量化交易策略 - 速石科技BLOG

量化交易（Quantitative Trading）是指并非透过个人主观、自己的认知去判断，
而是透过数据运算来判断做决策，是一种依靠数学和统计模型来辨别市场交易的策略。

这篇文章速石来介绍量化交易策略是什么、怎么做、有哪些类型及优点缺点介绍。

本文的内容为:

量化交易是什么？
量化交易策略的优点
量化交易策略的缺点
量化交易策略怎么做?执行流程和步骤
量化交易策略有哪些类型？
量化交易策略的未来?
重点整理：量化交易策略是什么？

量化交易是什么？

量化交易是一种依靠数学和统计模型来辨别市场交易的策略。

量化交易通常需要大量的数据与算法逻辑，
一般会对包括基本面、筹码面、技术面、经济面、事件、时间周期等等数据信息进行分析，并根据合理的逻辑设计及验证策略，最终根据数据与策略进行交易决策。

量化交易大多会需要程式语言进行数据分析与执行，一般都是大型机构投资人、对冲基金使用的交易策略，它们的交易量通常很大。

但是目前也逐渐有越来越多个人投资者开始使用量化交易策略。

量化交易根据数据做决策 vs 传统交易用人主观判断做决策

量化交易策略的类型，许多可以和传统的策略一样，
差异只在于是由个人做最终决策，还是根据数据结果执行决策。

例如传统的价值投资，是通过个人去做充足的研究，对价格、价值做出分析，做出选股决策。

但你也可以用量化的方式做价值投资，用数据去判断价格、价值，最终做出选股决策。

量化交易策略的优点与缺点如下：

量化交易策略的优点

可以被验证
可以克服情绪
藉由数据可以发掘出肉眼和经验无法找到的超额报酬机会
可以管理更大规模的策略与资金

量化交易策略最大好处，就是它可以被验证、可以克服情绪，
因为我们主观判断的时候，其实会有很多情绪在里面，但如果是透过数据运算做决策，那情绪的影响就减少了。

虽然我这样说，但对情绪、风险控管不佳的人，如果不照着策略走，那即使量化也没有用。

此外，一般经理人单靠人力能管理的资金规模其实很有限，因为一个人主动管理时，研究范围有限、策略最多就那么多，对风险分散程度有限，
但量化策略能够让一个人或一个团队管理大量策略算法。

量化交易策略的缺点

进入门槛高、数据取得困难且高成本、需要程序能力、许多策略需要大资金才可执行
每个人使用的数据或策略可能都一样、竞争使利润变薄
可能对逻辑和参数过度优化而不自知
金融市场规则变化、短期失灵，或参与者变化，都有可能会让过去有效的策略失效
任何数据本身必然有限制、有极限，不可能永远保持创造超额报酬的能力
无法规避一些特殊的人为影响，例如战争、政变等等，市场变得不效率时量化策略如果分析的数据信息不足，不一定能及时反应。

今天你会拿数据验证、别人也会拿数据验证，那大家做出来的东西可能就都一样，所以量化交易的竞争其实是相对激烈。

许多量化交易机构的优势，都源自于可以拿到别人没有的资料，或者拥有别人想不到的数据运用方式。

另外，金融市场变化快速，有些方法可能会逐渐失效，失效可能是因为市场状况变了，当数据背后的数据、法规、各种事情发生改变，这个策略就可能会失效。

量化交易策略怎么做？执行流程和步骤

进行量化交易策略的时候，会按照以下几个步骤来进行，

步骤1：取得资料和数据

量化交易策略的第一步，就是整理数据资料，一切的策略都源自于数据资料。

资料可能是买的，也可能是自己写爬虫抓资料、收集、存进数据库。

当然，最阳春的版本，也可以用Excel做纪录和计算。

步骤2：清理资料

许多数据商提供的资料，往往有些应用上的限制（例如不同国家的日期字段不同、不同国家的财报字段名称不同等等），
或者有些数据商提供的资料有误（两家厂商提供的数据不一样、缺漏资料、某天资料有误等等），这都必须先进行整理。

