量化交易算法是量化交易的核心，常见的算法如下：

趋势跟踪算法：核心是识别和跟随市场趋势。通过计算移动平均线、相对强弱指数（RSI）等技术指标，判断资产价格的趋势方向。如价格上穿长期移动平均线，算法视为买入信号；下穿则为卖出信号。简单实用，但在趋势不明显的震荡行情中易产生误判。

均值回归算法：认为资产价格通常围绕其均值波动。当价格偏离均值一定程度，算法预计价格将回归，触发相应买卖操作。如股票价格连续下跌远低于历史均值，可能是买入机会；反之则考虑卖出。但确定合理均值和回归区间较难，需大量历史数据和统计分析。

统计套利算法：基于对两个或多个具有稳定关系的资产对的分析。当资产对之间的价格关系偏离历史统计范围，算法认为存在套利机会，买入相对低估资产，卖出相对高估资产，待价格关系恢复获利。如同一行业内两家公司股价长期保持稳定比例，若比例大幅偏离可进行套利操作。但要精准把握资产对关系和交易时机，否则会有风险。

机器学习算法：运用神经网络、决策树、支持向量机等技术，处理分析大量市场数据，学习市场规律和模式，做出交易决策。如通过训练神经网络识别市场不同状态，预测资产价格走势。能处理复杂非线性关系，适应变化，但模型训练需专业知识和大量数据，且可能存在过拟合问题。

遗传算法：模拟生物进化过程，通过选择、交叉、变异等操作优化交易策略。生成多组交易策略，根据历史数据表现评估适应度，选择优秀策略进行组合变异产生新策略，重复直至找到最优策略。可在复杂策略空间搜索，寻找全局最优解，但计算成本高，参数设置对结果影响大。

以上算法各有优劣，实际应用中，量化交易员会根据市场情况、交易目标、风险承受能力等综合运用多种算法或开发定制算法。