分类
期貨盤路攻略

量化交易


註:與Matlab較為相似的平台,如「R」、「Python」也是一般常見的使用工具,各有其優缺點。

量化交易的发展之路

由于索普在赌场无往不胜,终于被列入“禁入者”量化交易 黑名单。于是他转战华尔街新生的股票权证市场,将数学公式编成电脑程序来寻找市场定价失常。他用量化模型精确计算出权证的合理价格,一旦偏离就抢筹下单。1969年索普辞职下海,首创全球量化交易对冲基金。索普运作“Princeton-Newport Partners”和“ Ridgeline Partners”两只对冲基金近30年,基金年均收益稳定在19%至20%,无一年亏损。索普的对冲基金标志着资管行业向定量化和程序化转型升级。他总结并出版了《战胜市场》一书,但为了合伙人的利益,书中对量化模型和数学公式严格保密。退休后索普将基金权杖交给了22岁的华尔街奇才格里芬。

著名投资大师乔治·索罗斯(George Soros)盛赞索普“善于利用数学知识,抓住证券市场日常波动机会”。安联债券基金公司和太平洋投资管理公司(Pimco)董事总经理比尔·格罗斯(Bill Gross)大学期间利用车祸住院之机熟读索普的《战胜庄家》,完成了关于可转债和《战胜市场》的毕业论文。格罗斯带着200美元到赌城拉斯维加斯成功赢回10000美元,而后受雇于Pimco,现管理资金规模近万亿美元,成为全美公认的“债券天王”。

C优势与风险:詹姆斯·西蒙斯的故事

D发展趋势:具有广阔的成长空间

量化团队集约化。2017年8月有消息称,大小摩根和高盛筹划共建大数据公司,合力提供证券产品参考数据(Securities Product Reference Data)。

新手幣讀文|量化交易夯什麼?

量化投資其中一個很大的意義是:利用歷史數據做回測!若將此結果經過大盤比較後,可以得到顯著的成果,那麼這種訊號才是真正重要的。而採用歷史數據還有另外一個優點:避免投資人做出情緒性的選擇,讓投資人能保持客觀,不受到情緒上的影響,這是因為人會傾向忽略不利或矛盾的意見 (行為心理學上稱為確認偏誤 Confirmation bias)。就算投資人不想採用量化交易,也應該盡力避免自身的偏誤,多利用歷史數據及研究報告,有些財務論文中也會使用歷史數據及統計方法驗證某些現象的存在與否,能夠使投資人更加了解資本市場。

量化交易的歷史

量化交易起源於 1970 年代的股票市場,之後迅速發展和普及,尤其是在期貨交易市場中,程式化逐漸成為主流。人為交易中,交易者的情緒波動等因素,越來越成為盈利的障礙,而程式化交易天然而成的精準性、執行率則帶來了優勢。

量化交易與人為交易最大的差別是:模型應用,而最早採用量化方法來分析研究股票漲跌規律的是法國人 Jules Regnault,他認為「頻繁的短線交易終將導致快速破產」,他當初手工統計了數十年的股票及國債數據,從中得知一套規律,並進而延伸出後續的投資公式,這也告訴我們,「市場價格的漲跌背後必然隱藏某些普遍規律」。

而後,美國的 Edward Thorp 利用概率論的凱利公式,透過賭博賺了大筆金錢,並發表了論點:「隨機事件樣本越多,結果的確定性就越高」。之後 Edward Thorp 投入股票權證市場,將數學公式編寫成量化模型,尋求市場定價失常。1969 年他首創全球量化交易對沖基金,經營近 30 年,無一年虧損。他深信,只要依靠概率建立起量化模型,依照長期大量的數據計算出合理價格並執行交易,就能夠積小勝成大勝。

提到量化交易,就不得不提到 James Simons,其實他在交易初期也執著於宏觀經濟面,雖然他很快就意識到可以利用模型化數據,但直到他屏除模型中所有宏觀經濟基本面內容,集中於短線交易,才得到顯著的獲利。其「大獎章基金」在當時的 20 年間,年均淨回報率高達 40–80%,可說是有史以來最成功的量化投資之王。