在数据统计领域有一句话叫做 Garbage in， garbage out，意思是垃圾进、垃圾出，
拿有问题的资料，自然就会做出有问题的策略。

步骤3：设计策略：

就是必须找到一个有利可图的事情，也许是统计上有优势，或者是别人还没有发现的事情，逻辑上说得通、有办法获利的市场。

我们会对市场进行一些假设，认为市场可能会因此产生超额报酬，并且去寻找对应的数据，
取得相关的数据来测试这个策略，并试图优化策略以获得更高的报酬、更低的风险。

由于市场通常非常效率，大多策略是呈现随机性、无利可图、没有超额报酬，或者报酬/风险不如大盘及一些基准指数的。

10个策略通常有一两个略有一点用处就算有收获。

这一步要提醒的是，我觉得应该是先有策略，再找对应数据，或至少先知道数据的意义，进而思考它的应用，
不应该用数据去应凑出策略，我个人目前并不赞同像是机器学习或者类神经语言的方式产出策略。

步骤4：回测、分析策略：

有策略和数据后，会进行验证，根据策略逻辑与数据，进行回溯测试（简称回测），分析同样的策略在历史上的有效性、在各种行情下的变化。

进行回测程序，必须使用一些软件的回测程序，或像是Python、C++... 等程序语言，进行运算，

回溯测试的目的是提供证据，证明通过上述过程确定的策略，应用到历史和样本外资料时是可以获利的。

回测分析的重点除了看绩效、风险，也包括：

厘清超额报酬的逻辑：如果逻辑说不出来或说不通，即使数据有用，也可能只是巧合。
了解数据假设与限制：任何数据和分析逻辑都有限制，厘清限制，未来数据失效时才有能力识别出是短暂失效还是长期失效。
观察一些剧烈波动的时间点：看看策略在那些时间点的变化，是否符合自己预想。
参数验证：参数理论上要能经得起调整、位于参数高原、避开参数孤岛，小幅的调高、调低参数，成果都不该有过于剧烈的变化。
讯号时间性验证：如果把讯号提前或延迟，得到的结果理论上要更好/更差一些，如果不符合的话，可能参数或逻辑存在过度优化。
可以看一下速石的量化交易案例

步骤5：可行性验证：

当量化交易策略有可行性之后，和一般做实验一样，会经过几个比较关键的验证，包括：

in-sample test 样本内测试：也就是回测的步骤，会使用历史数据做验证。
out-of-sample test 样本外测试：一般会保留一段时间的数据，在样本内测试时不使用，等样本内测试结束、决定参数后，再套到样本外测试，确认设定参数可行。
paper trade 纸上交易：根据最新的交易做纸上交易，只模拟并纪录损益，但不用真钱操作。等确认可行才进入下一步。一般纸上交易短则1~3个月，长则不一定。
正式上线：实际资金投入，初期也会观察一段时间看看成果是否符合回测及讯号符合预期。

这些主要是衡量策略在历史数据与实际执行的差异，
如果是被过度优化的策略，很可能历史回测像一条龙、实际交易像一条虫。

有一些常见的指标，会用来衡量一个策略的表现，包括：

长期年会报酬率、各年度报酬
夏普比率
索丁诺比率
information ratio信息比率
MDD最大回落跌幅
等等

步骤6：自动化执行策略：

如果验证完觉得可行，就把这个策略自动化去运作自动交易并尽量减少交易成本。

考虑到许多商品可能24小时交易，或者开盘时间跨时区，以及减少人为因素，
一般会让程序自动执行，或聘请专门的下单（称为打单）人员来下单。

系统化的执行，也是量化交易的一个重点。

即使需要人为干预，也需要逻辑十分明确（例如根据某些数据，判断市况已经不符合当初假设），而非任意干预。

步骤7：风险控管：

衡量风险就是管理风险，并且去调整自己的部位做好资产配置。

量化交易的最后步骤就是要管理风险、衡量风险，风险来源有很多，会涵盖几乎所有可能干扰交易的因素，底下列举几个：

数据风险：例如数据商提供的最新数据有误。
执行风险：例如保证金没算对、导致资金不足。
人为疏失：例如程序或交易员下错单、该下单没下、或者没换仓等等。
技术风险：例如位于交易所的服务器突然出现故障、网络中断、当初写的程序有bug等等。
经纪商风险：例如经纪商破产。

