量化交易策略開發

『壹』 什麼是量化投資交易策略

一文看懂量化投資策略

閑話基

量化投資在近些年受到越來越多的關注，包括規模、策略、業績。量化投資，是指通過藉助統計學、數學方法，運用計算機從海量歷史數據中，尋找能夠帶來超額收益的多種「大概率」策略，按照策略構建的數量模型嚴格執行投資，力求獲得長期穩定可持續高於平均的超額回報。

跨市場策略涉及外匯兌換、國際期貨交易對沖，交易實現難度大，國內用得少。

由於期貨具有杠桿屬性，這類策略持倉的市值往往很大，有時候甚至超過產品資產總值，導致收益率的波動率是所有量化策略中最大的。在市場出現連續震盪行情時，這樣策略由於杠桿屬性會出現較大的回撤。另外一個對這類策略的一個限制是，目前市場上活躍交易的期貨品種不多，高頻交易很大程度倚重於品種成交量，開平倉時間間隔較短，使得策略容量不大。

『貳』 量化交易都有哪些主要的策略模型

研究量化投資模型的目的是找出那些具體盈利確定性的時空價格形態，其最重要手段的概率取勝，最重要的技術是概率統計，最主要的研究方向是市場行為心理。那麼我們在選擇用於研究的參數時，也應該用我們的經驗來確定是否把某技術參數放進去，因為一般來說定性投資比較好用的參數指標對量化投資同樣適用。
量化投資區別於傳統定性投資的主要特徵在於模型。我打個比方，我們看病，中醫與西醫的診療方法是不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，主觀定性程度大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。中醫對醫生的經驗要求非常高，他們的主觀判斷往往決定了治療效果，而西醫則要從容得多，按事先規定好的程序走就行了。量化投資就是股票投資中的西醫，它可以比較有效地矯正理智與情緒的不兼容現象。
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。 量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統。

『叄』 如何開發量化投資模型

4.如何進行量化投資
一個量化投資的交易系統主要包括三個部分，阿爾法模型、風險模型和交易成本模型。
阿爾法模型旨在預測寬客所考慮金融產品的未來趨勢；
風險模型旨在幫助寬客投資不太能帶來收益但會造成損失的敞口規模；
交易成本模型用於幫助確定從目前的投資組合到新的投資組合的交易成本。
目前對於量化交易的研究重點大都集中在對阿爾法模型的研究上。
阿爾法模型
阿爾法模型是量化交易系統的第一個重要組成部分，主要是為了尋找盈利機會。
阿爾法是希臘字母α的音譯，常用於量化表述投資者的盈利能力或投資者得到的與市場波動無關的回報。
阿爾法模型分為：
趨勢形、回復型、技術情緒型、價值型/收益型、成長型和品質型
趨勢型和均值回復型交易策略都依賴價格數據；純技術情緒型的策略比較少見通常都只作為一個輔助因子；而價值型/收益型、成長型和品質型策略都基於基本面數據
趨勢跟隨策略
趨勢跟隨策略是基於以下基本的假定：在一定時間內市場通常朝著同一方向變化，據此對市場趨勢做出判斷就可以作為制定交易策略的依據。常見於期貨市場，最常用移動平均線交叉來定義趨勢。
均值回復策略
均值回復策略的基本理論認為，價格圍繞其價值中樞而上下波動，判斷出這個中樞以及波動的方向便足以捕捉到交易機會。統計套利是用的最多的均值回復策略，認為價格出現背離類似股票的價值終究會縮小到合理的區間范圍。
技術情緒型策略
這一類策略沒有明確的經濟理論支撐，主要通過追蹤投資者情緒相關指標來判斷預期回報，如交易價格、交易量以及波動性指標等。比如觀察期權市場的認沽認購量和隱含波動率做現貨的擇時，再者就是高頻交易通過限價指令簿的形態來判斷近期市場情緒。
價值型/收益型策略
價值型策略主要用於股票交易。這類策略認為市場傾向於高估高風險資產的風險，而低估低風險資產的風險。因此，在適當的時間買入高風險資產和賣出低風險資產，就可以獲得收益。常用的指標有PE（市盈率）、PB（市凈率）等，常應用於股票多空。
成長型策略
成長型策略試圖通過對所考慮資產以往的增長水平進而對未來的走勢進行預測。他認為價格上漲通常都是存在趨勢的，價格上漲最快的產品通常比同類產品更具有優勢，他要求投資者能盡早判斷公司的股價處於增長期，從而捕捉到公司的股價未來更大的上漲幅度。宏觀上常見於外匯市場，例如持有經濟迅速增長的國家的外匯，這些國家的利率比經濟增長緩慢或處於復甦期的經濟體要高；股票市場通常用EPS等指標度量。
品質型策略
這類策略的支持者認為，在其他條件相同的條件下最好買入或持有高品質的產品而做空或減少持有低品質的資產。這類策略比較看重資金的安全，受宏觀市場影響比較大，常用的指標有杠桿比率、收入波動比、管理團隊水平和欺詐風險。
不管是什麼類型的策略最終受益都體現在交易中關於買賣時機的把握和持有頭寸選擇的技巧。
https://uqer.io/community/list 這個社區裡面有很多關於量化的策略，也有很多牛人，可以和他們多討論討論的。

