大数据与人工智能技术的快速发展正在使社会经历着深刻的变革。证券投资领域作为长久以来新技术的先行者，又一次成为人工智能技术应用的践行者。这些新技术与投资理论的结合催生出了量化交易(quantitativetrading)这样一种新型的证券投资方式。量化交易指的是从大规模历史交易数据中挖掘规律，构建由数学模型驱动的投资策略，通过计算机编程实现自动化交易，以期获取稳定盈利的交易方式[1]。自从20世纪70年代初，巴克莱国际投资管理公司发行全球第一只量化基金以来，量化投资和交易发展迅速，如今已经在证券投资市场上占有优势地位。特别在新冠疫情导致今年年初股市大跌之后，量化交易成为促成金融市场反弹的重要力量，J.P.Morgan的最新调研显示2020年3月份1000万美元以上的金融交易大单中，超过60%都是由量化交易完成[2]。
证券投资市场正在经历的量化导向的变革对中国高校金融人才的培养提出了新的素质要求：不仅仅要懂得投资交易的基本原理，还需要掌握将这些原理与大数据和人工智能技术相结合的方法。然而，量化交易在我国的高校教育中还处于起步阶段，对量化交易的定位还未达成共识。是否需要专门开设一门量化交易课程？现有的证券投资类课程辅以计算机编程是否就可以达到同样的目的？如果单独开设量化交易课程，课程又应当如何设计？对这些问题的解答关乎着是否能够快速培养顺应当今证券投资发展趋势的人才，也关乎我国未来利用量化投资与交易手段参与国际金融市场的竞争力。因此，本文的目的即分析开设量化交易课程的必要性，以及研究量化交易课程的教学内容与模式。
2.量化交易课程开设必要性分析
本节将从量化交易与传统主观交易的比较、量化交易的发展现状与前景、量化交易课程与传统证券投资类课程的差异三个方面分析为什么要开设量化交易课程。
2.1.量化交易与传统主观交易的比较
2.1.1.传统主观交易的局限
主观交易成功与否主要与投资者三个方面的能力有关：第一获取准确信息的能力，第二正确加工处理信息的能力，第三是管理自己情绪的能力。这三个能力在实践中的培养与应用难度都非常大，原因如下：
1)信息对价格的影响程度难以确定
2)投资者的情绪难以控制
2.1.2.量化交易的优势
量化交易作为证券投资领域的一种交易方式，相对于传统利用主观判断做出交易决策的主观交易的优势集中体现在以下四个方面：
1)交易策略建立方法科学
量化交易的交易策略以数理模型为依据，具有较好的逻辑基础。不同于主观投资多是依靠投资者个人的经验与观察来做出交易决策，量化交易的策略利用计算机强大的数据分析与处理能力，通过统计模型和机器学习模型来构建交易策略。这些策略经过大规模历史数据的回测与优化，或者蒙特卡洛模拟检验，具有更高的可靠性与适应性。
2)交易执行过程纪律性强
量化交易均将交易策略落实到计算机程序中，由程序按照策略逻辑自动生成交易信号。同时，量化交易系统通过互联网与券商、交易所直接联系，由系统向券商或交易所自动发出交易指令。这些过程尽可能的降低了人为干预，免除了人为误操作的可能。更为重要的是，在面对市场剧烈波动的时候，量化交易系统依旧会严格按照信号执行交易，从而剔除投资者受到情绪波动给交易带来的不利影响。
3)响应迅速
4)自动化连续交易
总之，量化交易在以上这些方面相对于主观交易的优势显著提高了交易的效率、降低交易成本，量化交易替代主观交易就成为了必然。因此，有必要设置量化交易课程以顺应金融交易发展的趋势。
2.2.量化交易的发展现状和前景
2.2.1.量化交易在海外的发展现状
1973年，Black-Scholes期权定价公式被提出，使得利用计算机迅速计算欧式期权的理论价格成为可能，推动了量化期权套利的发展[5]。1983年，GerryBamberger开发出基于统计原理的配对交易策略，进一步奠定了量化交易的数理模型基础。