量化交易的優點

由於極度依賴數據分析,量化交易策略本身即存在高度的「可度量性」,及其衍生而來的「可驗證性」,這是由於未來數據的不可得,交易員必須仰賴過往的歷史數據做測試,當使用量化交易時,需多次重複歷史回溯測試均能得到一致的結果,如果測試結果是正向的,至少可以說明該量化交易策略在歷史檢驗上具有盈利能力。

而這也會讓交易策略得到強大的「客觀性」,也是大家對於量化交易最普遍的理解,如上述所說,量化交易是使用大數據及程式模型去執行,利用這樣科學化的方式,徹底排除外在干擾訊息的因素,讓數據證明一切,並經由回測驗證其有效性,避免讓投資人因接收到過多訊息干擾,而做出情緒偏誤的決策。

最重要的是,量化交易策略在執行時,會使實際交易行為與過去歷史數據達到「一致性」,因為在建立量化交易策略時,所有的交易規則都已下了精確的定義,並由程式強制執行,這也是絕大部分人為交易策略無法達成的。

量化投資 vs. 人為投資

量化策略的分類

關於量化策略的分類每個人都有不同的見解,但常見的有以下幾類:𝛂 策略、高頻交易、量化 CTA、套利等。

  1. 𝛂 策略:這種策略的特性是回撤和獲益都比較小,但能夠使投資者在大多數的情況下,都保持獲利。其具體想法是找出市場裡最優秀的品種,做多這些品種,然後做空相應多的指數,這樣就鎖定了最優秀的品種帶來的收益,而把指數帶來的波動進行了平抑。
  2. 高頻交易:這是利用電腦程式處理微觀市場層面的不均衡性,交易次數多、持倉時間短,會在短時間內做高頻率的進出場,每次交易的平均利潤較小,但優點是有較穩定的報酬。
  3. 量化 CTA:量化 CTA 策略可分為兩種:「趨勢追蹤策略」及「均值回復策略」。其中,使用較多的是趨勢追蹤策略,它是利用許多策略模型找出目前的市場趨勢,並依此判斷做多或做空,因此與波動率息息相關,也因此這種策略在趨勢明確或是牛市熊市快速變換時,具有較大的優勢。另一種均值回復策略,是種反趨勢策略,是利用某些保持穩定均值商品,當短期波動使其價格偏離均值時,進場反向操作,即做空被高估的商品,做多被低估的商品。
  4. 套利:簡單來說,就是利用價差來賺取獲益的方式。套利方式有非常多種,這邊主要介紹兩種套利方式:

(1) 跨交易所套利:這種模式相對容易執行、風險小,但獲益表現很不錯。套利最簡單的思考方式,想像在臺北芭樂一斤 $50,屏東一斤 $30,那麼只要你在屏東買、到臺北賣,一斤就賺了 $20 的差價。這樣的套利想法也可以套用在投資上,而在加密貨幣的投資上,大家給了一個「搬磚」的有趣名字。

(2) 跨品種套利:是指透過統計分析某些相關產品的歷史價格關聯,當發現價差擴大,且認定為非長期性的不穩定狀態時,即透過配對交易的方式進行套利。舉例來說,A、B 商品之間的價差經常性為 $10,且 A>B,當某天發現其價差增為 $15 時,因認定此為不穩定狀態,便買入 B 並賣出等量 A,那麼當其價差回到經常性的 $10 時,即可賺到 $5。但要注意的是,若將此模式套用在沒有存在穩定性的價格關係,其風險會上升許多。

量化交易策略與加密貨幣

  1. 加密貨幣市場的價格變動快速
  2. 沒有基本市場面可以預測其價格的變動
  3. 加密貨幣市場為 24–7 全年無休交易
  4. 交易所眾多,套利機會長期存在 (據 CoinMarketCap 統計,目前全球交易所有近 300 家)

