量化交易到底是什么：3 个例子讲清楚
量化交易的本质只有一句话：把交易决策写成一套固定规则，让规则而不是情绪来决定何时买、何时卖、买多少。它不是「用电脑预测涨跌」，也不需要高深数学——下面三个例子都能用一页纸写清楚。
本文要点
- 量化 ≠ 预测。量化是把「什么条件下做什么」固定下来，从而可回测、可复盘。
- 一条完整策略必须包含四件事：入场条件、出场条件、仓位大小、风险上限。缺一件就不能上实盘。
- 三类最基础的策略原型：网格（震荡收租）、均线（趋势跟随）、套利（吃价差/费率）。
- 能被回测验证的规则才叫策略；无法复现的「盘感」不属于量化范畴。
- 所有回测收益都是历史数据，实盘通常更差——手续费、滑点、延迟会吃掉一部分利润。
先破除一个误解：量化不是预测未来
很多人第一次听到「量化交易」，脑子里的画面是一台超级计算机算出「比特币明天涨到 7 万」。这个理解是错的，而且是最贵的一个错误——抱着预测的期待去做量化，几乎一定会失望。
量化真正做的事情要朴素得多：把你的交易逻辑翻译成没有歧义的规则，然后用历史数据检验这套规则过去表现如何。它回答的不是「明天涨还是跌」，而是「如果过去三年我一直严格执行这条规则，结果会怎样」。
这个区别决定了你的整个工作方式。预测导向的人会不断寻找更准的指标；规则导向的人会不断检验规则的稳健性、成本敏感度和最坏情况。后者才是量化。
例子一：网格策略 —— 在震荡里收租
网格是最容易理解的量化原型。假设 BTC 在 6.5 万到 7 万之间来回震荡，你把这个区间切成若干格，比如每 500 美元一格。规则很简单：每跌一格买一份，每涨一格卖一份。
价格在区间内每来回摆动一次，你就赚到一格的差价。它不需要判断方向，只需要价格「有波动」。这就是典型的规则化交易——没有任何预测成分，只有机械执行。
- 入场条件：价格触及某一格的买入价。
- 出场条件：价格上涨到相邻的卖出格。
- 仓位大小：每格投入固定金额，总仓位 = 格数 × 每格金额。
- 风险上限：价格跌破区间下限时全部止损，或事先只投入能承受套牢的资金。
例子二：均线策略 —— 跟着趋势走
均线策略处理的是另一种行情：单边趋势。最经典的写法叫双均线交叉，规则同样一句话说完——短期均线上穿长期均线时买入，下穿时卖出。
比如用 20 日均线和 60 日均线。20 日线代表近期方向，60 日线代表中期方向。当近期强于中期，视为趋势向上，入场；反之离场。它同样不预测，只是被动跟随已经发生的价格变化。
| 维度 | 网格策略 | 均线策略 |
|---|---|---|
| 适合行情 | 区间震荡 | 单边趋势 |
| 最怕的行情 | 单边突破区间 | 反复横盘（来回被打脸） |
| 胜率特征 | 较高，小赚多次 | 较低，大赚少数次 |
| 盈亏比特征 | 低（每次赚一格） | 高（趋势吃到大段） |
| 心理难点 | 跌破区间时不愿止损 | 连续小亏时怀疑策略 |
例子三：套利 —— 不赌方向，吃确定的价差
第三类原型甚至不关心涨跌。加密市场里最常见的是资金费率套利：永续合约有个机制，多头和空头之间会定期互相支付一笔费用，叫资金费率。当市场普遍看涨、多头拥挤时，多头要付钱给空头。
于是策略变成：在现货买入 1 个 BTC，同时在永续合约做空 1 个 BTC。价格涨跌两边互相抵消，方向风险接近于零，你赚的是空头一侧持续收到的资金费率。
这类策略的收益上限不高（受费率水平限制），但曲线通常很平滑。它是「量化不等于赌方向」的最好例证。
