陆续在做CQF持证人访谈，这次是傅同学，CFA、FRM、CQF持证人。硕士毕业于英国的埃克塞特大学金融经济专业，目前在国内一家大型券商做金融产品及量化研究。平时喜欢旅游、健身，研究营养学。🌠

最近几年量化投资开始逐步走进到人们的视野当中，特别是对于A股的投资者，在近几年的结构性行情里，量化交易已展现出其强大的盈利能力，不断的帮助机构和个人投资者获取稳定且长期的回报。其实量化投资在海外的发展已有30多年的历史，其投资业绩长期稳定，在此期间的市场规模和份额也在不断扩大，也越来越多的得到主流投资者的认可。在2021年底，国内有个别的量化私募机构竟发出了5000万年终奖作为福利，更是引起了全行业的轰动与青睐。那量化交易究竟是何方神圣？一起来看看。但对于这个行业的新人来说，如何设计一个量化投资策略，算是入门的必修课。今天给大家带来了一期《3天实训-零基础量化投资实战营》，投资总监手把手带教！从选股到择时，全程投资策略实战演练，从0构建一个量化投资策略！开课时间：11月15日-11月17日，为期3天，每天直播1.5小时，干货满满！【扫码免费预约】↓↓↓量化交易是什么？它如何运作？顾名思义，量化交易其实就是通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在欧美国家的发展已有几十年的历史，从全球市场的参与主体来看，按照资产管理的规模，全球排名前几的几大资管机构，都有依靠计算机技术来开展投资决策，由量化以及程序化交易所管理的资金规模也在不断扩大。我们都知道，按投资方式来划分，往往可以分为定性和定量投资，传统由人为主观判断的方式可以称之为定性投资，而量化投资最大的特点则是模型的存在。定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，都先会用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果再做出相应的投资决策。量化交易的策略分为哪些？是如何去赚钱的？当我们知道了什么是量化交易之后，接下来我们就要了解一下量化交易常用的策略有哪些。常见的量化交易策略可以分为趋势跟踪和市场中性策略，趋势跟踪常见的有双均线策略、海归交易法等。常见的市场中性策略包括统计套利策略、Alpha对冲策略等。其中，趋势跟踪策略中最为典型的便是双均线策略。而量化交易由于借助计算机进行交易，能有效克服交易过程中面临的市场情绪、人性等诸多因素的影响，让投资交易及决策变得更为理性，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、调整，以形成可适应市场的交易策略。策略在形成后，往往各个决策条件也已经确定，实盘中也会按照此前既定的程序精准的执行。（*常见量化策略及22年收益，数据来源：朝阳永续，统计日期截止至2022年4月22日）推荐一下量化大牛的直播课，主题是《零基础量化入门实操营》，主要针对小白的朋友，课程为期3天，学完基本可以自己搞定一个量化策略！扫码预约↓↓↓量化交易常见的误区当我们了解了量化交易的运行方式和常见分类之后，还是有很多同学对量化交易存在一定的常识性误解，这里特别帮大家对于常见误区做一个解读。误区1：量化投资就是高频交易从本质上讲，大部分高频交易都属于量化交易，而量化交易不仅仅只涵盖高频交易这一种。当然，它们都是基于资本市场和计算机领域的快速发展演变而来。比如近些年大数据和人工智能的迅猛发展，让投资过程中的各个环节变得愈发智能化。同时，大量数学统计学、计算机以及金融工程相关专业的人才大量涌现，也推动了行业内策略的逐渐完善和迭代。此外，机构投资者的培育和增长也无疑为这两类投资方式提供了创业基地。误区2：量化需要过度优化参数当我们把交易策略写出来之后，在单个参数对上测试过之后，接下来就要进入策略开发的参数优化过程。在进行参数优化时，遍历很多参数对之后。会发现，有的参数对表现比较好，有的参数对表现比较差。