返回首页
量化投资,高频交易,程序化交易学习必备~900+个(200G+)培训视频持续更新中!!!
当前位置: 主页 > 高频交易 >

一文读懂高频交易及量化投资

时间:2016-03-06 08:17来源:未知 作者:杨清婉 点击:
1、高频交易公司和量化投资公司的区别 量化投资公司和高频交易公司一般说来,既有区别又有联系。在美国,人们常说的量化投资公司一般都是对冲基金,包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等;而常说的高频交易公司一

  1、高频交易公司和量化投资公司的区别

  量化投资公司和高频交易公司一般说来,既有区别又有联系。在美国,人们常说的量化投资公司一般都是对冲基金,包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等;而常说的高频交易公司一般都是自营交易公司,这些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外,既有量化投资业务,又有高频交易业务的公司有Two Sigma、Citadel等;还有许多公司向着更综合的方向发展,DE Shaw等公司,既有量化投资,又有非量化投资。

  高频交易公司的创始人,很多从历史上看,原来都是从事套利、衍生品的做市等业务的交易员。此类工作在初始并不需要渊博的知识。交易的自动化程度和频率将随着计算机技术的发展而提高,逐渐的这些公司会聘请一些计算机、数学、统计背景较强的人员加入,用来适应形势的发展。但是,有些分化也在这个过程中产生,有的公司往往采取全自动的交易模式,这些公司对新鲜技术的接受程度更高一些;有些公司主导地位还是保留给了交易员,而且始终没放弃人工交易,最终形成了人机结合的半自动交易。目前来看,双方各有利弊,半自动交易的公司与全自动交易的公司相比,并不存谁更优越的说法。

  通过托管机房的全自动交易公司,可以在最大程度减少信号传输的时间,但是很多公司人员流动较大,而且自动化交易程序过于复杂, 在程序维护时出现一些失误,最后都会酿成大祸,比如著名的骑士资本。人工交易的最大弊端又是什么?在行情剧变的时候,手动下单的地方离交易所较远,常常导致抢不到单。

  全自动交易是Hudson River Trading、Tower Research、Jump Trading等,半自动交易是Virtu Financial、Getco、SIG、Jane等。至于过度拟合无法抵御黑天鹅事件事件,则是自动交易和人工交易都无法避免的问题。

  高频交易公司和量化投资公司有很多不同之处。高频交易一般依赖于高效运行的代码,而量化投资一般依赖于复杂的模型。其次,美国的高频交易公司的创办传统交易员居多,而量化投资公司创办者大多是量化背景极强的人,比如计算机教授出身的David Shaw是DE Shaw的创始人,金融学家出身的Cliff Asness是AQR的创始人,数学家出身的西蒙斯是文艺复兴的创始人。

  量化投资公司往往能达到1—2个星期的持仓时间,模型也因要预测如此庞大价格趋势的信息量而更为复杂,反而对程序的运行速度没那么敏感;高频交易的模型与之相比更为简单,因为处理信息的时间极短(微秒或毫秒级),不可能分析太多信息,因为更多竞争优势是依靠代码运行,甚至很多人的程序直接写在硬件上;可达几百亿美元资金容量的量化投资,一般来说都是帮客户投资,而往往高频交易公司只有几千万至几亿美元,可是量化投资却远没有高频交易策略表现的稳定,如1238天只亏1天的Virtu Financial交易,所以一般都是自营交易。

  2、量化交易的模型

  下面从简单到复杂的介绍一下量化交易的模型:

  以最简单的约翰·墨菲《期货市场技术分析》为例,适合主观交易且通俗易懂,用到最多的是指数、对数等高中层面的数学知识,或者半自动交易,计算机计算并发出交易信号,之后由人手动下单。

  丹尼斯的《海龟交易法则》是层次高一点的代表,使用了大学低年级的数学内容,如均值、方差、正态分布,提出了可靠的资金管理办法,策略的测试也更具科学性,可是,进行交易时依靠交易规则的排列组合,依旧没有摆脱传统思路是其最大的缺点。但是,如果行情出大趋势同时策略设计得好,效果还是会不错的。

  交易信号的整合方面是更高一级层次的体现,在对传统的技术指标进行有机整合时,运用更现代的统计方法——神经网络、回归分析、支持向量机等,进行变量的筛选及测试时会使用更严格的统计方法。考虑到金融数据的时间特征,如要得出的模型也更为稳健,获取样本外的测试结果常常需要使用滚动优化,

