Book Study
已从 EPUB 提取 78 个可阅读章节，可直接阅读并标记学习进度。
学习进度
最近阅读：未开始阅读
里什用简单易读的语言对量化交易进行了全面概述。这本书清楚地对不同类型的策略进行分类，解释宽客如何和何时进行量化交易。最重要的是，他帮助人们消除了宽客都是完全一样的观点，展现了量化交易中技术类型和策略类型的多样性。对于想了解这个领域的人士而言，这是一本优秀的读物。 ——沙克尔·艾哈迈德（Shakil Ahmed） 博士，花旗集团做市商全球负责人 看到里什，你怎
我们所经历的能称为开创新篇章的事情少之又少。但是，我相信作为全球第二大经济体的中国，其资本市场的开放以及与之相关的投资市场的自由化和放松管制，将是全球市场发展过程中能达到这一高度的重要历史时刻。 中国的发展使其更多地融入全球市场。中国政府不断开放更宽泛的经济要素范畴，充分提升中国市场的影响力。目前中国内地的投资者，或者借助中国香港市场的连接作用买卖证券，或者
2016年3月，备受瞩目的人机围棋大战落下帷幕。经过5局比赛，Alphago最终以4∶1的比分战胜韩国传奇棋手李世石。人工智能再次获得空前的关注。与此同时，将人工智能应用于资本市场的讨论也越来越多，人们开始研究其在投资决策中的应用，期待其在金融市场大放异彩。事实上，人工智能应用于资本市场的初期表现即为量化投资。量化投资是将投资思想转化为投资模型，借助于数据检
历史是无情的主宰，根本没有所谓现在，只有不断成为未来的过去。保守的下场就是被扫出历史的舞台。 ——约翰·肯尼迪 在相对默默无闻的投资管理领域，广泛被误解的有利可图的市场正快速发展。这个有利可图的市场被一直工作在这个领域的最聪明的人所主宰。他们在现代金融领域正努力解决一些最有趣且最具挑战性的问题。这个有利可图的市场有很多名字：量化交易、系统化交易或者黑箱交易。
非常感激我的兄弟Manoj Narang对于本书第四部分给予的帮助，感恩Mani Mahjouri提供的许多建议和帮助。感谢迈克·贝勒和Dmitry Sarkisov对信息微爆发提出的具有启发性的观点。我在T2AM的同事Myong Han、Yimin Guo、Huang Pan和Julie Wilson通读了本书的不同部分，给出了许多有价值的建议。如果没有编
文艺复兴公司的奠基人詹姆斯·西蒙斯（James Simons）认为，宽客带给投资领域最伟大的成就在于解决问题的系统化方法。正如西蒙斯博士所说的：“科学家带入这场游戏中的并不是他们的数学或者计算机技巧，而是科学思考的能力。”[1] 研究宽客最主要的原因之一是，宽客会深入思考那些非量化投资者认为理所当然的策略的许多方面。为什么会这样？毫无疑问，计算机是一种工具，
正如本章所谈到的，错误度量风险是长期资本管理公司崩盘的原因之一。宽客天生喜欢执行包括风险暴露在内的各种度量。但是这种行为自身存在着优点和缺点。从积极的方面讲，一个好的构想的量化策略鼓励承担一定的风险。不同于接受偶然风险，纪律严明的量化策略要求精确划分所能接受的范围，并且将所能承担的风险控制在一定范围内。为了彻底清除这些风险，宽客必须事先知道这些风险是什么以及
很多成功的交易者都很认同这么一句古老的交易格言：“亏损时要止损，盈利时要让利润奔跑。”但是，主观判断型投资者通常很难及时意识到发生了亏损，相反却会很快意识到盈利。这种已经被关注的行为偏差称为处置效应（disposition effect）[1]。但是计算机不会发生这种偏差。因此，遵守前面交易准则的交易者很容易将其交易策略程序化，使其每次运行都能遵守行为准则。
国际投资界存在着形形色色的量化交易者，并占据着较大的比重。在世界各地的各种交易场所，各种金融资产的交易中，无论大型还是小型交易公司中都可以看到他们的身影。量化交易的成功和失败都会引起人们的关注，很多投资者从中受益。宽客合理配置和实施量化交易策略时所表现的完全性和严格性值得绝大部分交易者认真学习。同样地，在小心谨慎避免错误的前提下，宽客度量风险与各种市场敞口的
宽客（quant）通常会基于高深的理论构造追求超额利润，并系统地加以实施。宽客之所以被称为宽客，就在于他们会刻苦钻研交易策略的产生和实施过程。至于交易策略本身，宽客和主观判断型交易者并没有什么差别，就像上文所提到的配对交易和统计套利策略的例子那样。但是我们从未试图消除人们对于投资过程的贡献，毕竟我们只是在讨论宽客而不是机器人。恰如前文所提及的，不管是在跟踪标
