一列列车行驶在北京居庸关长城附近盛开的山桃花海中。
上了年纪的大爷大妈准点前来，早出晚归，堪比上下班。
声明：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
　　趋势策略，震荡策略，高频策略
　　以下笼统的介绍一下关于程序化策略开发，可以帮助拓展思路，根据河北稳升的经验，策略设计首先要符合逻辑，越简单的逻辑适应性更强，关于模型编写，开发的思路的相关问题可以随时咨询老师
　　E1：RANGE BREAK
　　波动区间突破交易，根据昨天波动幅度的一定百分比，来触发当日的趋势交易，如果昨天的波动幅度是异常的，应当对该波动幅度进行必要的调整，以保持合理性。
　　E2：菲阿里四价
　　昨天高点，昨天低点，昨天收盘，今天开盘，可并称为菲阿里四价，它是由日本期货冠军菲阿里实盘采用的主要突破交易的参照系，此外，因菲阿里主观心智交易的模式，决定了其在实际交易中，还大量结合应用了“阻溢线”的概念，即我们通常所说的压力、支撑线。
　　E3：空中花园
　　开盘突破，是最快的一种入场方式，当然出错的概率也最高，开盘第一根K线是收阳，还是收阴，是判断日内趋势可能运动方向的标准，我们发现这种入场在当天开盘高开或低开时更为有效。在《期市截拳道》中，我把这种交易策略称为“空中花园”，有幸的是，听说西蒙斯在早期也曾经应用过类似的交易策略。
　　E4：横盘突破
　　较易于实现量化的形态突破，有分型，窄幅横盘突破，各种K线组合、双顶、双底、缠论三买三卖等，较难于实现量化的形态突破，有趋势线、圆孤顶底、旗型、菱形、三角形等各种经典技术分析形态，趋势之后是盘整，盘整之后是趋势，横盘突破的交易策略，充分体现了波动性循环的价格波动规律，我们需要做的事情就是合理量化盘整的定义：周期跨度、波动幅度。
　　E5：基于固定百分比幅度的转向交易
　　该系统曾在某交易系统策略大赛中荣获第二名的殊荣，也是笔者最为衷情的日内突破交易策略。相对而言，基于固定点位的突破，可能会受制于品种价格区域的变化而变迁，基于固定百分比幅度的突破，则较少受到类似的困扰，除非该品种的波动性水平发生巨变。
　　E6：HANS123
　　作为外汇市场上广为流传的一种突破交易策略，HANS123以其简捷的开盘后N根K线（分钟）的高低点突破，作为交易信号触发的评判标准。这也是一种入场较早的交易模式，配套价格包括带、时间确认、波动幅度要求等项过滤技术、或可提高其胜算。
　　E7：日均ATR波动性突破
　　我们有理由相信，当一定幅度的ATR波动性幅度已经发生，我们将更愿意去赌日内波动的方向朝着这个已经完成一定幅度ATR的方向继续发展，比较的基准，可以是开盘价，也可以是日内创下的新高、新低记录位置。
　　E8：ORB失败突破
　　ORB交易最早于1988年由美国基金经理托比提出，它通过衡量开盘价与最高价、最低价距离的取小者，为失败突破幅度，后市一旦超出这个幅度，就认为真正的突破。在实际应用过程中，早评的突破、窄幅波动日后的突破，可以作为有效的过滤条件。
　　E9：分时均价黄线
　　在此我无意讨论其它均线系统的日内表现，分时均价黄线，因其广泛出现于各类交易软件的内置分时走势图中，因而，就交易策略的自我实现预言而论，它的地位格外突出，醒目。
　　E10：日内ATR波动性突破
　　与E7不同，E10更侧重于短期市场波动率的变化评估，波动性突破，在一定程度上具备适应市场的功能，在实际应用于适应不同市场环境的能力更强。
　　日内趋势交易的过滤技术
　　虽然我们的出发点是要回避隔夜跳空的不确定下与趋势的不连续性。因而，过滤技术，其实是从事日内趋势交易系统设计的一项关键技术。
　　F1：波动性过滤
　　F2：价格包络带过滤
　　F3：时间确认过滤
　　F4：交易次数过滤
　　F5：日间时过滤
　　F6：周间日过滤
　　F7：系统策略组合过滤
欢迎举报抄袭、转载、暴力色情及含有欺诈和虚假信息的不良文章。
请先登录再操作
