股票量化交易就是依靠数量化的手段去实现股票交易逻辑和策略。简而言之，股票量化交易就是采用一定的数理模型，对股票交易策略以及交易逻辑进行量化，利用计算机技术等现代信息科技手段来实现交易过程。“量化”是股票交易者进行交易所应用的一种手段和方式。虽然股票量化交易引入我国时间较晚，随着中国股票市场的发展壮大，目前正处于蓬勃发展阶段。借助CiteSpace 6.1.R2软件对知网2010年-2022年股票量化交易相关中文文献进行分析，可以直观得出国内量化交易研究的现状。

一、数据获取

登录知网www.cnki.net，选择“高级检索”，用主题词“股票”“量化交易”，布尔逻辑式“且”，检索时间设为2010-2022（见图1），最后获取254篇文章（学术期刊46篇，学位论文195篇，会议1篇）。

图1.知网高级搜索“股票”“量化交易”设置

二、文献基本情况

利用知网“导出与分析”功能，可以对检索到的文献进行基本统计。

1.总体情况

从图2可以看出，股票量化交易文章整体呈现稳步增长的状态。

图2.股票量化交易文献整体趋势（2010-2022）

2.主要主题分布

文献数在5篇以上的主题有“策略研究”“交易策略”“量化投资策略”“股指期货”“实证研究”“投资策略”“量化交易策略”“深度学习”“策略设计”“配对交易”“神经网络”“统计套利”“高频交易”“股价预测”“深度强化学习”。“策略”是最为主要的研究主题。

图3.股票量化交易文献主要主题（2010-2022）

3.文献来源

图4.股票量化交易文献来源分布（2010-2022）

三、实证分析

利用知网“导出与分析”将254篇文章全部选中导出为“Refworks”格式（CiteSpace软件使用），在CiteSpace新建一个“股票量化分析”项目，设置好project项目和数据data目录，导入数据即可开始分析。

1.关健词共现与聚类分析

取关键词阈值为2，并对共现词进行聚类分析，选用LLR算法可以得到下图，共可以得到11类别。

图5. 股票量化交易关键词共现图谱及聚类分析

利用TimeLine View工具，可以从时序上查看关键词演化与分布。

图6.股票量化交易关键词时序演进图（2010-2022）

2.研究前沿汇总

通过“Burstness”可以查看研究前沿的变化。下图可以看出当前量化交易研究聚焦在“量化策略”“深度学习”“深化学习”领域。

图7.股票量化交易研究热点趋势（2010-2022，r=0.3）

顺着“关键词”突变顺序，大致整理几个关键阶段的研究脉络：

2010-2013年，主要开展高频数据相关的算法交易研究。动量效应VWAP被广泛应用的股票交易（镇磊，2010；方兆本，镇磊，2011）和股指期货中（钟慧聪，2013）。

2014-2017年，主要开展选股模型、情绪择时、趋势跟踪、统计套利等方面研究。选股模型主要有多因子选股（张利平，2014；孙伟，2017）、双均线选股（马健，2016）等；情绪择时（刘倩倩，2015；叶子，2017）；趋势跟踪利用移动平均线（江忠明，2017）和支持向量机（沈皓，2017）；统计套利（张家铭，2014；罗文晋，2016；孟静科，2017；陈斌，2017）。李丹（2018）借鉴Fama-French因子模型，通过统计学习模型来选股，利用技术分析进行日内择时,以获得超过市场的收益。印如意（2018）证券市场市场情绪分类算法。

2016-2019年，主要开展均值回归、配对交易、波动性、比特币、量化选股等方面研究。均值回归方面，王佑其（2016）研究了均值回归时点在Alpha套利策略中的应用、叶子（2017）验证投资者情绪指数具有均值回归特征、江浩（2018）研究了本征模函数中组合出高频噪声项具有均值回归特征等。配对交易方面，闵凉宇（2017）使用数值模拟的方法改进配对策略、陈斌（2017）使用布林带通道突破策略改进经典配对、常宝睿（2018）研究用聚类方法来筛选股票对、刘建霞（2018）构建PCA-SVM模型优化股票配对筛选、秦蒙蒙（2018）开展了中国期货市场配对交易策略实证研究等等。波动性方面，王中禹（2017）发现移动平均线策略在波动性大的市场环境中的表现更为突出、贾柠羽（2019）研究了采用GARCH模型进行波动性分析。量化选股方面，李永康（2018）开展了基于Logistic回归的量化选股实证研究、陈荣（2018）研究了基于行业内个股联动性变化的异动指标、李存浩（2019）提出一种基于多时间尺度下的LSTM神经网络用于量化选股。

2019-至今，主要开展量化策略、深度学习、强化学习等方面研究。量化策略方面，喻赟（2018）开展了Fama五因子模型在中国A股市场的实证研究和策略回测、庞云枫（2018）提出使用行为金融学有限关注理论替代半强式有效市场的公开信息计算可预测成交量等。深度学习方面，印如意（2018）用深度学习验证情绪对证券市场的影响、高瑞岐（2019）利用改进的DQN网络和LSTM网络构建股票交易决策的模型等。强化学习方面，熊礼东（2019）利用神经网络设计深度强化学习(简称DRL)模型、陈基彤（2019）用基于policy-gradient的强化学习模型对金融序列进行预测、岑跃峰等（2019）结合近端策略优化和强化学习提出一种近端强化学习的股价预测方法、王炜鹏（2021）利用网格交易算法的思想构建动作集合与回报函数设计基于深度强化学习的交易模型风险控制算法、王鹏（2021）基于文本分析和强化学习设计股票交易策略等。

四、小结

量化交易的核心依然在策略。以深度学习等人工智能技术应用和高校为主团队在量化交易应用研究成为重点。同济大学利用深度强化学习对上证50中15只成份股进行回测，在2019年8月至2021年1月一年内取得年化64.35%收益的成绩。新锐量化交易分析软件提供的NTTS策略筛选对沪深300成分股在2015年至2022年初五年回测获得年均收益24.24%。可以预见，股票量化交易是未来研究的蓝海。