理解宽客及其黑箱的最好方法是逐一了解量化交易系统的各个组成部分，这也是本书其余部分的框架。图2-1展示了一个典型的量化交易系统的框架。此图描绘了一个生动“有效”的交易策略的各个组成成分（例如，决定买卖哪些证券、买卖数量以及买卖时间），但不包括交易策略的所有必要元素（例如，设计交易系统所需的研究工具）。 图2-1 量化交易策略的基本结构 交易系统包含3个模块—
宽客可能并不像想象中那么神秘。他们也是首先观察市场，产生一些普通人也会想到的想法，然后采用市场的客观数据进行研究来确定其想法是否正确，而不是基于传闻或经验甚至直接假设他们的想法是正确的。一旦宽客得到了一个满意的策略，他们会将其布置于一个量化系统中。这类系统在进行投资时，排除了情绪的影响，严格地执行经过测试的策略。但这并不是否定人在量化交易过程中的作用。宽客产
真正追求阿尔法收益的交易策略是少之又少的，这一重要事实并未被普遍认可或接受。实际上，这些基础交易策略的实现方式多种多样，从而由有限的几个核心策略衍生出花样繁多的交易策略。理解量化交易策略的关键在于，理解宽客科学地分析问题的视角。 绝大部分宽客都是理工科出身，之后投身金融业，因此在其整个职业生涯中他们的理工科背景经常会左右其进行交易的策略选择。科学的两个重要分
绝大多数宽客是理论驱动型的。对于市场为何以现存方式运行，他们给出符合经济学理论的解释，并检验该理论是否可用于预测未来的市场行为。很多宽客认为其理论具有一定的独特性，这也是他们对自己的策略保密的一个重要原因。事实证明，这通常都是错觉。此外，许多量化交易圈外的人士认为宽客们所使用的交易策略都基于复杂高深的数学公式。这种看法也通常是错误的。 事实上，这些交易策略既
这类模型有两大优势。首先，与理论型策略相比，数据挖掘明显更具有技术挑战性，并且在实业界使用很少。这意味着市场上少有竞争者，这是大有裨益的。由于理论驱动型策略通常易于理解，并且在构建相应模型时所使用的数学工具通常来说也并不复杂，所以进入的门槛自然会低一些。数据驱动型策略就没有这样的优势，进入门槛比较高。其次，数据驱动型策略可以分辨出一些市场行为，无论该行为目前
无论是否使用量化方法，谋求阿尔法收益的交易者盈利的手段并不太多。但手段选择的有限性并不意味着所有的宽客与其他交易者完全相同，只能选择几种现象之一。实际上，量化交易模型千差万别，非常丰富，远远多于我们所想象的。 这种多样性源于宽客实施其策略的方式多种多样。现在我们将注意力转向实施方式。一套实施策略值得深入探讨的有很多方面，包括预测目标、投资期限、投注结构、投资
在定义交易策略时，宽客所做的每一个决策都是交易行为的重要驱动力。但在构建交易策略时，宽客还必须做出另一个极其重要的选择。具体而言，宽客并不局限于为给定的阿尔法模型选择一种实施方法。相反，他们具有选择多种阿尔法模型的自由。对这些阿尔法模型进行组合的方法就像充满了不确定性的竞技场。最高深也通常最为成功的宽客倾向于同时使用几种阿尔法策略，包括趋势跟随法、均值回复法
在经典著作《信号与噪声》（The Signal and the Noise）一书中，纳特·西尔弗（Nate Silver）展示了预测方法之间略有不同的区别所在[1]。并非所立足的科学学科不同，而是如本章所展示的那样，所从属的统计学分支不同造成了它们的差异。 贝叶斯统计学（Bayesian Statistics）是统计学中的一个重要分支，在进行预测时非常注重“
规模控制是风险管理的重要内容。假如有一个很好的交易策略，看起来盈利几乎是确定无疑的事情，如果没有风险管理意识，就会诱惑着你把所有的资金都投入到这个交易中。但这通常不是个好的选择。为什么呢？因为从经验上看，很少有确定无疑的事情，所以控制交易规模最好的途径当然是“不要把鸡蛋放到一个篮子里”。否则很有可能发生的情况是，当投资者把所有的资金都投入进去，在某个时刻投资
尽管控制敞口大小很重要，一些风险建模的方法仍致力于完全消除各种类型的敞口。假设投资者经过分析认为，雪佛龙公司（CVX）的表现会优于埃克森美孚公司（XOM）。假如投资者做出的选择是持有雪佛龙公司的股票而忽略埃克森美孚公司股票。如果之后市场形势急转直下，或者原油板块表现疲软，投资者在这笔交易中很可能亏损，即使交易的大方向选择是正确的。这是因为投资者暴露于市场方向
