文汇阁为投资者提供了软件产品
智能交易系统、智能分析系统、自动跟单系统、智能对冲系统、行情转换系统、交易信号专家等，满足了不同用户的需求。
任何疑问请联系我们客服，可拨打7*24小时服务热线：400-660-1612
在线客服在今天谈量化交易，人们已经习惯了模型、算法、统计套利、机器学习、自动执行这些词。一个刚进入市场不久的交易者，也可能同时打开十几个指标，运行几个EA，再用Python跑一段历史数据。量化已经从少数机构的专业语言，逐渐变成整个交易行业最热门的标签之一。
但如果把时间拨回到上世纪90年代初期，情况完全不同。那个时代的华尔街，尤其在许多交易部门里，经验丰富的交易员仍然拥有极强的话语权。交易员相信自己的盘感、经验、市场关系以及长期形成的直觉判断。他们面对屏幕、电话和不断变化的市场价格，在极短时间内做出决定。很多重要判断很难被写成公式，也没有人要求每一个决定必须经过历史样本验证。一个能够长期赚钱的交易员，本身就是一种信用。
正是在这样的环境里，Pete Muller所代表的思维方式显得格外不同。1993年前后，他在摩根士丹利推动Process Driven Trading，也就是后来被广泛称为PDT的量化交易体系。这个名字本身就很有意思，它没有把“预测”放在中心，也没有强调某一种神秘算法，而是强调Process——流程。交易不是先问某个人今天看多还是看空，而是先建立一套能够反复执行、记录、验证和修正的决策过程。
这场变化真正挑战的，并不仅仅是交易员的工作方式，更是华尔街最根深蒂固的一种信念：一个优秀交易员最重要的能力，到底是经验，还是一套能够不断被证据检验的方法？
如果一个老交易员说：“我做了二十年，我知道这种行情接下来会怎么走。”一个数学家可能会问：“过去二十年里，类似情况一共出现多少次？你所谓的‘类似’到底如何定义？如果按照相同规则统计，真实成功率是多少？亏损分布怎样？换一个市场阶段，结果还成立吗？”
两个人讨论的是同一个市场，却活在完全不同的认知体系里。
这也是Pete Muller这段交易史最值得今天重新讨论的地方。真正的量化革命，并不是证明数学家永远比交易员聪明，也不是证明机器最终可以彻底取代人。它真正完成的一次转变，是把“我认为”逐渐变成“我的假设是”，再把“我的假设”交给数据和真实交易结果检验。
从这一刻开始，交易第一次拥有了一种更加冷酷的纪律：你的经验可以非常宝贵，你的模型也可以非常复杂，但它们都没有豁免权。市场最终不支持，就是不支持。
华尔街真正的量化革命，不是机器学会交易，而是人类开始允许数据反驳自己的判断。
理解Pete Muller，首先要理解他进入交易世界时带着什么样的思维背景。他并不是从传统交易员路线成长起来的人，他首先是一个数学训练背景很强的人。对这类研究者而言，金融市场并不是一张等待“感觉”的K线图，而是一个包含大量随机变量、风险暴露、相关关系和不确定性的复杂系统。
这种思维方式和传统交易文化存在天然冲突。传统交易员可能通过多年经验形成一种非常细腻的市场感觉，他能够观察价格速度、成交节奏、情绪变化和市场反应，甚至很难准确解释为什么某一个时刻他觉得应该进场。这样的经验有时非常有效，而且确实可能是长期交易积累出来的能力。但问题在于，如果这种能力完全存在于个人头脑里，它就很难复制，很难规模化，也很难被系统验证。
这正是量化思维开始发挥作用的地方。
假设一个交易员说：“这种行情每次突破以后都容易继续上涨。”数学家首先不会问应该买多少，而会问：什么叫“这种行情”？什么叫“突破”？继续上涨多少才算成功？突破以后多长时间内有效？需要控制哪些市场变量？过去一共出现过多少样本？成功率是多少？失败的时候损失多大？如果扣掉真实交易成本，结果是否仍然成立？
