接上文【经典书籍】——打开量化投资黑箱（2），本文主要讲解第2章和第3章。
第2章 量化交易简介
《华盛顿邮报》一篇文章这样定义量化交易：量化型对冲基金通过复杂而巧妙的数学算法，去发掘市场中异常的和隐藏的获利机会。
通常地，在自然科学领域以及金融领域所提到的黑箱，是指提供输入变量就可以产生输出变量的一个系统，而我们往往并不清楚其内部运行机理，本书就是通俗易懂地阐述其中原理，打开黑箱，让大部分读者都能理解和明白。
量化交易策略本质上是一种决策过程。主动投资者买什么股票、什么时候买、什么时候卖，本质上也是一种决策过程。这也是我们深入学习量化交易的目的，就是为了解决我们最重要的问题，计算机是如何如何消除心理因素影响的？
量化交易系统的典型结构
理解宽客及黑箱的最好方法是学习核心框架，这也是量化交易系统的各个组成部分。下图展示了一个典型的量化交易系统的框架，描绘了一个生动“有效”的交易策略的各个组成成分（例如，决定买卖哪些证券、买卖数量以及买卖时间），但不包括交易策略的所有必要元素（例如，开发系统、数据获取、数据挖掘）。
交易系统包含3个模块——阿尔法模型（alpha model）、风险模型（risk model）和交易成本模型（transaction cost model）。投资组合构建模型利用阿尔法模型、风险模型和交易成本模型的结果作为输入变量，主要在追求利润和控制风险、交易相关成本间进行平衡，从而确定最佳的投资组合。执行模型将最佳投资组合和目前已运行的投资组合进行比较，根据二者的表现来决策交易。
宽客可能并不像想象中那么神秘。他们也是首先观察市场，产生一些普通人也会想到的想法，然后采用市场的客观数据进行研究来确定其想法是否正确，一旦宽客得到了一个满意的策略，他们会将其布置于一个量化系统中。这类系统在进行投资时，排除了情绪的影响，严格地执行经过测试的策略。
第3章 阿尔法模型：宽客如何盈利
阿尔法模型是量化交易系统的第一个重要组成部分，主要是为了寻找盈利机会。目前对量化交易的研究重点大都集中在对阿尔法模型的研究上。从某种意义上看，阿尔法模块就像个乐观主义者，它通过对未来的预测来取得收益。
在通常的定义中，阿尔法是指扣除市场基准回报之后的投资回报率，或仅仅是由投资策略所带来的价值。由于市场因素带来的回报率称为贝塔，例如，某基金的回报率是12%，而同时期的市场基准回报率是10%，则该基金的阿尔法值就是2%。
两类阿尔法模型：理论驱动型和数据驱动型
理论驱动型：通过观察市场行为，寻找可能用来解释这些行为的普适性理论，再依据市场数据来检验该理论是否可以有效解释市场行为。例如“便宜的股票比贵的更有投资价值”，这也是众多价值型基金存在的原因。某种理论，一旦可以被准确地描述或定义，我们就可以对其进行检验。
数据驱动型：通过对现实情况的经验观察和分析并进行总结，可以取代理论的地位。简言之，这类科学家认为，通过合理使用正确的技术性手段，人们可以识别出隐藏在数据中的模式或规律。
绝大多数宽客是理论驱动型的。绝大多数理论驱动型交易策略可以较为容易地划分为六类：趋势型（trend）、回复型（reversion）、技术情绪型（technical sentiment）、价值型/收益型（value/yield）、成长型（growth）和品质型（quality）。值得注意的是，宽客所使用的这些交易策略，和追逐阿尔法收益的主观判断型交易者所使用的策略是完全相同的。
趋势型、回复型、技术情绪型策略都依赖于价格数据。而价值型/收益型、成长型、品质型策略都基于基本面数据。
如果考虑策略的类型、投资期限、投注结构、投资范围、模型设定、条件变量和运行频率的不同，价值型策略有很多种类。用下图举例，有两种预测目标（方向和振幅），四种投资期限（高频、短线、中线和长线）、两种投注结构（绝对型和相对型），四种资产类型（股票、债券、货币和商品），这样可以得到64种不同的价值型模型（2×4×2×4＝64种组合）。
通过上图，应该使用什么方法进行预测，应该使用哪种阿尔法模型，如何去设定并实施策略，怎么样对阿尔法模型进行组合，这都是需要深入考虑的，策略并非一成不变，也并非可以一招鲜吃遍天。
同时也从印证了，即使是很简单一个价值投资策略，在主动投资者执行时，也会因为环境、条件、标的、预期、收益、亏损、心理等因素的不同，从而组合出千千万万种个性化策略。