『肆』 股票量化交易策略是什麼意思

股市是一門經濟學，哲學，概率學，心理學的綜合體，想要成功，需要不斷去感悟去總結每一次的失敗，這樣才能走的更好更遠。

第一個理念：

順勢而為

股市的大趨勢決定個股的走勢，當指數大漲時個股更容易爆發，這個時候適合重倉介入，當然要注意獲利就出;當市場處於弱勢時，就要考慮輕倉介入，不盲目追漲。

第二個理念：

選定有價值的公司

在投資中，選定有價值的公司很重要，因為這些公司有很強的上漲潛力，一旦市場有好的信號，或者公司有大利好時，股價就會飛速上漲，所以這樣的公司更容易讓普通股民賺到錢。

第三個理念：

分批建倉 堅持到底

在投資中，投資者要住的是要做好投資策略，一般的策略就是分批建倉，在市場下跌時以倒金字塔形態建倉，在市場上漲時，以金字塔形態減倉。如果股票短期被套，市場情況還可以的話，則要選擇堅持持倉。

天字一號量化交易系統通過設定不同的各種指標條件，一旦市場交易情況滿足這些條件時就自動彈出一些操作指示；設定值達到開倉條件，系統會彈出買入信號、設定值達到減倉條件賣出一半或者全部賣出等。

『伍』 量化投資用什麼編程語言研發策略好呢

么以下我就以程序語言的角度來回答
當然如果已經會了某些語言,那你可以使用熟悉的語言去找網上的學習資源會比較快
如果沒有特別熟悉的語言,或者是願意多學一種非常好用的語言
我的建議是學習Python

我從以下幾點來分別說明

平台資源

國內外使用Python做雲端回測以及運算的免費平台相當的多,例如有 寬客在線，發明者量化，優礦, 等等不勝枚舉,可以使用平台的支持以及社區的互相幫助來學習

容易學習

綜合以上所說,"目前的環境底下" 我推薦Python.（推薦直接下載 Anaconda的集成開發環境）

『陸』 量化交易主要有哪些好的策略

研究量化投資模型的目的是找出那些具體盈利確定性的時空價格形態，其最重要手段的概率取勝，最重要的技術是概率統計，最主要的研究方向是市場行為心理。那麼我們在選擇用於研究的參數時，也應該用我們的經驗來確定是否把某技術參數放進去，因為一般來說定性投資比較好用的參數指標對量化投資同樣適用。
量化投資區別於傳統定性投資的主要特徵在於模型。我打個比方，我們看病，中醫與西醫的診療方法是不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，主觀定性程度大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。中醫對醫生的經驗要求非常高，他們的主觀判斷往往決定了治療效果，而西醫則要從容得多，按事先規定好的程序走就行了。量化投資就是股票投資中的西醫，它可以比較有效地矯正理智與情緒的不兼容現象。
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。
量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫mysql，asp網路編程語言，以及可以設置成網路伺服器的旗艦版win7操作系統。

