学习学习什么是量化交易

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。

这篇文章市场先生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。

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演算法逻辑， 一般会对包括基本面、筹码面、技术面、经济面、事件、时间周期等等数据资讯进行分析，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资料分析与执行，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，是透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演算法。

量化交易策略的缺点

• 进入门槛高、资料取得困难且高成本、需要程式能力、许多策略需要大资金才可执行
• 每个人使用的资料或策略可能都一样、竞争使利润变薄
• 可能对逻辑和参数过度最佳化而不自知
• 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资讯不足，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资料运用方式。

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，当数据背后的资料、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， 因为市场先生自己并非量化交易的专家，以下只是就我目前理解的一些经验谈，不是绝对标准答案：

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、存进资料库。

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栏位不同、不同国家的财报栏位名称不同等等）， 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， 取得相关的资料来测试这个策略，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。

进行回测程式，必须使用一些套装软体的回测程式，或像是Python、C …等程式语言，进行运算，

回溯测试的目的是提供证据，证明透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辨识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最佳化。

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：

1. 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。
2. 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。
3. 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。
4. 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：

• 长期年化报酬率、各单年度报酬
• 夏普比率
• 索丁诺比率
• information ratio资讯比率
• Max drawdown(MDD)最大回落跌幅

等等。

市场先生提示：比起报酬好、风险低，逻辑性其实更重要，因为未来行情可能会不如历史、MDD可能被破底，这都是常态。看久了就知道，过去报酬高的策略，不代表未来报酬高。控制风险及确保利基，反而更有意义。

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， 一般会让程式自动执行，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：

• 资料风险：例如资料商提供的最新资料有误。
• 执行风险：例如保证金没算对、导致资金不足。
• 人为疏失：例如程式或交易员下错单、该下单没下、或者没换仓等等。
• 技术风险：例如位于交易所的伺服器突然出现故障、网路中断、当初写的程式有bug等等。
• 经纪商风险：例如经纪商破产。

(上述我大概只有经纪商风险还没遇过…)

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。

这种行为金融的偏误，详细可阅读：行为经济学是什么？10个常见的行为金融偏误分析

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。

底下列出10种比较主要的量化交易策略的特色、报酬特性， 如果想详细了解这些策略内容，可阅读：避险基金(对冲基金)交易策略介绍》10种常见交易策略

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。

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：

1. 加密货币市场
2. 发展中国家的股市
3. 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，但我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。

详细可阅读：高频交易是什么？

方向4. 机器学习？

机器学习是人工智慧(AI)的一种，着重于建立能从资料中学习、透过所存取的资料来提高绩效的系统，

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，我们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，甚至就我所知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，

不过市场先生认为这种方法比较危险，我并不推荐一般人去使用机器学习的方式来设计策略。

如果你赚钱时不知道自己是怎么赚的，那赔钱时你也说不出为什么会赔钱。－市场先生

快速重点整理：量化交易策略是什么？

1. 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。
2. 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。
3. 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。
4. 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。

市场先生心得： 我当初大概在投资第2年之后，因为开始写程式交易，接触到量化交易的领域。 长期研究下来，我觉得量化交易想要确实执行其实很困难、成本很高(就说买资料，想认真做量化，一年花上百万是基本)， 但量化的思维方式也带给我很多成长，让我养成对各种资讯和数据做验证的习惯。 我自己目前有1/3的资金是放在完全量化类型的策略上，其他的投资部位，超过一半在做决策之前也都有做过回测与分析，理解它的特性与风险， 我非常认同量化策略的方式，毕竟市场上大多数人都是主观判断、甚至不看数据就做决策，这让做量化的人能拥有很大的优势。 最后， 我认为做为量化交易者的关键竞争力，并不是某天灵机一动做出某一个好策略， 而是能在长期拥有持续做出新策略的能力。 最后市场先生想提醒的是， 做量化的人有时候会陷入对数据的无限上纲，觉得天塌下来也要照数据来执行决策， 这不是坏事，但世上没有绝对。 无论我有多认同量化分析方式、无论回测绩效多漂亮，但我知道量化并不是全能的，它并不能保证在任何情况下都依然有效， 这也是最困难的地方，我们不能轻易打破原则，但却应该要对原则保有弹性。 我想这就是比较艺术与哲学的地方吧， 毕竟我们是先作为一个投资者、交易者，然后才使用量化的方式做分析， 对做量化的人来说，我认为理解量化的限制非常重要。