风险管理通常被误认为是降低风险的操作流程，实际上是在给定的风险水平下通过选择敞口并控制其规模而最大化收益。毕竟，降低风险通常是以减少收益为代价的。所以，风险管理活动主要关注于消除或减少不必要风险的敞口，但也承担可能带来可观收益的风险。无论是采用系统化投资方法还是主观判断型方法，在这一点上都是一样的。二者的主要差别在于，宽客主要使用软件管理风险，而对于主观判断
理解交易成本到底是什么是很有用的，因为我们正在描述对其进行建模的方式。交易成本主要由三部分构成：佣金和费用（commissions and fees）、滑点（slippage）以及市场冲击成本（market impact）。 佣金和费用 佣金和费用是交易成本的第一种类型，是支付给经纪商、交易所和监管者的费用，因为它们提供了服务，包括市场参与者的接入通道，有所
依据对于给定交易的交易成本如何计算，有4类基本的交易成本模型：常值型、线性、分段线性以及二次型交易成本模型。这些成本中有一部分是固定和已知的，如佣金和费用。交易成本模型把这些固定费用作为基准线，交易费用低于该基准线的交易根本不可能发生。另外一些成本，如滑点和市场冲击成本，都是变化的，在交易确实发生前不可能准确知道。滑点受到很多因素影响，如交易产品的波动率（如
在构建投资组合模型过程中，交易成本模型告知进行交易的成本状况。它并非是为了极小化交易成本，正如阿尔法模型并不是创造收益而是进行预测并将这些预测传递给投资组合构建模型。成本最小化可以分为两个阶段。第一步，构建投资组合模型，使用交易成本模型提供的输入变量，去计算进行目标投资组合的成本；第二步，将目标投资组合传输到执行算法阶段，以尽可能低的成本去执行投资组合的交易
相等头寸加权 相等头寸加权模型极其普遍。使用这一模型的宽客认为，如果某一头寸好到值得拥有，就不再需要其他信息来决定其规模。这里有个深层次的隐含假设：金融产品具有同质性，不需要根据其风险或其他指标加以区分。如上文所言，对于给定的金融产品而言，信号强度的概念与预测的规模有关。信号强度通常会被忽略掉，除非信号强度已经强到非常值得建立头寸。初看起来，对这一问题的处理
投资组合优化工具主要是基于资产管理行业的经典理论——现代投资组合理论（modern portfolio theory，MPT）的基本原理。MPT的核心原理是，投资者一贯是风险厌恶型的，这意味着如果两种产品收益相同但风险水平不同，投资者会偏好低风险产品。据此可以得到一个推论，只有存在额外收益作为补偿，投资者才愿意承担额外的风险。由此引入了风险调整收益（risk
我观察到，使用基于规则的权重分配系统的绝大部分宽客貌似都采用“绝对型的”阿尔法方法（如他们对单个金融产品加以预测，而不是对金融产品之间的相关关系进行预测）。这些宽客，即便不是全部也是绝大部分都是从事期货交易。而使用优化工具的宽客倾向专注于“相对”阿尔法方法，绝大部分应用于股票市场中性策略中。并不存在充足的理由可以解释相对型和绝对型阿尔法策略交易者各自偏好的投
我们描述了两大类主要的投资组合构建模型。基于规则的模型采用启发式的方法，而投资组合优化工具则采用了现代投资组合理论的逻辑脉络。对于每一类，都存在很多种具体的技术，随之也带来了很多挑战。采用基于规则策略的从业者如何为其所选择规则的任意性找到合理的理由？使用优化方法的从业者如何解决和估计波动率及相关系数有关的许多问题？在选择“正确”的投资组合构建方法时，宽客必须
一个有趣的话题是如何度量执行算法的效率。这里有几个主要的概念值得一提。第一个概念是中间市场价格（mid-market），反映的是对某一产品最佳买入价和最佳卖出价的均值（根据定义是指这两个指标的平均数）。这是判断交易价格是否公平最为标准的方法。例如，如果有买家能够以最佳买入价成交，这个价格显然低于当时的中间市场价格，这笔交易会被认为是以一个很有利的价格成交的（
我们已经提到，为实施和完成电子交易，交易所和交易者间需要建立联系。此外，双方间的信息传递协议也是必需的。宽客在实施交易策略过程中所使用的硬件和软件都属于基础设施的最终组成部分。绝大部分情形下，宽客必须决定建立还是购买方方面面涉及的基础设施。由于监管的要求和其他条件的限制，绝大部分交易者使用第三方经纪公司作为其执行策略的代理机构，通过其提供的服务来完成交易。使
