量化交易策略的核心是算法设计和参数优化。小鼎表示：量化交易策略是量化交易中神秘的环节，因为多数策略具有容量限制，一旦公开，使用策略的人数多了，策略自然也就失效了。从开发看，量化交易策略的核心是算法设计和参数优化，需要一定的金融、数学等知识，IT知识用的少，相较起来，数据模块的开发和维护反而最需要IT知识。
量化交易策略的输入是交易数据，输出是资金曲线。其与 “交易系统”有着相似之处，都要回答市场交易“灵魂五问”，都要有“赚钱逻辑”。 量化交易策略与“交易系统”的不同之处在于“量化”，量化之后可带来一些优势： 1、一致性。 通过数据、算法精雕细琢“交易系统”，使得“交易系统”对于投资市场总是可以给出“一致性反应”。 2、回测。 基于历史数据回测量化交易策略，也就是通过模拟“过去”，测试策略成效，可以在短时间内找到并优化“交易系统”。
量化交易策略的优势有时也会带来一些不可忽略的“麻烦”，典型如下：
1、滑点。 可以理解为，交易时没有按照回测价位买入，因为市场波动，导致实际成交价与回测成交价错位了几个价位。所以，对于一些交易量较大的策略要实现程序自动化拆单。对于资金量较小的散户，只要不是买卖短时间内突然波动太大股票，滑点问题可以忽略。 2、未来函数。
比如一个策略的描述“最高价>开盘价，在开盘价买入”；但实际上，需要当日收盘后才能确定当日最高价，也就没有办法在开盘价买入，策略引入了“未来变量”，这类错误要坚决杜绝。
3、过度拟合。
回测发现效果不佳，不断手工调整参数，甚至采用函数遍历各种情况优化参数，终于得出收益惊人的资金曲线，但一上实盘又发现是“渣渣”。究其原因，过度拟合后，丢失了策略底层的“赚钱逻辑”。
适当调优参数是可以的，如何判断是否“过度”，是个技术活。 4、流动性缺乏。 部分高频交易策略，在回测的时候效果卓越，但实盘交易上，发现盘口根本就没有那么多成交单，策略无法真正执行。 量化交易策略的执行，可以依靠人工执行，也可以依靠程序自动化执行。强烈推荐程序自动化执行，避免心理因素干扰。
