以一個最簡單事件驅動策略作為例子。高轉送，這個在A股市場裡非常常見，上市公司根據盈利情況的好壞，決定送好多股票給持股的股民，一般高標準為，持有10股送5股，或者持有10股送10股。一般這類訊息會提前放出。，我們來看看量化和非量化的兩位交易者會如何做：

A普通交易者：看到訊息後，開始就會想，這家企業靠譜嗎，他是幹嘛的，高轉送能夠吸引多少人的關注，能夠刺激股價漲多高，大概會漲多久，我該現在買還是接近兌現日買，我是該什麼時候賣，這麼辦好糾結，要不賭一把。

B量化交易者：哇，好事情，機會來了。交易計劃是兌現日前5個交易買入，兌現日後15個交易賣出，如果有意外，下跌3%止損，上漲8%止盈。就這麼幹，沒啥好糾結的，熟悉的套路。

我們來思考一下，為何兩個交易者在面對同樣的資訊時反應會完全不同，根本原因就是資訊不對稱（公平原則下的資訊不對稱，內幕交易的請走開），交易者B較之交易者A來說，他們所知道的公開資訊是一致的，但同時交易者B還多知道了更多內容，其中包括透過大量的統計得出，兌現日前5個交易日買入持有風險最小，持有到兌現日後的15個交易日是最佳賣點。在這個過程中有極低機率股價會下跌3%，一旦跌過3%，這個行情就沒戲了。最佳賣點的最大盈利是8%，如果提前出現，就可以提前止盈。

這就是基於科學的手段，透過公開資訊獲得的更多的資訊。換成是你，你會怎麼選？

我認為，策略 人 計算機都是關鍵因素，但量化模型的類別不同會對以上三個因素的倚重不同。

大框架上量化交易分類神經網格和邏輯演算法兩大類。神經網格是程式透過對歷史資料學習後自行進行基因裂變，自主學習的一種，實現正收益模型，也有門檻，程式的自主學習也不是萬能，核心要點是，你塞進去的基礎模型是精品，它才會裂變出精品，你塞進去的是垃圾，它學習完還是垃圾，所以這裡可以看出，關鍵因素是策略。

邏輯演算法這一類裡面又有很多派系，純趨勢波段類，對沖類，和數學演算法居多的高頻類等。類別很多，其中對沖類裡面有FPI無缺口對沖演算法也屬於高頻，高頻類有的基礎演算法也是以趨勢模型為起點，為了實現正收益模型，很多模型作者都是多型別彙總，以求量化系統的穩定。

按類別說，神經網格只對資料精度有要求，計算機硬體不敏感，核心是裂變的基礎策略。邏輯演算法裡面 除了高頻模型對計算機和網路敏感，其它模型更多的倚附基礎是策略演算法，其實高頻這類策略演算法也是基礎重點，這樣幾乎所有的模型種類最關鍵的是策略，而人是策略的歸納製作者，也是量化程式後期維護的關鍵。所以量化交易盈利的關鍵因素是人。

說的不太嚴謹，但願對你有幫助。

量化交易罪中的盈利模式是什麼？第一是他已經測算出了一個方法的成功率，這個成功率在50%或60以上，第二是執行，因為人呢，做股票的過程中它會有貪婪恐懼心理因素的變化，而這個軟體它是一個機器沒有這個感情，所以說這就是他成功的秘訣第一他找到了一定的方法，第二執行力。