量化交易和人工交易的主要区别是什么？ 一句话概括就是：量化交易就是把买卖的规则写下来，然后编成模型和程序像科学家检验科学理论一样检验策略，借助于计算机实施策略，消除很多存在主观判断型交易者中的随意性、不守纪律，贪婪和恐惧的心理情绪。
对于计算机而言，你不能简单的和它说，请帮我买入一些便宜的股票，等它贵了帮我卖出。你必须明确的给出以下这些定义：便宜指的是多少钱（什么范围内？）什么时候买？买多少？什么时候卖？卖多少？什么是贵了等等，所有的这些都要精确的定义。
很多时候亏大钱都是由于把大钱押在看似不可能发生的事情上，比如在美国长期资本管理有限公司的案例里，它的倒闭和俄罗斯在1988年夏天拒绝 偿还债务不可分开，这种事情在历史上都从未发生过，一个作为全球最重要的核武器和原材料进出口国竟然会破产。
一个书中的交易系统由三个模型组成：阿尔法模型（Alpha model),风险控制模型(Risk model)和交易成本模型（Transaction cost model)。阿尔法模型用来预测准备交易的金融产品未来的走势，从而获得投资回报。风险控制模型则用来限制投资组合的风险敞口规模，这些风险因素可能不是产生赢利而是招致损失。
而交易成本模型用来决定为了构建投资组合所要花费的成本，有时候如果没有经过仔细的计算，可能并不知道一笔交易的盈利可能都抵不上该笔交易花费的成本，该模型有助于决定策略的正确换手率。
在投资界，“阿尔法”这个词通常用于度量投资者的投资技艺，看投资者获得与市场波动无关的回报有多少。根据传统定义，阿尔法指扣除市场基准回报后的投资回报。追求阿尔法回报的策略，本质上就是投资组合的资产配置决策及设置其头寸规模的择时决策。它的核心思想是，没有永远好的金融产品，也没有永远差的金融产品。（备注：在对的时间里，差的金融产品是好的金融产品。在错的时间里，好的金 融产品是差的金融产品。呵呵，是不是不好理解？阿尔法其实就是择时策略）
阿尔法模型的两大类别：理论驱动模型和数据驱动模型
来个定义：理论驱动型的科学家在观察市场的基础上，提炼出他们认为能够解释所观察到的现象的一般性模型，然后用市场数据进行严格的检验，判断这个理论解释是否有效并符合市场情况。
而数据驱动型的科学家则认为对数据的分析完全可以不需要任何理论的指导，他们有时也被称为“数据矿工”（Data miners),他们从事的工作就是数据挖掘，只专注于使用数据分析技术来揭示那些不能凭直觉直接发现的市场行为。
看到一个插曲，在本书的文艺复兴公司的描述里，它收取投资人5%的管理费和44%的超额业绩回报，真是厉害。（备注：我只收1%的管理费和20%的超额业绩回报，看样子要努力呀！）
某位老师教的课，其实就是量化投资领域里面的统计套利策略，通过关注某个公司相对于另一个公司价值是高估了还是低估了的价格偏差，来寻找价格收敛当中的交易机会。
一个量化投资策略在实施中可以归纳为六点：预测目标、投资期限、投注结构、投资范围、模型设置和运行频率。
谈谈风险
有很多时候市场可能是持续非理性的，一直到你破产为止。
-----约翰.梅纳德.凯恩斯
对风险的控制可以围绕以下三个方面展开：
如何看待头寸规模限制水平 风险怎么度量 头寸规模限制水平用于何处
在量化交易的世界里，交易只有两个理由：第一，它提高了赚钱的胜算或者回报（阿尔法）；第二，它能减少赔钱的概率或者额度（风控）。交易成本主要包括：佣金和费用，滑点和市场冲击。
投资组合构建模型可以有四种规则：相等头寸权重、相等风险权重、阿尔法驱动的权重以及决策树权重。
这本书的读后感：整本书其实更像是量化交易的入门普及读物，就走马观花的看一看，了解一下业内的一些做法，有些有用，有些没用。对于普通的投资者，本书的内容可能有点艰涩，对于专业的投资者本书的内容又是隔靴搔痒，浅尝辄止。
最后本书列出的一些思想值得深思：
如何研究和发展策略
你怎样提出关于量化交易策略的新想法？ 你怎样测试这些想法？ 你用什么来判断一个策略是否有效？
金融产品的选择和结构安排
你的阿尔法模型是理论驱动型还是数据驱动型？ 你选择的是哪一种阿尔法策略（趋势型、回归型、价值型、收益型、成长型或品质型）？ 你采用的是多品种的相对投注还是单品种的绝对投注？ 如果是相对的，相对均值是什么？ 投资期限有多长？投资范围是什么？ 怎么组合不同的阿尔法模型？
构建投资组合
怎样 构建一个投资组合？ 头寸限额是多少，为什么那样设置？ 构建投资组合时输入的是什么？ 构建投资组合想要达到的目标是什么？（什么是你的目标函数？）
风险控制和监测
你的风险控制模型考虑到什么因素以及为什么考虑这些因素？ 你的各种风险限额是多少，为什么这样设置？ 在什么情况下你会干预自己的模型？ 你在运行过程中监测什么？
我写的摘要只是针对我自己个人重视的部分和个人理解的原因，如果你想原汁原味的获得大餐的全部内容，建议还是自己去买一本通读一遍。