对一个量化交易策略而言，我们已经详述了订单执行相关的方方面面。宽客必须做出的第一个选择是构建还是购买一个交易通道。构建世界级的交易基础设施的成本和技术难度，使得很多宽客（尤其是采用长期交易策略或交易小型投资组合的宽客）选择从经纪商或订单执行服务供应商那里购买这些服务。实际上，经纪商和服务供应商都为提供算法和连接服务而收费，这部分费用通常包含在佣金中。使用第三
通常来说，模型的很多细节都是由所使用的输入变量的特征决定的。回到之前的例子，如果你得到的都是些缓慢变化的宏观经济数据，如美国每季度的GDP数据等；进一步假设在这些数据公开发布后一周你可以得到它们。这种情形下，你不可能建立一个快速交易模型并据此决定持有头寸的时间以分钟进行计算。此外，需要注意的是，你所得到的美国的数据在预测债券或货币相关产品时可能会比较有用，但
数据基本上可以分为两大类：价格数据（price data）和基本面数据（fundamental data）。价格数据并不仅仅是和金融产品价格相关的数据，也包括从交易行为中得到或提取的其他信息。股票的交易量、每笔交易的时间及规模等都属于价格信息。实际上，整个指令簿都可以认为是价格数据，因为指令簿上包含有一个交易日中给定金融产品所有买入价和卖出价（以及量）的连续
获取数据的来源众多。最为直接，也可能最具有挑战性的是，从源头直接获得原始数据。换句话说，宽客直接从纽交所（NYSE）得到在纽交所交易的股票的价格数据。这种做法的一个好处是，宽客可以最大限度地控制数据的清洗和存储，并且在速度上也具有很大的优势。但这么做也具有很高的成本。例如，需要与每一个数据源都建立联系，如果我们需要在多个市场和多个交易所交易多种金融产品（如股
我们已经探讨了数据的种类和数据的重要性，接下来我们讨论宽客在管理原始数据时会遇到的各种问题以及他们如何加以解决。尽管原始数据供应商、二手数据供应商以及第三方数据供应商都做了很多努力，数据仍然会出现缺失或错误的情况。如果忽视了这一点，这一问题会给宽客带来严重后果。这里我们对几种常见的这类问题加以讨论，并介绍一些用以解决这些问题的常见方法。值得注意的是，尽管以下
通常使用数据库存储搜集到的数据以备后续使用，数据库一般有几种形式。第一种数据库是没有相对关系结构的平面文件（flat file），这种两维的数据库和普通的表格很类似。这种平面文件数据库不会因为需要加载太多内容而变慢，由于简洁而广受欢迎。这种简单的文件结构很容易进行搜索，通常是顺序搜索（如从第一行到最后一行）。但是，想象一下，在有着几百万条记录的平面文件中搜索
本章中，我们解释了量化交易系统所使用数据中的一些基本概念。虽然数据很少是量化交易策略中令人兴奋的部分，但数据不可或缺，对宽客做的所有事情都很重要，为如何评价量化交易系统也会提供很多信息，因而值得加以深入理解。 下面我们将研究过程作为对黑箱进行探索的最后一站（见图8-3）。 图8-3 黑箱结构
表现优秀的宽客共有的一个特征是，进行研究时遵循科学的方法（scientific method），当然也是其他研究领域研究的方法。这是非常重要的，因为科学的方法使得整个量化交易过程中重要的判断更严谨与更有纪律性。如果不严谨，宽客很容易因为痴心妄想和情绪化误入歧途而丧失逻辑一致性，而逻辑一致性在许多科学领域都有助于科学研究。 第一，科学方法开始于科学家所观察的世
在理想的情况下，宽客在他们的研究中遵循科学的方法。就这一点而言，理论的发展（或者理论上可靠的数据挖掘方法）是研究过程的第一重要步骤。我们发现，思想的4个共有来源是：对市场的观察结果、学术文献、研究员或者投资组合经理在量化公司之间的迁移以及来自主观判断型交易者活动的教训。 宽客提出他们的想法的主要方式是通过观察市场。这种方法最直接地体现了科学方法的精神。量化交
样本内测试，又称为训练 在量化交易中，模型近似于真实世界发生的现象。在模型中输入数据并预测未来。检验过程的第一个步骤是基于样本内数据寻找最优参数训练（train）模型。这听上去难以理解，我们将逐项解释。 假设我们想测试一个策略：便宜的股票表现优于昂贵的股票。用收益率（earning yield，earnings/price）度量廉价，收益率越高暗示着股票越便
