什麽是量化策略？如果说的比较官方其实就是一句话：量化策略的本质是利用数学、统计学和计算机技术，透过分析历史数据来发现市场中的规律，并基于这些规律构建可重複、系统化的交易决策模型，以期在未来获得稳定、可持续的超额收益。

但是在现实中量化却远不止这麽简单，因为量化策略的有效性是建立在市场有效性假设基础之上的，由于有价证券的波动性越来越受到地缘政治和货币政策的影响以及短期市场散户情绪的恐慌与狂热，市场会经常性失效。同时，由于短线交易中多空双方博弈的过程中资金量的不平衡以及对手方採取对手策略，往往也会造成量化策略的失效。这也非常好理解，如果量化策略总是有效的，那麽当今的世界首富应该是个数学家。 「量化没有银弹」是初学者需要上的第一堂课。

那麽既然量化策略不一定有效，为何我们还要研究量化策略。因为相较于消息面主观判断、跟风式投机。量化策略依然是专业投资者扩大获利机率，降低风险损失的最适解。

一个完整的量化策略的建构通常分为以下几步：

阅读与学习理论

通常来说，我们可能会去学习传统的MACD、RSI这种传统量化模型，这种传统量化模型，也会去阅读各类机器学习的论文。透过理解理论可以方便我们后续透过python将理论转换成可自动化交易的程式码。

资料的取得与资料清洗

做量化，数据是基础的生产要素，目前市面上已经有各类成熟的数据API接口，如tushare、Binance等，透过数据接口获取到原始数据后，我们需要对数据进行清洗和缺损值填补。

因子挖掘

因子挖掘可以说是我们量化交易中核心的工作之一，只有找到关键性因子，我们才能够将量化策略的获利最大化。对于市场来说千变万化，去年的因子今年可能就没有相关性，小市值的因子可能对于大市值股票毫无作用。所以一款优质的量化策略，这裡是重中之重。

建构回测和评估指标

我们将我们的量化策略程式码化后。透过一系列专业指标来评估策略的表现，例如：

年化报酬率 (Annualized Return)：策略的获利能力。

夏普比率 (Sharpe Ratio)：承受单位风险所获得的超额回报，衡量策略的性价比。

最大回撤 (Maximum Drawdown)：策略在历史上可能出现的最大亏损，衡量其风险。

胜率 (Win Rate)：获利交易次数佔总交易次数的比例。

到了这一步，如果说你回测结果非常漂亮，通常来说一个量化策略就算完成了。但是坑往往就在这裡。很多新手或是在校学生在拿到一份漂亮的回测结果后便会有一种巴菲特附体的错觉，然后一跑实盘便会亏到裤衩子。

这裡我们就需要了解回测和评估指标的的打折问题，在模拟盘中买入卖出点往往都处于非常理想的状态，实际上，大幅度的上涨和下跌在实践中对于普通交易者来说都是来不及交易，损失往往是在毫秒之间。对于回测的结果，我们需要複盘盘面大幅震盪时期的回撤，对于回测结果进行打折才能能够获得相对实际的回测结果。