大卫，肖(DavidShaw)曾经是摩根土丹利这个统计套利交易组的成员之一，他于1980年在斯坦福大学获得计算机博士学位，随后留校进行学术研究。肖在1986年加入摩根士丹利后负责该组的技术部门，但是在两年之后，如同统计套利的首创者格里.班伯格( Gerry Bamberger) 一样由于政治斗争等原因从公司离职，并创立了自己的德劭基金公司。结合了肖的大规模并行计算研究背景和在摩根士丹利接触到的统计量化策略，德劭基金公司利用计算机量化模型作为主要的策略进行交易并取得了巨大的成功。
值得一提的是，肖在对冲基金领域扎根之后，仍然不忘科学研究，其成立的德劭研究公司致力于通过强大的计算机硬软件能力在分子动力学模拟等生化科研领域取得前沿性进展。这与阿斯内斯一直在 金融杂志上发表学术论文的行为，相映成趣，当然肖的学术研究相对而言可能更为极客一些。
相比起统计套利，传统意义上的套利策略是一个更为人熟知、更经典的量化交易策略。实际上，现代金融框架的一部分都是基于“无套利”这样- 一个假设原则建立起来的，可见套利策略的深入人心与重要性。如果说统计套利的重点在于刻画和预测多个资产间的统计关系，那么传统套利可能就更注重各个资产的价值计算，以及策略执行时的交易成本估计和优化。只不过量化交易策略进化到现在，统计套利和传统的套利策略已经是互相渗透、互相融合的了。以计算机能力见长的德劭基金公司，对这两种套利策略应该都是有所涉及的。
说起套利，不得不提到长期资本管理公司。这家公司的阵容十分豪华,包括债券套利的先驱约翰.梅里韦慧(JohnMeriwether)、两位诺贝尔奖获得者罗伯特，默顿(RobertMerton)和迈伦.斯科尔斯(MyronScholes)、美联储副主席戴维。穆林斯( David Mullins) 等诸多顶级从业者，主要从事的正是债券的量化套利交易，当然其中也会包含一些其他形式策略的成分。公司成立的前三年表现非常出色，但是在1998年俄罗斯国债违约之后，相关的连锁反应使得公司产生巨额亏损，在美联储的干预下被华尔街几家公司出资接管,形同倒闭。实际上，长期资本管理公司在俄罗斯债券上的损失本身并不大，但是许多大金融机构在亏损环境下必须保证足够的资本量，因此通过出售流动性较好的七大工业国债券等资产来降低风险、增加资本，全球主要债券价格在卖出压力下大幅下跌，波动巨大，这才导致了杠杆极大的长期资本管理公司在债券套利上产生巨额亏损。
这里谈及长期资本管理公司，决然不是为了说明套利策略的缺陷，或是用一个失败的量化交易特例来村托其他量化交易公司的成功。实际上，套利策略是一个具有内在金融逻辑的优秀交易策路，只不过任何量化策略都难以完整地考虑到所有可能出现的情况，长期资本管理公司也正是被一个极端事件的连锁效应所击倒。一个量化交易的研究者和从业者，首先应该具有概率、统计的思维方式，应该理解任何有概率的事情都是可能发生的。对于交易这个行业而言，不到退出市场的那一刻，永远都存在着失败的可能，拥有再光鲜的历史业绩也无法摆脱这一事实，而且光鲜业绩本身可能也只是大样本下的一个幸运个体而已。希望读者能在阅卖本书时始终保持这样的思维，不要盲目地被看似美好的回溯测试结果甚至实盘业绩所迷惑。
套利策略中一个非常重要的部分就是对交易成本进行判断，同时尽可能地降低交易成本，从而保证足够的套利空间。随着交易电子化的不断发展，以及美国证监会“另类交易系统规定”等法案的推出，交易策略的自动执行也在持续地发展和演化。在这样急速更新的市场环境下，开始出现一些相应的量化技术，例如通过订单拆分来减小市场冲击成本的算法交易等。
更为人熟知的是高频交易这个概念，交易的执行者通过计算机下单、将策略执行部件放置于距离交易所主机更近的地理位置上、交易订单直通交易所等手段，从时间延迟等层面降低了价格变动带来的交易成本，从而增加套利空间。当然，在作者写作本书时，高频交易技术已经进入微秒级别的领域，高频交易也被更多地使用在了做市商策略等其他策略之上。
在开头处已经提到，本书的主要目的是为量化交易策略研发提供个可供参考的流程框架。而高频交易等策略方法在很大程度上更侧重于执行层面的技术手段，对比传统意义的量化交易策略具有一定的独立性，因此本书将不涉及高频交易、算法交易等量化交易策略的内容，对套利的讨论也局限于非常浅显的层面。不过，作者仍然认为中低频的量化交易策略研发框架对于高频交易同样存在一定的借鉴意义，原因在于，开发交易策略始终是离不开对收益和风险的认知的。由于高频交易的内容不会出现，因此从此处开始，书中但凡提到量化交易策略，如没有具体说明，均特指中低频量化交易策略，敬请注意。
