关于量化交易，这些入门知识你需要了解

本文将向您介绍量化交易系统的一些基本概念。本文主要针对两类读者。第一类是试图找到量化交易员的求职者，第二类是期望尝试开始自己量化交易的个人投资者。你需要了解量化交易的介绍。

量化交易是数量金融的一个极其困难和复杂的领域。如果你想通过面试或构建自己的交易策略，你需要花时间学习一些必要的知识。

量化交易系统包括四个主要部分：

策略识别：搜索策略，挖掘优势，确定交易频率。

可追溯性测试：获取数据，分析性能，消除偏差。

交付系统：连接经纪人，自动化交易，降低交易成本。

风险管理：最优资本配置、最优赌注或凯利标准、交易心理学。

先说说如何识别一个交易策略。

策略识别

所有量化交易过程都始于初步研究。这个研究过程包括搜索一个策略，测试它是否适合你可能正在运行的策略组合，获取任何测试策略所需的数据，并努力优化它的预期年化预期回报和(或)风险。如果你是散户交易员，一定要知道自己的资金是否充足，交易成本对策略的影响。

通过各种公共数据搜索盈利策略实际上非常简单，并不像你想象的那么困难。研究人员将定期发布理论交易结果（尽管大部分是总交易成本）。一些金融主题博客也将详细讨论策略。交易期刊还将简要介绍基金管理公司使用的一些策略。

你可能会问，个人和公司如何愿意谈论他们的盈利策略，特别是当他们知道其他人复制相同的策略时，它最终会从长远来看失败。

原因是他们通常不透露具体的参数和他们使用的参数调整方法，这些优化技能是将平庸的策略转化为回报丰厚的策略所需的关键技术。事实上，创建自己独特的策略的最好方法之一是找到类似的方法，然后执行自己的优化程序。

你看到的许多策略可以分为平均回归交易策略、趋势跟踪或动态交易策略。

平均回报策略试图利用这样一个事实：价格序列（如两个相关资产之间的价差）有一个长期平均值，价格对平均值的短期偏差最终会回归。

动量交易策略试图搭上市场趋势的顺风车，利用投资心理和大型基金结构信息在一个方向积累动量，跟随趋势直到回归。

定量交易的另一个重要方面是交易策略的频率。低频交易（Low Frequency Trading, LFT）通常是指持有资产超过一个交易日的策略。因此，高频交易（High Frequency Trading, HFT）一般指持有资产一个交易日的策略。

超高频交易（Ultra-High Frequency Trading, UHFT）指持有资产往往达到秒级和毫秒级的策略。散户虽然可以HFT与UHFT交易只有在你掌握了交易技术栈和订单簿动力学的详细知识后才有可能。我们不会深入讨论这些问题。

一旦确定了战略或战略集合，就需要在历史数据中测试其盈利能力，进入可追溯性测试的工作范围。

回溯测试

可追溯性测试的目标是提供证据来证明通过上述过程确定的策略，无论是应用于历史（培训）数据还是测试数据。它可以反映该策略在现实世界中的预期表现。

由于种种原因，可追溯性测试不能保证一定的成功。这可能是量化交易中最微妙的部分。因为它包含了很多偏差，我们必须尽最大努力仔细删除它们。

我们将讨论几种常见类型的偏差，包括先窥视偏差、幸存者偏差和优化偏差（也称为数据窥视偏差）。可追溯性测试的其他重要方面，包括历史数据的可用性和清洁度、真实交易成本和可靠的测平台上的决策。我们将在后续的交付系统部分讨论交易成本。

一旦确定了策略，我们就需要获取历史数据并进行测试。如果可能的话，我们也可以改进策略。现在有很多数据出售，包括所有资产类型的数据。通常，数据的质量、深度和时间间隔是不同的，价格也是不同的。

刚入门的量化交易员(至少零售等级)最初使用雅虎金融板块（Yahoo Finance）免费数据就够了。这里不再赘述数据供应商。我想关注处理历史数据时经常遇到的问题。