这些问题看起来没有交易大厅里的买卖决策那么刺激，却决定了一项经验能不能真正变成模型。
Pete Muller推动Process Driven Trading的重要意义，就在于试图把交易中的经验和直觉重新翻译成可以被数学处理的问题。这个过程不是为了否定交易员，而是为了把过去依赖个人天赋的东西，变成可以由团队研究、程序执行和风险系统约束的东西。
在主观交易体系里，一个优秀交易员离开，很多能力可能随之消失；在系统化体系里，一项经过验证的规律可以被保存进模型，变成组织的研究资产。研究员可以继续修改它，程序员可以把它转化成执行系统，风控人员可以给它设定风险边界，后来的人也可以重新检查它是否还有效。
这就意味着交易从一种“个人技艺”，逐渐开始向“组织能力”转换。
这也是为什么Process Driven Trading这个名字比“Quant Trading”更值得咀嚼。它真正强调的不是计算机，而是流程。数学只是其中一种工具，真正革命性的部分，是把交易变成一个可以重复运行的决策系统。
当交易员说“我今天感觉不对，所以不做”，系统化交易需要进一步追问：这种“不对”究竟能不能被识别？它来自波动异常、相关性改变、流动性下降，还是仅仅来自个人情绪？如果能够识别，就应该尝试写成条件；如果不能识别，那它就仍然属于个人判断，而不是系统规则。
两种方法并不存在简单的高低之分。真正不同的是，它们面对错误的方式。
主观交易者犯错以后，可能重新解释市场；系统交易犯错以后，必须回到规则和数据。
这就是量化真正开始改变华尔街的第一步。
很多人今天学习量化，第一反应是寻找一个“厉害公式”。好像只要数学足够复杂，交易优势就会自然出现。于是指标越来越多，模型越来越深，参数越来越细，最后一个原本很简单的问题，被包装成了几十个变量。
这其实误解了量化。
数学进入交易的真正价值，不是让系统看起来更高级，而是把模糊判断变成清楚假设。只有假设足够清楚，交易结果才有可能被验证。
比如一个交易者长期观察到，两种资产在正常情况下具有较稳定的关系，但偶尔会出现明显偏离。主观交易者可能凭经验说：“这个价差太大了，应该回归。”系统研究员则需要继续向下拆解：正常关系怎样定义，偏离如何计算，历史分布是什么，偏离达到什么程度才具有统计意义，什么时候关系本身可能发生结构改变，交易成本会吃掉多少潜在利润，以及如果价差继续扩大，账户最多允许承受多少风险。
这样一拆，一个“感觉机会”才真正变成了交易模型。
同样，一套趋势交易也不能只写成“突破以后追多”。真正研究时需要回答，突破发生在什么市场结构里，突破前是否经历压缩，波动率处于什么状态，信号在不同交易时段的表现怎样，止损距离应该如何确定，假突破出现时损失分布如何，以及趋势结束时采用什么退出方式。
数学最大的价值，是迫使交易者把这些问题提前写清楚。
因为只有写清楚，才能统计。
只有统计，才能发现自己可能错。
人类大脑非常擅长记住那些证明自己正确的案例，却容易忽略失败。一个交易者可能记得三次完美突破，却忘记中间七次假突破。模型不会忘记，只要数据记录完整，每一个失败样本都会留在那里。
这就产生了一种非常重要的纪律。
好的量化系统并不是帮助你证明原来的想法正确，而是不断尝试证明它可能错误。
如果一个模型换一个年份就失效，如果参数从20改成21结果就彻底崩溃，如果扣除点差和滑点以后优势消失，如果样本外结果与历史回测完全不同，那么这些现象都在提醒研究者：你看到的可能不是规律，而只是历史噪声。
从这个角度看，真正的数学优势不是预测。
是反证。
交易系统开始拥有一种主观交易极难长期保持的能力：它能够持续记录那些让自己难堪的证据。
