量化策略研究笔记(0)从入门到以交易为生

我对交易的理解

交易的本质是捕捉标的、从标的剥离的特定因子属性、从标的衍生的合约等长期、中期、短期、瞬间的错误定价，以低买高卖的方式在未来兑现盈利。

物质世界不是简单的静态平衡系统，而是趋向平衡（回归旧平衡，或者创造新平衡）的动态复杂系统。因为复杂系统发展路径的不可预测性，任何对未来的判断都有一定的概率出现错误，这既是盈利的根源，也是亏损的来源。正确判断获得的收益与错误判断承担的损失的比率（概率加权的盈亏比）是交易的重要标准。

所谓的量化，就是为上述交易过程中的环节制定规则。量化策略基础构件包括以下内容：

1、定价模型

• 现金流折现模型（Discounted Cashflow Model）：以金融资产在未来产生的所有可能现金流的平均现值作为当下的理论价格。
• 多因子资产定价模型：假设价格可以被几个关键因子所解释，我们使用统计方法得到的各因子的权重就是该金融资产的定价公式。将不同因子当下值带入公式，可得到该金融资产当下的理论价格。
• 资本资产定价模型（Capital Asset Pricing Model）：只有承担系统风险才能获得收益，非系统风险均可以分散化的方式消除。

2、决策模型

结合市场价格与理论价格的关系，及对平衡的判断（维持旧平衡，还是创造新平衡），决定买、卖、观望。

3、盈亏比管理模型

决定投入多少资金。

4、执行算法

平衡冲击成本与机会成本。常见算法有：TWAP（Time Weighted Average Price）、VWAP（Volume Weighted Average Price）、POV（Percent of Volume）等。

5、风控模型

从账户、合约、策略多个层面控制风险。

期货量化研究方向

国内期货市场的量化交易起步早，也成熟。主要有三个原因：T+0且允许做空的交易制度，交易所的大力推动，信息技术红利带来的赚钱效应培养了一大批拥趸。目前，针对于期货品种的量化交易方向可以分为：

1、趋势跟踪策略

当发现打破旧价格平衡的关键点时进行交易，决策价格到新价格平衡的价差是预期的盈利空间。决策模型通常结合传统技术分析方法，例如，著名的海龟交易法则就是以突破四周高低点为标准。另外，Dual Thrust、R-Breaker也都是比较值得研究的。

可以从传统技术分析指标入手，例如K线、均线、MACD等。可供学习研究的素材比较多，但是也切忌陷入技术指标的泥潭中。

2、套利/价差策略

假设有A和B两个研究对象，他们的定价公式分别为A=a+bx和B=c+dy，其中a、c为常数项，x、y为因子向量，b、d为因子权重向量。我们以A-B（=a+bx-c-dy）为研究对象。

如果A与B高度相关，且不确定因素bx与dy可以完全对冲，A-B就是一个确定的常数。由于复杂性，A-B可能偏离正常范围，因为理论上不确定因素已对冲，不可能有新的平衡点存在，这种偏离大概率是会回归的。这就是套利交易的基本逻辑。

如果A与B相关，且bx与dy不能完全对冲，这意味着A-B中存在不确定因子，所以交易策略仍面临旧价格平衡是否延续的决策问题。我们的交易对象就是在A与B基础上衍生出来的价差。

关键在于数理统计方法的应用能力（统计套利），或者对产业基本面的熟悉程度（大豆提油套利就需要熟悉大豆、豆油、豆粕的生产关系）。

3、高频策略

关键在于从硬件、网络、软件、算法等多个层面解决延时问题。

股票量化研究方向

股票量化交易方兴未艾，但是由于交易制度的限制，以及监管的要求，发展仍比较缓慢。所幸的是，量化交易是未来的趋势已成为行业共识。并且，有许多证券公司为推动量化交易的发展而不懈努力。对比期货量化交易的发展过程看，一旦政策放开，证券量化交易也必定迎来一个技术红利期，通过创造出一个又一个财富故事，培养一批拥趸，进而奠定发展的基础。虽然证券量化交易可以借鉴期货量化交易的经验，但是完全照搬是不可行的。股票交易策略与期货交易策略有着显著差异，常见的策略有：