了解风险后还要组成资产配置，因为多个策略同时进行，每个策略该放多少钱、跑多大规模金额，也是个问题。

例如，
有些策略有容纳资金量的上限，超过后就会流动性不足，或者影响市场波动。
又或者同一类型策略太多，或者同一风险源的策略太多，藉由控制部位规模，来让风险得到控制。

另外，虽然在量化交易中，受到心理影响、认知偏误的风险会减少，但仍会受到一些干扰，像是损失规避（Loss Aversion），也就是心里不愿意接受损失，就算亏损了也不平仓，因为必须承受损失的痛苦。

量化策略不会是完美无缺的，但如果个人过度手动干预量化成果，那么量化很可能会失去意义。

步骤8：策略管理：

策略管理包括决定上架新策略、下架旧策略策略，以及决定各策略的规模和比例。

一个新策略从开发到运作，经过漫长的过程和验证，只要不是有bug，通常不会随便失效，
但凡事没有绝对，策略看久了你会知道，没有策略是可以永远有效的。

竞争者增加、法规或市场特性改变、数据计算规则改变、新替代商品出现、市场流动性改变等等，都会让一个策略可能未来某些时间失效、趋于随机。（记得，策略失效不是赔钱，而是变的随机）

量化交易策略有哪些类型？

任何投资策略，都可以用量化的方式执行

量化交易所用的策略类型，其实和传统各类型策略都一样，
差别只在于量化交易是用数据来做决策。

换句话说，只要是找的到数据参考的策略，基本上也都可以完全用量化进行。

当然，每种策略适不适合量化并不一定，一般来说交易频率越高、运算越复杂的策略，就越可以单纯透过量化方式执行。

10种常见的量化交易策略分类：

其中有些策略特别适合量化，例如：Long/Short Equity 、市场中性、固定收益套利。也有些可以部份量化，但难以完全量化，例如：并购套利、事件驱动。

策略	特色	报酬特性
多/空股票策略（Long/Short Equity）	在做多、做空部位上，分别取得超额报酬，减少空头市场风险，通常会运用杠杆	根据做多/做空比例而定。常见如130%多头头寸/30%空头头寸，报酬/风险与纯做多（Only long）策略差不多，但预期在空头市场的伤害会略小一点。
市场中性策略（Market Neutral）	保持Beta为零，策略不受系统性风险影响。最困难的是战胜交易成本，以及避免极端事件风险。	不受空头市场影响，回调风险很小但报酬也很小，当市场波动越大时报酬越好。
只做空（Short-Only）	做空有问题的企业，只透过做空获利。但有可执行性问题，有些标的或市场即便你看空，也不代表容易做空。	在空头市场特别强，但多头市场就比较差，毕竟市场好的时候鸡犬升天，甚至很可能被轧空到天上。
并购套利（Merger Arbitrage）	在并购事件发生时或发生前布局，赚取套利价差。	确定性很高，报酬稳定，但遭受意外打击时伤害也大
可转债套利（Convertible Arbitrage）	赚取可转债与股票现货之间的订价差异。	确定性很高，报酬稳定，但遭受意外打击时伤害也大。
固定收益套利（Fixed Income Arbitrage）	计算定价差异并做套利。	很稳定，夏普率高，但报酬不高，如果用杠杆则会增加违约时的风险。此外债券在某些时候流动性会极端的差，这时风险也高（或利润也大）。
事件驱动（ Event Driven）	事件发生时做出判断，赚取利润。	事件驱动的范围很大，算是一个策略类型统称，很难直接给出结论。
信用类衍生商品策略（Credit）	发灾难财，别人的困难就是你的机会，本多终胜。	只要筛选优质债券，报酬可以很稳定，且资本雄厚很重要，但从基金的角度，资本意味着资金成本高，安全性与报酬率不可兼得。
全球宏观（Global Macro）	找市场周期、找长趋势、判断转折。一般来说会搭配动态资产配置组合策略。	根据资产配置的比例而定，风险越低报酬通常也越低。
量化策略（Quantitative）	不做人为判断，根据数据或指标做出投资交易决策。	量化策略泛指很多策略类型，而不是某一策略，但大多目标都是追求高夏普率。