请先登录再操作
微信扫一扫分享至朋友圈
搜狐公众平台官方账号
生活时尚&搭配博主 /生活时尚自媒体 /时尚类书籍作者
搜狐网教育频道官方账号
全球最大华文占星网站-专业研究星座命理及测算服务机构
主演：黄晓明/陈乔恩/乔任梁/谢君豪/吕佳容/戚迹
主演：陈晓/陈妍希/张馨予/杨明娜/毛晓彤/孙耀琦
主演：陈键锋/李依晓/张迪/郑亦桐/张明明/何彦霓
主演：尚格?云顿/乔?弗拉尼甘/Bianca Bree
主演：艾斯?库珀/ 查宁?塔图姆/ 乔纳?希尔
baby14岁写真曝光
李冰冰向成龙撒娇争宠
李湘遭闺蜜曝光旧爱
美女模特教老板走秀
曝搬砖男神奇葩择偶观
柳岩被迫成赚钱工具
大屁小P虐心恋
匆匆那年大结局
乔杉遭粉丝骚扰
男闺蜜的尴尬初夜
客服热线：86-10-
客服邮箱：多个交易模型策略如何组合？
大家都知道分散投资的重要性。然而，资产要分散，策略本身也需要多元化。
r-Breaker和dualthrust是两个经典的日内交易模型，其简单的逻辑和稳定的收益（尤其在指数期货上）使得它们一直被个人与机构，CTA推崇。这两个模型的主要细节在此不多介绍，因为它们的细节在网上早已公开。然而，这里我想和大家分享的是如何把两个模型综合起来，从而获得更平滑的资金曲线。大多分析只是个人看法，其可行性还请大家探讨：
多策略组合要想成功需要至少两点要求：
1. 其所有子策略均为正收益的稳定系统；这一点需要投资者对每个模型有较深入的理解。
2. 子策略的叠加起到对冲风险的作用。这一点可以从模型收益的相关性来分析。
那么，为什么r-Breaker和dualthrust可以作为策略组合使用呢？
第一，dualthrust和r-Breaker都是具有长期正收益期望的系统。下面贴出的是其在SPX指数期货上的资金曲线。
在单独模拟的情况下，dualthrust和rbreaker可以分别获得1.31和1.40的夏普比例。其回测区间累积收益都在150%左右，最大回撤在8%左右。
第二，他们的模型收益具有风险对冲的效果。其实，正如有些人知道的，dualthrust和r-breaker都是典型的短线区间突破模型，其收益程度取决于短期的市场波动性。在市场波动性比较小的年份，他们的收益很有限；然而，在波动性较大的年份，比如08年，该类模型的收益都会较理想。通过对dualthrust和r-Breaker的收益进行相关性计算，我们发现了0.42的正相关性。我相信这0.4的相关性应该大多归咎于模型对波动性的共同依赖。其实，在我个人看来，对于同一单资产的策略，0.4的相关性并不算高，因此通过策略的组合，我们可以进一步控制风险。下图是双策略投资组合在SPX指数期货的资金曲线：
此时，资金曲线变的更平滑了，双策略组合的组合夏普比例从之前的1.40升至了现在的1.81。虽然总收益下降了，我们的年化最大回撤从8%降到了3.48%，收益标准差从7.29降到了4.38。这是一个不错的提高
来源：量投网
量化易声明：量化易登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，不构成
投资建议。投资者据此操作，风险自担。
仅回复不作评价
交易信号和策略提供者过去的表现对于未来结果不具有指引，我们不能保证任何账户的盈利或亏损。
我们无法保证运行策略会得到预期的结果，由于成功的交易依赖于很多因素，并不只局限于某一种交易方法或某一种交易理论，本网站对于策略是否适合或是否盈利不做任何表述。
用户在进行交易前，请向专业人士咨询并了解交易所存在的风险性。本网站所提供的策略是针对能够充分理解交易的本质及其风险范围的成熟交易者所开发的。用户应对在交易过程中的所有交易行为负责。工具类服务
编辑部专用服务
作者专用服务
量化交易策略模型应用研究
