量化交易新手指南_入門到進階

量化交易新手指南_入門到進階

量化交易是量化金融中一個非常復雜的領域。為了通過面試或者構建自己的交易策略，你可能需要花費大量的時間來獲得必要的知識。不僅如此，量化交易也需要你掌握大量的編程專業知識，至少應掌握一門程序語言，如MATLAB，R或Python。然而，隨著交易策略頻率的不斷增長，編程技術的重要性也日益提升，因此熟悉C/C++也同樣至關重要。當然也可以不需要了解代碼的平臺，relquant雷爾量化投資 就是一個典型的代表，一鍵解決所有問題，操作起來更簡潔方便。

量化交易系統由四個主要部分組成：

·策略識別：尋找策略，挖掘競爭優勢并確定交易的頻率；

·策略回測：獲取數據，分析策略的性能和消除各種偏差；

·執行系統：將交易系統經紀商連接起來，自動交易以及最小化交易成本；

·風險管理：最優資本配置，最優下注規模、凱利標準和交易心理學。

策略識別

所有的量化交易過程都始于最初的研究階段。這一研究階段包括尋找策略，觀察該策略是否與你可能正在運行的其他策略組合相契合，獲得測試策略所需的全部數據，并嘗試優化策略以獲得更高的回報以及降低風險。如果你是一個零售交易員，你還需要考慮自己的資本約束，以及任何可能影響你的策略的交易成本因素。

與流行的看法相反，實際上你可以相當直接地通過各種公共資料來源找到有利可圖的策略。學術界通常會定期發布一些理論性策略的交易成果(盡管大多數未考慮交易成本)。量化金融博客會詳細地討論策略的細節，而與交易相關的雜志則會涉及量化使用的一些策略。

你可能會感到疑惑，為什么個人和公司會熱衷于討論他們的盈利策略，特別是當他們知道別人都使用該策略，可能會使得策略在長期里失去效力。他們這么做的原因在于，通常他們并不會討論策略的確切參數和識別參數的方法，而這些優化才是使得相對平庸的策略轉變為盈利豐厚的策略的關鍵。事實上，創建自己獨特策略的最好方法之一便是找到類似的方法，然后執行自己的優化過程。

一旦確定了一個策略或一組策略，就需要用歷史數據對其進行盈利測試，這就是回測需要處理的問題。

策略回測

回測的主要目標是為了提供證據，證明上述過程中識別的策略在應用于歷史和樣本外數據時確是有利可圖的，這為量化交易員設定了策略在現實世界中可能如何表現的期望。然而，由于各種原因，回測并不一定能保證成功。這也許是量化交易中最微妙的領域，因為回測中涉及大量的偏差，必須仔細分析并盡可能地消除。我們將討論常見的偏差，包括前視偏差，生存偏差和過度優化偏差(也稱為“數據窺探”偏差)。回測中其他的重要問題還包括歷史數據的可獲得性和干凈程度，分析現實中策略的交易成本以及確立可靠的回測平臺。我們將在下面的執行系統部分進一步討論交易成本。

一旦確定了交易策略，就需要獲得歷史數據以進行回測與改進交易策略。每一種資產類別都有相應的數據提供商，數據的成本通常隨著數據的質量，深度和及時性提高而提高。傳統上，量化交易的初學者(至少在零售層面)的起點是雅虎財經的免費數據集。我不會在這里太多地討論數據提供商，而只是集中討論處理歷史數據集時會遇到的一般性問題。

在使用歷史數據時，主要的關注點包括數據的準確性與清潔程度，數據中可能出現的幸存者偏差以及根據公司市場行為對數據進行調整：

數據的精度與其總體質量有關，即數據中是否包含錯誤。有時可以很容易地發現錯誤，例如使用窄帶濾波器(spike filter)可以挑選出時間序列數據中不正確的尖峰并進行校正。其他時候則很難發現錯誤，有時需要有兩個或多個數據提供商，通過對它們的數據進行比對以檢查數據的正確性；

