1.数学/统计学知识
既然说到用数学模型，那数学和统计学的知识是必不可少的。由于国内金融市场尚不完备，一些衍生品交易受到限制，所以相较国外市场，能用到的数学/统计学知识也要少一些。对于非理工背景的投资者，需要补充基础的高等数学，线性代数，概率论，统计学，最优化理论等等学科的知识，这些内容可以在高校教科书中找到。对于一些新兴的利用机器学习的交易策略，还需要了解一些数据挖掘的知识。但既然是入门，这部分自然不是必要的。
另外，计量经济学的应用尤其广泛。进行策略研究时经常要面对大量的时间序列、面板数据。虽然在实践过程中更加注重策略结果，只要能赚钱的策略就是好策略，但在严谨的计量理论的支持下，回归结果更准确，能更好的刻画数据背后的关系，故往往更容易得到与预期相近的结果。其中，时间序列回归与截面、面板回归的逻辑与假设均有较大区别，且广泛用于刻画及预测金融资产的收益，波动。计量经济学的书籍推荐伍德里奇的《计量经济学导论：现代观点》；时间序列推荐布鲁克斯的《金融计量经济学导论》。
2.编程能力
由于量化策略要处理大规模的数据，并采用复杂的数学算法，故需要利用程序来完成这一过程。大部分面向对象的编程语言，如Python，Java，R等都可以胜任这一工作。我在这里推荐Python，在业界比较主流，其特点主要是包括大量第三方开发的包，如处理数据的Numpy，Pandas，和金融包Talib，和各个平台及其他语言兼容性良好。其中Pandas是美国知名对冲基金AQR开发的数据处理包，非常适合用于金融数据。Python的学习可以通过《利用Python进行数据分析》等书籍进行学习，也可以通过一些网上教程快速入门。在实际应用的过程中，应该多参考各个工具包的API文档。
回测程序主要包括导入数据及初始化账户，每个交易时间点择时条件、调仓逻辑，及回测结果计算，绘制净值曲线等等。某些量化平台封装的回测环境，简化了这一过程，能够方便的对策略进行测试。
3.金融基础知识
量化交易，根本上是金融市场中的行为。虽然该岗位对数学、编程知识有要求，但脱离了其金融本质，就无法设计出优秀的策略。量化投资者需要了解各种金融资产的性质，以及影响其价格的因素。对于股票而言，公司的基本面及财务情况，其所处行业的形势能够从某种程度上反映在其股票价格中，因此投资者应对此有基本了解。这部分可以参考博迪，凯恩，马库斯的《投资学》，以及财务会计，报表相关书籍。此外，中国市场受到人为操控的因素影响较为显著，在实盘操作中，量化投资者在依赖量化策略进行投资决策的同时，一般也会加入一些主观判断，以更及时捕捉市场走势，获得更高的收益。因此，宏观经济，政策形势对金融市场的影响，也是投资者不能忽视的问题。每天看看财经新闻，长久以来可以培养金融直觉。
4.策略研究能力
即是将以上内容综合运用，将投资思想程序化，开发成为有投资价值的策略的能力。起步时，应多参照已有的较为成熟的策略，进行完善复制。策略本身的逻辑可能三言两语就能概括，但在实际执行的过程中的细节不可忽略。众所周知，在回测中表现突出的策略在实盘中不一定有效，但在回测中效果都不好的策略，难以在实盘重有良好的表现。过度拟合，幸存者偏差和使用未来函数都是新手经常会出现的错误，避免这些错误，才能让回测结果更好的接近真实情况。同时，在得到回测结果后，如何对收益进行归因分析，研究持仓股票，风险暴露，并对参数进行优化，也是量化投资者需要解决的问题。
一些经典的投资策略包括多因子策略（Fama-French三因子模型），技术指标择时（MACD，布林带等），动量反转策略，事件驱动策略，统计套利策略等。其中很多策略源于外国学术论文，高质量学术期刊包括Journal of Finance，Journal of Financial Economics等等。同时有一些系统的教学书籍，包括Barra Handbook（多因子圣经），Quantitative Equity Portfolio Management（主要讲解投资组合管理），Quantitative Trading Strategies（主要讲如何构造量化策略）。
5.在实践中学习
策略回测终究是回测。基于过去行情设计的策略，一定能在过去的时间区间内有良好的表现。但同样的历史不一定会重演，随着市场趋势和微观结构的改变，策略在未来的时间可能不会按照预期的方向发展。实盘中还存在报表信息公布延迟，交易摩擦，下单对市场价格影响等问题。故一个交易策略，在经过严谨全面的回测检验后，要在实盘上检验其真正效果。
在接触量化交易初期，了解数学编程，模型搭建中的细节处理都是绕不开的问题。而如今各种技术手段都较为成熟，可供大家使用，一个成功的投资者与众不同的地方一定在于其设计策略的思想，和对市场的把握。设计交易策略应以背后的金融直觉为基础，是我一直坚信的理念。希望各位投资者能够在量化投资领域中找到自己独特的视角，成为下一个西蒙斯！