随着电子化交易平台在全世界股票市场的逐渐成熟,量化交易成为各证券市场的新宠。在国外,量化交易被广泛应用于投资机构的实际操作中,近年来迅速兴起但饱受争议的高频交易就属于量化交易的新兴方式,因其具有程序化交易、巨大的交易量、极短的持仓时间、单笔收益率低而总收益高等特点,成为国内外投资研究领域关注的焦点。而我国证券市场起步较晚,电子化交易平台也在逐步完善,量化交易模式也处于发展阶段,加之我国T+0交易即将重启,这将对我国量化交易的推广起到重大的推动作用。因此,针对我国证券市场的量化交易模型研究具有非常重要的现实意义,是我国证券市场投资研究的一个重要方向。本文以量化交易策略模型为研究对象,选取了六只样本股票以及一只预测股票,涉及当日交易明细、量化交易明细,其中包括成交价格、成交量、买卖前三手数量、成交时间、量化交易成交量等股票市场数据,利用策略模型对预测股票的量化交易进行策略研究预测。　　本文首先依先前对于股票投资策略的研究,首先对股票价格波动与大单投资策略之间的关系进行研究分析,利用列联表检验及独立性检验,发现量化交易策略与价格波动之间极有可能存在着一定的非独立的关系。其次,为深入探究这种非独立型关系,利用累积probit模型对样本数据进行拟合,并使用所拟合的模型对预测集股票进行策略分析,得出：即期变量较前期变量对于投资决策有更为显著的影响；量化交易策略偏向于与市场价格变化做同向交易；在高成交量的活跃市场氛围下,量化交易策略更倾向于进行买入交易,而在成交量比较低迷的情况下量化交易策略更倾向于进行卖出策略；买入挂单和卖出挂单对量化交易策略交替产生影响,本期高卖出挂单量趋向于使量化交易策略进行卖出交易而使得下一期量化交易策略趋向于进行买入交易；量化交易策略的实施对于股价走势的具有较为严格的要求,随后对其预测集进行预测并观察策略误判率。再次,为了探究不同的模型方法对策略决定的影响,文章利用贝叶斯网络和支持向量机(SVM)对数据进行模型训练以及对预测集进行预测,并将其与累积probit模型的预测结果进行精度比较,得出三种模型对于交易策略的预测,各有优势,在预测精度方面SVM方法较好,而对于模型解释性,累积probit模型有较为明显的优势,而贝叶斯网络处于以上两种模型中间。最后,根据以上分析发现策略的制定实施与价格具有非常密切的关系,文章利用多元时间序列模型,对股票价格进行拟合分析与预测,发现VARX模型和状态空间模型都能够对股价进行很好的预测。结合量化交易的特点,对我国证券市场面对新型交易方式在监管层面提出一些合理化建议。
学科专业：
授予学位：
学位授予单位：
导师姓名：
学位年度：
在线出版日期：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社量化交易策略简述（下）_同花顺圈子
扫码下载客户端
看直播&选策略&找高手
量化交易策略简述（下）
&&&&业内较为认同的量化交易策略的开端，可能是马科维茨的最优投资组合理论这一学术性的创新。在 1952 的论文当中，马科维茨开创性的引入了均值和方差这两个统计学上的概念，用来定量的描述投资者在投资组合上获得的收益和承担的风险。基于投资组合中资产的收益情况和相互之间的协方差矩阵，采用最优化的方法，就可以得到投资组合的最优配比方式，从而帮助投资者在风险一定的情况下获取最大收益，或者在收益固定的情况下使得风险最小。整个过程通过明晰的数量模型进行了表述，优化结果也能定量的指导投资组合的构建行为。&&&&在此之后，经济学家和金融学家开始越来越多的通过定量的数学模型来研究金融市场和投资交易。夏普等人于 1964 年前后在马科维茨的工作基础上，发展出了资本资产定价模型。该模型将股票在无风险收益之上的超额收益分解为两个部分，即市场部分和残余部分，股票的风险也相应的分为两个部分，对应起来分别是系统风险和非系统风险。模型证明了在资本市场完全有效等前提假设下，残余部分的期望值为零，也就是说，非系统性风险是没有风险补偿的，股票的超额预期收益仅与其承担的系统风险大小有关。&&&&之后，罗斯从另外一些假设条件出发，得出了与资本资产定价模型在一定程度上具有相似性的套利定价理论。