feat: Wiki名词解释库 v1.0 - 31个核心量化交易术语

新增 wiki/名词解释/ 目录，包含31个完整名词解释页面：
技术指标类(16个)：EWO/EMA/MACD/RSI/AO/布林带/ATR/ADX/DMI/OBV/MFI/Stoch/StochRSI/SuperTrend/TTM-Squeeze/KDJ
交易概念类(5个)：量化交易/做市商/套利策略/趋势交易/均值回归
风险管理类(3个)：夏普比率/最大回撤/Kelly公式
市场结构类(4个)：CEX/DEX/永续合约/资金费率
链上数据类(2个)：MVRV/恐惧贪婪指数
信号系统类(1个)：MTF多时间框架分析

每个页面包含：一句话解释/详细原理/实际应用/常见误解/相关名词/深入阅读
所有链接均为仓库内部相对路径，无外部链接

wiki/名词解释/量化交易.md

@@ -0,0 +1,76 @@
+# 量化交易
+🟢入门
+
+## 一句话解释
+量化交易是一种利用数学模型、统计分析和计算机算法来制定和执行交易策略的投资方式，旨在通过数据驱动的客观决策来获取市场收益。
+
+## 详细解释
+### 背景
+传统的交易方式往往依赖于交易员的个人经验、直觉和对市场情绪的主观判断。然而，在信息爆炸和市场日益复杂的今天，这种主观交易方式面临着效率低下、情绪化决策以及难以大规模复制等挑战。量化交易应运而生，它将科学方法引入金融市场，通过对历史数据进行深入分析，发现市场中存在的统计学规律和交易机会。
+
+### 原理
+量化交易的核心原理是基于**数据驱动**和**系统化**。它通过构建量化模型，将交易思想、市场规律、风险管理等要素转化为精确的数学表达式和计算机指令。这些模型可以自动识别交易信号、计算最佳进出场时机、管理仓位和控制风险。
+
+量化交易的实现通常包括以下几个步骤：
+1.  **数据收集与清洗**：获取大量的历史市场数据（如价格、成交量、财务报表等），并进行预处理，去除异常值和噪声。
+2.  **策略开发与建模**：基于经济学理论、统计学方法或机器学习技术，开发交易策略。这可能涉及趋势跟踪、均值回归、套利、高频交易等多种类型。
+3.  **回测与优化**：使用历史数据对开发的策略进行模拟交易（回测），评估其表现（如收益率、最大回撤、夏普比率等），并根据回测结果对策略参数进行优化。
+4.  **风险管理**：设计严格的风险控制机制，包括止损、止盈、仓位管理、分散投资等，以限制潜在损失。
+5.  **实盘执行**：将优化后的策略部署到自动化交易系统中，由计算机程序自动执行交易指令。
+
+### 公式示例 (以简单的均线交叉策略为例)
+虽然量化交易涉及复杂的数学模型，但其基本思想可以通过简单的技术指标来理解。例如，一个简单的**移动平均线交叉策略**（Moving Average Crossover Strategy）可以这样定义：
+
+*   **短期移动平均线 (SMA_short)**：通常是5日或10日移动平均线。
+    $$ SMA_{short, t} = \frac{P_{t} + P_{t-1} + ... + P_{t-n+1}}{n} $$
+    其中，$P_t$ 是第 $t$ 日的收盘价，$n$ 是短期均线的周期。
+
+*   **长期移动平均线 (SMA_long)**：通常是20日或60日移动平均线。
+    $$ SMA_{long, t} = \frac{P_{t} + P_{t-1} + ... + P_{t-m+1}}{m} $$
+    其中，$m$ 是长期均线的周期。
+
+**交易信号**：
+*   **买入信号**：当短期移动平均线从下方穿过长期移动平均线时（即 $SMA_{short, t} > SMA_{long, t}$ 且 $SMA_{short, t-1} \le SMA_{long, t-1}$），发出买入信号。