我们已经对成功的宽客在研究中必须做的工作、必须做好的工作有了基本了解。在量化投资过程中，研究是一个高度敏感的领域。研究员的判断是最重要的影响因素。研究员必须深入细心研究，因为这是策略的形成阶段。研究阶段所犯的错误会深深烙进策略的任何部分，这个错误的系统化实施将是灾难性的。而且，研究不是一蹴而就的。相反，宽客必须连续进行有活力的和丰富多彩的盈利项目，以持续获得
建模的不适宜性 建模的不适宜性是一个根本的错误，它包含两种形式。第一种形式是对一个给定的问题进行错误的量化建模。例如，对一个音乐家的素质进行建模，从一开始就是错误的想法。人们可能会考虑音乐技巧相关的因素，诸如训练资源和持久性。但是最终，音乐家是否优秀这个问题并不是数学或者计算机模型所能回答的。这本身是一个主观问题，应用计算机模型本身就是一个错误。 因为对于模
许多量化模型都是基于历史数据。甚至那些利用分析师的预测或者情绪信号的模型也极大地依赖于历史，因为情绪通常偏向于历史趋势运行的方向。不论哪种模型，宽客都是利用过去的关联关系和行为开发理论和建立模型，以帮助预测未来。如果市场以一种特殊的方式运行了一段时间，宽客将会开始依靠这种持续的行为。如果结构关系发生改变，宽客通常会受到影响，因为关联关系和行为发生改变，这种影
第三种量化风险来自外生冲击（exogenous shocks），之所以称之为外生（exogenous），是因为它们主要不是由市场内部的信息所驱动。恐怖袭击、新战争的开端以及政治或者监管干涉都是外生冲击的例子。因为量化模型使用市场数据进行预测，当非市场信息对价格产生影响，量化策略会受到影响。事实确实如此，因为这些冲击通常会导致股价运动趋势大于平常的幅度。所以，
量化特有的风险新成员是蔓延风险（contagion）或者同质投资者（common investor）风险。这类风险不是因为策略本身，而是因为其他投资者持有同样的策略。在许多情况下，这些策略被其他投资者作为投资组合的一个部分，而这些投资组合经常包含一些倾向于定期表现欠佳的金融产品。首先，这个风险因素和策略使用的人数相关。其次，与其他投资者持有的别的因素相关，这
在对量化交易特有风险讨论时，也值得对引起这些风险的量化交易特有的工具进行讨论。第7章相当详细地描述了风险模型，这些模型能够寻求降低或者控制投资组合中的风险敞口规模。但是宽客也利用各种不同的软件去监控这些风险敞口、监控它们的系统和本章描述的各种各样的量化特有的风险。存在着各种各样的监控工具、最著名的是敞口监控工具、利润和损失监控工具、执行监控工具和系统性能监控
量化交易会给投资者和参与者带来潜在的利益，其纪律性、计算能力以及科学严谨性为投资者在高度竞争环境下遇到的盈利挑战给予支持。然而，宽客也有一系列需要处理的问题。这些问题中的一部分对于宽客而言是特有的（例如，模型风险），但是大部分问题对于量化策略而言，比主观策略更重要（例如，同质投资者或蔓延风险、外生冲击风险、结构关系变化风险）。宽客利用各种各样的工具监控系统和
市场主要由人们对所接收信息的反应而驱动。不是所有的信息都可以系统地被理解。而且，不同的人对同一信息片段认知也不同。如果公司的首席执行官被解雇了，是好消息还是坏消息呢？一个交易员可能认为这意味着领导层的不稳定性，从而认为是一个坏消息。另一个交易员可能认为首席执行官应该被解雇，这是董事会的一个明智决策，公司目前经营状况很好。事前，无论哪种认知都无法证明是正确的。
这个批评既包含真实成分，也包含虚假成分。许多基金经理，包括宽客在内会受到模型风险基本类型的影响，即提出了错误的问题，使用了错误的技术（诸如VaR技术），做出许多关于市场的错误假设，试图将风险表示为一个数字，这个目标看上去是毫无意义的。而且，正如2007年8月量化清算危机中所解释的，宽客低估了在大规模的、拥挤的交易策略中的下跌风险。这也源于量化交易的根本缺陷。
这或许是对量化交易最合理的批评。宽客必须依赖于历史数据才能对未来进行预测。这种依赖性的结果是，当市场发生重大或者突然的改变时，很可能会遭受损失。值得重复强调的是，除非市场体制变化特别大并且没有任何警示，否则对宽客的影响会比较小。也许量化交易最具挑战性的时间段是2007年7月下旬到2008年8月。在这大概13个月的时间里，宽客（尤其那些执行股票市场中性策略的宽