这也是普通交易者最值得学习的一点。你完全不需要拥有摩根士丹利级别的研究平台，也不一定需要机器学习。只要你愿意把交易规则写下来，把全部样本保留下来，再允许统计结果否定自己的经验，你就已经进入了系统化思维。
真正的量化从来不始于Python。
它始于一句话：
“我愿意让数据告诉我，这个想法可能根本没用。”
很多人对程序化交易存在一个简单想象：过去是交易员下单，未来由机器下单，于是人最终会被机器淘汰。
这种理解忽略了整个量化机构最重要的一层工作。
机器可以执行，却不会天然知道什么问题值得研究。
一个程序可以一秒钟处理大量数据，但它不会主动知道某个经济关系为什么值得关注，也不会自动理解一套历史上有效的统计关系为什么突然失效。它更不会主动意识到自己的数据源可能出了问题，除非有人提前把这种异常检查写进去。
因此，量化体系并不是让人消失，而是改变人的角色。
传统交易员大量时间花在“现在买还是卖”。量化研究员更多时间花在“哪些条件真的值得让机器买卖”。
这是完全不同的工作。
程序真正擅长的是重复。只要规则明确，它可以严格执行，不会因为昨天亏损而报复性交易，也不会因为今天心情特别好而突然扩大仓位。机器没有自尊，所以不会为了证明自己正确而扛单。
但机器还有另一面。
它可以非常稳定地执行错误。
如果研究员给程序错误的逻辑，它会一遍一遍重复错误；如果数据里存在未来函数，它会非常认真地学习未来；如果历史回测产生过度拟合，它会带着极高的信心进入真实市场，然后用真实资金证明历史曲线只是幻觉。
所以程序越强，研究员承担的责任反而越大。
一套完整的量化体系，需要有人负责提出假设，有人负责数据质量，有人负责验证，有人负责程序执行，有人负责风险，有人负责基础设施，还有人负责检查真实结果与模型预期之间的偏差。
从这个意义上说，模型不是在替代“人”。
它主要是在替代那些可以标准化、机械化、重复化的人类操作。
真正值得人做的事情反而变得更加清楚：判断什么值得研究，发现模型哪里可能有问题，理解市场环境为什么改变，以及决定什么时候应该停止相信过去有效的方法。
这就是系统交易最成熟的一面。
真正高级的量化机构，不会要求人盲目相信模型。
它会要求人不断怀疑模型。
如果一个模型过去五年表现很好，今年突然明显失效，成熟的研究团队不会立即得出“模型彻底没用”的结论，也不会因为过去五年成功就坚信它一定会回来。真正应该做的，是检查数据、成本、市场结构、模型输入以及历史统计假设，判断这到底是正常回撤，还是结构性变化。
这里没有任何一条规则能够完全依靠机器自己解决。
真正的自动化不是没有人。
而是把人的时间从重复劳动中释放出来，用于处理更高层次的不确定性。
因此，“让模型替代交易员”更准确的理解应该是：让模型替代交易员的一部分临场行为，再让研究员把精力放到规则、假设和风险上。
换句话说，交易员并没有消失。
他只是从按按钮的人，逐渐变成设计按钮为什么存在的人。
主观交易有非常明显的人性弱点。
贪婪。
恐惧。
不甘心。
报复性交易。
量化交易看起来似乎能够把这些问题全部解决，因为程序没有感情。但如果因此认为量化系统天然客观，那同样是另一种危险的幻觉。
研究员也是人。
而且聪明人有一种特别隐蔽的风险：他可以用非常复杂的方法证明自己原本就想相信的结论。
这就是过度拟合为什么如此危险。
假设你开发一套策略，最开始只有两个条件，回测表现一般。于是你加入第三个过滤条件，结果明显改善。然后再增加交易时段限制，再增加波动率过滤，再改变止损参数，再微调几个阈值。经过几十次优化以后，一条原本普通的曲线突然变得非常漂亮。
这时候研究员最容易产生一个感觉：我终于把市场规律找出来了。
但还有另一种解释。
你并不是发现了规律。
你只是把历史答案背下来了。