2011 年之前,由於大眾對加密貨幣的認知普遍不足,量化交易尚未被應用在加密貨幣市場。2011 年起,交易所數量開始增多,有些嗅覺較敏銳的投資者開始利用跨交易所的價差進行套利。而自 2015 年開始,加密貨幣市場急速成長,也經歷了價格的大幅變動,許多看好其長期發展的投資人開始尋求量化交易的機會。

加密貨幣量化交易策略與 Bincentive

Bincentive 透過舉辦 HatchQ 加密貨幣交易競賽及其他管道,接觸個人交易專家,並建立緊密關係,上架數支量化交易策略,供會員跟投;另外,Bincentive 也和頂級量化交易對沖基金合作,如:Amber AI、Lucy Labs 等等,推出 Premium Strategies 尊榮專案策略,讓會員也能接觸加密對沖基金的策略。

Premium Strategies 尊榮專案策略像是一個資金池,透過智能合約匯集各方投資會員的加密資產,以達到頂尖加密對沖基金的資產門檻,訂閱其設計的尊榮交易策略。在選擇策略後,總投資金額需達到該頂尖對沖基金的軟上限,此時智能合約將會啟動開始進行跟投。但為了方便尊榮會員們的跟投與管理,策略也會有硬上限來保障尊榮會員們權益。

為防止當中途有會員要退出時,影響其他會員的投資合約權益,當尊榮會員們跟投尊榮專案策略的同時,BCNT 代幣也會一起寫入尊榮專案策略智能合約做權益交換 — BCNT 資金池。BCNT 資金池是一個權益轉換與擔保的保證金,當尊榮會員在合約期間內想要終止其智能合約,我們會將尊榮會員的初始投資時當下的等值 BCNT 代幣轉換給尊榮會員,以換取 Bincentive 對其投資金的權益。

從《QUANTITATIVE TRADING》讀書心得學 量化交易 入門

展開

QUANTITATIVE TRADING 讀書報告匯整-01

隨著網路資源搜索的盛行,我們不難在許多學術文章(SSRN)或是相關網頁論壇(Yahoo Finance, Elite Trader)裡,找尋到許多適合自己偏好取向的交易策略。因此我們關心的是如何分辨這些交易策略的好壞,以及避免在這過程中犯下一些常見的錯誤,例如存活偏誤 (survivorship bias)、前視偏誤 (look–ahead bias)、資料窺探偏誤(Data-snooping bias)以及對交易成本的考量等,以下一一為大家介紹。

計量交易的流程

QUANTITATIVE TRADING 讀書報告匯整-02

關於回測的各種知識

  • 第一個常用的回測平台是 Excel
    資料的輸入、輸出都可在同一張表格上完成,交易人可以輕易地做比較與判讀,但 Excel 的缺點就是只適合用來處理較簡單的模型。
  • 第二個常見的交易平台為 Matlab 量化交易
    Matlab 的優點如以下這張圖所示,它可以輕易的從外部的資料庫匯入資料,並有豐富的數學及統計工具幫助投資者建立較複雜的策略和處理大量資料,但 Matlab 的缺點是測試完策略後,至少到目前在一些的情形下,必須從另外的交易平台做下單。

QUANTITATIVE TRADING 讀書報告匯整-03


註:與Matlab較為相似的平台,如「R」、「Python」也是一般常見的使用工具,各有其優缺點。

  • 第三個是在國內較為常見的交易平台 Multicharts
    除了適用多種標的資產的交易如股票、期貨、外匯等項目外,簡易的操作方式與其所具備的許多服務功能,像是圖表交易、下單匣、交易追蹤視窗、市場深度視窗、自動化進場/出場與商品代碼轉換等特色所著稱。

選定交易平台後,接著是尋找及使用歷史資料

交易人可以在網路上尋找到大量的免費資料來源,如 yahoo finance、CSI、Chicago Booth 的 CRSP、qanda.com 等,但在使用上述資料時,必須注意幾個要點,避免錯誤觸發交易信號。