『柒』 量化交易員是策略研發要求高還是交易要求高

在整個量化交易策略的研發流程當中，買和賣是最為基本的量化交易策略組成部分，而這個部分的設定主要與收益情況相關。這里所說的相關，具體分為兩種不同的情形，一種是總體的關聯性，即基於買點、賣點的選擇，買賣策略應該得到一個正的整體收益。另一種則來自於對交易資產未來收益的判斷、或者說預測，即判斷交易資產的未來收益為正時，就買入資產；判斷交易資產的未來收益為負時，則賣出或賣空資產。實際操作中，這兩種關聯關系的情況可能更為復雜一些。有的時候，買和賣的具體操作也可能受到風險方面設置的影響，例如為了限制單次交易的最大損失而採取止損之類的操作時，用於清倉的買賣設置就會相應的變動，這也是作者將風險和買賣用虛線相連的原因。不過在大部分情況下，買賣這一最為基本的組成部分還是與收益的關系最大，研究者也應該在研發這一個組成部分時，著重考慮收益情況的具體影響。
對量化交易策略風險的控制可能會影響到量化交易策略中的買賣設置，但是在更普遍的情況下，風險這一因素主要影響的是交易倉位的設置。當然，前提條件還是需要買賣策略的總體收益為正，在這樣的條件下再結合倉位的設置，才能夠在合適的風險水平下取得達到要求的收益。通過對交易資產具體倉位的調整，交易者可以比較直接的控制單次交易以及整個交易策略的風險水平。例如在滿倉交易的情況下，定量的判斷了當前交易的風險之後，覺得風險過大無法承受，那麼最為直接的處理方法就是在滿倉的基礎上相應的降低倉位的大小。在倉位降低之後，對於整體資金而言風險也就隨之降低了。由於倉位本身具有量化、直觀的特性，因此當交易者希望將風險處理到一個特定的水平時，調整倉位是一個比較方便的手段。
需要說明的是，前面已經提到了買和賣是量化交易策略最為基本的組成部分，實際上倉位的設定是根據買賣決策和風險兩個因素共同形成的，不建立在買賣之上的倉位選擇是空洞沒有意義的。此外還有一個更為極端的情況，倉位的正確設定有助於進一步優化策略的整體收益，之後要介紹的凱利公式的意義正在於此。在圖1中由買賣到倉位的箭頭，實際上可以看作是收益、買賣這一個整體部分指向倉位的箭頭。不過在實際使用中，凱利公式所導出的倉位設定往往過於偏激，超過正常風險控制下的最高倉位值，因此倉位仍然與風險的關系更為緊密。
在圖1這個較為鬆散的量化交易策略研發流程中，交易成本是和買賣以及倉位具有同等地位的組成部分。在實際操作中，就是首先基於對收益和風險的判斷得出合適的買賣和倉位選擇，然後在買賣和倉位共同組成的量化交易策略當中考慮交易成本，也就是在建立倉位和退出倉位等操作中扣除所需要承擔的交易成本。隨後再次判斷該量化交易策略所代表的收益和風險情況，只有這兩個因素仍然在接受范圍之內，才能確認這是一個可行的量化交易策略。雖然最後用來執行的組成部分只有買賣和倉位，但是交易成本作為對量化交易策略的一個實際化修正，也是策略研發流程中一個不可或缺的組成部分。
上面提到的對量化交易策略收益和風險情況的判斷，實際上是一個綜合性的評價問題。一個最為重要的參考依據應該是策略在整個交易過程中的凈值走勢，通過對策略凈值走勢的分析，就可以建立起該量化交易策略運行情況的全面判斷。但是凈值走勢本身由於細節過多，因此無法簡單的用來進行策略之間的橫向對比。這時就需要精煉凈值走勢中所包含的信息，選取合適的部分形成量化的評價指標，從而進行量化交易策略的進一步判定。就作者看來，評判一個策略的標准中最重要的仍然是策略在整個交易過程下的收益情況，一個負收益的量化交易策略根本無需考慮其風險即可排除。而當收益為正時，再結合風險的度量進行具體的取捨，就可以直觀的給出量化交易策略是否合格的評判標准了。作者心目中最重要的風險指標是策略凈值的回撤水平，在後面的案例分析中也會重點查看回撤的結果。
於此同時，一些量化交易策略在進行收益和風險情況的判斷時，僅僅針對策略自身的凈值走勢進行研究是不夠的，給出一個合理的基準來進行對比往往是更為有效的判別方法。例如後面的案例中會涉及到的量化選股策略，當交易選擇僅限為對具體的股票進行持倉，而不考慮空倉或者賣空時，選取一個特定的基準進行對比就會是一個更為有效的判別方法。這主要是由於量化選股策略的倉位始終為多頭，因此不論如何配置，策略所持倉位都含有資本資產定價模型中所提到的市場成分。而選股策略本身的意義在於選擇更好的股票、不在於獲取市場收益，因此將市場走勢作為對比、或者在策略收益中剔除掉市場成分就是一個更合理的做法。
上述所有的操作，都需要建立在對歷史數據的分析之上，在量化交易領域當中一般稱之為回溯測試，或者簡稱回測。所謂回溯，也就是將交易的過程在歷史數據上復現一遍，這裡麵包含了一個假設，即歷史數據在量化交易策略中展現出的樣本特徵在未來的交易中依然存在，否則回溯測試就失去了意義。關於這一假設的分析其實在諸多技術分析著作中均有涉及，一般被稱為「歷史會重演」，這里不再繼續展開。不同於傳統技術分析的是，量化交易策略的研發過程更加深入具體，在涉及到策略的參數設定、模型設置等具體問題時，需要採用數量化的方法、也就是最優化等技術手段進行解決。例如如何設置買點和賣點可以使得相應的總體收益最大等等，都是很典型的最優化數學問題，那麼找到合適的最優化技術和演算法並加以應用，就能夠確定量化交易策略的最終形式，用以進行實際交易。
圖1中所展示的是一個較為鬆散的一般性框架，用來總領性的說明量化交易策略的基本研發流程。在具體的策略研發過程中，這個框架經常會因為具體研發設置和策略設置的不同而產生變化。例如當量化交易策略的主要作用不是在時間軸上選擇具體的買賣時點，而是在同一個時間點上對多個資產進行選擇和配置時，圖1中的一些說明就顯得有些含混不清。量化選股策略就是這一類策略中最為常見的形式，因此這里在整體框架不變動的情況下，針對圖1進行了文字上的調整，用以說明量化選股策略的運行框架與研發流程。當然，使用選股策略的框架體系來處理多個資產甚至多個策略的挑選、配置也是可以的，在不復雜的情況下只需要稍作聯想即可。