一条完整策略必须回答的四个问题
看完三个例子，你会发现它们的骨架完全一样。任何一条能上实盘的策略，都必须明确回答下面四个问题——缺任何一个，它就还只是个想法，不是策略。
| 要素 | 要回答什么 | 常见错误 |
|---|---|---|
| 入场 | 什么条件下建仓 | 条件模糊，如「突破后」却不定义突破 |
| 出场 | 什么条件下平仓 | 只想好怎么买，没想好怎么卖 |
| 仓位 | 每次投入多少 | 凭感觉加仓，亏了就想扛回来 |
| 风控 | 最多能亏多少就必须停 | 没有止损，或止损随情绪移动 |
把这四项写清楚之后，你的策略就具备了可回测性——可以拿历史数据跑一遍，看它过去表现如何。这一步是量化和主观交易的真正分水岭。
回测能告诉你什么，不能告诉你什么
能：策略在过去某段行情里的收益、最大回撤、交易次数、胜率。这些数字让你在投入真金白银之前，先看清这条规则的性格——它是高胜率小赚型，还是低胜率靠大赚型；它最难受的时候有多难受。
不能：保证未来。回测有三个天然缺陷，任何人都无法完全消除。
- 过拟合：参数被调到刚好适配历史数据，换一段行情就失效。
- 成本低估：手续费、滑点、延迟在回测里往往比实盘乐观，高频策略尤其致命。
- 幸存者偏差：只在还活着的币种上测试，退市归零的样本被自动忽略。
所以正确的心态是：回测用来淘汰明显不行的策略，而不是用来证明某条策略一定赚钱。通过回测只是拿到了小资金实盘的入场券。
AI 在这套流程里的位置
既然量化的核心是「把逻辑写成规则」，AI 最有价值的用途就清楚了：它帮你把想法翻译成代码、解释你看不懂的代码、批量做数据清洗与特征筛选。这些都是它擅长的翻译和整理工作。
它不擅长的是替你判断策略是否合理。AI 可以写出一个语法完美但逻辑荒谬的策略，也可以在你没察觉时引入未来函数（用到了当时还不知道的信息）。判断权必须留在你手里。
一个务实的分工：你负责想清楚四要素和风控底线，AI 负责实现和检查代码，回测负责给出证据，实盘小资金负责最后验证。
下一步该做什么
如果你想真正入门，顺序比努力重要。建议按这条路走，每一步都有明确产出物：
- 读懂四个核心指标（年化、最大回撤、胜率、夏普），否则看不懂任何回测报告。
- 把一条最简单的均线策略写成伪代码，明确四要素。
- 跑通一次回测，并加上手续费与滑点，看收益变化多大。
- 做 Walk-Forward 验证，确认它不是只拟合了噪声。
- 用小资金实盘 4–8 周，比对实盘与回测的偏差。
常见问题
量化交易需要很强的数学功底吗？
入门不需要。上面三个例子用到的数学不超过加减乘除和百分比。真正的门槛在于纪律：能不能严格执行规则，能不能在连续亏损时不擅自改参数。进阶研究（因子模型、统计检验）才需要更多统计学基础，但那是后面的事。
量化交易一定比手动交易赚钱吗？
不一定。量化的优势是可复盘、可优化、不受情绪干扰，但一条逻辑错误的规则会稳定地亏钱，而且亏得比手动更快更彻底。量化提供的是「可验证性」，不是「盈利保证」。
需要多少启动资金才能开始？
学习阶段零成本，用历史数据回测不需要真金白银。进入实盘阶段，建议只用「全部亏光也不影响生活」的小额资金，目的是测量实盘与回测的偏差而不是赚钱。确认偏差稳定可控后再讨论加仓。
网格、均线、套利这三类哪个最适合新手？
从理解难度看网格最简单，从纪律要求看套利最省心（方向中性），从长期收益潜力看趋势跟踪最高但心理压力最大。建议先用均线策略练习完整流程（写规则→回测→加成本→验证），因为它最能暴露回测中的各种坑。