过去已经发生的行情，就像一套公开答案的试卷。你不断修改参数，相当于不断对照答案调整做题方法。调整次数越多，最终分数当然越漂亮。
真正的问题是，下一张试卷没有答案。
这就是为什么机构量化研究如此重视样本外验证、稳定性、交易成本、不同市场阶段和参数敏感性。它们真正要防范的，不只是统计错误，而是研究者的人性。
主观交易员容易爱上仓位。
量化研究员容易爱上模型。
如果一套策略花了研究者六个月甚至两年时间开发，他会天然产生沉没成本。数据一旦不再支持，承认模型失败意味着承认大量时间可能没有产生预期结果。这种心理压力并不会因为他是数学家就自动消失。
甚至更危险。
因为一个主观交易员只有一句“我认为”。
一个量化研究员可以拥有几十张图、几百个指标和一个复杂算法去支持自己的信念。
复杂性很容易产生权威感。
所以真正成熟的量化机构必须建立一种文化：模型随时可以死。
任何一个模型，无论过去赚过多少钱，只要长期证据不再支持，都应该有被降低权重、暂停甚至彻底淘汰的可能。
真正专业的研究组织不是没有失败模型。
恰恰相反。
它应该拥有大量失败记录。
因为只要长期研究市场，大部分想法最后都可能被证明没有足够优势。如果一家机构每一个研究项目都成功，那更值得怀疑的反而是它的验证标准。
这也是Pete Muller故事真正重要的一层。
数学不会自动消灭人性。
真正能够限制人性的，是研究流程。
同样的逻辑也适用于个人EA研发。如果你每次回测不好就修改参数，每次亏损就增加过滤器，而从来没有提前定义什么结果意味着模型失败，那么所谓“优化”最终可能只是在不断逃避证伪。
真正的量化纪律不是把系统调到盈利。
而是提前规定：
什么证据出现以后，我必须承认这套东西可能不行。
很多个人交易者开发EA时，经常有一个非常自然的想法：只要策略逻辑足够好，剩下的问题都不重要。
真正做到机构规模以后，这个想法很快会崩溃。
因为模型只是整个交易链的第一部分。
模型需要数据。
数据需要清洗。
数据需要保存。
不同市场的数据需要统一。
交易程序需要连接交易所和经纪商。
订单需要处理拒绝、部分成交、滑点、断线和重启。
账户需要实时风险监控。
多个策略之间需要控制相关性。
程序版本需要管理。
模型升级需要审计。
实盘交易与回测结果需要长期比较。
服务器需要维护。
权限需要控制。
还有法律、运营、会计、合规以及投资者沟通。
做到这里，一个原本看起来只是数学问题的策略，已经逐渐变成一套完整机构。
这就是为什么PDT后来从摩根士丹利内部的交易团队逐渐发展成独立量化投资机构，真正值得研究的并不是某一个神秘公式，而是一种机构化能力的形成。
一套模型可以复制。
一个参数可以被发现。
甚至一种交易思路也可能被竞争者学会。
真正难复制的，是组织能够持续产生新模型、验证旧模型、淘汰失效模型并稳定执行剩余模型的能力。
这和制造业其实很像。
一家优秀汽车公司的价值，不是因为某一辆车的某一个零件特别神奇，而是它能够持续设计、测试、生产、检测、维护和迭代产品。
量化机构也是一样。
真正的核心竞争力不是“我们有一个永远赚钱的策略”。
而是：
我们拥有一台持续研究策略的机器。
这台机器包含研究、技术、风控和运营。
一个模型失效，机构并不会因此失去全部能力；相反，它可以重新研究、重新测试、重新配置资本。
这才是从策略到机构最关键的升级。
对于普通EA研发者，这里面其实有非常直接的启发。最开始开发程序时，你可能只关心开仓和平仓。但程序真正运行以后，很快会发现还需要交易日志、Magic Number、Signal ID、断线恢复、订单状态核对、整体止损、账户级风险、历史统计和版本管理。
当策略越来越多，这些底层模块如果没有统一架构，系统很快会陷入混乱。
做到最后，你会发现自己原来不是只在“写策略”。