買賣和倉位雖然是更為通用的說法，但是更適合於描述擇時策略，放在選股策略的研發框架中會顯得比較突兀，因此圖2將買賣換成了選股，倉位則換成了配比，這樣更容易讓讀者領會該研發流程的含義。實際上，對於每一期的選股而言，如果選擇了原先沒有倉位的股票，那麼對應的操作就是買入該股票，如果已經建倉的股票沒有被選入這一期的股票池，那麼對應的操作就是賣出該股票。而配比則是在買賣的基礎上，通過倉位大小的變化來實現具體配置。因此，選股和配比實際上可以算作是買賣和倉位選擇的特殊情況，只是這種說法更為貼合量化選股策略本身。
略有不同的，是風險在量化選股策略研發流程中的具體含義。由於選股策略的倉位操作涉及到多個股票之間的配比問題，因此這里的風險不僅包括單支股票的風險，也涉及到多支股票之間的風險程度，後一種風險一般採用股票收益之間的相關性來進行描述。例如在一般性的最優投資組合理論當中，經常使用協方差矩陣來刻畫整個資產組合的風險水平。雖然從實際情況來看，相關性這一度量方式與風險的直觀感受之間有一定的差距，但是在多資產環境下，一般都將資產間的相關性視為風險的來源之一，這是一個偏學術的、約定俗成的做法。
上面的例子是針對選股策略進行的文字上的變動，實際上量化交易策略研發流程的變化更多來自於各個研發組成部分不同的結合方式。而不同的結合方式，對應的是策略研發過程中不同的目標和需求。例如圖1所介紹的鬆散的研發流程，是在確定好買賣行為和倉位設定之後，再針對實際交易中所產生的交易成本進行二次測試。這樣的做法雖然簡便易行，但是忽視了交易成本本身對於收益的影響，以及更進一步對於買點和賣點的影響。因此，在確定買賣設置的步驟中就考慮交易成本的影響，應該是一個更貼近於實際的研究框架。圖3給出了相應的流程刻畫，如圖所示，在判斷收益因素時，同時考慮交易成本對於收益的影響，從而優化出更為實際的買賣設置。再根據相應的風險控制，結合買賣點的選擇，得出最後的倉位設置。在確定了買賣和倉位這兩個部分之後，就獲得了一個完整的量化交易策略。

圖4給出了一個更緊湊、更貼合實際操作的量化交易策略研發流程。在該流程中，買賣和倉位的設置是同時作為參數進行優化的，優化的目標函數也進行了唯一化，即量化交易策略的風險調整後收益。而在確定需要優化的目標函數時，交易成本也如同上一個研發流程一樣同時被考慮進去，從而保證買賣和倉位優化結果的准確性。毫無疑問，相較於上面所涉及到的研發流程、特別是圖1中較為鬆散的研發流程，該量化交易策略研發流程的各個組成部分更為緊密，因此在優化過程中所產生的與實際操作的偏離也就越小，買賣和倉位設置的准確度也就更高。但是在實際工作中，如果想參照這一流程進行研發，那麼就需要比較強的計算能力，數據量的大小也要達到一定要求，同時優化方法和目標函數的設定要能夠同時覆蓋買賣和倉位的所有參數，因此往往也只有極為簡單的策略思路可以採用這樣的流程框架進行研發。