该理论同样认为股票的超额预期收益仅与其所承担的风险有关，只不过除了最主要的市场系统风险，理论模型还能够包含其他一些存在风险补偿的风险因子。在资产收益来源于对风险的承担等思想的推动下，法玛提出了著名的“有效市场假说”，即在一个有效的证券市场中，价格完全反映了所有可以获得的信息。再结合资本资产定价模型的主要结论，认为实际上消极型管理，即仅持有市场组合和无风险资产，才是明智的选择。随着这种思想在学术界的逐渐主流化，学术研究中对主动型交易的关注开始减少。&&&&然而有趣的是，罗斯的套利定价理论和法玛的另一项著名研究却间接的发展出了一些行之有效的量化交易策略。在 1992 年的一篇论文当中，法玛基于套利定价理论的形式，发现股票的两个当前特征，市值和账面市值比，可以有效的预测未来的股票收益。简单来说，就是市值越小的股票、或者账面市值比越大的股票，在统计意义上会产生更高的未来收益。在次年的论文中，法玛将这两个特征构造为两个风险因子，再结合市场因子，从风险补偿的角度对实际数据进行了研究和解释，这项工作一般被称为“三因子模型”。&&&&暂且不论市值和账面市值比这两个股票特征的风险化解释，1992 年的论文中它们所表现出的显著预测能力，已经让逐利行为关注于此了。阿斯内斯是法玛在芝加哥大学指导的金融博士，其博士毕业论文在三因子模型的基础上加入了动量因子，以四因子模型的形式完成了一系列的实证分析。博士毕业后阿斯内斯进入高盛，成为了一名量化交易分析员，随后在高盛组建了全球阿尔法基金，主要从事以量化为导向的交易工作，业绩不俗。1997 年他离开高盛创办了自己的 AQR 资本管理公司，目前该公司是全球顶尖的对冲基金之一。虽然没有直接的证据证明阿斯内斯在工作中采用的是多因子模型基础上的股价预测技术，但是可以想见的是，市值、账面市值比、动量因子和因子模型应该与其量化交易策略存在一定的关联。阿斯内斯在一些访谈和学术论文中也时常谈到价值、动量/趋势、低风险、套息等相关概念，是为佐证。&&&&由学术研究进入量化交易实业领域的一个更为极端的例子，应该是文艺复兴科技公司的西蒙斯，这也是中国读者较为熟悉的一个量化交易从业者。西蒙斯于 1961 年在加州大学伯克利分校取得数学博士学位，年仅 23 岁，并在 30 岁时就任纽约州立大学石溪分校数学学院院长。他在 1978 年离开学校创立了文艺复兴科技公司，该公司因为旗下的量化旗舰基金——大奖章基金傲人的业绩而闻名。关于西蒙斯所使用的量化交易策略，坊间一直有诸多猜测。许多人认为其所使用的应该是基于隐马尔科夫模型的量化交易策略，原因在于西蒙斯的早期合伙人鲍姆是隐马尔科夫模型估计算法的创始人之一，同时文艺复兴科技公司招聘了大量的语音识别专家，隐马尔科夫模型正是语音识别领域的一个重要技术工具。&&&&虽然大部分的量化对冲基金正在使用的交易策略都或多或少的进行保密，但是仍然有一些量化交易策略在多年的使用后开始慢慢为外界所熟知，统计套利就是其中之一。这个策略的概念最早产生于摩根斯坦利，当时的做法也被称为配对交易，实际上就是使用统计的方法选取一对历史价格走势相似的股票，当两支股票之间的价格差距变大、超出一定阈值之后，就分别做多和做空这两支股票，依靠该价格差在随后的时间里回归到正常水平来获取收益。由于这种量化交易策略既源自于统计分析、又存在等待价差回归的套利特性，因此被称之为统计套利。而随着对这类交易策略的进一步深入研究，统计套利策略目前已经远远超出了配对交易的范畴，变得更加的复杂和多样化。&&&&肖曾经是摩根斯坦利这个统计套利交易组的成员之一，他于 1980 年在斯坦福大学获得计算机博士学位，随后留校进行学术研究。肖在 1986 年加入摩根斯坦利后负责该组的技术部门，但是在两年之后、如同统计套利的首创者班伯格 ① 一样、由于政治斗争等原因从公司离职，并创立了自己的德劭基金公司。