浅谈量化交易

币圈吴彦祖 • 2022年7月8日 pm12:00 • 量化交易 • 阅读 13

计算机程序化自动交易，大数据计算处理，模型策略因子，金融工程学，人工智能投资……

怎么样？这一通眼花缭乱的“高大上”词汇，是否感觉让金融投资交易立马上了一个维度了是吧？

那到底什么是量化交易呢？客观来讲，量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

大家容易把量化交易与技术分析混淆，实际上量化交易的内容丰富得多。许多量化交易系统在进行建模和运算的时候会用到基本面数据，比如估值、市值、现金流等，还有的算法将新闻作为变量进行计算。而技术分析基本只需要用到交易标的的量价数据。一般投资者，在接触交易时，一般采用主观交易模式，根据个人对于盘面或者基本面的判断来进行下单，容易受到客户情绪因素影响，在接触交易一段时间后，多数投资者会选择指标来指导自己进行交易，然而由于这种模式下单仍然要经过投资者主观过滤，如果操作不当，仍然会效果不理想。在经历了主观交易和指标交易的各种缺点后，转型为专业投资者都会选择量化投资，数据回测与系统纪律性让投资者走向成功的路上事半功倍。

在2016年时，谷歌（Google）旗下DeepMind公司研发的阿尔法围棋（AlphaGo）其主要工作原理是“深度学习”，击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人。此事件极大的促使了大家对AI人工智能作为未来具有革命技术意义的关注。

那么，在金融投资交易的市场，也是同样如此。

首先，从全球市场的参与主体来看，按照管理资产的规模，2018年全球排名前六位中的五家资管机构，都是依靠计算机技术来开展投资决策，而且进入2019年由量化及程序化交易所管理的资金规模进一步扩大。

其次，全球超70%的资金交易用计算机或者程序进行，其中一半是由量化或者程序化的管理人来操盘。在国外招聘网站搜索金融工程师(包括量化、数据科学等关键词)会出现超过33万个相关岗位。

第三，从高校的培养方向来看，已有超过450所美国大学设置了金融工程专业，每年相关专业毕业生达到1.5万人，市场需求与毕业生数量的差距显著，因此数据科学、计算机科学、会计以及相关STEM（基础科学）学生毕业后进入金融行业从事量化分析和应用开发的相关工作。

目前国内量化投资规模大概是3500到4000亿人民币，其中公募基金1200亿，其余为私募量化基金，数量达300多家，占比3%(私募管理人共9000多家)，金额在2000亿左右。中国证券基金的整体规模超过16万亿，其中公募14万亿，私募2.4万亿，乐观估计，量化基金管理规模在国内证券基金的占比在1%~2%，在公募证券基金占比不到1%，在私募证券基金占比5%左右，相比国外超过30%的资金来自于量化或者程序化投资，国内未来的增长空间巨大。

量化投资和传统的定性投资本质上来说是相同的，二者都是基于市场非常有效或弱有效的理论基础。两者的区别在于量化投资管理是“定性思想的量化应用”，更加强调数据。量化交易具有以下几个方面的特点：

1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。

2、系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。

3、套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。

4、概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。

量化投资技术包括多种具体方法，在投资品种选择、投资时机选择、股指期货套利、外汇EA交易、商品期货套利、统计套利和算法交易等领域得到广泛应用。

主观交易与量化交易的对比：

主观交易，交易投资者需要关注国际环境财经新闻、券商的研究报告、公司的财务报告、K线趋势、个股新闻、价量经验、大人物的演讲、朋友圈情绪、甚至一个小道消息，进行定性分析或者定量分析，既可以体验公司产品或者直接实地考察，又可以根据自己的选股原则，对公司的各个方面打分，然后买入分数高的股票，卖出分数低的股票。

主观交易具有较强的主观能动性，即在同样的选股原则和止盈止损策略下，100个人操盘会有100种不同的结果。原因无他，理性被情绪打败。

人的精力是有限的，基本上不可能在每一个交易时间段实时的看盘，也不可能在交易日后实时的复盘。

量化交易，在信息获取方面，量化交易不仅仅关注历史行情数据，基本面指标数据，也会关注一些非传统的数据，如市场情绪，财经新闻的一些关键字眼转化成机器可以理解的指标。数据方面要求精度越高越好，例如行情数据可以直接购买交易所最原始的，未经清洗的数据。第三方数据提供商尽管物美价廉，但是在数据清洗过程中看似无用，实质是隐含盈利机会的数据洗掉。

有了数据之后，就需要运用数学和统计学的方法，如单位根检验，线性回归，机器学习等等来从大数据当中找到超额收益的多种“大概率”事件。在选股中，量化的思想是进行收益拆解，从很多的维度来进行数量化的判断。传统上把多个（200个左右）巨型因子分类成6类：盈利性、估值、现金流、成长性、资产配置、价格动量和技术面，然后通过现代统计学的方法进行冗余因子的剔除、因子的降维、因子权重的确定和对精英因子进行打分。基于选股模型的判断形成交易信号，通过程序化交易的API接口进行自动化交易。并且在交易系统上引入风险控制模块来管理持仓头寸。

量化交易的一大优点就是计算机的高效执行让人从简单重复的任务中解脱下来，把精力更好地放在开发更好的策略上。另外，量化交易可以使人从更高的维度去思考问题，受限于人体的生理机构，人从看到数据，大脑判断到手指敲在键盘的反应时间是几百毫秒，而计算机执行是可以达到纳秒级别的，因此在超高速领域量化交易可以赚取主观交易无法赚到的钱。

但是也正因为机器能够完美执行策略，公司核心策略的保密性就显得非常重要了。比如公司有一个很赚钱的策略，但是泄露后被其他99个公司知道，结果就是这100个公司只能赚小钱或者不赚钱。

不过，综上所述，这并不能绝对的就认为计算机程序量化交易就一定比传统的主观交易好，量化交易说到底还是一种投资交易的方式和工具，是基于人的策略模型更加高效执行出来的“主观交易”，因为交易策略和模型本身还是人先要制定的，再通过代码写入程序，使计算机来高效处理执行而已，所以从交易本质上来讲，量化交易只是一种更加高效实用的投资工具，策略和模型本身还是由人所决定的，说到底还是人的判断决策最为关键，量化交易结果的好坏，最终反映的是策略者本身对交易市场的理解和应对。

因此，量化交易者很容易犯战术上的胜利，战略上的失败。

量化交易的本质可以用西蒙斯的这段话概括：

“不管多么复杂的模型，没有一个能长期不变地一直赚钱，因为市场在变化，信息在变化，我们不是机器的奴隶，只有通过不断学习，持续不断地更新自己的模型和策略，寻找市场上的规律，让我们的交易系统跟上变化本身，才能在交易市场中立于不败之地。”