而如果只是简单挑选一个看似“表现特别好”的参数对，就会在未来实盘交易的时发现策略的表现其实并没有模拟盘上那么好。但参数优化的目的并不是要挑选出盈利最高，或夏普比率最高的参数对，而是我们要去发现这个策略是否是参数敏感的。这就代表着在一定范围内，不同参数的表现是否稳定，即策略是否具有稳定性。看到这里，想必大家已经对量化交易已经有了一定的认识并有些蠢蠢欲动的感觉了。这里我们也给大家带来量化实操小课-《零基础量化投资实操营》，全面助力您在量化投资领域的技能提升，帮助您在最短时间内、最快的掌握量化投资的基本思路和基本技能，并且成功构建一个完整策略，我们会在几个方面教会您√怎么去构建量化投资的系统与框架√如何有效的获取股票的行情数据并加以分析√如何构建自己的均线策略√如何对策略进行优化进阶这是普通投资者以及零基础学员都可以学习的量化投资课程，内容由浅入深，层层递进，通俗易懂。扫码预约↓↓↓课程0元开放，完成3天学习打卡返还全部学费参与每天直播学习，更有机会获取现金红包奖励！！《零基础量化投资实操营》↓↓↓明星讲师↓↓↓购课时间2022年11月8日-11月14日上课时间2022年11月15日-11月17日每晚19:30-21:00直播11月15日开始社群带教，4天全程社群带教，干货满满！0元特惠！手快有手慢无！！还等什么？快快扫描下方二维码报名吧！↓↓↓

首先声明，非男女对立，只是最近遇到有粉丝私信问我这个事，刚好写点东西回答一下，仅从我遇到的情况来说，我先说结论，天生女性就不是做投资决策的料，或者说相对男性来说，女生更难成为量化基经经理，但奇怪的是，女生是适合从事量化研究分析之类的岗位的。这并不矛盾，在满足相应底限的知识背景与技能测定的前提下，量化机构对于女生员工的招聘大多又是高通过率的，目的有且仅有一个，平衡男女比例严重不足的氛围，我先说我遇到的故事。我所供职的公司，曾经有一核心策略员工Z，他的研究课题经常涉及到的一些研报的复现，有一次我到他的工位上聊天，发现Z的座位上有一本A4纸打印的所有券商金工关于该课题的研究的汇总，厚厚的一本，估计都有一本中型小说书籍的厚度，而且上面的一些重点论点与论据都有用笔标注与注释，我惊叹了。在我看来，这位大老粗同事Z是绝不可能有这样的近乎强迫症的细致行为的，于是，我好奇宝宝式的问他，这么好的研报册子挺有意思的，你在哪里搞到的？Z不好意思的回到，这本册子不是他做的Z给我始了一个眼色，让我看向他的工位对面，他的对面坐着一位女生，一脸的文静与严肃，脸颊还微微泛红估计是偷听我和他之间的对话了，Z赶紧向我介绍到，这位女生是他的同校的学妹，现在是他们组的，被分配到他们组协助他做一些研报的收集与研究工作，还在实习期。我这才发现，公司什么时候又招了女性，因为在我的印象里，公司除了前台行政，还有程序开发岗位偶尔会有1、2名女生之外量化策略团队里，是从来没有遇到过女生的不是我们不招女生，因为女生在国内证券交易的世界里面还是比较稀少的。更别说量化Quant领域了，为了公司团队的未来发展，员工对公司有更好的归属感，创造一些更和谐办公室氛围是必须的。但凡有女性愿意从事量化研究这一类的岗位，只要各项专业背景知识足够，达得到条件，如果某些方面再优秀一些（颜值），那肯定是可以加分的，与男性量化研究员相比，可能相对录用条件还会适当再放宽一些，放宽的原因，并不是从什么专业知识背景出发考虑，更多的原因是女生在团队建设发展中很重要，重要的原因也仅仅是女性特有的性别魅力决定了的。我知道很多女生不能接受这一点，很想证明做为一名女生量化研究员的能力，但现时往往很无力。除非你真的是那种天赋异禀、人中龙凤类的。社会发展已是如此，女生因为生理结构、历史等等原因，已经决定了现时现状。女性在涉及对外战争、从事生产生活经营活动（如狩猎、耕地）时，自上古以来就已经相对不如男性，另外千百年以来的其它历史原因造就女性在现代职场更弱势的现象，相对男性，女性在一些如文化艺术创造领域方面，女生又要更为主导。我只讲客观现象，没有性别歧视的意思。