这个言论也被广泛认可，尤其是在2007年8月许多宽客极具灾难性的表现之后。然而，我确认这是一个明显错误的言论。我们将聚焦于这个说法的理论性和实践证明，从理论证明开始。 这本书已经列出了宽客在建立量化策略过程中必须做出的许多决策。这些决策包括交易的金融工具和资产类型、数据来源以及如何清理数据、研究和发展交易策略的方法、互相结合的预测方法、预测需要提前的时间、赌
我曾听到许多观察量化交易的人无数次地引用这一批评观点。初看上去，这个观点是很有道理的，整个事情是这样的：最大规模的资金最充裕的宽客能够将最多和最佳的资源注入黑箱，最佳资源包括从数据到执行算法的各个方面，能够与他们的服务供应商进行谈判，获得更有利的条款。基于这个假设条件，他们能够比规模较小的同行表现更好是合理的。最终，规模较小的宽客将会因业绩不佳或投资者间的摩
在金融业，数据挖掘可谓臭名昭著。实际上，最应该进行批评的是与它可交换的另一种术语：过度拟合。数据挖掘是一个实证科学，是第6章讨论的主要学科框架中的一个。一般数据挖掘技术被理解为利用大量数据获取所发生事件的信息，并不关心事件发生的原因。数据挖掘和理论驱动型科学最大的不同在于：为了相信自己能正确预测未来发生的事情，理论家对理解事情为什么发生会很感兴趣。然而，正如
量化交易不是万能的，确定有宽客应该对这一章所提到的某一个批评或者所有批评承担责任。一些人做的是伪科学，低估了风险，在市场条件突然改变时损失金钱。一些人执行陈腐的被反复使用的策略，一些人利用有限的数据过度拟合模型。但是这些批评中的大部分同样适用于主观型交易者。做得好的话，量化交易能够产生优秀的调整风险回报率和大量的分散投资收益。 那么，量化交易做得好意味着什么
在详细叙述沙尔夫的技巧之前，我想强调，我既不是战争和审讯的狂热爱好者，也不想将投资者和量化经理的关系比作审讯者和受审者之间的关系。但是我相信，两者之间有一个相似点使得后者所得到的经验教训对前者有用，相似点是：一方不愿提供的信息是另一方需要的信息。 沙尔夫使用的第一个技巧也是最明显的技巧：他与所要谈话的飞行员建立信任关系。事实上，战后，沙尔夫与很多受审讯的飞行
在评估和创建量化交易策略的这些年里，我注意到一个极其有趣的事实：大部分情况下，宽客所做的工作与投资组合经理、CEO或者资源分配者的工作类似。毕竟，这些资源（例如，时间或者金钱）是有限的，必须利益最大化地进行投资。投资过程包括6个主要的内容。 （1）研究和发展策略； （2）数据搜寻、收集、清洗以及管理； （3）投资选择和构造； （4）投资组合构建； （5）执行
在本书中我尽力强调一些事情，那就是对量化交易者的判断需要涉及他所建立的策略。所以，评估宽客时，评估与交易策略相关的技能和经验明显很重要，但是说起来容易做起来难。这部分列出了用于判定量化交易者技术水平的工具。 开发和管理量化策略的人在所使用的方法上应该受过良好的训练。至少团队的一些成员在与策略相关的量化交易领域，有大量的实战经验。经验有助于做出很好的判断，尤其
类比是一个好方法。一个缺乏经验的宽客在遇到一点意外灾难后，可能放弃模型。他可能清算投资组合或者大量降低杠杆。然后，只是基于模型执行较好的小样本进行投资，可能允许继续积累头寸进行组合投资。但是，正如我们所看见的，交易是昂贵的，偶尔会适得其反（如2007年8月的宽客清算事件和2010年的闪电崩盘事件）。宽客在遇到基金损失时，经常会采用次优的方案，第一反应经常会毁
大部分宽客和普通交易者是诚实和有道德的。因此，基于“信任但需要核实”的基础，与他们建立合作关系是非常合理的。换句话说，对于大部分评估过程，假定交易者声称的母校、文凭以及自己不是罪犯等信息是真实信息，这是合情合理的。但是在做出投资决策之前，许多观察者认为，应该尽可能核实宽客的道德观念。 这里，有几个可自由支配的工具。首先，进行背景核查、教育背景审查以及征信调查
假定你发现一个宽客值得雇用或进行投资，你不得不对如何给这个交易者分配资金做出决定。在做出决定之前，你必须理解策略是否适用于你的其他投资组合头寸。这很大程度上是平衡不同类型的风险敞口问题。本节将详细描述几种与量化投资相关的重要风险敞口。 阿尔法投资组合 首先，值得记住的是，投资组合构建是风险敞口分配的问题。包含较多风险敞口的投资组合比包含数量较少的风险敞口的投
