量化交易如何入门

作者：Lucy-Fintech社区
链接：https://www.zhihu.com/question/22211032/answer/1463090246
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

我们从量化交易的四步骤来谈谈如何快速入门量化交易：

1）策略识别 - 选择哪种交易策略，用什么边缘端处理，交易频率为多少；

2）回测 - 获取数据，回测策略表现，移除偏差；

3）执行系统 - 与经纪商系统相连，自动化交易，减少交易费用；

4）风险管理。

 

1. 策略识别：

多数交易策略都落在mean-reversion和trend-following/momentum这两大类，可重点关注。

下面的一列链接里，是些高质量的交易策略链接网站，给大家提供灵感：

• Social Science Research Network
• arXiv Quantitative Finance
• Seeking Alpha
• Elite Trader
• Nuclear Phynance
• Quantivity
• The Whole Street
• Quantitative Trading (Ernest Chan)
• Quantopian
• Quantpedia
• ETF HQ
• Wealth Lab
• Wilmott Forums

下面是一些学术文章链接，大家可看看最新/常用的量化策略有哪些：

• arXiv
• SSRN
• Journal of Investment Strategies
• Journal of Computational Finance
• Mathematical Finance

在构建自己的量化策略时，要考虑以下几个因素：

• 交易频率: 低频交易(LFT)，一般涉及隔夜持仓；高频交易(HFT)，日内交易；超高频交易(UHFT)，毫秒级、纳米级交易频率；
• 市场微观结构：技术水平、规章制度、市场参与者等，都会对交易策略的选择产生影响；
• 基金结构：投资池里养老基金、对冲基金的比例为多少；
• 机器学习/AI：量化交易中越来越多得使用到各种分类器（朴素贝叶斯），神经网络，优化路径（遗传算法）。

 

2. 回测：

接下来要用历史数据来回测，看看策略模型性能咋样，并且在真实的交易场景中是否可以获利。

有一点要注意，回测并不能完全保证策略可行，只能最大限度地消除偏差，包含优化/前瞻性/幸存者/心里承受度偏差等，在一定范围内最优化交易模型。

个人意见，用于判断一个新模型好坏的标准有：

• Sharpe Ratio - 度量回报/风险比例；
• Leverage (杠杆）- 模型是否需要撬动大量的杠杆资金；
• Frequency（频率）；
• Volatility （波动性）- 与“风险”强相关；
• Win/Loss, Average Profit/Loss （平均盈亏比）；
• Maximum Drawdown（最大回撤）；
• Capacity/Liquidity （策略能力/流动性）；
• Parameters (参数）- 模型是否需要多种参数；
• Benchmark （比较）- 与其他模型相比，alpha与beta如何

用于回测的历史数据种类有：

• 基本面数据 - 存在基本面偏差；
• 新闻数据 - 通常为定量数据，可用机器学习/分类器进行情绪分析；
• 资产定价数据；
• 金融工具；

获取的历史数据有以下三个考量：

• 频率 - 获取数据的频率越高，价格越贵；
• 比较 - 通常用一种国家级指数作为比较基准，如上证指数，标普500等；
• 技术 - 用于存储金融数据的数据库引擎，如RDBMS, NoSQL等。

影响回测的关键不住有：1）过滤；2）建模；3）优化；4）验证。

有一系列的软件包可用于回测，可以看看各自的优缺点，主要选择依据有：

• 编程能力；
• 执行能力/经济商参与程度；
• 定制化；
• 策略复杂性；
• 偏差最小化；
• 开发速度；
• 执行速度；
• 费用

常用回测软件有：MS Excel/OpenOffice； MATLAB/Ruby/Erlang/Haskell；Python/Ruby/Erlang/Haskell；R/SPSS/Stata；C++/C#/Java/Scala

 

3. 执行：

需要考虑三个关键因素：1）与经济商的接口；2）交易费用；3）与回测表现的偏差。

 

4. 风控：

本质是资本最佳分配，是投资组合理论的一个分支。业界经常用Kelly准则来评判最佳资产分配和策略的杠杆效应。还要注意投资者的投资心里偏好，风险厌恶的程度如何。