女生做量化研究是不是劣势的话题本身抛出来，就是一个引发性别对立的不好的现象，如是抛出问题的本人正好也是一位女性，那么这位女性同袍，一定骨子底也是一位性别忧虑、深受职场性别区别对待的同学。还有如果是在专业技能方面来判定女性是否适合做量化研究之类岗位的话题，仅仅是研究分析师这一样的风位，那么我会肯定的回答：适合，天然适合，与男性别无二致。女生在进入这样的金融证券行业岗位之前，相对男生，更要付出更多的努力，女性与男性一样，同样接受了高等教育，也同样学习了线性代数、随机微积分、计算机程序基础等等知识。所以在专业技能方面，做一做研究是完全没有问题的，甚至某些研究课题方向上，女生甚至可以利用自己的一些先天性别优势，比如第六感，不要觉得第六感是一件很好笑的事，我曾经看过一篇讲女性大脑的结构，思维方式的文章，有讲到大多数女性非线性逻辑，当一个事物的因果关系只要存在的时候，女生更容易跳掉中间的论证过程环节，直觉里就奔正确答案去了女性拥有先知道答案的能力，这就是第六感，是不是挺可怕？这种特别的技能，如果放在证券交易市场的主观交易策略团队里，其实天然适合用来做人肉选股器的，不知道有没有主观团队已经采用类似的方法。当然女生也是有劣势的，这种劣胜也挺致命的，在某些场合这种现象会被无限放大。这个劣势用一个通俗易懂的例子就可以说明白，一对夫妻共同乘坐一辆汽车，在面对可能发生严重交通事故的那一刻，女生往往会大声尖叫，而男性往往相对来说更为冷静，本能的会思考或做出对自己安全更有利的形为，跳车或是拉手刹。当然如果男性的思维层级解决不了现下所面临的风险时，就如上面讲到的交通事故，男性也是有一定机率大吼大叫的（有点搞笑场面）因为女生更容易被生理基能的原因影响，更容易做出情绪化决策的行为，在量化投资领域也是大忌，至少在决策层面是这样的。不过，做一做量化因子课题研究、机器学习金融应用研究之类课题方向是没有问题的，故事的结尾是，5年之后的今天，那位员工Z与这位女生，我收到了他们两个的婚礼邀请他们俩已经结婚。最后。说一下结论，女生如果是从事量化研究分析、量化系统开发、维护等等形式的量化工作，是天然合适的，如果涉及到掌舵、风控之类的岗位，一定要尽力避免。女人在量化研究领域人数挺少，应聘求职先天有优势如遇有团队遇到有女生来应聘量化研究员之类的岗位，那么你们一定要珍惜。谢谢你的关注与点赞！我愿意和你一起交流，一起聊金融证券、聊量化交易，共勉前行。扫码领取CQF学习资料包▼来源：转载自CQF量化金融分析师（id：cqf_study），作者南山宽客，内容已获得授权，如有疑虑请联系处理。

大家对量化交易或量化投资的方式都不陌生了，我们已接触和学习的包含但不限于量化投资门类，诸如程序化交易、算法交易、高频交易、套利交易、量化选股、量化择时等种类繁多的量化投资方式。但对于这个行业的新人来说，如何设计一个量化投资策略，算是入门的必修课。因此，为了帮助广大量化人更好地完善自己的策略模型，今天给大家带来了一期《3天实训-零基础量化投资实战营》，投资总监手把手带教！从选股到择时，全程投资策略实战演练，从0构建一个量化投资策略！开课时间：11月8日-11月11日，为期3天，每天直播1.5小时，干货满满！【0元领取】👇👇

对于量化初学者而言，挖掘因子是构建策略的第一步，有效的因子组合可以获取超额收益；而沉余琐碎因子则会让策略失效，所以搭建具有显著收益正相关性的多因子模型是策略研究前期工作的重中之重。今天主要讲一讲：基本面因子基本面因子以财务数据和股东数据为基础构建，主要可以划分为盈利能力、成长能力、营运效率、估值因子和规模因子等几大类因子。介于我之前在会计师事务所的经验，我将这几类因子分析的详细一些：1）盈利能力因子经营现金流/总资产(CFOA)因子选股能力表现良好。相较于其他盈利能力因子，CFOA在不同选股域中的有效性均较为显著，体现其对收益率较强的预测能力。同时，CFOA因子的多头组合在全市场普遍具有较高的年化收益和较低的最大回撤，选股收益表现也同样较为优秀。2)成长能力因子多数成长能力因子有效性较好。