一旦已經進行了回測，發現歷史數據中沒有偏差，而且交易策略有一個較好的夏普比率和最小化的回撤，就應該建立交易執行系統了。

執行系統

執行系統是一種將交易策略生成的交易命令發送給經紀商執行的手段。盡管交易命令的生成可以是半自動甚至全自動的，但是執行系統可以是手動的，半手動的(即一次點擊)或全自動的。對于LFT策略，手動和半手動技術較為常見。對于HFT策略，則有必要創建一個全自動的執行系統，這個系統通常與交易生成器緊密相聯(因為高頻交易的策略和執行系統是相互依賴的)。

創建執行系統時，需要考慮的關鍵因素是經紀商的接口，最小化交易成本(包括傭金，滑點和價差)以及實時交易系統的表現與回測表現的差異。

可以通過多種方式連接到經紀商，從最簡單地直接給你的經紀商打電話，到一個全自動的高性能應用程序編程接口(API)。理想情況下，你會希望盡可能自動地執行你的交易。這使你可以專注于進一步的研究，以及允許你運行多個策略甚至更高頻率的策略(事實上，HFT基本上不可能不自動執行)。之前簡略提到的常用回測軟件，如MATLAB，Excel和Tradestation可以適用于簡單的低頻策略。然而，為執行真正的高頻交易，確有必要構建用高性能語言(如C++)編寫的執行系統。在我以前工作的基金，我們有一個10分鐘的交易循環，每10分鐘下載一次新的市場數據，然后在同一時間框架內執行基于該信息的交易。我們使用的是優化過的Python腳本，然而對于分種級或秒級的交易策略，我相信C/C++會更加理想。

執行系統中的另一個主要問題是交易成本的最小化。交易成本通常有三個組成部分：傭金(或稅收)，即由經紀人，交易所和證監會(或類似的政府監管機構)收取的費用。滑點，這是你打算執行的訂單與實際執行的訂單之間的價格差異，這是所交易的買價與賣價之間的差額。注意，價差并不是常數，并且取決于市場當前流動性。

執行系統的最后一個主要問題是策略實際表現與回測表現的差異，這可能是由多種原因造成的。當分析回測時，我們已經深入討論了前視偏差和過度優化偏差。然而，對于有些策略，在部署之前進行測試并不容易，這在高頻交易策略中經常發生。執行系統和交易策略可能存在錯誤，但這些錯誤不會在回測中表現出來，但卻會在實時交易中表現出來。此外，在部署策略之后，市場可能已經受到體制變化的影響，新的監管環境，變化了的投資者情緒和宏觀經濟現象都可能導致市場行為發生變化，從而影響了你的策略的盈利能力。

風險管理

量化交易難題的最后一個部分是風險管理。風險包括我們之前已經討論的所有偏差。它也包括技術風險，例如與交易所聯合部署的服務器突然出現硬盤故障，還包括經紀風險，例如經紀商破產。簡而言之，這些風險涵蓋了幾乎所有可能干擾你執行交易的事件。這些風險有各種來源，詳細地討論量化策略的風險管理需要一整本書，所以我不打算在這里闡明所有可能的風險來源。

風險管理的另一個關鍵組成部分是應對自己的心理活動。交易中會出現很多認識偏差，盡管如果讓交易策略獨自執行不受人工干預，這些偏差對算法交易來說都不是問題。一個常見的偏差是損失厭惡，即交易員由于不愿意實現損失而遲遲不平掉已經虧損嚴重的頭寸。與之類似，盈利則實現的太早，因為交易員非常害怕失去已經獲得的利潤。另一個常見的偏差被稱為近因性偏差，這表現在交易員過分強調最近發生而不是更長期的事件。最后，經典的情感偏差——恐懼和貪婪也是存在的，這些偏差往往導致杠桿不足或杠桿過度，并可能導致爆倉或減少盈利。