以(IGE)ETF 量化交易 量化交易 做個例子,下表為 2005/6/7~10 的資料,在 8~9 間,該 ETF 做了一次 2 :1 的股票分割,表格中可以發現兩天的收盤價差將近一倍,這時就需對分割前的收盤價做調整。也就是必須將收盤價除以二。

QUANTITATIVE TRADING 讀書報告匯整-04

而下面表格則是 2005~07 年發放股利的狀況,必須針對每一次股利發放計算調整的乘數。乘數計算方式為 ( Prev. Close – Dividend ) / Prev. Close。

QUANTITATIVE TRADING 讀書報告匯整-05

QUANTITATIVE TRADING 讀書報告匯整-06

QUANTITATIVE TRADING-07

而如何公平比較不同的策略和不同交易人的結果,Sharpe Ratio 是一個公認較為適合的指標,Sharpe Ratio 衡量的是承擔每單位風險所得到的超額報酬。

我們使用交易完成之後的資訊會導致前視偏誤,比如以在「當日最低價的 1% 之內買入股票」的策略就有前視偏誤,因為在收盤之前是無法得知當日股票的最低價格,使用有落後期數的歷史數據可以避免這一偏誤的產生。我們能依下列方式檢驗是否存在前視偏誤:

  • 第一步驟是使用標的物的所有歷史數據運行程式,將推薦買賣倉位存入一個文件 A。
  • 第二步驟是移除最近 N 天(10 天或 100 天)的歷史數據後,再次運行程式,將推薦買賣的倉位存入另一個文件 B。
  • 第三步驟是不考慮文件 A 的最後 N 行,比對文件 A 和文件 B 的買賣倉位是否相同?如果倉位不一致,則說明移除的 N 天數據參與了文件 A 的運算,故回測程式有前視偏誤的存在。

QUANTITATIVE TRADING 讀書報告匯整-09

    量化交易 量化交易
  • 第一種最常見的方法是增加我們的樣本量。
  • 第二種是樣本外回測,樣本外回測指的是將歷史數據分成兩部分,用第一部分來優化參數,我們稱為訓練集(training set),用第二部分來做樣本外測試,我們稱為測試集(test set)。

QUANTITATIVE TRADING 讀書報告匯整-08

從測試集的損益圖可以看出策略的績效很好,這個配對交易策略在訓練集和測試集上的 Sharpe ratio 都很高,因此,可認為此策略不存在數據窺探偏誤。如果把進場門檻值改為 1 倍標準差,出場門檻值改為 0.5 倍標準差,即在組合價值向下跌破 量化交易 1 倍標準差時,購買該價差組合,當組合價值上升超過 0.5 倍標準差時,做空該價差組合。在訓練集上的 Sharpe ratio 會上升至 2.9,測試集的 Sharpe ratio 會上升至 2.1。

  • 第三種降低數據窺探偏誤的方法為敏感度分析。敏感度分析是指我們在模型參數優化、通過測試集的檢驗之後,透過改變這些參數,來觀察模型在訓練集和測試集上的績效變化。如果績效變化很大,或者說在參數取任何其它值時績效都不佳,模型很可能具有數據窺探偏誤。

一個簡單的交易策略:以 1995 年到 2006 年這段期間,我們以收盤價買入前一交易日日收益最差的股票,賣空前一交易日日收益最好的股票。若不考慮交易成本,策略的 Sharpe ratio 等於 0.2510,而考慮交易成本的 Sharpe ratio 等於 -3.1884。因此這個策略是無利可圖的。

例 2:對例 1 策略的微小改動

對策略進行如下改動:在市場開盤而非收盤時進行交易,不考慮交易成本的 Sharpe ratio 會增加到 4.43;而考慮交易成本的 Sharpe ratio 會變為 0.78,可以發現這個策略仍有利可圖。

這篇文章主要是以 Quantitative Trading 這本書前三章內容為主,再加上與時下較為常見的交易平台作介紹,希望能讓讀書能對計量交易有初步的了解與認知,後續章節的部份會再陸續與大家分享。

简介 | 什么是量化投资?常见的量化交易策略有哪些?

