文件

Manus Quant Agent f1d939b460 feat: 初始化量化交易知识库 v1.0

- 01_基础理论：量化交易基础概念、市场微观结构、加密货币特殊性
- 02_技术指标：完整指标体系（MA/EMA/MACD/RSI/KDJ/布林带/SuperTrend/DMI等）
- 03_交易策略：趋势跟踪、均值回归、套利、动量策略详解
- 04_交易信号系统：多指标共振评分引擎（基于 tradehk 项目）
- 05_市场品种：加密货币、XAUT黄金代币、代币化美股全览
- 06_数据流程：数据采集、清洗、存储、实时流处理
- 07_回测框架：回测方法论、偏差规避、绩效评估指标
- 08_风险管理：仓位管理、止损止盈、Kelly公式、杠杆管理
- 09_AI与机器学习：深度学习、强化学习、LLM在量化投资中的应用
- 10_链上数据分析：SOPR/MVRV/巨鲸监控/衍生品数据
- 11_参考文献：arXiv论文汇总、开源项目、数据平台资源
- samples/：Python信号计算器和回测样本代码

参考项目：tradehk（ssh://git@git.hk.hao.work:2222/hao/tradehk.git）
全部中文化，适用于加密货币（CEX/DEX）、XAUT黄金、代币化美股

2026-03-05 21:36:56 -05:00

5.3 KiB

原始文件 Blame 文件历史

量化交易基础概念

量化交易（Quantitative Trading）是指将交易思路转化为明确规则，通过数据、统计和预定义条件进行决策，而非依赖直觉或情绪的交易方式。其核心目标不是完美预测市场，而是构建可重复执行的系统，在时间维度上持续利用微小的统计优势。¹

一、量化交易的核心要素

量化交易系统通常由以下五个核心模块构成：

模块	功能	关键技术
数据采集	获取行情、链上、新闻等多维数据	REST API、WebSocket、爬虫
信号生成	基于指标和模型产生买卖信号	技术分析、机器学习
策略执行	将信号转化为订单指令	算法执行、智能路由
风险管理	控制仓位、止损、最大回撤	Kelly 公式、VaR 模型
绩效评估	回测与实盘对比分析	夏普比率、最大回撤

二、市场微观结构

2.1 订单簿（Order Book）

订单簿是市场微观结构的核心，记录了所有未成交的买单（Bid）和卖单（Ask）。量化交易者需要理解：

买卖价差（Bid-Ask Spread）：做市商的利润来源，也是高频策略的主要成本
市场深度（Market Depth）：衡量大额订单对价格的冲击程度
流动性（Liquidity）：在不显著影响价格的情况下买卖资产的能力

2.2 价格形成机制

加密货币市场的价格形成受以下因素影响：

现货市场：供需关系直接决定价格
期货市场：期货溢价（Contango）或贴水（Backwardation）反映市场预期
资金费率（Funding Rate）：永续合约特有机制，平衡多空双方持仓成本
清算瀑布（Liquidation Cascade）：大规模强制平仓引发的连锁反应

2.3 市场效率与 Alpha

根据有效市场假说（EMH），市场价格已反映所有可获得信息。然而加密货币市场由于以下原因存在明显的 Alpha 机会：

市场参与者以散户为主，行为偏差显著
信息不对称程度高，链上数据可提供独特洞察
监管不完善，套利机会更多
7×24 小时交易，跨时区价差频繁出现

三、量化交易的优势与挑战

3.1 核心优势

可扩展性：一旦策略验证有效，扩大规模只需调整参数或增加资金，无需线性增加人力投入。

情绪中立：系统严格按照预设规则执行，消除了人类交易中常见的恐惧、贪婪等情绪干扰。

速度优势：算法可在毫秒级完成信号计算和订单提交，远超人工操作速度。

多策略并行：可同时运行多个不相关策略，通过分散化降低整体风险。

3.2 主要挑战

过拟合风险：策略在历史数据上表现优异，但在实盘中失效。这是量化交易最常见的陷阱。

数据质量：加密货币市场存在大量"刷量"数据，需要仔细清洗和验证。

市场制度变化：监管政策、交易所规则、市场结构的变化可能使原本有效的策略失效。

技术风险：网络延迟、API 故障、程序 Bug 等技术问题可能导致意外损失。

四、量化交易的核心技能要求

成功的量化交易者需要具备以下能力的交叉：

数学/统计学
    ↕
编程能力  ←→  金融知识
    ↕
风险管理

数学/统计学：概率论、时间序列分析、随机过程
编程能力：Python（pandas、numpy、backtrader）、数据库、API 调用
金融知识：市场结构、技术分析、基本面分析
风险管理：仓位管理、相关性分析、压力测试

五、加密货币量化的特殊性

与传统金融市场相比，加密货币量化交易具有以下独特特征：

特征	传统金融	加密货币
交易时间	工作日 9:00-15:30	7×24 小时
波动率	年化 15-25%（股票）	年化 50-200%（主流币）
数据透明度	有限（SEC 披露）	高（链上数据完全公开）
监管环境	成熟完善	不断演变
交易成本	较低（机构级）	中等（0.02%-0.1%）
市场深度	深（主要股票）	浅（山寨币）
资产相关性	与宏观经济相关	高度内部相关

六、量化交易的发展历程

量化交易的发展可分为三个阶段：

第一阶段（1970s-2000s）：统计套利时代 以 Renaissance Technologies 为代表，利用统计模型发现价格规律，主要依赖人工设计的因子。

第二阶段（2000s-2020s）：机器学习时代 深度学习的兴起使得自动特征提取成为可能，LSTM、Transformer 等模型被广泛应用于价格预测。

第三阶段（2020s-至今）：大模型与 Agent 时代 LLM（大语言模型）开始处理非结构化数据（新闻、社交媒体），强化学习 Agent 实现端到端的自主交易决策。²

参考资料

Whaleportal. "Quantitative Crypto Trading: Strategies, Automation & Backtesting". https://whaleportal.com/blog/quantitative-crypto-trading-strategies-automation-backtesting/ ↩︎
Cao, B. et al. "From Deep Learning to LLMs: A survey of AI in Quantitative Investment". arXiv:2503.21422, 2025. https://arxiv.org/abs/2503.21422 ↩︎

5.3 KiB 原始文件 Blame 文件历史 Unescape Escape