本书的主要目的是为量化交易策略的研发提供一个可以参考的流程框架。但是直到目前为止，对于量化交易的界定，仍然存在着比较大的分歧。因此，为量化交易策略给出定义，虽然是全书开头一个不得不做的工作，却也是一件会导致争议的事情。为了尽量减小一个明确定义受到质疑的可能性，本书采用了相对而言较为稳妥的处理办法，即贴近字面意思进行解释。不过，出于一个研究人员的偏执，作者同时对策略的研发过程进行了着重强调，因此有了如下的定义:量化交易策略，就是采用数量化手段构建而成并进行决策的交易策略。
具体解释起来，该定义包括两层含义。
首先，在构建交易策略的过程中，数量化的手段应该占主要成分。这里的数量化手段，包括对整个交易流程和交易目标的数量刻画、数学模型的构建、对量化目标的最优化、对策略结果的数量化评价等方式方法。但是在这一部分中仍然会有定性的或者人为主观的成分存在，毕竟策略的研发是一个人为操作的过程。
其次，交易策略在构造完毕、用来进行交易决策时，必须具有明确的数量化规则，完全不存在主观判断的成分。这-特性使得整个策略可以在完全量化的设置下进行历史数据下的回溯测试，以及准确无误地指导交易操作，这些都是量化交易策略比较重要的特征所在。
同时满足以上两个方面含义的限定，则能够被称为量化交易策略。
在这样的界定下，量化交易策略既可以借助程序化的方式完成下单，也可以通过人工来执行。实际上出于成本和可控性等方面的考虑，一些交易频率较低的量化交易策略有可能更倾向于采用人工下单的方式来完成。在作者看来，策略的执行手段并不是量化交易策略的核心特征。
这种关注于数量化而非程序化的定义，也使得整个量化交易策略的历史比许多人认知中的要更长一些。 因为就实际情况面言，技术分析中的技术指标，在适当的情况下是可以形成量化交易策略的。虽然技术分析中的图表分析手段，如“双头”“头肩”等图形形态的分类，相对而言太过主观而且很难量化，但是技术指标这门类侧重于价格和成交量的定量分析,通过公式化的计算得到一些用来参考的量化指标，进而指导交易，具有数量化的特征。只不过在这些量化指标的使用上，交易者往往又归于主观，进一步造成了对技术指标是否是量化交易策略的争论。
例如当某名交易员的交易策略是“移动平均线看起来很好时买人，看起来不好时卖出”，那么就完全有悖于上文给出的量化交易策略的定义。首先，该交易策略在表述上较为模糊，不是一个具有明确数量化规则的决策手段，因此交易员需要在交易过程中通过主观判断来完成买卖行为。其次，正是由于缺乏明确的数量化决策规则，交易员在形成这样的交易规则时很难定量化地描述整个交易策略和交易过程，也就难以使用最优化之类的数量方法。在多数情况下，交易员可能更倚重于复盘等人工形式来完成这一类交易策略的构建。
但是当交易员基于一些定量的规则来使用技术指标进行交易时，这些交易策略就可能会符合量化交易策略的特征。例如，把上面的策略改换为“价格线从下向上穿过移动平均线时买入，从上向下穿过移动平均线时卖出”，那么策略就既可以通过量化手段完成构建，又具有明确的数量化交易规则了。其他典型代表还包括大部分的技术指标，如理查德.唐奇安( Richard Donchian)所开发的通道规则，其以过去特定天数内的最高价和最低价为边界形成一个通道，当目前价格超出通道范围时，形成买卖决策。
理查德，丹尼斯( Richard Dennis) 的“海龟交易法则”是一个非常著名的例子，因为丹尼斯招收交易员并传授该法则而为外界所熟知。这一交易策略正是在唐奇安通道指标的基础上构建而成的，除了通道突破的买卖规则外，海龟交易法则还包括仓位大小的选择、随时间的调整、止损等多个组成部分,更接近于一个构架完整的交易策略。
当然，就本书的定义而言，海龟交易法则是否算作标准的量化交易策略仍然有待商榷。首先，被披露的规则只是交易决策部分，具体的构建过程我们无从得知，因此也难以判断。更重要的是，其执行过程中存在人为主观的成分,这也直接导致了交易学员在使用同样规则的情况下获得了不同的交易结果。但这并不妨碍大量的从业者将海龟交易法则作为一个量化交易策略的范木来进行研究和使用，作者本人也非常认同其在量化研究中的指导地位。
业内较为认同的量化交易策略的开端，可能是哈里，马科维茨( HarryMarkowitz)的最优投资组合理论这一学术性创新。 在1952的论文当中，马科维获开创性地引入了均值和方差这两个统计学上的概念，用来定量地描述投资者在投资组合上所获得的收益和承担的风险。基于投资组合中资产的收益情况之间的协方差矩阵，采用最优化的方法，就可以得到投资组合的最优配比方式，从而带动投资者在风险一定的情况下获取最大收益，或者在收益固定的情况下使得风险最小。整个过程通过明晰的数量模型进行了表述，优化结果也能定量地指导投资组合的构建行为，是比较契合本书关于量化交易策略的定义的。