在全市场中，多数成长能力因子的IC检验有效性较为显著，其中业绩趋势因子（QPT）和标准化预期外净利润因子（NP_SUE1）在不同选股域中具有较强的收益预测能力。全市场中，QPT因子的IC均值为4.13%，IC_IR高达0.91；NP_SUE1因子的IC均值为3.47%，IC_IR达到0.74。3)营运效率因子ATD、GPMD、OCFA和OPMD因子选股能力良好。在全市场、沪深300和中证500中，资产周转率变动因子（ATD）、毛利率变动因子（GPMD）、产能利用率提升因子（OCFA）和营业利润率变动因子（OPMD）的多头组合均有较强的年化收益表现，选股能力整体表现较为优异。4)估值因子半数估值因子具有较强的单调性。在全市场中，市净率倒数因子（BP_LR）、股息率因子（DP）、市盈率倒数因子（EP_TTM）、经营现金流市值比因子（OCFP_TTM）和市销率倒数因子（SP_TTM）具有较强的单调性，其中DP、EP_TTM和OCFP_TTM因子在不同选股域中均有较为良好的单调性表现。5)规模因子Ln_MC因子在全市场有效性检验中表现较为出色。大多数规模因子的IC检验有效性表现欠佳，总市值对数因子（Ln_MC）在全市场有效性检验中表现较为出色，但在宽基指数范围内表现相对较弱。更多因子模型解读，推荐大家去看一看下面这期课程，从因子模型起源、量化交易与FF3因子、机器学习、短周期因子实操等等，多个模块解读，很详细！【免费领取】👇👇点击阅读原文即可报名课程

前几天有的朋友后台私信问还有没有免费领书的“好事”！这次重新采买了20本量化书籍（共4种，详见下文介绍），考虑到不是所有小伙伴都需要书籍的，特地找了一个《期权的量化投资》课程，送给每一位参与的小伙伴！赠送的课程是高顿教育提供的，书是自购的长按下方二维码参与本次赠送活动↓↓↓▼本次你将获得的资源部分介绍▼1、《中国期货市场量化交易》量化期货市场的专业书！实用性极强！▲本书主要介绍如何运用统计分析和机器学习等方法对中国期货市场量化交易进行建模分析。不仅覆盖了最基础的数据获取、数据清理、因子提取、模型构造以及最后的动态投资组合优化，而且有丰富的代码方便读者临摹学习和修改提升。2、《量化投资：策略与技术》全书用60多个案例介绍了量化投资各个方面的内容，主要分为策略篇、技术理论篇和金融理论篇三部分。▲策略篇主要包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易和另类套利策略等。技术理论篇主要包括人工智能、数据挖掘、小波分析、支持向量机、分形理论、过程、IT技术主要数据与工具及D-Alpha量化对冲交易系统等。金融理论篇阐述了与量化投资有关的各种经典金融理论，包括投资组合理论、定价理论及金融市场理论。本书适合基金经理、产品经理、证券分析师、投资总监及有志从事金融投资的各界人士阅读。3、《Python金融大数据分析》，唯一一本详细讲解使用Python分析处理金融大数据的专业图书，▲提供了使用Python进行数据分析，以及开发相关应用程序的技巧和工具，是金融应用开发领域从业人员必读。4、《基本面量化投资》一本运用财务分析和量化策略获取超额收益的书籍▲作为在海外证券市场较为成熟的投资理念和方法，量化投资近年来在中国证券市场迅速发展。本书从个股分析、因子构建和策略实施三个方面进行详细阐述，将基本面量化投资形成一个系统性的知识体系。《基本面量化投资：运用财务分析和量化策略获取超额收益》的特色在于理论与实践紧密结合：在每一章节中，不仅会详细介绍相关领域经典和前沿的学术文献，还会从中提炼出可实施的量化投资策略，将学术研究成果落地和转化。5、参与即得：精品课程《期权的量化投资》（参与即送）······长按下方二维码按照提示操作，即可马上拥有↓↓

