個人總結一下：
交易輔助：程式化交易
策略支撐：演算法交易、量化交易
策略邏輯：統計套利、高頻套利
程式化交易一般是指用計算機程式來進行查詢、下單、委託等代替手工交易的方式。這種方式其實只是自動化了交易環節，提升了效率，減少了人工。比如以前都是靠人來盯盤下單，那麼有了程式化交易之後，這些環節都有計算機來執行，但是仍然需要人來指示，到底買什麼賣什麼以及什麼樣的情況下交易。
演算法交易是指透過計算機程式的演算法來控制、指導交易的方式。比如某計算機程式，他編制一個演算法，當MACD滿足某種條件時，發出買賣指令，這就是簡單的演算法交易。演算法交易注重的是怎樣產生交易指令，而不是交易方式。
量化交易其實可以說是演算法交易的放大版本。量化交易是需要把所有交易和決策所需要的資訊全部數字化，並利用這些數字來進行交易決策。這往往也是依賴於很多的演算法，而木魚自己的量化系統就是依賴於資料探勘以及人工智慧技術，演算法是肯定必須的。很多人把量化交易僅僅停留在用一些因子來選股上，實際上是比較淺薄的。
高頻套利是透過高頻次的多空對沖來實現套利的一種方式。為什麼頻率要高？因為單次交易所能獲得的套利空間是非常小的，而且存在的時間很短，因此需要迅速下單頻繁交易捕捉這些機會。例如如滬深300指數與其期貨指數之間在某個很小的時間點存在價值差異，就存在套利的機會，但是時間非常短，而且很快，這個套利空間就會被價值發現所填充，只有做非常多的價值分析和及時地去捕捉，才有機會。它是比較依賴演算法和量化交易技術來發現套利空間的，也依賴程式化交易來完成交易。
統計套利是指利用歷史上資產價值的波動規律來規劃套利空間的一種方法。比如某種資產，它在歷史上總是在一月份是歷史最低值，在三月份是歷史最高值，那麼1月和3月之間就有一個統計套利的空間。在一月份買入該資產，在三月份賣出能夠獲利，這就是統計套利。
現在總結一下。嚴格上來說，程式化交易其實只是體現在交易環節，與其他四種是沒有嚴格的關係的。演算法交易和程式化交易屬於決策生成的手段。高頻套利和統計套利屬於交易邏輯層面，他們可以依託演算法交易和量化交易來實現。但是由於高頻套利對下單和委託的速度要求很高，因此它通常是依賴於程式化交易的，人工是跟不上這個速度的。舉個例子是某高頻套利交易策略，是用量化交易系統來進行開發實現，再透過程式化交易來執行的。
個人總結一下：
交易輔助：程式化交易
策略支撐：演算法交易、量化交易
策略邏輯：統計套利、高頻套利
程式化交易一般是指用計算機程式來進行查詢、下單、委託等代替手工交易的方式。這種方式其實只是自動化了交易環節，提升了效率，減少了人工。比如以前都是靠人來盯盤下單，那麼有了程式化交易之後，這些環節都有計算機來執行，但是仍然需要人來指示，到底買什麼賣什麼以及什麼樣的情況下交易。
演算法交易是指透過計算機程式的演算法來控制、指導交易的方式。比如某計算機程式，他編制一個演算法，當MACD滿足某種條件時，發出買賣指令，這就是簡單的演算法交易。演算法交易注重的是怎樣產生交易指令，而不是交易方式。
量化交易其實可以說是演算法交易的放大版本。量化交易是需要把所有交易和決策所需要的資訊全部數字化，並利用這些數字來進行交易決策。這往往也是依賴於很多的演算法，而木魚自己的量化系統就是依賴於資料探勘以及人工智慧技術，演算法是肯定必須的。很多人把量化交易僅僅停留在用一些因子來選股上，實際上是比較淺薄的。
高頻套利是透過高頻次的多空對沖來實現套利的一種方式。為什麼頻率要高？因為單次交易所能獲得的套利空間是非常小的，而且存在的時間很短，因此需要迅速下單頻繁交易捕捉這些機會。例如如滬深300指數與其期貨指數之間在某個很小的時間點存在價值差異，就存在套利的機會，但是時間非常短，而且很快，這個套利空間就會被價值發現所填充，只有做非常多的價值分析和及時地去捕捉，才有機會。它是比較依賴演算法和量化交易技術來發現套利空間的，也依賴程式化交易來完成交易。
統計套利是指利用歷史上資產價值的波動規律來規劃套利空間的一種方法。比如某種資產，它在歷史上總是在一月份是歷史最低值，在三月份是歷史最高值，那麼1月和3月之間就有一個統計套利的空間。在一月份買入該資產，在三月份賣出能夠獲利，這就是統計套利。
現在總結一下。嚴格上來說，程式化交易其實只是體現在交易環節，與其他四種是沒有嚴格的關係的。演算法交易和程式化交易屬於決策生成的手段。高頻套利和統計套利屬於交易邏輯層面，他們可以依託演算法交易和量化交易來實現。但是由於高頻套利對下單和委託的速度要求很高，因此它通常是依賴於程式化交易的，人工是跟不上這個速度的。舉個例子是某高頻套利交易策略，是用量化交易系統來進行開發實現，再透過程式化交易來執行的。