量化投资的算法有哪些？
“量化交易”这个概念很大，我尽量用最简单的语言来解释什么是“量”、什么是“化”（为了便于解释，我把所有的变量都简化成数字）。 首先引入两个概念：信息量和熵。
信息量是用来度量不确定性的，如果你手里有一张扑克牌，上面有4个A，2对K，1张5，剩下的都是6和2以及一张10。那么这张牌的信息量是8比特，因为一共有256种组合（2的8次方），而8比特的计算机能表示的数字个数正好是256个。如果你不知道这张牌的规则，比如你猜它是两张9或者四张6，那么你的信息量就是0比特；反之，如果你知道它的规则，比如说你知道它是一副五张牌的顺子，那么你了解的信息量就是4比特。 熵是用来度量不确定性的，在量化交易中我们关心的不确定性是价格的不确定性。假设今天收盘上证综指涨了一个点(4个标准差)，明天该如何操作呢？这个问题中的熵是4比特。
如果我们知道了明天上证综指比今天多涨一个点还是少涨一个点（预测的精度和误差小于1%），那么这个问题中的熵就变为0比特了。问题变成了一个确定的函数，我们可以通过设定好的策略进行交易。
接下来引入另外一个概念——信息熵。之前说过熵是度量不确定性的，而信息熵是度量不确定性大小的，两者间的关系可以用信息熵公式来描述： H=-\sum_{i}^{}{p_ilog(p_i)} 这个公式的含义是在求和的过程中计算每个结果出现的可能性大小，然后以log的形式把各个结果出现的可能性加一起。当结果出现的可能性越大的时候，信息熵也越大。
举个栗子：假如你有100块钱，想用它买3件东西，每件东西的价格不等，第一件东西买了之后还剩下95块。现在的问题是怎么花这100元钱使总损失最小（也就是让信息熵最大），那么问题就变成了求解下面方程的最小值： \sum{c_ilog(c_i)} = log(a+b+c)\tag{1} a>b>c>0 （1）式中a、b、c分别代表你购买的3件物品的价格，它们之间互不相同且都为正数。求解这个方程可以得到一个使信息熵最大的购买方案，依此方案购买商品就可以实现收益最大化。