做量化投资还是需要分岗位的,少部分岗位存在于券商量化自营部门，还有一些资产管理部下属的一些量化研究类型的岗位，一般进入难度还是巨大的，是需要履历沉淀的，我们量化从业，相对容易的做法是一开始在私募积累经验，3-5年后如果仍然还对券商体系感兴趣的话，那时择机进入会相对容易一些。毕竟券商量化的offer不是你相拿就能拿到的。最大的原因在于僧多粥少，国内也就100多家券商，相应的量化也并不是资产管理部所管理资金的全部，而是一少部分，有能力的话，最好去一些好的国外量化机构。话说国外也挺卷的，全球的高学历背景知识人才都在挤破头皮想进这样的机构。但好处是，国外的量化机构薪资跟国内完全不是一个数量级。券商的量化岗位开放对外的，大多是研究分析之类的岗位，可以理解为打杂吃大锅饭，基本是没有机会接触到真正交易决策执行环节。也就可以理解为与一般的券商研究所或者金工部的研究分析岗位别无二致，也就是辅助火力，有时可能还会协助一些公募的销售部门去路演，参加个酒局什么的。聊聊普通券商量化岗位的薪资国内现状，大多数除了基础五险一金外，还有一些奖金+隐性福利，但不会太高，入职1-3年估摸税后20-40万/年,当然也分工作地域，北上广深这个数对不起高出天际的房价，杂七杂八按50W算是一个常态。超过3-5年之后，很多岗位会面积升迁的职场天花板或者是职场厌倦期，就职3-5年以上的券商量化岗位的薪资待遇，并不会低于券商金工组的，或者资产管理部的其它岗位的薪资，总部设在内陆地区的券商没有多少家，相对来说，薪资会少一些，大致是在10-30万/年，但好处就生活安逸富足，心态良好，心态良好的原因，是吃大锅饭，没有啥压力，只要你不做错事，犯原则性错误。自营部门，实际与业绩好坏挺关系的，我曾经看到某券商自营开出300W薪资招自营的新闻，不知是真是假，相对来说自营部门的岗位，对相应出身背景要求颇为严格，还有据当时挺火的报道，21年某证券首席分析师晒出了自己的工资，其2021年1月至11月收入为224.67万元，申报税额62万。让不少人眼红，尤其是圈外的一些大厂大龄并想转型quant的人眼红，很多人搞不清楚这仅仅是券业中高层职场人的常态。然后很快被灭火了，具体原因就不展开细说了，很多人应该都知道。总的来说，券商不是你想进就能进，如果能进，那么不要犹豫。说完券商量化，再说说量化私募，其实量化私募，对外招聘最多的岗位就是量化研究员之类的岗位，也一直被很多朋友调侃为流水线上拧螺丝钉一的工作，而量化金融人才最短缺的年代已经过去了（15年之前），现在是饱合的状态，好在全中国的私募基金众多，受近几年年量化类型基金的优异表现，每个私募机构都多多少少设有量化类型研究或生产岗位，发行量化管理型基金是这两年私募基金最上头的事。一般私募量化研究员的的工作，也确实如网友戏说，基本上做的是最基层的事，收入方面，我了解到的大部份的薪资相对券商量化来说，都比较低。但也看能力的，还有所供职的私募老板是否大方，还有体量规模，以及盈利能力，每家量化私募的股权激励以及分红计划都不相同，最终决定了薪酬的不同，比如说对于丰收年份来说，一些头部的私募量化，年终分个几千万不是什么大新闻，但也要搞清楚大头一定是被几个核心策略人员给拿了，能拿到这些分红的朋友，估计已经被招安为合伙人了。一般的基层螺丝钉，在量化大年，也就是相比普通年份，薪资待遇也就是月入20K与30K的区别。以私募行业最就业人数最多的岗位，量化策略研究员来举例说明(数据来源：职友集)以上海地区为例：2021年上海量化策略研究员平均月薪￥22.8K，2021年工资高于2020年，较2020年增长了4%。2020年工资￥21.9K，2019年工资￥19.1K，2018年工资￥20.4K，2017年工资￥21.0K，2016年工资￥13.4K，2015年工资￥14.2K。职友集数据统计依赖于各大平台发布的公开数据，系统稳定性会影响客观性，仅供参考。但我上面也说到了年终分5000万大红的量化私募新闻，那可不是假。实际上充分说明了，量化投资的岗位收益也是看年份的，其实私募量化是一个入行门槛较低，而且成长巨大的行业择业选项，对于在每况愈下的互联网大厂忧虑中的老程序员，或是数据、算法科学家来说，金融行业是一个具备极长生命周期性的行业，就算是灾难年份，金融证券市场仍然是红红火火，不受影响的，最近几年的各大事件就是最好的说明。这也是为什么所有的实业大佬，发展到一定阶段都要涉猎和转型金融证券业的原因。