  不过,要实现这些功能,需要自己用更通用的编程语言,程序化交易系统难以做到。

  对于量化投资来说,除了行情信息,整理收集其他基本面的信息也相当重要,预测模型中要融入整理出的对应的时间序列。成功的模型是什么?重点在于它整合了多少不同来源的信息,而不是运用了多高深的数学理论。以简单的线性回归为例,想要模型的预测效果好,需要各个参数都有很强的预测能力,同时相关性很低;反之,如果选取的参数毫无意义,就算运用在复杂的深度学习理论,得出的模型也没有用。美国的一些公司,除了利用新闻等文本信息建模外,谷歌卫星拍摄到的港口集装箱的图像也会用来建模,商品价格走势如何,通过对商品集装箱的数目来预测,取得了很好的预测效果。

  求解模型其实与建模同样重要。比如说物理学上有很多能精确描述现实的模型,可还是难以求解,因为缺乏高效的科学计算方法,量化交易也一样的。伴随着巨大计算量的参数的计算、筛选、优化、回测等,怎样精妙求解是一门颇为高深的学问。著名的文艺复兴公司内部有着明确的分工——物理学家分析数据建立模型,数学家构建优化算法并求解模型等,计算机程序员从各个来源收集数据,西蒙斯这样透露。

  3、高频、量化领域常见的误区

  量化模型无法战胜黑天鹅事件

  实际上,所有投资方法预测未来都是依靠历史,黑天鹅事件大家都怕,回撤也都是会有的。把最新的情况纳入模型,争取在最短的时间内扭转损失,及时调整,重新回测、优化、模拟,是遇到回撤之后量化的好处。2007年8月,文艺复兴遭遇历史上罕见的9%回撤之后,果断采取措施的西蒙斯,重新建模,“我们新的模型已经发现了3个很强的交易信号”同时在致投资者的信中这样宣称,在接下来的日子西蒙斯很快扳回损失,当年有80%的收益率。

  长期资本管理公司(LTCM)就是因为用了量化模型而破产的。LTCM事实上是一个多策略基金,在1998年它的纯量化交易策略还是赚了1亿美元,交易流动性极差的柜台衍生品才是它亏损最多的策略,甚至许多产品设计是来跟投行对赌,遭遇黑天鹅事件无法及时理清头绪。这些产品的具体产品设计、交易执行、销售等都跟量化无关,只是在定价时用量化模型辅助一下,LTCM的破产跟模型关系并不大,流动性风险才是其根本原因。

  高频交易损害投资者利益

  《Flash Boys》等书籍的作者文笔都极佳,且极富煽动性的叙事手法,吸引了众多眼球,其实书籍中的观点极富争议性。目前,美国那些当年的传统交易员,都强烈要求禁止高频交易,媒体除外。因为他们并不甘心被新兴的、依靠先进技术的高频交易公司打败,所以才组织更多的力量来进行反击。其实这些人对市场颇为熟悉,各个都是老手,某些观点还是有可取之处。

 

  现在国内市场,股票很可能开放T+0,期权也准备上市。国外高频交易商早就对这两块“肥肉”垂涎三尺。虽然我们依靠在程序化交易上的丰富经验,与国外在期货高频领域可以一较高下,但是我们在期权和股票高频领域的实践经验为零,与国外还是有较大差距。对此,笔者认为,一方面也不能急功近利,妄想一年半载就可以取得很大的成绩;另一方面也不要觉得外资太厉害就干脆不做了,不要妄自菲薄。很多外国的高手要稳定盈利,需要在国内市场中研究一年,国内的人基础较薄,研究周期放长,凡事本着谦虚谨慎的态度,戒骄戒躁,比如第一年做准备工作开发系统,在逐渐打平手续费的第二年后开始盈利,也许更合理。策略研究不能急于求成,慢工才能出细活,研究方向的频繁改变也许最后是竹篮打水。

(责任编辑:admin)
量化投资,高频交易,程序化交易学习必备~900+个(200G+)培训视频持续更新中!!!
------分隔线----------------------------
云量化商城
如果您会开发策略,请进!大量项目等待与您合作!
推荐内容
量化投资培训