你是在建设一个小型交易基础设施。
所以真正专业的量化研发，最终都会出现一个共同变化：越来越少把精力全部放在入场指标上，越来越多研究数据、风险、执行、记录、异常和恢复。
因为市场里的机会只是开始。
能不能把机会稳定转化成真实交易结果，才是机构能力。
普通交易者当然没有必要复制PDT。
没有人需要因为Pete Muller建立了量化机构，就马上去招聘几十个程序员，搭建服务器集群或者研究复杂机器学习模型。真正有价值的不是复制机构规模，而是学习它背后的研究方法。
第一件最重要的事情，就是把“我认为”改成“我的假设是”。
“我认为黄金还要上涨”，这句话几乎没有边界。行情下跌以后，你可以说只是回调；继续下跌，可以说市场在洗盘；跌得更多，还可以说长期逻辑没有变化。只要愿意解释，这个观点几乎永远不会真正死亡。
但如果你改成：“我的假设是，当H1趋势保持向上、价格回踩特定结构并且M15重新确认后，未来若干K线的收益风险结构具有统计优势”，问题就完全不同。
因为它可以测试。
你可以把过去所有满足条件的案例找出来。
不是只挑盈利的。
全部都要。
然后记录每一次进场、止损、最大浮亏、最大浮盈、最终结果、交易成本和市场环境。
当样本达到足够数量以后，你会第一次发现自己的真实能力。
可能结果很好。
也可能非常普通。
甚至可能完全没有优势。
但无论答案是哪一种，都比“我最近感觉挺准”更有价值。
第二件事情，是给自己的策略定义环境。
你不需要一套系统在任何行情都赚钱。真正重要的是知道，它在什么环境里值得运行。趋势模型最怕什么？震荡。均值回归最怕什么？持续单边。套利系统最怕什么？结构关系永久改变。网格和动态加仓最怕什么？长时间单边和仓位失控。
把这些风险提前写出来，比再增加两个指标更重要。
第三件事情，是让风险独立于观点。
很多交易者仓位大小取决于信心。觉得这次特别准，就多下；连续赚钱以后，就进一步加仓。真正机构化的思维应该反过来：观点可以变化，风险预算必须更加稳定。
模型可以建议交易。
但账户风控必须有权说“不”。
无论模型看起来有多好，都不能因为它“特别自信”就无限增加风险。因为只要承认任何模型都会错，就必须让错误始终存在上限。
第四件事情，是建立版本记录。
今天增加一个过滤器，为什么？
上一个版本哪里有问题？
修改以后样本外结果怎样？
三个月后如果发现性能更差，能不能回到旧版本？
这些看似很麻烦的记录，才真正让策略研发开始积累。
否则你每天都在优化，却不知道自己到底越来越好，还是只是越来越复杂。
第五件事情，是把失败留下来。
很多交易者喜欢保存盈利截图，却很少建立失败案例库。
真正有价值的研究刚好相反。
失败能够告诉你系统边界。
一套策略在哪里最容易亏？
哪一种市场状态连续失败？
哪一种仓位结构最容易产生大回撤？
哪一个过滤条件其实没有价值？
真正专业的人不会试图隐藏这些问题。
他会主动寻找。
因为如果你不主动找到系统弱点，市场迟早会用真实资金帮你找到。
最后，还有一个问题是所有交易系统真正的终极测试：
如果长期数据证明原来的想法没有优势，你舍不舍得放弃？
很多人开发策略失败，不是因为技术不够，而是舍不得。
投入了半年。
写了几万行代码。
参数调了几百次。
于是开始觉得无论如何都应该让它成功。
但市场不认识沉没成本。
一套策略不会因为你花了两年时间，就比别人多一点统计优势。
真正成熟的量化研究者必须接受一个很冷酷的现实：
有些模型最终就是应该死。
而能够主动杀死一个失效模型，本身就是一种研发能力。
回头看Pete Muller这段交易史，如果只把它总结成“一个数学家进入摩根士丹利，然后建立量化交易团队”，其实会低估它真正的价值。
更重要的变化，是交易决策的合法性发生了改变。
过去，一个成功交易员可以凭经验获得信任。