1、Alpha策略

alpha与beta的概念来源于资本资产定价模型（CAPM）。alpha策略承担非系统风险获得超额收益。

根据多因子资产定价模型，某金融资产价格可以被N个风险因子所解释即：

p = a + ax + ax + ……

一个投资组合就被这些风险因子的组合所解释。

不同的风险因子对应不同的收益风险比。根据偏好保留希望承担的风险因子，对冲掉不希望承担的风险因子，这就是alpha策略。alpha策略交易的是从基础资产衍生的风险因子的组合。如果不保留任何风险因子，就是套利策略。

关键在于挖掘收益风险比高的风险因子。

2、Beta策略

beta策略以承担系统风险获得超额收益。

被动管理型以跟踪指数为目的，获得市场平均收益率。主动管理可以采用指数加强策略，例如，在市场牛市时，通过投资高beta的标的，承担更大的系统风险，来获得更高的收益。反之，在熊市中就降低beta。

关键在于对宏观、基本面的分析能力。

3、FOF（Fund of Funds）

以公募、私募基金为投资对象。

关键在于对历史业绩归因分析能力。

从入门到以交易为生

0级

• 大学生

硬实力：时间！没错，年轻就是可以为所欲为！

目标：通过最大限度的提升学历（研究生、博士）、逻辑思维能力（数学、物理、计算机）、编程能力（计算机），争取优质的工作机会，构建自己对事物发展的分析体系。

建议：以弥补短板、培养综合能力为主要目标。

• 非金融行业从业者

硬实力：计算机行业从业者的编程能力。行业从业者的行业经验及资源。数学、物理等领域科研工作者的对复杂问题的建模能力。资本。坚定的信念和失败的准备（这里不开玩笑）。

目标：争取优质的工作机会，构建自己对事物发展的分析体系。

建议：扬长避短，以获得工作机会为目标。

1级

• 研究员

硬实力：分析逻辑。

目标：将分析逻辑转化为交易逻辑。

建议：积累实践经验，展示自己分析逻辑。

• 交易员

硬实力：交易直觉。

目标：将交易直觉转化为的交易逻辑。

建议：保持可回溯的业绩。

2级

• 交易为生

硬实力：系统化的交易逻辑。

目标：稳定盈利。

建议：无（暂无建议的能力）。

编程语言

建议掌握一门数据分析语言（建议python、vba）、策略实现语言（除低延时策略方向建议学习C++之外，其他策略方向建议使用python）、数据库语言（建议学习SQL）。

关于python编程，推荐《利用Python进行数据分析》、《Python Cookbook》两本书。

关于AlgoPlus

期货量化交易使用最广泛的API是上期所推出的CTP，许多证券公司开发量化交易后台时多是参考CTP的设计。

上期所官方CTP只支持C++语言的接入，但是因为C++入门难，且学习曲线陡峭，所以并不是量化交易入门的最佳选择。如果使用其他语言设计交易策略，就需要对C++版的API方法进行封装。

AlgoPlus所做的工作就是封装了python与C++的通信功能，让交易者无需关注底层，就直接在使用python开发的策略中调用C++方法完成交易。

量化交易策略涉及多合约、多策略、多账户的情况，AlgoPlus充分利用CTP的多线程特性，让交易者可以根据自己的需要设计多层级线程引擎。

众所周知，python是解释型语言执行效率比编译型语言低。AlgoPlus使用Cython技术完美解决了这个问题，即实现了低延时的要求，兼容了python语言的易用性。经过严格测试，AlgoPlus从策略触发交易信号到调用C++方法，延时只有40微秒左右。另外，AlgoPlus还提供了丰富的应用教程。

总之，如果你准备使用python语言进行量化交易，AlgoPlus将是您最佳选择。AlgoPlus项目源代码托管在码云和GitHub。

码云：gitee.com/AlgoPlus/AlgoPlus

Github：github.com/CTPPlus/AlgoPlus

参考资料

1、《量化策略研究笔记(0)概率思维与金融资产定价及交易策略》（7jia.com/77000.html）

2、《资本资产定价模型（CAPM）》（7jia.com/1013.html）

3、《算法交易的主要类型与策略分析》（7jia.com/6006.html）

4、《原版海龟交易法则》（7jia.com/6005.html）

5、《AlgoPlus量化投资进阶手册(1)价差交易技术要点》（7jia.com/72001.html）

5、《阿尔法(alpha)与贝塔(beta)》（7jia.com/1012.html）

7、《AlgoPlus量化投资开源框架入门手册(8)低延时技术》（7jia.com/71008.html）