什么是 Quantitative Analysis (QA)？
Quantitative Analysis (QA) 是基于数据而非直觉做出交易决策的做法。它用数学、统计和代码将数字转化为规则。想象一个冷静的朋友，在再点一轮前先核对账单，然后问这笔交易是否仍然合理。
误解
Quantitative Analysis (QA) 不是自动印钞机。它是一个用于检验想法和管理胜算的框架，当市场变化或数据混乱时仍可能出现亏损。
工作原理
Quantitative Analysis (QA) 遵循一个简单循环：收集、测试、决定、重复。想象一个交易员在 BTC 上构建一个小型动量策略。
- 步骤 1：获取干净的数据，例如历史和实时的 市场价格。
- 步骤 2：创建特征，例如移动平均和成交量趋势，然后过滤明显的异常值。
- 步骤 3：写一条规则，例如当价格高于其均线且成交量上升时买入，否则保持观望。
- 步骤 4：在多年数据上回测，包含手续费和滑点，并保留部分未见数据用于样本外检验。
- 步骤 5：如果表现稳定，可人工执行或将其输入到 算法交易，配合告警和仓位规模控制。
保持枯燥且可测试。是的，这就是要点。
为何重要
如果你关注加密和技术，为什么要在意 Quantitative Analysis (QA)？
- 好处：它把模糊的观点转为可重复执行的计划，能节省时间，有时还能节省资金。
- 视角：它契合以数据为先的交易趋势，并通过更好的 风险管理 增强纪律性。
- 相关性：你会在自营交易台、量化 DAO 和个人交易机器人中遇到它。配合合理的 分散投资，它可以平滑不同币种和策略间的波动。
提示
从一条明确的规则开始，只在样本外表现提升时再加入新项。更多可调参数意味着更容易过拟合。
主要特征
Quantitative Analysis (QA) 的突出之处：
- 数据：强调干净且相关的输入，而非凭感觉。
- 规则：决策遵循可测试且可重复的明确逻辑。
- 测试：回测和前向测试用于判断某一模式是真实存在还是偶然。
- 自动化：一旦验证有效，容易转为告警或交易机器人。
常见变体
你会看到的不同形式：
- 统计类：均值回归、动量和经典时间序列检验。
- 机器学习类：从特征和标签中学习模式的模型。
- 因子类：基于趋势、持仓收益或价值等驱动因素构建的规则。
- 高频：关注速度和市场微观结构的超短期模型。
- 链上：来自手续费、资金流、地址和网络活动的链上信号。
提醒
输入如果有问题，输出也会出问题。如果数据错误或市场机制改变，即便是完善的模型也可能失效，因此要持续更新你的假设和成本估算。
示例
一家加密基金在 ETH 上测试简单动量规则，为每笔交易设定风险上限，只有在样本外检验确认回测结果后才上线实盘运行。
有趣的事实
在 70 年代期权定价兴起后，“quant” 一词在华尔街变得流行，早期许多量化研究员有物理学背景；后来其中一些人参与构建了加密市场做市模型。
总结
一句话：Quantitative Analysis (QA) 将数据变成可测试、可信并能在市场情绪变化时调整的规则。