量化策略思想大致来源于以下几个方面：经典理论、逻辑推理、经验总结、数据挖掘、机器学习等。不论基本面还是技术面，都可以使用量化的方法进行分析，进而得出量化交易策略。比如，在基本面上，国内生产总值(GDP)增幅、货币发行量增幅、供需平衡表等都可以使用量化方法进行描述和分析；在技术面上，移动平均线、指数平滑移动平均线(MACD)等绝大部分技术分析指标都是量化策略思想来源。

　　“量化交易”有着两层含义：

　　【一】是从狭义上来讲，是指量化交易的内容，将交易条件转变成为程序，自动下单；

　　【二】是从广义上来讲，是指系统交易方法，量化交易平台13z开4z77发z558，就是一个整合的交易系统。

　　即为根据一系列交易条件，智能化辅助决策体系，将丰富的从业经验与交易条件相结合，在交易过程管理好风险控制。

　　常见的量化交易策略有很多种，例如趋势型，网格型，剥头皮，概率法则，高频交易等，今天主要给大家介绍2种低频的交易策略，高抛低吸网格交易策略、日内做T策略。

　　量化交易策略源码(部分)

　　#你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新

　　def handle_bar(context,bar_dict):

　　...

　　if newPrice>=context.nextSellPrice:

　　logger.info("执行高抛交易,对应价格:{}".format(newPrice))

　　amount=context.portfolio.positions[context.s1].quantity

　　if amount>=context.tradeNumber:

　　logger.info("执行高抛交易,对应数量:{}".format(context.tradeNumber))

　　order_shares(context.s1,-context.tradeNumber)

　　plot("S",newPrice)

　　elif amount>=100:

　　logger.info("执行高抛交易,对应数量:{}".format(amount))

　　order_shares(context.s1,-amount)

　　plot("S",newPrice)

　　calc_next_trade_price(context,newPrice)

　　obj={

　　"nextSellPrice":context.nextSellPrice,

　　"nextBuyPrice":context.nextBuyPrice,

　　"curTradePrice":context.curTradePrice

　　}

　　context.buyTradeList.append(obj)

　　if newPrice<=context.nextBuyPrice:

　　logger.info("执行低吸交易,对应价格:{}".format(newPrice))

　　amount=int(context.portfolio.cash/newPrice/100.0)*100

　　if amount>=context.tradeNumber:

　　logger.info("执行低吸交易,对应数量:{}".format(context.tradeNumber))

　　order_shares(context.s1,context.tradeNumber)

　　plot("B",newPrice)

　　calc_next_trade_price(context,newPrice)

　　obj={

　　"nextSellPrice":context.nextSellPrice,

　　"nextBuyPrice":context.nextBuyPrice,

　　"curTradePrice":context.curTradePrice

　　}

　　context.sellTradeList.append(obj)