在此之后，经济学家和金融学家开始越来越多地通过定量的数学模型来研究金融市场和投资交易。威廉，夏普( William Sharpe)等人于1964年前后在马科维茨的工作基础上，发展出了资本资产定价模型。该模型将股票在无风险收益之上的超额收益分解为两个部分，即市场部分和残余部分，股票的风险也相应地分为两个部分，对应起来分别是系统风险和非系统风险。模型证明了在资本市场完全有效等前提假设下，残余部分的期望值为零，也就是说，非系统性风险是没有风险补偿的,股票的超额预期收益仅与其承担的系统风险大小有关。
之后，斯蒂芬.罗斯( Stephen Ross)从另外- -些假设条件出发，得出了与资本资产定价模型在一定程度上具有相似性的套利定价理论。该理论同样认为股票的超额预期收益仅与其所承担的风险有关，只不过除了最主要的市场系统风险外，理论模型还能够包含其他一些存在风险补偿的风险因子。
在资产收益源于对风险的承担等思想的推动下，尤金.法玛( Eugene Fama)提出了著名的“有效市场假说”，即在一个有效的证券市场中，价格完全反映了所有可以获得的信息，再结合资本资产定价模型的主要结论，认为所谓的消极型管理，即仅持有市场组合和无风险资产,才是真正明智的选择。随着这种思想在学术界的逐渐主流化，学术研究中对主动型交易的关注开始减少。
然而有趣的是，罗斯的套利定价理论和法玛的另一项著名研究却间接地发展出了一些行之有效的量化交易策略。在1992年的一篇论文中， 法玛基于套利定价理论的形式，发现股票的两个当前特征(市值和账面市值比),可以有效地预测未来的股票收益。简单来说，就是市值越小的股票或者账面市值比越大的股票,在统计意义上会产生更高的未来收益。在次年的论文中，法玛将这两个特征构造为两个风险因子，再结合市场因子，从风险补偿的角度对实际数据进行了研究和解释，这项工作一般被称为“三因子模型”。
暂且不论市值和账面市值比这两个股票特征的风险化解释，1992年的论文中它们所表现出的显著预测能力，已经让逐利行为关注于此了。克里夫.阿斯内斯(Cifford Asness)是法玛在芝加哥大学指导的金融博士，其博士毕业论文在三因子模型的基础上加入了动量因子，以四因子模型的形式完成了一系列的实证分析。博士毕业后阿斯内斯进人高盛，成为一名量化交易分析员，随后在高盛组建了全球阿尔法基金，主要从事以量化为导向的交易工作，业绩不俗。1997 年他离开高盛创办了自己的AQR资本管理公司，目前该公司是全球顶尖的对冲基金之一。 虽然没有直接的证据证明阿斯内斯在工作中采用的是多因子模型基础上的股价预测技术，但是可以想见的是，市值、账面市值比、动量因子和因子模型应该与其量化交易策略存在一定的关联。 阿斯内斯在一些访谈 和学术论文中也时常谈到价值、动量/趋势、低风险、套息等相关概念,是为佐证。
由学术研究进入量化交易实业领域的一个更为极 端的例子，应该是文艺复兴科技公司的詹姆斯，西蒙斯( James Simons),这也是中国读者较为熟悉的一个量化交易从业者。西蒙斯于1961年在加州大学伯克利分校取得数学博士学位，年仅23岁，并在30岁时就任纽约州立大学石溪分校数学学院院长。他在1978年离开学校创立了文艺复兴科技公司，该公司因为旗下的量化旗舰基金——大奖章基金傲人的业绩面闻名。关于西蒙斯所使用的量化交易策略，坊间一直有诸多猜测。许多人认为其所使用的应该是基于隐马尔科夫模型的量化交易策略，原因在于西蒙斯的早期合伙人伦纳德，鲍姆( Leonard Baum)是隐马尔科夫模型估计算法的创始人之一，同时文艺复兴科技公司招聘了大量的语音识别专家，隐马尔科夫模型正是语音识别领域的一个重要技术工具。作者无法判断这一说法的真实性，不过不管怎样，从文艺复兴科技公司比较另类的人员构成来看，这应该是一个比较纯正的使用量化交易策略进行运作的对冲基金公司。
虽然大部分的量化对冲基金对其所使用的交易策略都或多或少地进行保密，但是仍然有一些量化交易策略在多年的应用后开始慢慢为外界所熟知，统计套利就是其中之一。这个策略的概念最早产生于摩根土丹利，当时的做法也被称为配对交易，实际上就是使用统计的方法选取一对历史价格走势相似的股票，当两只股票之间的价格差距变大、超出一定数值之后，就分别做多和做空这两只股票，依靠该价格差在随后的时间里回归到正常水平来获取收益。由于这种量化交易策略既源于统计分析又存在等待价差回归的套利特性，因此被称为统计套利。而随着对这类交易策略的进一步深入研究，统计套利策略目前已经远远超出了配对交易的范畴，变得更加复杂和多样化。