量化交易的历史大致可以分为三个阶段,第一阶段,1971~1977 年,1971 年世界第一支被动量化基金由巴克利国际投资管理公司发行。1977年,第一支主动量化基金由巴克利发行,总额 70 亿美元,是美国量化投资的开端。第二阶段,1977~1995 年,这一阶段计算机技术飞速发展,为量化投资的数据分析打下了很好的铺垫。第三阶段,1995 年至今,量化投资的成熟阶段,目前,全部投资中,量化投资的占比超过 50%,其中指数类投资全部采用定量技术,主动策略投资中,30% 左右使用定量技术。

量化交易特点

量化投资技术方法

常见的量化交易策略

在外汇交易系统中,枢轴点 (Pivot Points) 量化交易 交易方法是一种经典的交易策略。Pivot Points 是一个非常单纯的阻力支撑体系,根据昨日的最高价、最低价和收盘价,计算出七个价位,包括一个枢轴点、三个阻力位和三个支撑位。阻力线和支撑线是技术分析中经常使用的工具之一,并且支撑线和压力线的作用是可以互相转化的。从交易的角度上来看,Pivot Point 好比是作战地图,给投资者指出了盘中应该关注的支撑和阻力价位,而至于具体的战术配合,Pivot Point 并没有具体地规定,完全取决于投资者自身的交易策略。投资者可以根据盘中价格和枢轴点、支撑位和阻力位的相关走势灵活地制定策略,甚至可以根据关键点位进行加减仓的头寸管理。

海龟交易法是著名的公开交易系统。首先进行市场和品种选择,选择关联度低、流动性好、容量大的市场和品种进行组合投资。其次决定头寸规模,采用基于波动性的头寸管理策略(止损同样是基于波动性)。海龟交易法建仓有两套规则,第一套建仓规则为以 20 日突破为基础的短线系统,第二套建仓规则是以 60 日突破为基础的长线系统,加仓规则是价格在上次买入价格的基础上往盈利的方向变化(系数在 0.5~1 之间),即可在增加 25% 仓位。海龟交易法同样具备两种止损规则,统一止损是任何一笔交易都不能出现账户规模 2% 以上的风险;双重止损是账户只承受 0.5%的账户风险,各单位头寸保持各自的止损点位不变。海龟交易法的卖出规则一旦出发都要退出。

凯利公式由 John Larry Kelly 于 1956 年提出(Kelly 1956)。它指出在一个期望收益为正的重复性赌局或者重复性投资中,每一期应该下注的最优比例。藉由捕捉可以最大化结果对数期望值的资本比例 f 也就是得到长期增长率的最大化。那么在单纯的就有两种结果的简单赌局来讲,这里的两种结果指的是:输去所有注金,或者获得资金乘以特定赔率的彩金。

可以通过一般的陈述引导出下面的公式:f=(bp-q)/b(f*代表现有资金应进行下次投注的比例;b 代表投注可得的赔率;p 量化交易 代表获胜率;q 代表落败率,也就是1-p)。凯利公式在量化投资中的应用是确定投资品的最佳杠杆比率,凯利公式的核心是在于控制风险。

在 40 年代,美国科学家 Wiener 和前苏联科学家 Kолмогоров 等人研究出最佳线性滤波理论,之后又被后人称之为维纳滤波理论。从理论的角度来看,维纳滤波存在着一个最大的缺陷:就是一定要应用到无限的过去数据,再实时处理上,并不适用。在 40 年代,为了打破这一缺陷,Kalman 将状态空间模型引入到滤波理论里,并引导出了一套递推估计算法,后期又被人称作卡尔曼滤波理论。它是以最小均方误差为估计的最佳准则,因此来找到一套递推估计的算法,它的根据就是:选用信号与噪声的状态空间模型,把前一时刻的估计值和现时刻的观测值利用起来,然后更新对状态变量的估计,从而求出和得到现时刻的估计值。它在实时处理和计算机运算方面都非常的适用。