我就根據我自身情況從交易方面來說說。

數學模型、計算機技術、歷史資料、策略看起來高大上，簡單來講，實際上就是針對每一個品種的歷史走勢，用電腦使用不同的指標或者指標組合或者自己設定條件，更換不同的引數反覆測試，找出每個品種收益最大的一個或一組資料，然後根據以上條件和引數，再加上開倉比例和加減倉條件，就形成和交易策略，然後編輯成交易程式，透過電腦自動執行，然後就可以躺賺，呵呵……

以上的工作實際上手工也可以完成，只是精度和廣度沒有電腦那麼高，本韭菜就是如此，都韭菜了，還要啥腳踏車，所以我自稱手工程式化交易者，因為感覺量化交易聽起來更加高大上一點，程式化聽起來稍微low一點。不管是複雜的量化還是簡單的程式化，手工和電腦自動相比，區別就在於心態，我自認為已經非常冷靜了，不追求收益最大化，可以嚴格按照訊號買賣，但是仍然耐不住寂寞，喜歡切換品種，結果當然是得不償失，所以今後有條件還是要電腦自動化才行，當然前提是要懂程式設計。

以上是我的一點個人看法，在此拋磚引玉。

量化交易是單純利用技術指標或技術指標組合，建立模型由計算機完成全部交易，或者只進行選股，量化投資至少需要從兩個角度進行建模：1.分析大盤，確定買入和賣出的時機。2.技術選股。一般來說透過技術面初選出來的股票，必須進行基本面的分析研究，才能精選出買入目標。在實戰中量化只是一種輔助工具，完全採用計祘機進行股票量化投資的不多。

從概念上來講，量化投資是指將投資者的思想和策略轉化為量化模型，透過計算機程式化交易獲得穩定收益的投資方式。運用數學、物理、金融和計算機等知識儲備來建立金融量化模型並發現投資機會。簡單來說，就是透過複雜的資料程式編寫後，在交易中直接向計算機下達交易程式指令後進行的交易買賣。

近年來人氣攀升的指數增強產品是量化投資產品中的典型代表。指數增強產品在跟蹤指數的同時，力爭為投資者創造超額收益。投資者透過投資指數增強產品，可獲得體現管理人投資管理能力的量化增強模型，利用多因子Alpha模型預測股票超額回報，同時力求進行有效的風險控制、降低交易成本、最佳化投資組合。

Alpha量化策略的理念，用穩健的模型儘可能精確地捕捉股票市場模糊的確定性，透過尋找有效的因子，利用alpha模型來預測超額收益合成訊號，同時在風險模型和交易成本模型的控制下進行組合最佳化。透過分散投資來降低風險、透過機率來博取穩定的超額收益。在這一過程中，使用機器學習、人工智慧演算法，使得市場適應性更強。

隨著技術的不斷髮展，Alpha模型研發程序也在與時俱進。從2013年傳統的線性Alpha模型和低頻資料因子庫，到2018年機器學習第三代Alpha模型和不斷擴充的高頻因子庫，同時更是配備了先進的硬體設施，大大縮短了研發回測和實盤交易的時間。

那高頻和低頻的有多大的差別呢？我們參考如下具體資料，便可得出答案。

1. 高頻資料庫相較於低頻資料庫（日資料）資料量放大了48倍，以往需要回溯6個月的資料量，現在只需要2-3天就可以滿足。

2. 由於高頻資料的特徵，高頻模型可以更及時更快的更新模型結果，適應多變動盪的市場環境。

透過對Alpha高頻模型的應用，增強指數型產品的收益持續跑贏相對應的基準，其優勢不言而喻！對Alpha高頻模型的應用，一方面，避免了基金經理的情緒和主觀決策的干擾，降低了對基金經理主觀能力和經驗的依賴。另一方面，藉助程式化的計算機模型，也能夠跟蹤和發現大量人力不及的投資機會。

在跑贏基準之後，那如何產生超額收益呢？透過邏輯推演和大資料的統計規律，挖掘出能帶來超額收益的因子，比如價值因子或者是A股市場常被使用的技術指標因子等，透過綜合評判，及時對倉位進行調整，捕捉市場上被低估的股票。量化選股模型中引入人工智慧的成分，透過結合人工智慧的演算法，有望將指數的增強部分收益在原來基礎上再度進行提升。

量化投資還有更多關於數學、統計學、計算機等各方面的知識點，等著我們一一去學習探索。當然想要獲得Alpha的超額收益，需要有專業的團隊的先進的量化投資理念作為支援，在交易中不斷的磨練與更新，對於普通投資者來說，把專業的事交給專業的人去做，秉持價值投資理念，讓時間來證明收益！