但必須確立的是，量化投資不等同於高頻交易。如果按照頻率劃分業務，可以分為:高頻:ticke納秒1s，中低頻:1s~2h，超低頻:1d~2w等。長期投資高頻交易對延遲時間、特性、可靠性的要求非常高，需要大量的硬件配置成本和人力成本。
但是中低頻交易對硬件配置的要求會低很多。我自己和基金管理公司的關鍵區別在於優化算法，普通程序也有能力捕捉到這個頻率的交易數據信號。別廢話，就壹句話，馬上去做！如果我們要分析a股，或BTC，我們必須自己建立壹套自然環境。
壹般要搭建壹個量化平臺，這個過程是必須的:設立賬戶>搭建開發工具>提前準備數據和資料>開發設計量化交易策略>回歸測試>模擬交易>實盤交易。1.設置帳戶(此處忽略)。
首先，構建現階段流行的兩個服務平臺的開發工具是python和R語言。這兩種語言表達了回測的框架，時間序列分析和數據分析的庫(c++和java都可以，但是門檻比較高)。
Python:現階段應該是定量分析最廣泛的技術首選語言表達，因為相關開源框架非常豐富多彩。r:高級優化算法更方便，社區更活躍。我選擇了Python，常見的回溯測試架構用的是ZipLine和BackTrader。
二、數據信息提前準備中國的股票數據，這是壹些服務商給的，比如通聯數據、tushare；可以從這些數據信息中獲取海外證券數據信息，然後可以定向到數據庫中進行查詢。關於數據庫查詢的選擇，壹般用Mysql，如果信息量大(> 100G)可以應用mogodb，我不容易有這麽大的信息量。
三、量化交易策略的開發與設計說到交易優化算法，我們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、神經網絡等這樣強大的AI詞匯。不過普通遊戲玩家基本不用。
普通投資者可以采用簡單高效的優化算法:
1.自己實際操作和想法的程序化交易，比如:三連陽，買低價股或者妳聽過什麽神奇的實戰技巧，都是通過編碼完成，然後利用歷史記錄進行回測。
2.傳統的指數價值交易:均線、MACD、布林線等。、蠟燭圖基礎理論、RSI、江恩理論。這種純技術指標分析指標值只有在特殊情況下才有效。大家都聽說過海龜交易法，很可能都覺得挺有道理的。但是具體是什麽情況呢？如果用a股或者外匯數據來檢驗，會發現長期收益率並不是特別好。
3.多因素選股:每個投資者都有自己的選股基本理論。比如有的人會看市凈率，股票換手率，市凈率，場地位，交易量。這個選擇因素很簡單，但是如果從幾千只股票中選擇，通常需要很大的精力。程序流可以特別好的處理這類問題。如果妳是高級玩家，也可以試試高級優化算法。
比如深度學習和數據分析。互聯網大數據在金融投資行業的應用還處於壹個漸進的過程中。從現階段的信息內容來看，互聯網大數據基金的收益率都很不錯，比如百度搜索和廣發證券合作的百發指數基金，騰訊官方和嘉實合作的互聯網大數據股票基金。
四、回歸測試如果回測的實際效果非常好，回報率、最大提款率、夏普值等指標都在可接受的範圍內，妳無疑會興奮不已，急於買賣，甚至逐漸打算建立私募投資基金。不過，不用擔心，最好是模擬交易。
5.模擬交易。但是實盤之前，模擬交易必須做壹兩個月。很多回測結果非常好的對策，不壹定主要在模擬交易情況下表現很好。歷史是固定的，主要參數可以根據回測不斷調整，使各種指標值趨於極端，有時會導致優化算法的過擬合。因為銷售市場壹直是多種多樣的，過於死板的優化算法是無法融入銷售市場改造的。
模擬交易最終的實際效果壹般在於妳的程序流程是否靈活，是否是壹個優秀的風險和資金分配優化算法。
總結:關於我做量化投資是否靠譜，上面的步驟已經表明了實際可計劃的方案，可靠性顯而易見。我能不能賺錢，取決於我為了更好的地方而接受的培訓。