为了评估宽客和量化策略，投资者必须理解所执行的策略、策略特征以及策略产生过程的活力状态。为了做好这些，投资者有3个武器可供支配：建立信任、尽可能获得量化交易的相关知识、所获得的信息尽可能有条不紊。对于既定的宽客和量化交易而言，这些工具通常可以用于提取和整合信息。 最后，投资者必须判断宽客是否有优势，优势根源是什么，优势可以支撑多长时间，未来会面临什么威胁。优
昨天晚上，我在酒店关闭开关，然后以极快的速度在整个房间变暗之前上床。 ——穆罕默德·阿里 2009年早期，市场刚刚从恐慌甚至近乎绝望的状态中恢复。这时，新闻媒体报道，2008年金融市场中为数不多的盈利者是一种新型的交易公司——神秘的量化交易公司，它们被称作高频交易者（high-frequency traders，HFT）。他们并不会在出版、管理等流程上花费太
现今电子市场，有助于理解速度重要性的最好方法就是理解不同类型订单速度如何。毕竟，无论哪种阿尔法类型、风险类型以及投资组合构建模型类型，订单才能体现策略的完成过程。虽然有许多种类的订单，尤其考虑到世界上各种交易所时，但是订单通常被分为被动类型和积极类型。而且，一些订单（被动订单）一旦被搁置，可能被取消。我们将描述能够捕捉世界上大部分订单类型的3种情况：放置积极
很清楚，对于负责大规模资金的交易者而言，使用低延迟交易平台是很重要的。现在，我们将注意力集中在交易者可控制的潜在的延迟原因，以及针对这些原因能采取的措施。 市场内外的传输 对于算法执行引擎，第一个潜在的延迟原因来自获取数据的时间和订单进入市场的时间。一个好的执行引擎大部分的工作包括对市场改变的快速反应，逻辑上，实时访问这些改变是业务的第一步骤。而且，在你做出
本章，我们详细阐述了高速度（或者低延迟）重要的原因以及延迟的根源。依据交易的类型或者所实施的交易策略，注重速度的原因有所不同。虽然这带来了媒体上的大量负面关注，但是这与其他行业的处境绝对没有任何不同。如果在游戏竞争规则范围内发展优势，那么大部分有竞争性的玩家都会寻求发展其优势。但是，通常情况下，对于量化交易，当遇到高频交易和低延迟交易时，会有双重标准。人们看
两个客户同时反向地做一件事情的概率是相当小的（例如，顾客A想以100美元的价格购买XYZ股票2000股，而顾客B想以100美元的价格卖出XYZ股票2000股）。当然，有一定比例的交易意愿可以被实现是很可能发生的。以上面的例子为例，也许顾客A想购买2000股，而顾客B想卖出5000股。剩下渴望卖出的3000股可能在后面的时间里卖出（通常在不利于卖家的某个时间）
考虑到他们依赖于被动订单，任何市场所暴露的最大风险都是逆向选择。一个订单的一面的做市商希望能够快速成为另一个订单的另一面的做市商，盈利至少等于买卖价差。或者，根据市场运动情况，能够积极地退出，从而获得盈利。这就是“低买高卖”但修改为“低买，速度极快并重复地以稍微高的价格卖出”的具体体现。确实，正常缺乏短期趋势情况下，这是可能实现的。 但是，首先，速度足够快这
另一种套利类型是跨市场套利（venue arbitrage），这仅存在于分散的市场。跨市场套利主要利用分散的市场结构（意味着有许多交易所允许交易同一金融产品），有时会引起不同的交易地点、同一金融产品的价格有所不同。这里，金融工具不仅是与另一金融工具结构化相关，实际上，是同一金融产品在多个地方进行交易。与指数套利机会存在同样的原理，跨市场套利机会也存在。在美国
预测方向的类型也是如此，预测是基于历史行为对未来行为进行推断。例如，如果一些金融产品连续几秒钟创出新高，之后将会下降是一个好的机会。但是这仍然是一个偶然事件，金融工具过去的表现和未来表现之间的结构关系不是引起保持回报策略的原因。 一些快速的阿尔法策略是很被动的。例如，日内统计套利。从它们被动地防止提供流动性订单这个意义上来看，它们可以被认为非契约型做市商的近
很多时候，高频交易策略的风险管理与相对较慢的交易的风险管理有所不同，即使对于类似的策略主题（例如快速阿尔法类型中的策略）。考虑到风险因素，例如，交易成本模型及对优化的不同输入会花费宝贵的计算时间，这将放慢完成阿尔法策略的过程。而且，大部分长期策略想对冲的风险因素很少应用于隔夜证券市场。例如，一些长期交易者关心平衡规模因素（实质上是市场资本规模）的敞口。他们并
