程序化交易是指在计算机和网络技术的支持下，根据一定的交易模型和规则生成交易信号并由计算机自动执行买卖指令的交易过程，是主动性投资策略的一个重要分支，具有交易效率高、交易过程中无需人为干预、便于控制交易风险、可以把握市场精细机会等特点。近年来，随着我国金融产品的不断丰富和投资者素质的不断提高，程序化交易在我国金融市场上将有着越来越重要的地位，也是我国金融市场必然的发展方向之一。　　 程序化交易主要涉及选股、择时、股指套利、资产配置等方面，其策略大致可分为两类:一类是基于技术分析和统计原理来生成交易信号，另一类是基于价格预测来生成交易信号。　　 本文首先将CAPM模型应用于我国A股市场上60只权重股的一分钟高频数据和日度中频数据上，分析了我国不同行业上市公司股票对资本市场系统风险的敏感程度，发现不同行业间β系数值有较大差异，β系数值较高的行业通常对应着较高的收益和风险，且β系数可以很好的反映行业运行特点及对资金的需求程度;另外通过对不同行业间股票的β系数相关性分析还发现，我国股票市场的热点轮动性十分明显，股票价格可以及时、准确的反映各行业间运行经济周期的关系。基于以上结论，我们提出第一个程序化交易策略，即应用于股票的日度数据的对冲交易策略:选取当期β系数最高的若干只股票构建投资组合的多头，同时做空规模相当的股指期货，取两者表现的差异作为投资组合的收益来源，以求捕捉到即期收益较高的股票，并对冲掉风险。实证结果表明，策略获得了较为理想的收益。　　 随后，本文提出了一个综合预测模型用于资产价格的预测。模型将资产价格分解为趋势项部分和噪音项部分，用ARIMA模型对趋势项部分进行预测，用小波神经网络模型(WNN)对噪音项部分进行预测，并用遗传算法(GA)改进神经网络模型各参数的生成方式。通过比较综合预测模型与传统神经网络模型的预测效果，发现综合预测模型提高预测精度。本文再根据资产高频价格的波动特点，结合价格的预测结果，用求解非线性规划的方法确定价格的高、低点，并用微分中值定理进行求解，提出第二个程序化交易策略，即基于综合预测的高频交易策略，应用于我国的期货市场。实证结果表明，策略可以获得较为理想的收益，且对于不同的交易品种，交易数据有较大差异，不同品种的投机性交易、价格波动幅度、频率和持仓量、流动性等均有较大差异。这些结论可以为投资者在期货市场投资时做参考，并为资产价格按频度展开有一定的参考依据。　　 本文的创新和特色主要有以下几方面:　　 1将CAPM模型应用与股票的一分钟高频数据和日度数据，测算不同频率下资产的β系数。　　 传统计算资产β系数的方法是基于月度数据的，在数据量不足的时候也有用周度数据代替的情况。而市场上的投资者鲜有长期持有股票的情况，通常的头寸持有时间为10个交易日左右，而很多投资者经常仅持有2-3个交易日的头寸，中频、高频数据计算得到的β系数对实际投资更具指导意义并。文章利用一分钟高频数据和日度中频数据计算β系数，并分析不同频度计算结果的差异，分析高频数据计算结果包含的日内特征，为投资者决策提供参考。　　 2从行业的角度分析β系数的差异。　　 现有文献多围绕β系数分解评价方法展开讨论，本文比较不同行业间β系数值的差异，发现不同行业对系统风险的敏感性有较大差异，行业的β系数均值可以很好的反映该行业资产的收益情况，以及对资本的依赖程度、行业运行特点等，为各类投资策略提供依据。　　 3根据不同股票的系统风险敏感度差异，选取β系数较高的资产构建投资组合，同时做空规模相当的股指期货，形成对冲交易策略。　　 将构建沪深300指数的300只成份股作为备选资产池，选择β系数值最高的股票建立投资组合的多头;另外根据即期的资产规模，做空规模相当的股指期货，以求对冲掉市场的系统风险，获取差额回报。　　 4提出一个综合预测模型，将资产价格分解为趋势项与误差项，分别用线性模型和非线性模型进行预测，提高资产价格预测的准确性。　　 本文利用ARIMA模型对资产价格的趋势项建模，利用神经网络模型对资产价格的误差预测，并用遗传算法优化神经网络模型的权重和参数，提高神经网络模型的拟合和预测精度，进而优化资产价格预测结果。　　 5基于综合模型的预测结果，将非线性规划应用于资产价格高频数据，提出针对于高频数据的价格高点、低点判断方法，并生成相应的高频交易策略。　　 在对资产价格预测的基础上，根据资产高频价格的波动性，利用非线性规划的求解方法，分析极值点时价格曲线的变化特点，建立高频交易策略。策略可以较好的判断出价格的极值点，并依次建立高频交易策略。　　 通过对文章中提出的策略的实证分析可以发现，我国的金融市场已初步具备程序化交易的环境，且存在较大的收益空间。通过建立合适的模型可以在有效降低风险的同时获取较高较稳定的收益。