在實際的量化交易策略相關工作中，研發只是整個工作流程的一部分，還有兩個組成部分需要著重強調。基於此，圖5在圖1所示的研發流程的基礎上給出了一個更為完整的工作流程。如圖所示，需要增加的部分包括處於研發過程之前的數據准備工作以及處於研發過程之後的策略執行工作。這兩項工作與前面所論述的研發流程具有很強的邏輯關聯性與內在依賴性，三者結合起來形成的一個整體，基本上可以涵蓋量化交易策略具體工作的絕大部分內容。

首先論述數據准備的工作，循著圖5中的箭頭可以看到，在量化交易策略的整體工作中，既要為研發過程准備相應的研究數據，也要為策略執行准備相應的實時數據。在研究數據方面，由於尋找合適的量化交易策略需要不斷重復研發流程，因此對於數據的要求更偏重於准確性和覆蓋能力。同時，對數據的清洗和轉換也是一項重點工作，在大部分的數據科學研究、包括量化交易策略的研發當中，數據特徵的合理抽取對於整體效果提升的重要性有時甚至要高於精巧的模型，當然很多時候數據的轉換和模型的構造是相互融合的，針對具體情況應當採取具體的分析和處理。而在策略執行數據方面，則更應該關注於數據獲取的及時性。至於數據的清洗和變換，只需要完全復制研發得到的量化交易策略下的數據准備工作即可。另外，為了保證數據的及時性，最終進行的數據清洗工作對時間消耗存在一定的要求。
然後討論策略執行的工作。策略執行，是在量化交易策略研發完成之後，最終產出實際效能的組成部分。執行時應該遵循盡量貼近研發完成的量化交易策略的原則，與量化交易策略所確定的買賣、倉位等設置盡可能的保持一致，這樣才能最真實的反映出前面量化交易策略的研發結果。同時，策略執行的結果也可以用來反向支持具體的研發流程，通過對策略執行所得到的收益、風險情況的判斷，實時的重新進行研發，對量化交易策略進行修改，從而使得策略能夠及時的得到現實的反饋，增強自身的穩健程度。值得一提的是，後面將要介紹的推進分析是一種模擬策略執行的回溯測試技術，讀者可以在運行推進分析時有限度的了解到量化交易策略實際執行時的種種狀態。

『捌』 如何設計量化交易策略

對於新手來說開發一個策略最開始一定是模仿。

第一步，利用現成指標構建邏輯。TB內置了眾多的技術指標，取出一個，寫入買賣點，回測下歷史行情，這樣就可以得到一個簡單的策略了。隨著策略經驗的積累，這里的邏輯選擇會越來越多樣化。

當然這樣的策略一般是不賺錢的，所以我們第二步，進行參數優化。

選擇參數遍歷，觀察不同參數對於策略會產生怎樣的影響。一般情況下我們會得到幾組看起來比較賺錢的參數，然後我們進行第三步，樣本外檢測。

比如說我們之前遍歷的參數是2014年的數據得出的幾個表現好的參數，那麼我們就用2013/2015的數據對這些參數進行檢測。一般來說，這一參數會在樣本外慘淡無比，完全沒有樣本內優化出來的威武。
這時第四步，進行觀察，判斷策略失效的原因是什麼。

假設發現策略失效原因是樣本外某一兩次特殊的行情導致大幅虧損，那麼我們就可以設置一個硬止損來規避這種風險；如果發現策略失效是因為交易次數過少，那我們就將交易邏輯稍微放鬆，比如要求>x的地方改為>=x甚至是>=x-1。等等等等，這種修改就是策略的經驗了。

設置好新的邏輯後我們回到第二步，重復以上步驟。

最終我們修改得到了一個樣本內外都賺錢的策略，第五步，實盤追蹤。

在未來一段完全未知的行情中隨著時間檢驗策略，觀察策略的真實表現究竟如何。如果表現與預期相符合，那麼說明策略有效，第六步，進行交易。

隨著交易進行，我們也要觀察策略的有效性，當發現策略出現超出預期的虧損時，第七步，調整或終止策略。

『玖』 量化交易主要有哪些經典的策略

首 先