很多量化投资策略思想都来源于传统的经典投资理论，例如经典的商品期货技术分析主要内容有技术分析的理论基础、道氏理论、图表简介、趋势的基本概念、主要反转形态、持续形态、交易量和持仓兴趣、长期图表和商品指数、移动平均线、摆动指数和相反意见、日内点数图、三点转向和优化点数图、艾略特波浪理论、时间周期等。这些经典理论有的有具体指标和具体的应用理论，有的只有理论，需要根据理论生成具体应用指标，来完成策略的测试检验，所以经典投资理论可以通过量化的思路，将理论中的具体逻辑量化成指标或者事件形成交易信号，通过信号的优化测试来实现经典理论的投资理念，这个方式可以有效地实现经典理论，同时也能由原来的经典理论衍生出周边的投资方式，它是量化策略发展初期的主流模式。合约量化平台系统开发成熟技术：I35软件7O98开发O7I8
Web3.0目前最为通用的解释是基于其生态项目皆开源的特性，参与者与开发者相比于Web1.0时代、Web2.0时代能够真正拥互联网产出的一切。Web3.0从基础层到应用层将涵盖所有支撑公链应用生态所涉及到的基础设施，以及在此之上所构建的所有去中心化应用（DApp）
量化模型一般由：入场、过滤、止损止盈、出场，这几个模块。有了这些模块，你的模型才算基本完整。本文主要的讲解的策略是简单的双均线系统，
策略如下：
（1）入场：均线金叉后最近10根K线高低价突破
（2）过滤使用均线自身特性进行过滤
（3）止损止盈使用跟踪止盈止损
（4）出场：触发跟踪止盈止损、均线。
策略入场
策略开仓部分必须由两部分组成：原始信号+过滤。
量化交易主要有三个特征：
1.纪律性量化交易要求严格按照既定的逻辑进行投资决策，每个操作都是有数据和模型支持的，这样可以克服人工交易带来的情绪波动、主观臆断、恐惧和侥幸心理。比如一个每五分钟执行一次下单逻辑运算的策略，到第五分钟时，不应该出现模棱两可的情况。
2.系统性在制定量化交易策略的时候，需要从全方位考虑交易品种、交易频率、投资周期、对冲机制、异常处理、资金容量、市场流动性、冲击成本等一系列策略系统元素，另外，需要从海量的历史数据和实时行情中捕捉到统计上大概率盈利的模型，这整个过程，是一个系统性的工程。
3.及时性正是因为量化交易的系统性，人脑在处理这些系统元素的速度上，是比不上计算机的。信息技术的使用，使得量化策略的执行在速度上是大大优于手动交易的。比如一些微小的套利机会，计算机可以在毫秒之内捕捉到，并执行完套利逻辑，但是手动交易就无法做到这么快速及时了.
在高维度数据中的规律和信息挖掘出来，最终形成量化交易策略。V+MrsFu123大数据时代产生了很多数据挖掘技术，将数据挖掘技术应用在量化策略里面是顺理成章的事情。目前，应用的数据挖掘模型主要有分类模型，关联模型、顺序模聚类模型等，数据挖掘方法主要有神经网络、决策树、联机分析处理数据可视化等。分类模型的主要功能是根据数据的属性将数据分派到不同的组中。在实际应用过程中，分类模型可以分析分组中数据的各种属性，并找出数据的属性模型，确定哪些数据模型属于哪些组。这样就可以利用这些模型来分析已有的数据，并预测新数据将属于哪个组。分类模型在量化投资中应用的实例很多。特别是行业地位、盈利能力、负债情况等属性，找出决定它们分类的关键属性及相互关系，然后就可以根据这些关键属性对每一个预期的上市公司进行分析，以便决定预期该上市公司属于哪一种类型人关联模型丰要描述一组数据项目的密切度或关系，关系或规则是用些最小置信度级别来描述的，置信度级别度量了关联规则的强度。