对于历史数据，人们主要关注的问题包括数据精度或清洁度、幸存者偏差、公司分红、股票拆分等行为的调整。

无论数据是否包含错误，精度都与数据的整体质量有关。有时错误很容易识别。例如，使用窄带滤波器，您可以在时间序列数据中找到窄带并纠正它们。在其他情况下，很难识别错误，通常需要根据多个数据供应商提供的数据进行比较和检查。

幸存者偏差通常是免费数据集或廉价数据集的特征。对于具有幸存者偏差的数据集，它不包含不再交易的资产数据。不再交易的证券表示已退市或破产。如果数据集中有这样的偏差，该数据集中策略的测试性能可能比现实世界更好。毕竟，历史赢家已经被提前筛选出来作为训练数据。

公司行为是指公司经常导致原始价格阶梯变化的逻辑活动，不应包括在价格预期年化预期收入中。公司分配股息和股票分割行为是两种常见的调整行为，无论发生什么，都需要进行一个回调过程。我们必须注意，不要将股票分割与真正的预期年化预期收入调整混为一谈。许多交易员在处理公司的行为时都到了墙！

为了进行可追溯性测试，我们必须使用软件平台。您可以选择特殊的回测软件，如MultiCharts，如数值平台Excel或MATLAB，或者一个用Python或C++平台完全自主实现。MultiCharts(或类似平台)，个人介绍较多，对编程要求较低。

在进行系统回测时，必须定量地表示系统性能。定量策略的行业标准测量了最大的资本回落率和夏普率。最大资本回落表示账户资本曲线在一段时间（通常一年）内从峰值到谷的最大下降，通常使用百分比。

由于大量的统计因素，LFT策略比HFT战略资本回落较高。历史回报将显示过去最大的资本回落，它可以更恰当地反映战略未来的资本回落。第二个测量指标是夏普比率，它被启发性地定义为超额预期年化平均预期收入与超额预期年化预期收入标准差的比率。

在这里，超额预期年化预期收入意味着战略预期年化预期收入超过一定的预期基准，如标准普尔500或3月期短期国债（预期年化预期收入）的金额。请注意，人们通常不使用历史预期年化预期收入指数，因为它忽略了战略波动性的影响，而夏普的比则考虑到了这一点。

如果经过回测，策略的夏普比率很高，最大资金下跌最小化，可以认为趋于无偏。下一步是建立一个交付系统。

交割系统

交付系统是一种控制交易策略生成的交易列表和经纪人交付行为的方法集合。事实上，交易可以是半自动的，甚至是全自动的，执行机制可以是手动的、半自动的（即单击一次交付）或全自动的。

尽管如此，对LFT手动和半自动技术是常见的策略；HFT由于战略和技术的相互依赖，战略必须建立自动交割机制，并经常与交易指令生成器紧密相连。

在建立交付系统时，我们需要考虑几个关键因素：连接经纪界面、交易成本（包括佣金、滑动价差和价差）、实时系统和回测系统性能的差异。

有很多方法可以联系经纪人。您可以直接通过电话或自动高性能应用程序接口联系他（API）实现。理想情况下，我们希望交付交易的自动化程度尽可能高。这样，你不仅可以专注于深入研究，还可以运行多种策略，甚至HFT策略(实际上，如果没有自动交付，HFT根本不可能)。

前面提到的几种常用的回溯测试软件，如MATLAB、Excel和MultiCharts，对于LFT策略或简单策略都是不错的选择。但是，如果你想做真正的事情HFT，你必须用高性能语言来构建一个C++）内部交内部交付系统。

让我们谈谈我的个人经历。我们以前在一家基金管理公司工作。我们有一个十分钟的交易周期，每十分钟下载一次新的市场数据，然后根据这十分钟的信息交付一次。这是一个优化Python脚本。我相信任何处理分钟或秒级频率数据的工作，C/C++更理想。

在大型基金管理公司，交付系统的优化通常不在定量交易员的工作范围内。然而，在小公司或高频交易公司，交易员是交付员，所以技术范围越广越好。如果你想进入一家基金管理公司，你必须记住这一点。你的编程能力比你的统计和计量经济禀赋更重要，至少同样重要！