不过世界上没有这么简单的事，量化行业也是一样，最难的事情是，绝大部分量化模型面临着常态化失效、生命周期短暂、行业考核压力巨大等阵痛。而且私募量化是一个挺看重过往实操经验，且具德扎实理论的金融证券行业，需要你不停地去学习新的技术、挖掘特异、恒久生命周期的投资系统。私募量化的成长路径，我的建议是先选择一个体量比较大的平台型量化私募，在这样的机构就算从底层做起，学到的东西也比那些小型量化私募强，有机会了就往决策团队转，或者跳槽到更有决策权的外部团队岗位，你需要搞清楚，量化私募从业，光靠死工资可是发不了财的，靠死工资不如呆在一些互联网行业划划水，量化投资，帮投资人赚钱才是自己快速膨胀的最优路线。谢谢你的关注与点赞！我愿意和你一起交流，一起聊金融证券、聊量化交易，共勉前行。扫码领取CQF学习资料包▼来源：转载自CQF量化金融分析师（id：cqf_study），作者南山宽客，内容已获得作者授权使用，如有疑虑请后台联系处理。

知乎上有个人提问：一个28岁工作了两年的量化研究员，没有做出策略，该怎么办？这绝不是个例。不管是个人量化交易，还是给机构做策略，许多人干了两三年量化，依然开发不出有效的因子或者实盘盈利的策略，久而久之，思路枯竭，愈发焦虑。为什么会这样？主要是学习量化交易的两大难点：一是没人教，进步慢。对个人量化交易者而言，难点在于数据处理、因子挖掘、策略构建、实盘优化等一系列量化动作，全部得自己完成，代码工作量较大。到了后期上实盘，坑更多，比如回测时的未来函数问题、过拟合、手续费滑点、冲击成本等等，都是需要自行摸索解决。对于量化从业者而言，多份行业报告表明，80%量化从业者主要通过自学提升自己量化专业知识。大机构可能还有系统性的培训、师徒制学习，对于很多规模较小的量化私募，技术积累比较浅，如果公司没有资深的人，自己摸索可能困难重重。二是市场轮动块，因子失效。期货市场一直在进化，市场风格一直在轮动，很多几年前有效的因子，可能现在就不怎么好用了。所以做量化，最重要的点还是在于“更新”。因子、策略不是量化投资的核心，你的更新迭代能力才是。更新就在于不断吸收和内化量化知识，是进行去伪存真的一个过程。量化是一个需要时间精力和金钱的研究过程，如果某一个过程出岔子都可能前功尽弃，甚至一无所获。为了帮助广大量化爱好者群体更加多视角学习量化投资的全过程，我结合自身经历，特地给大家带来了这期课程福利，《如何设计一个量化投资策略》，本次课程学习是免费的：粉丝专享福利扫码领取主题：如何设计一个量化投资策略方式：录播课主题：

在个人量化平台的选择上，我感觉还是有点发言权的O(∩_∩)O哈哈~我现在是一名自由职业类型的个人量化交易员，职业交易这种类型的，俗称“xx养家”。我用过的量化平台大致上分为两类，一类是相对资历较老的专量化投资工具集平台类，如老牌的掘金、天软、期货市场的文华、开拓者等等，其实最早量化投资只是一种泛泛的叫法，比如巴菲特的数量化投资理念，亦是一种量化投资的形式。关于量化投资，我认为最重要的就是数量化的分析决策思维是最重要的，谈到数量化分析，就离不开数量化分析的工具，这里面从基础数据分门别类的储存、清洗、加工，到数据集发掘复现历史规律的拓展研究，这里面的相关门道，浩如烟海，并非普通个人力所能及。我个人认为只要是帮助投资者，进行数量化分析决策思维的工具，这一类的软件功能、工具集、插件等等。都应算做量化投资相关素材。因此，开始越来越多的量化交易工具研究人员，尝试合作抱团。有一些团队尝试着将这些工具集、量化交易的相关素材集成在了某一套系统上，并对外开放使用或者商用，这就形成了“量化交易平台”的说法了。比如2015年左右诞生了大量的基于云端的web版量化平台，聚宽，优矿，Bigquant等等。因其核心人员大多来自互联网的原因，这一类的平台大多具备了互联网行业的基因，大多形成了开发环境+数据API集成+可视化界面+分享互动社区的模式。