1.4　本節介紹

本節主要介紹本書的編程語言及主要研究的策略，也跟其他主流的編程語言做了對比，并且介紹了本書要講的策略類型，以及其他一些策略類型。

1.4.1　為什么使用R語言

很多人會問為什么使用R語言？因為現在國內最受歡迎的分析類語言是Matlab，國際上Python越來越流行，而且介紹Matlab和Python的書喜歡用R語言作為反面例子。整體而言，一個語言是否適合做量化交易，有以下幾個方面原因。

• 運算速度。其實這幾個都是解釋性語言，或許有一定的速度差異，但一般是10%～20%這個幅度，對于計算量大的處理，要么已經封裝了軟件包，里面是C++寫的，要么自己可以寫成C++編譯，然后用分析語言調用，整體速度就差不多。本書會介紹如何使用Rcpp來在R語言里面使用C++。
• 研究與交易結合。客觀說這不能算是優勢，因為絕大多數正規的量化團隊還是會用C++把交易程序重新寫一遍，Python在國內期貨也需要調用C++的CTP接口才能交易，其實正規的團隊不大喜歡用第三方的接口，因為有錯誤的話難以調試。
• 研究效率。其實這是R語言的優勢，在可視化方面R語言應該是最好的，而且R語言很多package都是開源的，網上可以搜到代碼，有不懂的可以上stackoverflow上面問，一般作者都會在24小時內回答，非常方便。
• 其他方面。國內使用Matlab多是因為可以免費試用，但國外Matlab是收費的，而R語言是免費的，且沒有版權的問題。很多學術界的書籍都是基于R語言的，Python更多是復雜的機器學習模型上有優勢，但統計學領域的時間序列、非參數統計等基本上只有R語言才會有對應的package。

基于上述的理由，加上本人在研究生階段就是學習R語言為主，而且并沒怎么使用深度學習模型，因此本書使用R語言作為研究的語言。

1.4.2　重點介紹中低頻趨勢

本書重點介紹的是中低頻策略，基于5分鐘K線，持倉三五天。如果是更高頻率的策略，比如基于分筆數據的策略，數據量比較大，回測、優化時間較長，不適合初學者。如果是更低頻的日線數據，最好結合基本面數據才能研究出好的策略，因此這里也沒有涉及。基于5分鐘K線的數據，一般不需要基本面數據，也不會對交易速度有很高的要求，各項都比較適中，而且容量也比較大，10～15億都沒問題，適合中小型私募和個人投資者。