以“搬砖”为代表的“数字货币量化交易”在币圈一直是个颇有些神秘色彩的存在，很多人把量化交易视为是币圈闷声发大财的典型代表，认为它是币圈躺着赚钱的捷径之一。
今天我们就来聊聊量化交易，真的是一条捷径吗？
神秘的量化基金
从80年代出现至今，量化投资基金在华尔街仍然是一股非常神秘的力量。
在美国，量化基金募集门槛很高，只向少量合格投资者开放，其投资策略也不会对外披露。此外，量化基金经理一直都是世界上年薪最高的职位之一，这些都让公众对量化投资这个领域充满了好奇。
传奇人物詹姆斯·西蒙斯(James Simons)，可以说是量化投资的标杆人物。
通过将数学理论巧妙融合到投资的实战之中，西蒙斯成为了投资界中首屈一指的“模型先生”。由其运作的大奖章基金(Medallion)在1989-2009的二十年间，基金实际的平均年化收益率高达60%以上。
这样的业绩表现，比同期标普500指数年均回报率高出20多个百分点，即使相较金融大鳄索罗斯和股神巴菲特的操盘表现来说，也遥遥领先十多个百分点。
更难能可贵的是，即使是在次贷危机全面爆发的2008年，该基金的投资回报率仍可稳稳保持在80%左右的惊人水准，在超级熊市中，这样的收益是其它类型基金根本无法想象的。
西蒙斯通过将数学模型和投资策略的有效结合，逐步走上神坛，也开创了由他扛旗的量化交易时代。
什么是量化交易？
价值投资和趋势投资（技术分析）是引领过去一个世纪的投资方法，随着计算机技术的发展，通过已有的投资方法融合先进的计算机技术，也就产生了量化交易投资这个新物种。
简单来说，量化投资就是借助计算机技术和采用数学模型去实现投资策略的过程。因此，它也被称为自动化交易，其核心是用先进的数学模型替代人为的主观判断。
从策略优化的角度而言，量化交易也可以从庞大的历史数据中海选出能带来超额收益的多种“大概率”事件，并制定其为投资策略，再用海量模型验证并固化这些规律和策略，然后严格执行已固化的策略来指导投资操作，从而获得可以持续的、稳定且高于平均收益的超额回报。
通俗来说，量化交易的两个必要步骤是：
1、制定好量化交易的数学模型或者说交易触发条件；
2、严格按照数学模型或交易条件，由程序自动执行买入和卖出的操作。
量化交易的优势
与我们自己查看行情，作出判断，然后再做出交易的手动操作相比，量化交易可以被称作是一种“黑科技”了。
一方面，量化交易极大地减少了投资者情绪波动的影响，有效避免投资者在市场极度狂热或悲观的情况下做出非理性的投资决策。
我们常说，优秀的投资行为往往是反人性的，需要战胜“贪婪”和“恐惧”这两个人性的弱点。
而由模型和程序做决策的量化交易，能够很好的做到这一点，无条件地执行预先制定的指标，当符合条件时不带感情色彩地买入或者卖出，让投资行为有更强的纪律性。
另一方面，程序自动操作比人工操作更准确，更及时，也更高效，因此也更能够抓住稍纵即逝的投资机会。
相对于股市，币市虽然交易深度不如股市，但其7*24小时不间断的行情，且不同的交易平台众多，对于量化投资而言有着更多的套利操作机会。
“黑科技”吸引机构资金涌入
可以说，优秀策略的量化交易相当于是币圈的“黑科技”，同时也是对普通投资者的降维打击，自然会吸引很多机构和大佬们加入其中。
有消息称，美国华尔街体量最大的对冲基金和信托基金正在考虑进入数字货币市场。
还有最近处于风口浪尖上，频繁爆雷的P2P公司，大多都在面临挤兑，在这生死存亡的关键时刻，如果不能填上之前的巨大资金缺口，前面就只有灭亡这一条路了。
因此，有些P2P公司，抱着赌一把的心态，把平台资金押在了数字货币市场上，如果能够赌赢则能缓解危机，一旦赌输项目就会彻底崩盘。近期有部分量化团队表示，曾接受过来自P2P平台几亿到几十亿的资金，这部分资金的总额甚至有可能达到数百亿的规模。
除了投资机构在量化交易领域占据主要份额之外，大量散户也在涌入这个领域。
比如前一段时间的分红型交易所，我们只要在上面对敲刷刷交易量就能获得不少的交易分红，尽管这只是量化交易中最简单的应用，却也让用软件刷单的人尝到了不小的甜头。
量化领域的竞争
目前，量化交易领域的竞争已经非常激烈，量化交易的算法也在不断升级和优化之中，从最早的简单搬砖，已经逐步演变为现在多种复杂套利策略的综合应用。
有很多量化团队会宣称自己的产品具有保证收益，无亏损风险，智能避险等等多种功能，目的是表现自己策略的丰富和严谨，与其它团队竞争时更有优势。
目前国内的量化团队也越来越多，小到一两人的组合，大到在量化领域有着深厚基础的专业组织，都希望能有更多的用户把资金投入到他们的平台上进行托管交易，以实现更高的手续费收益。随着竞争，其对投资者设置的门槛也越来越低，甚至我听说几百元人民币的资金量都能参与到量化交易中。
而在华尔街，量化基金被定义为高风险的投资品类，对投资者的门槛设置一直颇高，资产量和风险承受能力都需要满足一定要求才能够参与。
The end
