从广义而言，凡是借助现代统计学和数学的方法，从庞大的历史数据中选择能带来超额收益的多种“大概率”事件以形成策略，然后用数量模型验证及固化这些规律和策略，最后严格执行的方式，都可以称为量化交易模式。

在中国，从2004年第一只公募量化产品成立至今，已取得了一定的进展。根据华宝证券的统计，2014年通过信托平台发行的量化对冲基金达到522只，另外还有72只券商资管产品发行，保守估计2014年全年新发行的量化对冲产品就超过600只。

从客观条件而言，量化交易的实现必须具备四个条件：360问答充分的市场流动性；强大的计算设队脱尽切经力局备；快速的网络；低廉的手续费。在当下的中国，技术和思乎都湖鱼请采销厂费用都是可以通过“投入”解决的问题，但一些中国特色的障碍仍需直面。

一是原始数据质量不佳，巧哥营斯教语入叫妇难为无米之炊。由于金融市场历史有限，很多公司或产品的数据不全面展地根，而且规范性也有所欠缺。

二是可选择的工具有限。以境内证券市场为例，股票期权仍属试点阶段，如果是跨境套利，则在监管和转换上均有成本，别的暂且不提，仅资金进出、境内外两个账户的资金调配、市场假期不同的处理，就需要境内外双方的磨合。

三是总体规模太小，流动性不够。以对冲基金为例，根据华宝证券的测算，截至2014年底，国内量化对冲私募的管理资产规模约1500亿元，与全球2.7万亿美元的规模相比，约占0.9%，还有很大的拓展空间。

四是广大投资者对量化的认识仍然不足。量化基金往往以风险中性策略为主，好处是不论牛市还是文型友吗陈强连画自叫坚熊市都更易获得稳定收益，但坏处是在大盘单边上扬代面的环境里，这点收益对投资者的吸引力远不如抓住一只大牛股来得强。

第五点也可以说是最主要的一点：人才储备缺乏。从主观条件来看，策略的制定，最终考验的是对市场的了解，以及量化人才本身具备的能否将“想法”转化为“实际”的能力。在华尔街，大批物理、数学、计算机背景的专业人士投身于量化交易。甚至有人戏称，物理博士可能在实验室，也可能在华尔街做模型，而在中国，类似高端人才的储备及与金融业的融合明显不足。

量化路上的新难题

即便水土不服的问题得到解决，也并不是傍上了量化就可以躺着赚钱了。未来之路究竟如何，恐怕还需要认真思市考以下一些问题。

第一个问题是：系统一旦出现程序故障，是否会带来杀伤性的冲击？

2010年5月6日，高频、算法和交易机器人突然出现失控，联手制造了臭名昭著的道琼斯市场权却斗农商崩盘，俗称 2:45闪电崩溃(The Flash Crash of
2:45 p.m.)。道琼斯工业指数在五分钟内下跌了近1000点，整个市场9%的财富瞬间蒸发。当时，大多数高频量化交易公司都从中大赚了一笔。

2012年8月1兰答些具越完方状日，曾经是行业标杆的Knight Capital则遭遇了毁灭性的打击。由于新使用的交易软件突然出现故障，
45分钟内，Knight买卖了价值约70亿美元的纽约证券交易所的股票??平均每秒约260万美元。每次买进时，计算机算法就会提高市价，而其他公司当然乐见接盘侠的出现，于是Knight被迫花费了4.4亿美元来弥补错误，公司市值下跌40%，最终导致被收购。

在中国，“光大乌龙指事件”可谓一次史无前例的负向试验。2013年8月16日，光大证券策略投资部的套利策略系统发生逻辑判断失误，导致出现价值234亿元人民币的错误买盘，成交约72亿。当日，上证综指一度上涨5.96%，中石油、中石化、工商银行和中国银行等权重股盘中一度涨停。虽然其后公司沽出ETF与股指期货
，依然对当日中国A股市场造成巨大冲击，并为公司带来1.94亿元人民币的损失。

第二个问题是：即使系统无瑕疵，模型本身是否会老化？

量化交易主要依赖于数学模型的设计与执行。一个好的量化交易策略可以挖掘出别人尚未发现的市场机会，并及时抓住该机会获取收益。但一个现实是，套利从某种程度上而言是一个零和市场，如果市场参与者纷纷看到了这个机会，并陆续琢磨出相应的投资程序，则盈利空间必然很快压缩。换句话说，模型也面临着老化的压力。

一般而言，成熟的量化投资部门会设有一个策略模型池，其中包括了许多的交易策略，每一个或者多个交易策略对应一个市场产品、市场行业或者市场特征。为了提升整体盈利能力，一种方法是完善交易策略池，使用动态方法调用不同的策略，在多种策略上实现资金的动态分配；另一种方法是对每一个模型进行完善升级。但这个升级过程是否有效，对人力资本的考验非常巨大。

当市场进阶到成熟阶段，套利机会基本被抹平，那么只能从“工具”下手进行提升。比较典型的就是具有短持仓特征的高频交易模式。当年收购骑士的另一家量化交易巨头Getco，是被公认为在速度方面具有无可比拟优势的算法交易公司。公司为保持几毫米的优势花费巨大，但问题是：别的公司也同时在这么做。竞争从未停止，最终结果就是越先进，边际利润越稀薄