+*   **卖出信号**：当短期移动平均线从上方穿过长期移动平均线时（即 $SMA_{short, t} < SMA_{long, t}$ 且 $SMA_{short, t-1} \ge SMA_{long, t-1}$），发出卖出信号。
+
+**数值示例**：
+假设某资产过去10天的收盘价为：10, 11, 12, 13, 14, 15, 16, 17, 18, 19。
+我们使用5日短期均线和10日长期均线。
+
+*   第10天的5日均线：$(15+16+17+18+19)/5 = 17$
+*   第10天的10日均线：$(10+11+12+13+14+15+16+17+18+19)/10 = 14.5$
+
+如果第9天的5日均线低于10日均线，而第10天5日均线（17）高于10日均线（14.5），则产生买入信号。
+
+## 在量化交易中的应用
+量化交易的应用范围极其广泛，涵盖了股票、期货、外汇、债券以及加密货币等几乎所有金融市场。常见的应用场景包括：
+
+*   **高频交易 (HFT)**：利用极快的交易速度和复杂的算法，在毫秒级别捕捉微小的价格波动，获取利润。
+*   **套利交易**：发现不同市场或不同资产之间的价格偏差，通过同时买入低估资产并卖出高估资产来获取无风险或低风险利润。
+*   **趋势跟踪**：识别并跟随市场的主要趋势，在趋势形成时入场，在趋势反转时离场。
+*   **均值回归**：认为资产价格会围绕其长期平均值波动，当价格偏离均值时进行反向操作，预期价格会回归均值。
+*   **事件驱动策略**：基于特定事件（如财报发布、并购消息、宏观经济数据等）对市场的影响进行交易。
+
+### 与加密货币交易的关联
+加密货币市场因其24/7不间断交易、高波动性、相对较低的监管门槛以及丰富的API接口，成为量化交易的沃土。许多量化策略在传统市场的基础上，被成功应用于比特币、以太坊等加密资产的交易中。
+
+*   **跨交易所套利**：不同加密货币交易平台之间可能存在价格差异，量化程序可以迅速捕捉并执行套利。
+*   **高频做市**：通过在买卖盘上持续报价，赚取买卖价差，同时为市场提供流动性。
+*   **趋势与反转策略**：利用加密货币的剧烈波动性，通过量化模型识别趋势或反转信号进行交易。
+*   **资金费率套利**：在永续合约市场中，利用资金费率的差异进行套利。
+
+## 常见误解
+1.  **量化交易是“圣杯”策略，能保证稳赚不赔**：这是一个普遍的误解。量化交易虽然基于数据和算法，但市场本身是复杂且动态变化的。任何策略都无法保证100%盈利，回测表现优异的策略在实盘中也可能失效（即“过拟合”）。风险管理在量化交易中至关重要。
+2.  **量化交易门槛极高，只有专业机构才能参与**：虽然专业的量化交易涉及复杂的数学和编程知识，但随着技术的发展，越来越多的个人投资者可以通过量化交易平台、API接口或低代码工具参与到量化交易中。许多开源的量化交易框架和社区也降低了学习和实践的门槛。
+3.  **量化交易完全不需要人工干预**：尽管量化交易强调自动化，但模型的开发、优化、风险参数的调整以及在极端市场情况下的监控和干预，都需要人工的参与。完全脱离人工的自动化系统可能在未知风险面前表现脆弱。
+
+## 相关名词
+*   [回测](./回测.md)
+*   [阿尔法策略](./阿尔法策略.md)
+*   [高频交易](./高频交易.md)
+*   [机器学习](./机器学习.md)
+
+## 深入阅读
+*   [量化交易策略开发指南](../docs/quant_strategy_dev_guide.md)
+*   [加密货币量化交易实战](../docs/crypto_quant_trading_practice.md)
+*   [风险管理在量化交易中的应用](../docs/risk_management_in_quant_trading.md)