壹說到量化投資，壹下子蹦出來壹堆厲害的語匯，例如：FPGA，微波加熱，高頻率，納秒等級延遲時間這些。這種全是高頻交易中的語匯，高頻交易的確是基金管理公司做起來較為適合，平常人搞起來門檻較為高。
可是，必須確立壹點量化投資不相當於高頻交易。買賣假如依據頻率來區劃的話，可分成：高頻率：ticke納秒等級的1s等級中低頻：1s~2h等級超低頻：1d~2w等長線投資高頻交易對延遲時間，特性和可靠性規定十分高，必須很多的硬件配置的成本費和人力成本。
可是中低頻買賣對硬件配置規定便會低許多。本人與基金管理公司差別關鍵反映在優化算法上，普通程序也是有工作能力捕捉到這壹頻率的買賣數據信號。老頭子廢話不多說，就壹個字，立即幹！假如要想剖析A股，或是BTC，就必須自身構建壹套自然環境。
壹般構建壹個量化平臺必須這種流程：設立賬戶〉開發工具構建〉數據信息提前準備〉量化交易策略開發設計〉回歸測試〉模擬交易〉實盤買賣壹、設立賬戶（這裏忽略）
壹、開發工具構建現階段流行的兩種服務平臺是，python和R語言。這兩個語言表達有給予回測架構，時間序列分析剖析，數據分析的庫，（C+和java還可以，但是門檻相對性較為高）。
Python：現階段應該是最廣泛的本人量化分析技術性優選 語言表達，由於有關的開源框架非常豐富多彩。R：高級優化算法較為便捷，小區較為活躍性。我選擇的是Python，常見的回測架構用的是ZipLine和BackTrader。
二、數據信息提前準備中國的股票數據，有壹些服務提供商給予，例如通聯數據、tushare；海外證券數據信息能夠從得這種數據信息後就可以導到數據庫查詢去。有關數據庫查詢的挑選，壹般應用Mysql，假如信息量較為大（>100G）能夠應用mogodb，壹般本人不容易這麽大信息量。
三、量化交易策略開發設計說到買賣優化算法，通常會想到深度學習、馬爾可夫實體模型、數據分析、深度神經網絡、神經元網絡等這種厲害的AI語匯，可是，壹般遊戲玩家基本上用不上。
針對壹般投資者能夠采用簡易高效率的優化算法：
1、將自身實際操作和念頭程序化交易，例如：三連陽，買低價股票或是妳聽聞過什麽神奇的實際操作技巧全是用編碼完成，隨後應用歷史記錄開展回測。
2.傳統式的指標值買賣：移動平均線，MACD，布林線指標等，蠟燭圖基礎理論，RSI，江恩理論。這種純技術指標分析指標值必須在特殊的情景才可以有功效，大家都聽聞過海龜交易法，很有可能都覺得挺有些道理的。但具體情況怎樣，用A股或是外匯數據測試壹下，便會發覺長期性回報率並不是特別好。
3.多因子選股票：每壹個投資者都是有自身的選股票基礎理論，例如有些人會看市凈率，股票換手率，市凈率，領域狀況，交易量。這種挑選要素非常簡單，但要是以好幾千個股裏去挑選，通常必須很多活力。程序流程就能特別好處理這種難題。如果妳是高級玩家還可以試著壹下高級優化算法。
例如深度學習，數據分析等。互聯網大數據在金融投資行業運用或是處在逐漸環節。從現階段信息內容看來，互聯網大數據基金收益率的算是非常好，例如百度搜索和廣發證券協作的百發指數型基金，騰訊官方和嘉實協作的互聯網大數據股票基金。
四、回歸測試假如回測實際效果非常好，回報率，最大回撤率，Sharp值，等指標值，都是在可接納的範疇內容，妳毫無疑問便會激動，急著要上真正買賣，乃至逐漸方案創立私募投資基金，可是，別著急，最好是模擬交易壹下。
五、模擬交易但在實盤買賣前，還必須做壹兩個月模擬交易。許多回測實際效果非常好的對策不壹定在模擬交易情況下就主要表現得好。歷史記錄是固定不動，回測的情況下能夠根據持續調節主要參數，讓各類指標值趨向極致，有時會造成優化算法過度擬合，由於銷售市場壹直千姿百態，太過於呆板的優化算法是沒法融入銷售市場轉變。
模擬交易最後實際效果壹般在於妳的程序流程是不是靈便，是不是優良的風險性和資金分配優化算法。
總結：對於說本人做量化投資是不是可靠，上邊的步驟早已表明了實際可策劃方案，可靠性顯而易見。對於能否賺到錢，就看本人的修為了更好地。