我们已经探寻了高频交易者使用的几种策略。你可能注意到高频交易策略和第3章描述的阿尔法策略有一些显著的不同点。确实，私下里，许多高频交易参与者会告诉你，他们根本不考虑阿尔法策略。即使他们确实这样做了，阿尔法策略也是技术面关注的最佳备选，主要风险是失去速度优势。当你看到这两种策略已经被利用，并且归因于速度慢而受到惩罚（第14章有所描述），为什么会是这样就很清楚了
2009年，T.Rowe Price的高管安德鲁·布鲁克斯（Andrew Brooks）谈道，“但是我们正向高频交易套利者和其他类型交易的两层市场前进，人们想知道他们有获得公平交易的权利。否则，市场将失去公平性”。[1]这个争论背后的观点是超速计算机、算法和通信设置都非常昂贵，普通人难以利用这一点，他们创造了双层体制，而高频交易者在其中具有很大的优势。这并不
高频交易者被指控为老鼠仓（front-running）投资者。这是一个很有热度的话题。但是不幸的是，能够检验这个话题的可靠例子又很少。至于市场操纵，在具有特定争论的稀有例子中，批评者指出例如塞单（quote stuffing）现象，即防止或者取消大量订单，目的是干扰其他投资者进而犯错。另一类受欢迎的批评者认为，是“高频交易者的计算机本质上能够吓唬慢的投资者放
偶尔，计算机软件会有小故障。当一个故障导致数百万的订单错误，成为市场价格大量不稳定的原因时，人们会担忧。而且，在一些人的代码中即使没有这些小错误的出现，类似2010年的闪电崩盘事件，仍会使得高频交易者应对极端市场波动性负责的推测沸沸扬扬。确实，尽管有大量的证据反对这一观点以及缺乏支持这一观点的理论，仍有相当广泛的人认为闪电崩盘是计算机驱动事件。尽管美国证监会
这也许是我听过的对高频交易最令人失望的争论。实际上，惹人发怒的原因与高频交易一点关系也没有。从哲学的观点来看这是有问题的，令人失望的是这个观点被许多作家所接受。诺贝尔奖得主经济学家保罗·克鲁格曼在《纽约时报》的专栏上指出：高频交易通常是一个游戏中的“坏角色”（bad actors），“很难看见那些防止订单速度比别人快1/13秒的交易者是如何促进社会功能的”[
计算机是个强大的工具。工具越强大，威胁（或者好处）确实越大。虽然要求详细的审查和合理的监管，但并不要求禁止使用强大的工具。 尽管有来自市场一些焦躁的言论，但美国监管者出人意料地冷静，对这件事情考虑周全。迄今为止，对于高频交易所走的每一步看上去都很公平。禁止裸接入是一件合理的事情。证监会有关闪电崩盘的报道是具有颠覆性的，非常准确，或多或少将责任（不是指责，灾难
总的来说，我尽量说明白一些，高频交易不是由邪恶的人们所操纵。他们遵守市场规则和公共准则，具备良好的意识。他们经常对当局主动汇报由他们交易引起的不合规行为。强大的计算机和快速的通信线路可能被用来操纵市场并不意味着利用这些工具进行的活动会被停止。正如用假炸弹制造威胁的人将被指控一样，操纵市场、进行老鼠仓交易以及其他坏行为也应该被指控，但是没有证据表明程序化交易者
所有思想和行为的演变必须首先显示为异端和不当行为。 ——萧伯纳 所谓的黑箱交易已经存在了30多年的时间。对于读者而言，更清楚的是，这些策略与其说是黑箱，不如说是交易者和投资者已经做过的事情的系统化实施。不幸的是，自动化过程经常伴随着危难。有时候，这是易于理解的，即人的工作岗位被自动化所取代。其他时候，无知成为恐惧的充分原因。不论哪种情况，我相信强烈反对宽客的
Local EPUB Text
我们已经对成功的宽客在研究中必须做的工作、必须做好的工作有了基本了解。在量化投资过程中，研究是一个高度敏感的领域。研究员的判断是最重要的影响因素。研究员必须深入细心研究，因为这是策略的形成阶段。研究阶段所犯的错误会深深烙进策略的任何部分，这个错误的系统化实施将是灾难性的。而且，研究不是一蹴而就的。相反，宽客必须连续进行有活力的和丰富多彩的盈利项目，以持续获得利润。
根据定义，模型是市场过去行为的归纳。随时间的推移，越通用的模型鲁棒性越强。但是这样的模型很可能在任何时点上都不够精确。越具体的模型越精确，但是当市场条件改变时，模型很可能整体失败。在普遍性和专一性、鲁棒性和精确性之间进行权衡是量化研究员面对的重要挑战。虽然我意识到这个挑战没有万全之策，但是爱因斯坦的一句话提供了最好的准则：“任何事都应尽量从简，但不可过简。”
现在我们完成了黑箱的旅行（见图9-6），包含模型组件和驱动模型的组件（数据和研究）。下一个章节将聚焦于对量化交易者及其策略的评估。
图9-6 黑箱结构