这一类的平台，因为研究计算基本基于云平台环境，就产生了一些特定的优势，比如，开源云端部署，即拿即用，而且贴心的准备了很多的小白入门教程，基本上有一点计算机相关基础的人，都可以直接查看相关API的帮助文档，直接上手开发策略了。当然前提是交易策略思想层面的部分你得提前准备好。这类平台，对中低频类型的A股市场投研策略来说，如果是小散之类技术指标分析型选手，或者基本面之类的因子研究流派来说，也基本够用了。另外，像聚宽一类的大一点的平台，已经与一些券商进行了实盘接入的可能性探讨。比如券商反向采购聚宽的量化系统，直接改一个名字叫XX券商量化平台，其实代码层面其实就还是原来聚宽一模一样的。本来没有这么麻烦的，不过国内对这块管控的要严格一些，不仅要从门槛上堵死你，在投研分析的工具使用权上，也做了限制。如果你是一家私募或者公募量化团队，根本也就没有这些烦恼了。好在时代在进步，现在个人投资者，只要达到相应的券商要求（某些券商要求X万量化实盘开通门槛），基本上都能实现。这类云端量化平台，不足的地方也很要命，比如回测速度慢，极慢。数据访问层层限制，很多高级一点的数据慢慢都收了费，或者采用了积分制。对新人不友好。还有就是某些人担心的一点，策略保密性的问题，保密性上确实是个问题，关于保密性，我想说的是，就算各类平台的管理维护团队都是正人君子，仅仅代表他们不会去拿，不代表他们看不到。所以，如果你对策略的安全保密性有要求的话。这确实是一个很要命的点。我用过的，股票的类型的平台，聚宽还算是一个不错的选择，期货期权类型，真格量化也是一个不错的选择。当然还有一些其它平台，我多少接触过，但没细研究，但同行业的反馈来说，目前这两个平台针对中小散A股的个人量化投资来说，是值得一试的。至少对提升自身数量化建模意识能力来说，是不错的。赚钱与否还得看你对市场的理解本身。这类量化平台的痛点，恰恰是另外一些本地化部署的量化平台的特点。比如迅投QMT系列，这套量化平台采用的是本地化的部署，主流的Python量化开发语言环境，另外这类系统内部嵌入了丰富的报单算法函数，这可能是由于迅投公司前身是基于专业量化投资机构的PB资管软件服务商的原因。这类型的函数在实际实盘开发中经常需要大量运用，尤其是一些涉及到高频交易，大量报撤单一类的算法。比如追价，拆单，算法单等等。这种特点在那些云网络的量化平台上是不具备的，大多需要自己单独去写。我当时运用查看的时候，已经被丰富的报盘函数API给震撼到了。这类平台，因为本地化布置，所以安全性上得到了极大的提升，尤其是特色数据的访问获取也有了实现的可能，比如你可以在本地加工一些计算好的特色化历史数据，再代入进行运算。这样下来，回测速度上也得到极大的提升。这类平台还有一个特别大的优势，那就是基本大中小券商基本都有采购，你只需要向券商申请开通使用就是了，估计会有一些资金的开户门槛。而且迅投系统还有丰富的多帐户管理系统，以及风险控制系统，以及与普通报盘界面嵌套合作的方式，更加的适用于一些专业量化研发团队。当然这类平台，也有不足的地方，比如只能限定IP与硬盘地址，且不能多点登陆之类的。期货量化平台，可选择性就太多了，比如老牌的文华财经，以及交易开拓者等等。另外还有一些基于python的本地量化平台也是可以的，比如VNPY这种。时至今日，期货市场的程序化交易氛围是大大强于A股的。因为各方面原因的制约，A股我个人认为仍处在相对农耕时代一些，A股市场是地主，与韭菜遍地的市场。而期货市场我认为相对更文明一些。文明的原因，恰恰是因为期货期权市场上，拥有一群专业化投资人员，以及数量化的投资分析工具，还有监管层对程序自动化的开放包容性。如果是ETF指数期权，真格量化平台也是不错的选择，因为我有在这个平台上实现了一些其它平台不能实施的策略，比如宽跨市策略。总的来说，个人量化我认为路径众多，还是得针对自己所处的市场，资金体量大小，策略类型来决定开发平台。个人量化，前路漫漫。谢谢你的关注与点赞！我愿意和你一起交流，一起聊金融证券、聊量化交易，共勉前行。扫码领取CQF学习资料包▼来源：转载自CQF量化金融分析师（id：cqf_study），作者南山宽客，内容已获得作者授权使用，如有疑虑请后台联系处理。