//更新一些量化交易的策略分享网站：
①https://www.quantconnect.com/
quantconnect类似于米筐，一个提供基础数据和回测框架的平台，免费使用，上面有很多老外的开源策略。
②https://quantocracy.com/
分享量化交易方方面面的内容。比如高频交易的好因子，用新闻预测纳斯达克指数，还介绍了一些奇奇怪怪的量化策略。
大家可以去看看这篇文章，从数据预处理到建模，涉及了量化交易的全部流程，我尽量用通俗易懂的语言讲明白了。
你需要一点点统计学知识和计算机基础：
/以下为原答案
本人本硕均非金融/计算机/数学，但有实盘经验，自己撸会了Python，此前在北京某百亿量化私募做量化策略研究员。
结合本人入行前的经历给楼主入门量化交易的一些建议，最后聊聊国内量化行业的就业现状。
其实一句话就可以理解量化交易了，量化交易就是用机器代替脑袋和手，去执行买卖的过程。
首先量化交易分四步走：构建策略、回测策略、执行策略和风险控制。必备的技能包括金融知识和编程。另外，随着机器学习和深入学习在量化领域的大规模应用，数学的重要性越来越凸显。
一、构建策略
金融知识的积累是一个长期的过程，交易体系的完善离不开上万次的实盘检验。构建策略是所有步骤中最最重要的，其他一切工作都依赖于策略这个地基。
搭建一个完整的交易策略需要考虑到：开仓点、仓位、持仓时间、滑点、手续费、止盈止损位等等，这是一个慢工出细活的过程。
策略可以从学术期刊、量化基金论坛和国内的券商研报上挖掘，灵感可以从别人的优秀策略中得到。至于为什么这些人愿意把盈利的策略公之于众？原因是策略最核心的东西——重要的参数和调参方法被省去了。
下面链接里有近半年私募和公募的笔试题，还有交易员和研究员岗位的优秀简历案例，大家可以领取后收藏，以备日后之需。
all free。
量化交易另一个很重要的方面是策略的交易频率。低频策略指持有头寸的时间长于一天，而高频策略则是日内交易，超高频的以分钟或者秒为单位进行开平仓。
超高频的交易对硬件和技术的要求极高，可以说超高频比拼的不是对市场的判断理解，而是速度，就像一群人在赛跑，第一名才能吃到肉。不建议在条件不成熟的情况下从事自营高频交易，因为滑点和手续费几乎能抹去所有利润。
国内的量化机构大部分以高频交易为主，也有为数不多的中低频策略。高频依赖算法和硬件，这也解释了为啥量化机构偏爱数学和计算机学生。
二、回测策略
回测的作用是验证策略在历史行情中的盈利能力，并据此演绎策略在实盘中的表现。
回测需要编程语言来实现，量化领域常用的编程语言有C/C++、MATLAB、R和Python。Python已经可以满足大多数中低频率的策略需求了，但随着交易频率增加，出于稳定性的考虑，掌握C++就是必备技能。在招聘中经常会提到C++是加分项。
入门语言首推python。除了python简单好上手这个原因外，很多量化平台都支持python语言，并且python中的sklearn和TensorFlow库支持机器学习和深度学习。python的基本语法和numpy以及pandas这两个库摸熟了就可以写简单的策略回测了。这两个库上手简单，numpy是对数组的操作，pandas是对类似于表格的对象操作。
回测平台可以选择米筐或聚宽，这两家提供历史行情的分钟级量价数据，回测框架比较完善，非常适合新手。但有个缺点是他们提供的因子数据少，质量也不高。另一个数据接口Tushare提供的因子要完善很多，并且免费。
需要关注的回测指标主要有收益率、最大回撤和夏普比率。收益率一般以月度/年度收益率作为衡量标准，在不考虑风险的情况下，收益率越高越好。
夏普比率度量在单位风险下所能获得的超额收益，数值越高，则投资组合的表现越好。相比于收益率，夏普比率在度量绝对收益的基础上加入了风险指标，所以在评价策略上客观性更强。最大回撤是投资组合某高点到后期最低点的回撤幅度最大值，数值越大，投资者的亏损越大。产品的业绩一般主要从这三个指标的综合维度评价。
三、执行策略
量化策略的执行不一定是全自动化。
低频的策略大多是手动开仓，而高频策略的执行必须由机器下单。实盘执行策略有两个经常出现的问题：一是滑点造成的开仓成本更高，二是历史回测很好的策略，实盘表现却很差。
滑点可以这么理解，以市价挂单，比方说价格在50，但是进去的一瞬间价格被拉高了，最终以52的价格成交，滑点在期货上很常见。滑点解决方案通常是计算下单时间的价格和成交价格的差值，估算一个平均的滑点概率。
问题二往往是回测数据的规模太小或者过拟合（overfitting）的情况。这些情况的存在可能会使得一个在回测上表现非常好的策略变成实际交易中巨额亏损的策略。
四、风险控制
时刻警惕风险是在资本市场生存下去的第一大原则。某段行情下表现优异的策略，可能在行情切换后一文不值。及时发现问题并正确地调整策略需要对策略的底层逻辑有深刻理解。
除了对策略本身进行调整完善，风险管理的另一个方面是心态管理。如何面对平仓后错过的行情？如何面对大幅回撤后伤痕累累的账户？如何在长时间不盈利的情况下不失去信心？
量化交易是交易的一个分支，并没有脱离交易的本质。一个优秀的量化交易员，首先是一个优秀的交易员。工欲善其事，必先利其器，耐心和专注必不可少，然后记住：永远不要对自己失去信心。
然后说一下我了解的目前量化机构就业现状。
市场上量化交易职位的多少其实和行情正相关。有大行情的时候，机构赚钱，业绩提成高，自然能养更多的职位。行情差的时候，一年到头赚不到钱，自身能不能存续下去都成问题，更别提招兵买马了。
然后再分类聊聊国内的量化私募：第一类是比较成熟的机构，这类私募有一定规模，在量化领域有三五年的经验，在交易的各品种上也有了比较固定的策略。但这类机构的投研框架基本已经定死，岗位多少有螺丝钉性质。
而第二类是成立不久的小私募，管理规模通常在几千万到小几个亿。这类私募更青睐高频交易的人才。因为初创公司得拿出点业绩好有说服力的产品来取得投资人信任。相比于高频策略，中低频的策略持仓周期长，收益不稳定，波动也大，未知和变数更大。所以高频就成了初创私募的最优解。
至于招人门槛，这个是和其他求职者条件的横向比较。985/211不是硬门槛，计算机/金融科班出身也不是，最重要的是实盘经验和过往策略的业绩。
下面链接里整理了金量化岗位的近期求职面试题和受HR喜欢的优秀量化简历模板，推荐给大家，点击链接就可以免费领取面试题和简历资料package～
总之想要进入这个行业，不管是自营还是跟团队，至少得会一门编程语言，做过几个策略并回测过。
进阶玩家需要了解特征工程、机器学习/深度学习等建模分析。不论是程序还是算法建模，都是工具，本质上是用来赚钱的铲子。从事这个行业，不能本末倒置一心挖掘算法打磨技术，重心应该在对市场的认知提升上，不能缺失对市场的感知。
以后会结合自己搭建过的策略分享量化交易的细节。
如果有空帮我点个赞吧
感谢！