20世纪80年代开始，随着互联网的广泛应用，依托于计算机编程技术的量化交易进入了快速发展阶段。伴随一些以量化交易为核心的基金公司的成立，量化交易在规模和模型丰富性方面都达到了新的高度。例如，复兴科技公司设立的大奖章基金以技术数据为驱动，在历次市场波动性剧烈的时候都获得了丰厚的回报。德邵和TwoSigma也是量化投资公司中的优秀代表，它们注重创新计算机技术，并将其应用到量化策略开发之中。经过多年的发展，量化交易已经从股票市场拓展到外汇、商品、债券，以及新近出现的数字货币市场中，并且在各个市场中由量化交易产生的交易量都已经占据较大比例。例如，J.P.Morgan的研究显示量化交易已经占据美国股票市场80%的份额[6]；美国商品期货交易委员会的一项统计显示，在2016年量化交易在谷物商品的交易占比已经上涨到了49%，贵金属上升到54%，原油交易占到了63%，而在外汇市场上更是占比高达83%[7]。2018年全球量化交易的市场规模已经达到103亿美元，预计2027年将超过252亿美元，年复合增长率达到10.7%[8]。
2.2.2.量化交易在国内的发展现状
相对于海外市场，国内量化交易起步较晚，直到2008年美国次贷危机后，大批华尔街量化交易人才回国发展，国内的量化交易才开始步入快速发展的轨道。公募基金开始转向量化投资，2019年量化公募基金规模增长570亿元，而量化私募基金也增长迅速，到2019年末，基金规模增长至约2800亿元[9]。国内量化的发展正好受到当前人工智能技术普及的推动，使得量化产品的种类不断丰富，开发出了包括指数增强、多因子模型、机器学习驱动的基本面因子模型等在内的量化交易策略。
同时，随着个人投资者对量化交易热情的上涨，一批专门提供策略开发平台的公司也涌现出来，例如优矿、米筐、聚宽、掘金量化等。这些公司提供了已经配置好的量化交易需要的硬、软件环境，使得投资者可以专注于开发量化交易策略，降低了量化投资在计算机配置方面的门槛。
尽管从纵向来看国内量化交易发展迅速，但是与海外相比，在量化投资机构的管理资金的规模、量化交易策略的丰富程度方面，都存在着不小的差距。而据研究显示在全球的量化交易市场中，亚太地区的市场在未来会具有最快的增长速度。因此，国内量化交易现状与未来发展速度之间的不匹配对培养量化交易人才提出了迫切的需求。
2.3.量化交易与传统证券投资学的差异
与传统的证券投资类课程不同，量化交易是一门融合金融学、经济学、统计学、机器学习与数据挖掘、数据库技术、计算机编程、网络通信等多学科的理论和知识的跨学科课程，课程的重点不在于讲授各个方面的基本知识，而在于培养学生综合运用这些知识的能力。此外，量化交易也是一门实践性极强的课程，不仅要让学生掌握理论与方法，更强调要将这些知识应用到策略开发中，形成可以在真实交易环境中应用的策略。这就需要课程设置相当的课时以培养学生的实际动手操作的能力。
基于这两个方面能力培养的重点不同，量化交易在授课内容、教授方式、考核方式等方面均与传统的证券投资学有显著的不同，因此，有必要设置专门的量化交易课程以实现对量化交易人才的有针对性的培养。
3.量化交易的课程设计
结合量化交易对知识的要求以及量化交易的特点，本文从课程的受众、教学目标、前提知识要求、课程内容，以及考核方式五个方面探讨量化交易课程的设置。
3.1.课程受众
其次，信息管理与信息系统、计算机科学技术专业的学生可以扩展技术的应用范围。他们已经具备了实施信息系统的能力，而且多数都具备统计概率等数学知识，具备良好的数学素养。他们将比金融专业毕业生在量化交易领域更具备竞争力。学习了量化交易课程，将拓展他们毕业择业的方向。
