中做趋势跟踪，则可能会造成很大亏损。因此，对这二者的使用，最关键的是，第一要尽量准确地判断当前行情类型，第二是要时刻做好止损保护（和及时止盈）。

总结一下：
在疯牛秘籍和疯牛形态系列产品中，提供了大量对股市规律的揭示、以及基于这些规律制定的量化策略，例如基于各类公告事件、资金动向、技术指标等制定的策略和规律，以及次日机会、底部形态反转等对应的交易时机。
这些实时动态的策略可为投资者的选股和择时操作提供高效的、有价值的参考。

❸ 什么叫量化数据和类别数据

量化数据是将一些不具体，模糊的因素用具体的数据来表示，以一定范围内线性变换的数据反映自然界或社会的状态，从而达到分析比较的目的。

类别数据是按照现象的某种属性对其进行分类或分组而得到的反映事物类型的数据，又称定类数据。

虽然量化分析可以帮助更加方便和直观地衡量风险和收益，但需要强调指出的是，美国华尔街顶级量化金融大师、哥伦比亚大学著名教授伊曼纽尔·德曼，在《数学建模如何诱骗了华尔街》一文中，毫无忌讳地承认：根本不可能（通过数理分析方法）发明出一个能够预测股票价格将会如何变化的模型；如果我们相信人类行为可完全遵守数学法则，从而把有着诸多限制的模型与理论相混淆的话，其结果肯定会是一场灾难。

(3)股市量化择时系统扩展阅读：

股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。

众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。

股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同(但相近)类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。

❹ 什么是期货量化交易与程序化交易一样的吗

量化投资理论是借助现代统计学和数学的方法，利用计算机技术从庞大的历史数据回中海选能带答来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可持续的、稳定且高于平均的超额回报。
量化从一开始也不是作为定性的对立面而提出的方法，它是将定性分析中的技术分析策略用模型固化，替代过程中可以用电脑进行的部分并将其效用极大优化。量化交易策略几乎覆盖了投资的全过程，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、算法交易，资产配置，风险控制等。

程序化交易将具体的交易时机，仓位，止损止盈，获利标准编写进交易程序中，也可能独立于程序外。程序化只是交易执行的一种方式。

❺ 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。

❻ 如何量化炒股

我在其中遇到很多烦恼，在量化投资中，不知道你是不是有这样的烦恼，下面是我的烦恼：

1、专业量化炒股工具太复杂，有没有适合普通股民的量化分析工具呢？ 有自己的选股方法和参考指标，如何去验证是否能带来收益呢？ 很多牛人都有自己的炒股策略，谁的才是真的好呢？ 增减或替换选股指标，需要大量的数据运算，耗时费力，该如何避免呢？

不过这些问题数库多因子量化平台可以帮你解决，3分钟量化选股，做自己的股票分析师。

数库多因子量化平台是数库公司为了普及量化投资，为广大股民提供的新型可视化量化工具，通过寻找与股票未来收益最相关的因子作为选股标准，综合运用多因子构建模型对股票进行评价，选取综合得分高的股票，以期获得超额收益。

总结：无论你是小白还是专业人士，都可以在数库多因子量化平台上尽情施展自己的炒股策略，炒股变得不再乏味烦心，而是便捷高效，轻松实现高收益。

❼ 如何构建简单实用的量化择时策略

所谓量化择时，简单来讲就是利用某种数量化的方法判断市场走势。如果专判断是上涨，则买入属持有；如果判断是下跌，则卖出清仓；如果判断是震荡，则进行高抛低吸。这个问题显然没那么简单。大盘明天是涨还是跌？下周是涨还是跌？下个月是涨还是跌？明年是涨还是跌？如果有谁能像章鱼帝那样准确预测，那一定富甲天下了！

像这样的难题，有什么比较好的解决方案呢？大数据择时？机器学习？人工智能？这些乍听之下就感觉高大上的量化择时方法对于许多在短短半年内历经三次股灾险死还生的投资者而言，恐怕是既心向往之而又感无能为力吧！其实，正如我们前面的简单策略所展示的那样，只要我们不过于贪婪，即使没有这些高大上的方法，通过构建一个简单实用的量化择时系统，也可以在较长时期内跑赢市场，获取相对稳定的长期投资收益。

比较常用的量化择时方法，除了隐马尔科夫(HMM)、支持向量机(SVM)等基于机器学习(Machine Learning)理论的较复杂方法之外，还包括趋势择时、市场情绪择时、有效资金模型、赫斯特指数等诸多方法。我们前面所展示的正是基于移动均线的趋势择时策略。

❽ 如何系统地学习量化交易

接触量化交易大概有半年的时间，顺序大概是这样： 1. 学习了量化的回分析理念，主答要用于期现基差套利。 2. 学了Python，自己尝试着写了一套选股系统，主要是数据处理和一些策略，表现一般。 3. 改用MATLAB，还是拿来做分析和写策略。然后在tb上实现。 4. 接触了一些c++和c#的平台，正在看c++ premier。 最近发现hft很多人自己写平台，去看了ctp的接口，发现一点都看不懂，问了做程序的朋友，说是要去学学网络协议。 看到自己一年下来，居然接触了这么多东西，感到非常惊讶。但是确实每个都是和程序化有关的。最近还打算辞职去读个书，系统的学习编程。