量化投資_量化投資新手學院

量化投資_量化投資新手學院

量化交易是量化金融中一個極其復雜的領域。它需要大量的時間來獲得必要的知識。

不僅如此，它還需要大量的編程專長，至少是C++或Python這樣的語言，并且隨著交易頻率的增加，編程技術變得更為重要。

量化交易由四個主要部分組成：

1.交易策略——鑒別尋找策略，決定交易頻率；

2.策略回測——獲取數據、分析策略性能并消除偏差；

3.執行策略——連接至交易終端，實現交易自動化，并將交易成本降至最低；

4.風險管理——資本最優化配置、“下注規模”與交易心理學。

下面雷爾量化小編跟我們來看看如何確定一個交易策略：

策略鑒別

你可以根據基礎策略進行優化改造，使之變為一個有效策略。

所有的量化交易過程都是從最初的研究階段開始的。這一研究過程包括找到一個策略，并看看該策略是否適合你可能運行的其他投資組合，獲得所有必要數據來對該戰略進行測試，并試圖優化，以獲得更高的回報和/或更低的風險。

如果作為獨立的交易者運行策略，您需要考慮您自己的資本需求，以及交易成本將如何影響策略。

你可能會問，為什么個人和公司熱衷于討論他們的盈利策略，特別是當他們知道其他人“擠占交易”可能會阻止該策略長期運作時。

原因在于他們不會經常討論他們所執行的確切參數和調整方法。這些優化是將表現相對平庸的策略轉變為高利潤戰略的關鍵。

事實上，創建自己獨特策略的最佳方法之一是找到類似的方法，然后執行自己的優化過程。

以下是一個可以在初期找到策略方法的資源：

量化交易的另一個極其重要的方面是交易策略的頻率。低頻交易(LFT)通常是指持有資產超過交易日的策略。相應地，高頻交易(HFT)一般指的是日內持有資產的策略。超高頻交易(UHFT)指的是以秒和毫秒為單位持有資產的策略。

一旦確定了策略，就需要對歷史數據的盈利能力進行測試。

策略回測

回測的目的是提供證據，證明通過上述過程確定的策略在應用于歷史數據和樣本外數據時都是有效的。這設定了該策略在“現實世界”中表現如何的期望值。

然而，由于各種原因，回測并不是成功的保證。這也許是量化交易中最為微妙的領域，因為它涉及許多偏差，必須仔細考慮并盡可能消除這些偏差。

我們將討論常見的偏差類型，包括前瞻偏差、生存偏差和優化偏差。回測中的其他重要領域包括歷史數據的可用性和清潔性、考慮現實交易成本以及確定一個強大的回測平臺。

一旦確定了一項策略，就有必要獲得歷史數據，并利用這些數據進行測試，或許這一過程會帶來改進。所有資產類別中都有大量的數據供應商。它們的成本通常與數據的質量、深度和及時性成正比。

對歷史數據的主要關注點包括準確性/清潔度、生存偏差以及股息和股票拆分等公司行為的調整:

一旦一個策略經過了回測，并被認為是沒有偏差的，策略的夏普比率較高、資金回撤較小，現在是時候建立一個執行系統。

執行系統

執行系統是由經紀商發送和執行策略生成的交易列表的方法。

盡管交易生成可以是半自動化的，甚至是全自動的，但是執行機制可以是手工的，半手工的(即)或完全自動化。對于LFT策略，通常使用手動和半手動技術。

對于高頻交易策略，有必要創建一個完全自動化的執行機制，該機制通常與交易生成器緊密結合(由于策略和技術的相互依賴)。

創建執行系統時的主要考慮因素是與經紀商業務的接口、最小化交易成本以及實時系統的性能與回測系統之間的切換等。

另一項屬于執行范疇的主要問題主要指的是盡量減低交易成本。