量化交易策略的未来

量化交易策略存在一个问题，
举例来说有个人用某一个基本面指标设计出一个量化策略，另外一个人也用同一个基本面指标设计出一个量化策略，
那最后会有很大机率，这两人的策略都差不多。

因为当大家互相竞争的时候，这个策略就会失效，
因为钱不是被A赚走就是被B赚走，或是被其他更多人赚走，因为可以赚的超额报酬就这么多，大家分完就没了。

那么量化交易策略的未来，该怎么做才能？底下列出4个方向：

方向1. 找到传统金融市场没有的数据

传统金融市场价格、基本面、筹码面、技术面这些策略之外，你去找其他的策略、其他的数据，

例如：直接从卫星图去分析去百货公司的人数、记录来访的车子数量，借此提前知道这间公司生意好不好，提前去操作它的股票。

例如百货公司和卖场的人数及车子很多可能代表生意很好，就可以提前做多;
人数及车子很少可能代表生意不好，就可以提前放空。

这样可以在报财还没公布前就知道这件事，因为财报大约3个月公布一次，但如果可以用卫星知道客流量，那不用等3个月就能知道了。

方向2. 找到冷门的小市场

越热门的市场代表规模越大，通常参与者越多，虽然里面散户很多，但是高手可能也很多。

所以不想和人家竞争的话，就是要去找到目前比较冷门的市场（但这些市场可相对来说风险也高），底下举例几个小市场：

加密货币市场
发展中国家的股市
不受监管的衍生性金融商品

但是要注意，一旦这些市场变得更受欢迎、市场参与者变化、市场行为就会发生变化，机会就会变得更少，因为参与这市场的人变多了。

另外，小市场代表着容纳的资金更小，即使拥有成功有效的策略也难以放大规模，利弊总是一体两面的。

方向3. 拥有特殊高门槛技术

例如高频交易就是一个高门槛技术例子，它需要高技术、高昂的设备成本投入，才能够进行。

高频交易是一个很重设备与技术的交易方式，它的目的是赚取市场中出现极短暂的微小价差，在很短的时间内快速进出，类似造市者，获取别人下单之间的价差。

这是一种方法没错，个人觉得高频交易是偏资本和技术的竞争，而总有人资本和技术比我们硬很多。
找到独有的优势依然是关键。

方向4. 机器学习？

机器学习是人工智能（AI）的一种，着重于建立能从数据中学习、透过所访问的数据来提高绩效的系统，

这是一种比较新的方法，但有没有用并不太确定。

平常做传统的统计，需要很明确逻辑去做验证，但透过机器学习就不用给很明确的逻辑，你只要给它一些数据，它就会自己去做研究，

虽然有些说法认为机器学习可行，许多国际知名的量化交易基金也都有采用机器学习在操作，例如拿它来做配置投资组合、决定比例、优化整体风险的决策，

不过速石认为这种方法比较危险，并不推荐一般人去使用机器学习的方式来设计策略。

点击查看更多金融解决方案

快速重点整理：本篇量化交易策略的内容：

量化交易（Quantitative Trading）是指并非透过个人主观、自己的认知去判断，而是透过数据运算来决策做判断，是一种依靠数学和统计模型来辨别市场交易的策略，是大型机构投资人、对冲基金常使用的交易策略。
量化交易策略的优点是可以被验证、克服情绪，缺点是每个人使用的资料可能都一样，而且金融市场变化快速会让策略失效。
进行量化交易策略的时候，基本上会按照8个步骤来进行：取得资料和数据、资料清理、设计策略、回测分析策略、可行性验证、执行策略、风险控管、策略管理。
任何策略只要能被量化，都可以作为量化策略。可以完全量化做决策，也可以仅部分量化。

以上就是本篇的关于量化交易策略的的介绍，想了解更多金融相关信息 欢迎扫码关注小F（ID：iamfastone）获取

- END -

我们有个金融设计研发云平台
集成多种金融应用，大量任务多节点并行
应对短时间爆发性需求，连网即用
跑任务快，原来几个月甚至几年，现在只需几小时
5分钟快速上手，拖拉点选可视化界面，无需代码
支持高级用户直接在云端创建集群

扫码免费试用，送200元体验金，入股不亏~