最后，数学、物理等理科专业，以及其他工科专业对金融领域感兴趣的学生都可以通过学习量化交易课程而有机会进入到金融行业中来。数学、物理等理科专业有很多创新性的模型可以引入到交易模型的建设中来，增加交易模型的适应性，提高投资收益率。
3.2.教学目标
量化交易课程旨在系统地介绍量化交易的概念、价值、基本理论和方法，以及计算机的实现过程，掌握如何有效利用技术分析模型与基本面分析模型构建一套完整的量化交易策略，认识到交易风险的重要性及控制方法，以及掌握利用计算机编程语言实现交易策略的自动化执行功能。
课程内容主要包括量化交易基本概念、量化交易模型、量化交易的模型评估、量化交易的风险与控制、量化交易系统搭建等。通过课程的教学，使学生对量化交易在当前金融、经济社会中的应用和前景有较为广泛而深刻的了解；了解金融市场及交易标的，认识金融标的交易的流程，以及交易风险；掌握量化交易实施的编程工具；掌握量化交易的建模思想、方法与模型；并具备一定的综合利用量化交易模型、编程工具实现交易系统的能力。
3.3.前提知识要求
一个量化交易系统一般按照如下步骤实施。首先，量化交易员建立一种可能盈利的交易策略，用数学模型把它表达出来；然后，交易员开发计算机程序把数学模型应用到历史交易数据中去，进行回测和模型参数的优化。如果结果令人满意，那么该程序就被改造成一个交易系统在真实的市场上进行交易。
按照知识重要程度排序，从量化交易课程的学习角度来看，计算机编程技术最重要，因为不具备编程知识，学生将无法在课程结束时完整的落地一个能够正常运行的量化交易系统，其次是数学知识，最后是证券投资学知识。而从长期量化交易系统的成功来看，数学知识显然最为重要，因为决定量化交易系统的盈利率的关键是交易策略(即数学模型)的设计，其次是计算机编程技术，最后是证券投资学知识。
3.4.课程内容设计
Figure1.Curriculumdesignschemaofthequantitativetradingcourse
3.4.1.量化交易基础
量化交易是一种证券投资自动化执行的方法，因此需要金融学基本理论与计算机编程的基础准备。量化交易课程不可能把金融学的所有知识都涵盖，而是需要讲授对于量化交易最直接支持的证券投资的基本知识与理论。首先，需要讲授当前量化交易能够应用的金融市场，包括股票市场、衍生品市场、外汇市场等。每个市场中交易标的不同、交易规则差异较大。例如，中国的股票市场施行T+1制度并且只能做多股票，而期货市场则施行T+0制度，允许做多与做空。因此，需要让学生掌握每个市场上交易的具体特点，以便在后续开发有针对性的量化交易策略。其次，因为量化交易的落脚点在交易的执行，所以，需要让学生掌握交易的基本概念与知识，包括建仓、平仓、持仓、头寸、交易量、价格类型、交易指令等。
量化交易的策略编制和系统实现都需要计算机编程语言的支持。目前，有多种编程语言可以用于量化交易的开发，包括Python、Go、C++、Java、R、Matlab等。量化交易课程可以选择Python语言作为讲授的编程语言。相对于其他语言，Python具有下述优势。首先，Python的语法简洁、易于掌握与实践。大部分学生虽然有编程基础，但是普遍还会对编程怀有畏惧的心理。Python易于上手的特点能够帮助学生树立信心，削弱抵触的情绪。其次，Python的生态环境非常丰富，众多开发人员贡献的包(packages)能够实现对从数据获取、数据加工处理、统计建模、机器学习，到策略回测等量化交易研究的全流程的覆盖。最后，目前市面上很多量化工具或平台，例如国外的Quantopian，国内的优矿、掘金量化、vn.py等均是以Python作为开发环境。学生在掌握该语言后可以很方便的从量化交易的课程学习环境过渡到进行实盘/模拟盘的真实交易环境中，最小化转换成本。这一模块将着重讲述Python的数据分析包，例如pandas、numpy、scipy、mplfinance等在量化投资分析中的使用方法。
