您好，量化交易的模型需要用到编程软件。

我先详细讲一下量化交易的起源。

人类的大脑是一台最精密的“计算机”，而这台“计算机”拥有处理线性单一线程事件的能力，也拥有处理这些事件当中充分必要的最优解算法，但不知因何原因，大部份计算机先天性内存不佳，处理性能缓慢，读写速度迟缓，说到底人的大脑就是不具备读写处理大量数据的能力。少有甚者，也会出现万中无一的奇人大脑。但这种情况毕竟是数量奇少，不知是何原因，此类人群的大脑像是越狱一般，实在令人羡慕不已。

为了解决大部份人群大脑先天性不足的人群，人类发明了文字，数字，电脑、execl，表情包等信息承载工具。

就是这样一群先天性大脑有缺陷的人群，试图利用所发明的各式各样的统计计算等工具，来试着加工处理这些原本大脑会过载的信息。

这也是我们证券交易市场，投资决策执行的过程，采用量化模型的诞生的初衷。

一个量化交易模型，从最开始想法的诞生，到架构实现实盘运行，再到后期优化拟合或是推倒重做。

从过程上讲，必定会经历绕不开的康德哲学的三个阶段：先验、后验，超验

先验的意思，即在事件行为决定执行过程之前。我们大部分的知识都来源于「经验」，我们大部的量化模型的诞生的也来都来源于知识经验的先验。量化交易模型的架构实现。

在先验阶段，往往是采用观察窗口期，此时采用归纳法，发现并确定一个大概率出现的事件，利用这个事件的特性，寻找可操作表现的机会点。通过人为复盘的方式，过程可能需要用到统计计算工具，或者某些特定算法等等。如一些股票市场事件驱动类型的策略，采用的方法是根据某些财务报表数据更新时，引起的市场价格变动。那么在人观察到这一点长时间恒定有效之后，就可以将这一特性加以复盘观察，反复确认。这一过程也就是量化交易模型架构实现的先验过程。简单来说就是，我发现了一有规律的事儿，这事儿可能会赚钱。在量化交易模型的架构实现过程环节中，这一环节一般被用来做主观建模维度的前期摸底，模型的来源多种多样，如投资决策人的多年交易经验的量化诉求，或是某些能让投资决策人醍醐灌顶的某个研报上有用的信息。

后验，是与先验相对的，当发现了一规律之后，这规律是否恒定存在，是否为假是需要当事人亲身去尝试的，此时多采用演绎法。在量化交易模型的架构实现过程环节中，这一环节一般被用来做小范围样本测试，这个环节是可能会上实盘的，更多的可能是通过模拟交易环境来验证这些理论的正确性。收集这些事件出现概率特征，为下一步大规模正式运行做前期准备，简单来来说，你可以把这里的后验理解为实践，毕竟我们从小就听过：实践是检验真理的唯一标准。

超验环节，这里需要重点说一说，超验指的超出预计，实际与理论预期不符，在量化交易模型的架构实现过程中这个超验环节是常态化的存在的，造成超验环节频繁出现的原因多种多样，如股票期货等样本周期取样过小，更有可能是本身事件就不具备普适性（单个样本的特征，而不是群体特征）。还是拿股票的事件驱动类型的策略举例，比如你发现了一行为事件，只要某财经大嘴在媒体上一唱多，大机率跟踪的这只股票就会爆涨。然后你根据这样的事件行为，去开发相应的事件驱动策略，大机率是失败的。你可以把这里的超验环节的常态化出现，理解为世事无常。

量化交易模型的普适结构，不是死的，常规的做法采用：数据处理-算法决策-交易执行-风控管理模块--成本控制模块等等。多为根据自身策略特性来进行模组的预添加。有点类似于给一个车子装备各式各样的设备组件，最终使这台汽车运行跑起来，当然同时还要让这台汽车更稳定，更高效快速地奔跑起来。工业领域的量化生产方式，还是有很多值得我们证券投资人借鉴的地方的。

量化交易模型的实现环境，这一点很多同学以为是重点与难点，我恰恰觉得相反，我上面描述的两大环节，一个是讲量化模型的先验、后验、超验的必经过程，另一个是讲结构原理，每一个环节我都认为比一些同学关心在意的，用什么程序语言做开发，使用什么量化交易软件等，来得更为重要。不少人做量化交易还停留在，我是程序IT出身，我是阿里华为某某职级等等，这与你做好交易有半毛钱关系。

至于量化交易模型是否必须通过程序化交易的方式来执行，这是不是必须的？如果你的策略模型采用比较中低频的交易执行方式，比如每天只交易一次，甚至每周或每月才轮动一次。那么我认为是否程序化不是必要的。

毕竟，在程序化的过程中，有很多额外的高山是需要你去翻越的，变量越多事情会变得越复杂。本着实用主义出发来执行你的量化交易模型，何乐而不为呢？

如果非得程序化来执行你的量化模型，我是建议初学者采用三方量化平台来实现的，比如很近些年大量出现的P-T平台，拿来主义实用即可。这些三方平台缺点也有，但可以弱化处理掉，比如回测的速度慢，“偷”策略之类的问题等等。

话说回来，如果你能清楚地找到自己的模型交易环节定位，比如做股票，只需要定时选股的量化模型，那么就只需要开发一个选股模型即可，至于交易下单的部份，人为手工代为执行就是了。