另一个重要的问题是降低交易成本。一般来说，交易成本由佣金（或税收）、损失和价差三部分组成。佣金是向经纪人、交易所、证券交易委员会（或类似政府监管机构）支付的费用；滑动价差是您预期交付价格与实际交付价格之间的差额；价差是待交易证券的卖出价格与买入价格之间的差额。值得注意的是，价差不是常数，它取决于当前市场的流动性(即买单和卖单的数量)。

交易成本是决定策略是高夏普比率和盈利能力，还是低夏普比率和非常无利可图的关键。根据可追溯性测试，正确预测未来的交易成本具有挑战性。您需要根据策略频率及时获取具有销售价格和购买价格信息的历史交易数据。

为此，大型基金管理公司定量交易的整个团队都专注于交付优化。当基金管理公司需要出售大量交易（各种原因）时，如果大量股票倾泻到市场，价格将迅速降低，可能没有时间以最佳价格交付。

因此，即使存在损失风险，基金管理公式也会选择使用算法交易，并通过点滴向市场下订单。此外，如果其他策略捕获这些必要条件，它们也可以利用市场失败（利润）。这是基金结构性套利的内容。

交付系统的最后一个主要问题与策略的实时性能和回测性能之间的差异有关。这种差异是由许多因素引起的，如我们在回溯测试部分深入讨论的前窥镜偏差和优化偏差。

然而，这些偏差在部署之前并不容易测量一些策略。对于这种情况HFT最为常见。交割系统和交易策略本身可能存在程序错误，但在实时交易中出现麻烦。市场可能受到交易策略部署后政变的影响，新的监管环境、投资者情绪和宏观经济形势的变化也可能导致实际市场表现与可追溯性测试表现的差异，导致战略盈利能力的差异。

风险管理

量化交易迷宫的最后一部分是风险管理程序。风险包括我们之前讨论过的所有偏差。它包括技术风险，如交易所所有服务器突然出现硬盘故障。它还包括经纪风险，如经纪破产（这不是危言耸听，明富环球引起恐慌就是一个例子）。

综上所述，它涵盖了几乎所有可能干扰交易实现的因素，来源不同。已经有一套完整的书来介绍量化交易策略的风险管理，所以我不会详细说明所有可能的风险来源。

风险管理还包括投资组合理论的一个分支，即所谓的最佳资本配置，涉及如何将资本分配给一组策略，以及如何将资本分配给策略中的不同交易。这是一个依赖于一些先进数学知识的复杂领域。

最佳资本配置与投资策略杠杆通过一个名为凯利标准的行业标准建立联系。这篇文章是一篇入门文章，我在这里不详细讨论它的计算。凯利标准假设了战略预期年化预期收入的统计性质，但它们不一定在金融市场建立，交易员通常在实现时保留。

另外，风险管理一个关键组成部分涉及到交易员自身心理因素的处理。尽管每个人都承认，如果算法交易没有人为干预，就不容易出现问题。交易员在交易时，如果他们粗心大意，他们仍然可能许多认知偏差。

一个常见的偏差是厌恶规避。当人们发现损失已成定局时，痛苦可能会麻痹人们的行为，无法及时抛售和止损。类似地，人们可能会过早抛售和收取利润，因为他们太担心已经获得的预期年化预期收入可能会损失。

另一个常见的偏差是所谓的偏好偏差：交易员过于关注事件，而不是从长远来看。此外，经典的情感偏差恐惧和贪婪当然不能落后。这两种偏差往往导致杠杆不足或杠杆过度，导致仓库爆炸（账户资产净值几乎为零或更差）或利润萎缩。

总结

从这个角度来看，量化交易是数量金融中一个非常有趣但极其复杂的领域。我对这个话题的讨论很肤浅，文章已经这么长了！我在文章中带来了很多相关的书籍和论文。

因此，在申请量化基金交易职位之前，必须进行大量的基础研究，至少要有广泛的统计和计量经济学背景和应用MultiCharts、MATLAB、Python或丰富的R程序语言实现经验。如果你处理更复杂的高频策略，你的技能组合也可能包括Linux内核修改、C/C++、编程和网络延迟优化。