文档介绍：量化交易入门
译者: HorseHour 原作者:Michael Halls-Moore
发表时间:2014-07-10浏览量:1861评论数:1挑错数:0
量化交易(Quantitative Trading)与传统证券交易机制存在极大的差异,一度有人神侃,量化交易就是“让机器赚钱,你躺那儿数钱”。本文是一篇入门文章,带您一睹量化交易的“剪影”,并非说笑,真容难觅啊,吼破嗓子不如甩开膀子,一切还得你自己去创造!
我将通过这篇文章向你介绍端到端的量化交易系统的一些基本概念。本文主要面向两类读者,第一类是正在努力寻找一份基金管理公司量化交易员工作的求职者,第二类是期望尝试开启自己“散户”算法交易事业的人士。
量化交易是数量金融学(注1)中一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略,就需要你投入大量的时间学习一些必备知识。不仅如此,它还需要你在MATLAB、R或Python至少一门语言上具备丰富的编程经验。随着策略交易频率的增加,技术能力越来越重要。因此,熟悉C/C++是重中之重。
一个量化交易系统包括四个主要部分:
策略识别:搜索策略、挖掘优势(注2)、确定交易频率。
回溯测试:获取数据、分析策略性能、剔除偏差。
交割系统:连接经纪商、使交易自动化、使交易成本最小化。
风险管理:最优资本配置、最优赌注或凯利准则、交易心理学。
我们首先来谈谈如何识别一个交易策略。
策略识别
所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其收益更高且(或)风险更低。如果你是一个“散户”交易员,一定要清楚自己的资金是否充足,以及交易成本对策略的影响。
通过各种公开数据搜索可盈利的策略实际上十分简单,并没有大家想的那么难。研究学者会定期发表理论交易结果(虽然大多为交易成本总额)。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
你可能会问,个人与公司怎么可能愿谈他们的可盈利策略,特别是当他们知道,如果其他人“复制相同的策略”,长期而言它终将失效。原因就在于,他们通常不会透露具体的参数以及他们所使用的调参方法,而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上,若要创建你自己的、独一无二的策略,一个最好的法子就是寻找相似的方法,尔后执行你自己的优化程序。
我这里提供几个网站,你可以藉此寻找策略性思想:
Social Science work
arXiv Quantitative Finance
Seeking Alpha
Elite Trader
Nuclear Phynance
Quantivity
你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。均值回归策略试图利用这么一个事实:“价格序列”(如两个关联资产的价差)存在一个长期均值,价格对均值的短期偏离终将回归。动量交易策略则试图“搭上市场趋势的顺风车”,利用投资心理和大基金结构信息在一个方向积聚动量,跟随趋势直至回归。
定量交易还有一个重要方面,即交易策略的频率。低频交易(Low Frequency Trading, LFT)通常指持有资产超过一个交易日的策略。相应地,高频交易(High Frequency Trading, HFT)通常指持有资产一个交易日的策略。超高频交易(Ultra-High Frequency Trading, UHFT)指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易,但也只是在你掌握了交易“技术栈”(注3)与订单簿动力学(注4)的详细知识后才有可能。本篇入门文章,我们不会对这些问题做任何深入探讨。
策略或策略集合一旦确定,现在就需要在历史数据上测试其盈利能力,这就进入了回溯测试的工作范围。
回溯测试
回溯测试的目标是提供证据,佐以证明通过以上流程所确定的策略,无论是应用于历史(训练)数据还是测试数据(注5)均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。由于种种原因,回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处,由于它包含了大量的偏差,我们必须尽尽力仔细审查并剔除它们。我们将讨论几种常见类型的偏差,包括先窥偏差(注6)、幸存者偏差(注7)与优化偏差(亦称“数据窥视偏差”,注8)。回溯测试中其他几个重要方面,包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
策略一旦确定,我们就需要获取历史数据,并藉此展开测试,如有可能还可改进策略。现在卖数据的很多,所有资产类型的数据都有。通常,数据的质量、深