结合了肖的大规模并行计算研究背景和在摩根斯坦利接触到的统计量化策略，德劭基金公司利用计算机量化模型作为主要的策略进行交易并取得了巨大的成功。值得一提的时，肖在对冲基金领域扎根之后，仍然不忘科学研究，其成立的德劭研究公司致力于通过强大的计算机硬、软件能力在分子动力学模拟等生化科研领域取得前沿性进展。这与阿斯内斯一直在金融杂志上发表学术论文的行为，相映成趣，当然肖的学术研究相对而言可能更为极客一些。&&&&相比起统计套利，传统意义上的套利策略是一个更为人熟知、更经典的量化交易策略。实际上现代金融框架的一部分都是基于“无套利”这样一个假设原则建立起来的，可见套利策略的深入人心与重要性。如果说统计套利的重点在于刻画和预测多个资产间的统计关系，那么传统套利可能就更重注于各个资产的价值计算，以及策略执行时的交易成本估计和优化。只不过量化交易策略进化到现在，统计套利和传统的套利策略已经是互相渗透、互相融合的了。以计算机能力见长的德劭基金公司，对这两种套利策略应该都是有所涉及的。&&&&说起套利，不得不提到长期资本管理公司。这家公司的阵容十分豪华，包括债券套利的先驱梅里韦瑟、两位诺贝尔奖获得者莫顿和斯科尔斯、美联储副主席穆林斯等诸多顶级从业者，主要从事的正是债券的量化套利交易，当然其中也会包含一些其他形式策略的成分。公司成立的前三年间表现非常出色，但是在 1998 年俄罗斯国债违约之后，相关的连锁反应使得公司产生巨大亏损，在美联储的干预下被华尔街几家公司出资接管，形同倒闭。实际上，长期资本管理公司在俄罗斯债券上的损失本身并不大，但是许多大金融机构在亏损环境下必须保证足够的资本量，因此通过出售流动性较好的七大工业国债券等资产来减低风险、增加资本，全球主要债券价格在卖出压力下大幅下跌，波动巨大，这才导致了杠杆极大的长期资本管理公司在债券套利上产生巨额亏损。&&&&这里谈及长期资本管理公司，决然不是为了说明套利策略的缺陷，或是用一个失败的量化交易特例，来衬托其他量化交易公司的成功。实际上，套利策略是一个具有内在金融逻辑的优秀交易策略，只不过任何量化策略都难以完整的考虑到所有可能出现的情况，长期资本管理公司也正是被一个极端事件的连锁效应所击倒。一个量化交易的研究者和从业者，首先应该具有概率、统计的思维方式，应该理解任何有概率的事情都是可能发生的。对于交易这个行当而言，不到退出市场的一刻，永远都存在着失败的可能，拥有再光鲜的历史业绩也无法摆脱这一事实，而且光鲜业绩本身可能也只是大样本下的一个幸运个体而已。&&&&套利策略中一个非常重要的部分就是对交易成本进行判断，同时尽可能的减小交易成本，从而保证足够的套利空间。随着交易电子化的不断发展，以及美国证监会“另类交易系统规定”等法案的推出，交易策略的自动执行也在持续的发展和演化。在这样急速更新的市场环境下，开始出现一些相应的量化技术，例如通过订单拆分来减小市场冲击成本的算法交易等等。更为人熟知的是高频交易这个概念，交易的执行者通过计算机下单、将策略执行部件放置于距离交易所主机更近的地理位置上、交易订单直通交易所等手段，从时间延迟等层面减小了价格变动带来的交易成本，从而增加套利空间。。& &&
扫码下载股市教练，随时随地查看更多精彩文章
微信扫一扫出自 MBA智库百科()
量化交易(Quantitative Trading)
　　量化交易是指借助现代统计学和数学的方法，利用来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于的超额回报。
　　量化交易起源于上世纪七十年代的，之后迅速发展和普及，尤其是在，逐渐成为主流。有数据显示，国外期货已占据总交易量的70%-80%，而国内则刚刚起步。手工交易中交易者的情绪波动等弊端越来越成为盈利的障碍，而天然而成的精准性、100%执行率则为它的盈利带来了优势。
，量化交易的代表人物
　　1. 严格的纪律性
