主题：学习量化交易都有哪些书可以参考？

首先提两本相关的学术著作。一本是2011年的论文集 Econophysics of Order-driven Markets，收录了一系列关于盘口和高频数据建模的论文。另一本是2013年的 High-Frequency Trading book，包含一些策略研究和机器学习方面的应用。这两本一定程度上可以反应学界目前对这个领域的研究现状。

 接下来提几个重量级的学者，他们发表的相关论文都很有影响力，值得一读。

 Robert Almgren 在策略执行（execution），交易成本（trisection cost）以及Portfolio方面都有一系列著名的论文。

 Rama Cont 近几年有好几篇关于Order Book建模的非常不错的文章。

 Michael Kearns 本人是计算机系做机器学习的大牛，但是常年混迹于投资界（似乎参与某基金公司的策略研发），关于机器学习在交易方面的应用看他写的会比较有帮助。

 说这个方面业界远远领先于学界，我认为不能简单地下结论。首先业界的热门方向肯定会得到学界的关注，如果真的有重要的发现，在学界上是会有反应的。但是为什么给大家在交易这个领域感觉没有什么重量级的学术著作？我个人的理解是，主要是学界和业界的关注点非常不同。本身金融交易就不是一个纯理工的学科，它也包含很多人文方面的特性，比如行为金融学一脉，所以具体的应用上有时候很难涉及特别学术的东西。业界做的东西很多时候在学界看来是非常简单的，有相当多属于工程方面的优化，这些东西做出来非常有效果，但是写成论文就不那么好看。

 另外一个问题是，学界的确相当缺乏第一手资料。尤其是近几年高频交易开始火热以后，高精度的交易数据很难求。交易所和一些数据公司都是用来高价出售的，做学术的人往往买不起太好的数据。即使通过一些途径得到一些数据，学界的人因为远离生产一线，经常会发生对数据的理解偏差。

 举一个例子，去年有人写了一篇 《Critical reflexivity in financial markets: a Hawkes process analysis》用一种随机过程的模型来说明近年因为自动化交易（见http://bbs.ihoms.com/bbs/tzzt/5555.htm）的增加，导致市场中在微观尺度上出现一种连锁反应的现象（即一个交易事件可能会引发多个后续的交易事件）。模型做的很漂亮，数据分析也很充分，看起来很不错。但是紧跟着就有人写了一篇唱反调的 《Apparent criticality and calibration issuesin the Hawkes self-excited point process model: application to high-frequency financial data》，详细的分析了交易数据源里可能存在的问题，比如说交易所在发出市场数据的时候可能会做一个打包处理，使得一个短时间内相邻几条交易的时间戳看起来是一样的，这样显然导致对时间的分析是有很大误差的。对这种细微的问题，如果没有一线生产的相关经验和深入理解，很容易带来研究方向上的误导。

 不过当今时代最重要的特征是，世界变化太快。优秀的学者越来越多的有机会接触实际生产，所以如果单纯认为他们很“傻”是很危险的。刚才提到的Michael Kearns就对机器学习在这方面的应用有过精彩的论述《Machine Learning for Market Microstructure and High-Frequency Trading》：

 Machine learning provides no easy paths to profitability or improved execution, but does provide a powerful and principled framework for trading optimization via historical data.

 We are not believers in the use of machine learning as a black box, nor the discovery of “surprising” strategies via its application. In each of the case studies, the result of learnings made broad economic and market sense in light of the trading problem considered. However, the numerical optimization of these qualitatitve strategies is where the real power lies.

 人家显然很明白，机器学习这一套的核心价值不是用来做什么预测和盈利策略（所谓的寻找alpha），而是优化，这种认识显然比很多业界人士还要透彻的多。最后提一下，除了看书，还有很多量化社区和网站可以学习到量化相关的知识，如量化社区、海洋部落、知乎等。