系统化时代开始要求更多东西。
经验是什么？
能不能描述？
能不能记录？
能不能重复？
能不能统计？
如果换一段行情，还成立吗？
如果扣除成本，还赚钱吗？
如果结果长期不支持，你愿不愿意认错？
这些问题看起来很朴素，但它们改变了交易行业。
因为一旦开始这样研究，交易就不再只是一个人和市场之间的较量。
它变成了假设、证据、风险和执行之间的工程。
模型当然会犯错。
数据也会出错。
程序会发生故障。
研究者也会过度自信。
真正成熟的量化体系并不否认这些问题，而是试图建立一层又一层机制，让错误更容易被发现，更容易被记录，更容易被限制。
所以，Pete Muller真正值得后来者学习的，并不是某一个交易公式。
而是一种态度。
你可以拥有自己的经验。
可以相信自己的研究。
也可以花几年时间建立一套非常复杂的模型。
但永远不要给它免检资格。
市场才是最后的裁判。
如果你的数据、样本和真实执行不断告诉你：原来的假设已经不成立，那么真正专业的选择不是再找十个理由坚持。
而是修改。
甚至放弃。
这就是系统交易比“自动下单”深得多的地方。
自动下单只是把人手换成程序。
系统化交易真正改变的，是认知方式。
从“我相信”变成“我验证”。
从“我看对了”变成“我的样本支持什么”。
从“这个策略很厉害”变成“它在哪些环境里有优势，又会在哪里失效”。
从“我要证明自己正确”变成“我要尽快发现自己哪里可能错”。
做到这一层以后，量化才真正开始。
华尔街真正的量化革命，不是机器学会交易，而是人类开始允许数据反驳自己的判断。
对于今天所有研究黄金EA、趋势模型、套利策略、机器学习交易和自动执行系统的人而言，这句话仍然没有过时。
因为时代已经从1993年走到今天。
市场更快。
数据更多。
模型更复杂。
计算机也更强。
但交易最困难的部分其实没有改变。
人仍然会爱上自己的观点。
也会爱上自己的模型。
真正的专业，从来不是没有错误。
而是建立一套能够不断发现、限制并修正错误的机制。
——文汇阁量化交易
文汇阁量化研发机构
本文仅用于交易史、量化投资理念、交易工程、研究方法、程序化交易及风险管理方面的交流与讨论，不构成对黄金、外汇、股票、指数、期货、期权、基金、差价合约、数字资产或其他任何金融产品的投资建议、交易指令、收益保证或资产管理承诺。文中涉及Pete Muller、摩根士丹利、Process Driven Trading及PDT Partners的相关内容，主要用于讨论系统化交易、模型研究和机构化量化发展的思想脉络，不应被理解为对任何个人、机构或具体投资策略未来表现的预测。
量化交易、算法模型、机器学习和自动执行系统并不能消除市场风险。任何模型都可能受到样本偏差、数据质量、参数估计误差、过度拟合、交易成本、滑点、流动性变化、相关结构改变、极端行情、程序错误、网络中断及基础设施故障等因素影响。历史回测、模拟测试、样本外验证和阶段性实盘表现均不能保证未来获得相同结果。
程序化执行可以降低部分人为情绪对下单过程的影响，但错误的假设、错误的数据和错误的风险参数同样可能被程序快速、持续和自动地执行。因此，任何自动化交易系统都应根据自身结构设置独立的仓位限制、账户级风险上限、最大回撤约束、异常处理、日志记录和必要的人工监督机制。
尤其需要警惕将复杂数学模型、人工智能、较高历史胜率或者漂亮的历史净值曲线直接等同于稳定盈利能力。模型复杂度并不能自动转化为交易优势，真正有意义的策略评价应结合足够样本、不同市场环境、真实交易成本、样本外结果、尾部风险和实际执行稳定性综合判断。
交易系统真正成熟的标志，不是它拥有多么复杂的模型，而是当事实开始反驳它时，它拥有一套能够承认错误、限制损失并重新验证的机制。