　　量化交易有着严格的纪律性，这样做可以克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差。一个好的方法应该是一个“透明的盒子”。我们的每一个决策都是有理有据的，特别是有数据支持的。如果有人质问我，某年某月某一天，你为什么购买某支的化，我会打开量化交易系统，系统会显示出当时被选择的这只股票与其他的股票相比在成长面上、估值上、上、买卖时机上的综合评价情况，而且这个评价是非常全面的,比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。
　　2. 完备的系统性
　　完备的系统性具体表现为“三多”。首先表现在多层次，包括在大类资产配置、行业选择、精选个股三个层次上我们都有模型；其次是多角度，量化交易的核心投资思想包括宏观周期、、估值、成长、、分析师盈利预测、等多个角度；再者就是多数据，就是海量数据的处理。人脑处理信息的能力是有限的，当一个资本市场只有100只股票，这对定性投资基金经理是有优势的，他可以深刻分析这100家公司。但在一个很大的，比如有成千上万只股票的时候，强大的定量化交易的信息处理能力能反映它的优势，能捕捉更多的，拓展更大的。
　　3. 妥善运用套利的思想
　　量化交易正是在找估值洼地，通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。定性投资大部分时间在琢磨哪一个企业是伟大的企业，那个是可以翻倍的股票；与定性投资不同，量化交易大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。
　　4. 靠概率取胜
　　这表现为两个方面，一是定量投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用。二是在实际操作过程中，运用，提高买卖成功的概率和。
　　首先是一二级市场“级差”风险，其次是交易员，最后是的风险。
　　一二级市场的“级差”是整个套利交易的核心。在现有规则下，模式分为两种：一种是通过购买，按照兑换比例在换得相应的ETF份额，然后在上将ETF卖出；另一种则与前者相反，是在二级市场上购买ETF份额，通过兑换比例换得相应数量的股票，然后在卖出股票。交易的顺序视、兑换比例、ETF份额交易价格的变动而决定。
　　由于股价的变动，ETF套利级差转瞬即逝，因此纷繁复杂的计算过程，目前业内由完成，交易员通过设定计算程序并按照结果决定策略，又或者完全自动让系统在出现套利空间时自动交易，后者便称之为程序化交易。
　　又因为套利的空间非常小，通常只有万分之几，因此为了获取适中的收益，参与的资金量都比较大。如果交易员把握不当顺序做反，则将出现亏损，这便是级差风险。而为了控制这样的，券商一般提倡自动化交易，方向由计算机把握，交易员输入交易数量即可。
　　第二种风险是交易员操作失误，比如光大这次的，有可能是交易员在输入数量的时候出现了失误。这同时也牵扯到第三种风险，系统软件风险，每个在系统中都有相应的交易权限，包括数量、金额。光大本次涉及的金额坊间一度传闻为70亿元，而数量如此巨大的金额是如何绕过系统权限完成交易的?这个问题的暴露，也导致业内质疑光大风控并未做足。
本条目对我有帮助8
&&如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请。
本条目相关文档
& 5页& 29页& 29页& 9页& 10页
本条目相关资讯
日 日 日 日 日 日
本条目由以下用户参与贡献
(window.slotbydup=window.slotbydup || []).push({
id: '224685',
container: s,
size: '728,90',
display: 'inlay-fix'
评论(共1条)提示:评论内容为网友针对条目"量化交易"展开的讨论，与本站观点立场无关。
发表评论请文明上网，理性发言并遵守有关规定。
以上内容根据网友推荐自动排序生成