3.4.2.量化交易策略开发
交易策略是量化交易的核心，识别交易风险与控制是影响到交易策略效果的重要因素，回测与评估是检验交易策略的重要方法，因此，这三个方面就构成了量化交易策略开发模块的核心内容。
数据驱动型的交易模型将讲授如何从交易数据本身开发交易模型。金融交易活跃、交易数据量庞大，以中国的期货交易为例，每个交易日的数据量都达到千万条的级别，因此是机器学习和数据挖掘应用的良好领域。机器学习的方法也被当今不少量化基金公司所青睐。这一部分的讲授将会使得学生掌握量化交易策略开发的最前沿的知识与方法。该部分的讲授内容将围绕着机器学习领域前沿的集成学习方法，例如随机森林，以及以神经网络为基础的深度学习在交易模式与规律识别方面的应用。
量化交易优于传统交易的一个主要方面在于所开发的交易策略经受过大量历史交易数据的检验。因此，策略回测与评估是量化交易策略开发的一个重要环节。该部分内容将首先向学生讲授系统性评价交易策略的方法，包括盈利性、风险度，以及针对每笔交易效果的评估方法。其次，需要让学生建立起样本内绩效与样本外绩效的概念。虽然历史数据能够检验所开发策略的优劣，但是由于金融交易市场蕴含的极大不确定性，历史数据检验的效果并不能完全反映开发的策略在未来交易中的绩效。因此，需要划分样本数据，让学生了解一部分数据用来优化策略模型参数，另外一部分数据用来检验策略的绩效，从而避免过度拟合的出现。最后，将向学生讲授将所开发的策略模型落实到计算机程序中的方法。目前，市面上有不少用Python语言开发的开源量化交易回测框架。课程可以选择其中一个框架，让学生掌握将交易策略落地的方法。例如，PyAlgoTrade、Backtrader框架结构清晰、回测功能较为完善，其设计思路为不少其他回测框架所借鉴。
3.4.3.量化交易实践
量化交易策略开发的下一个环节就是将其应用到实盘/模拟盘中，以参与市场交易。该部分讲授实盘交易的运转方式、如何自行搭建交易系统，以及需要在实盘交易中注意的事项。
实盘交易一般是通过连接交易接口(API)来实现。目前，中国期货市场的交易接口最为完善。该接口的全称是“综合交易平台”(ComprehensiveTransactionPlatform)，简称CTP接口。课程将以该接口为例，向学生讲授自己搭建的交易系统如何与交易所系统、期货公司的柜台系统之间的通信方式，以让学生了解交易指令是如何在真实环境中执行的。
在此基础上，课程将向学生讲授自行搭建交易系统的构成，除了最为核心的交易策略模块之外，还需要搭建交易数据获取、交易指令的执行、交易信息的查询等模块，以及这些模块之间如何实现信息的传递。目前，国内有不少量化平台可以帮助投资者迅速构建自己的交易系统。这些平台封装了交易系统组成模块之间的信息传递，以及交易系统与交易所、券商柜台系统之间的信息传递，可以让投资者专注于交易策略的开发。在学生理解了交易系统的构成之后，课程可以选择这样的平台，帮助学生快速过渡到实盘/模拟盘的交易。
3.5.考核方式设计
4.结论
量化交易是当前证券投资领域一种新型的交易方式，具有广阔的发展前景。本文着重分析了在高等院校中开设量化交易课程的必要性，并从教学目标、前提知识要点、课程内容设计、考核方式等方面探讨了量化交易课程的设计问题。本文的研究结论可以为正在准备开设量化交易课程的院校提供参考，也希望能够抛砖引玉，引发更多关于量化交易课程设置、量化交易人才培养的探索。
基金项目
中国矿业大学(北京)研讨性在线课程教改项目“《商业数据分析与挖掘》在线课程建设研究”(J180502)、中国矿业大学(北京)“心桥工程”项目(KDTZ2020XQ08)。