分类
外汇基金投资策略

从而做出交易策略

较早开始高频交易的Tradebot就是这类策略的典型运用者,在2002年就达到了每天一亿个订单,差不多在那个时候很多传统做市商被Tradebot和Getco这样的新型电子做市商挤出市场,后来Tradebot和Getco同样一路用技术碾压其它电子做市商竞争对手。 在2005年, Tradebot 剥离了BATS Global Markets,也就是现在美国第三大股票市场BATS。而1999年Tradebot刚成立时,工作室地点是美国农村Kansas City的一间小地下室,里面阴暗潮湿,只有5个交易员坐在电脑屏幕前监控交易,那时每台电脑上都配备了一套叫着“Tradebot”的软件。而Getco 对策略的运用更广,野心更大。2012年,也是老牌做市商的 Knight 因技术故障,向纽交所发送大量错误order,导致公司巨亏4.4亿美元,股价两个交易日暴跌七成,被Getco以18亿美元价格收购。 人们常对西蒙斯文艺复兴的大奖章基金长期持续的高回报印象深刻,而实际上不太为媒体所知的是 Tradebot 常年保持每天(而不是每月或每年)盈利,not even one single losing day,原因是文艺复兴有很多新基金要向外部投资者融资(赚钱的大奖章很早停止了外部融资,而实际新基金表现比大奖章差很多),需要做一定程度的IR,而Tradebot不对外部投资者开放,自己低调赚钱,这也是HFT很普遍的特点。如果不是市场几次出现大动荡,HFT被揪出来当替罪羊,媒体口诛笔伐,基本是没有多少人知道这个低调类别的存在。

从而做出交易策略

章晓珏

朱雀基金量化组负责人

哥伦比亚大学金融数学硕士,上海财经大学金融学士

量化CTA策略:从传统趋势追踪策略到价格预测型策略

目前国内可以投资的期货品种主要是股指期货、大宗商品期货和国债期货三大类。

CTA的投资策略多种多样,最经典的就是捕捉价格动量的趋势策略,这几年伴随机器学习的发展又开发出基于模式识别的价格预测型策略,这两类策略我们后面会展开来讲。另外一些套利策略,包括跨期套利、期货与现货之间的期现套利、还有跨品种套利等等也属于CTA的范畴。

投资者对信息的反应不足,在影响价格的信息到来后,因为投资者无法立即消化信息,就会导致价格无法充分、及时地对消息做出反应,而是需要一段时间来持续地把价格调整到应有的水平,这就引起了价格的持续上涨或者下跌。

另外一个理论解释是,在行为金融学的前景理论下,投资者亏1个点所感受到的痛苦程度比他赚1个点所带来的愉悦要更大。而在期货交易中,作为对手盘的多空双方一定是同时有一方盈利而另一方亏损。这就导致了在价格发生大幅波动的时候,止损盘会大于止盈盘,从而推动价格进一步向相同的方向移动。

量化CTA策略的新方向:机器学习

伴随机器学习浪潮的兴起,受益于GPU运算的提速、以及tensorflow等深度学习框架的开源,我们也在CTA模型的开发上进行了创新。所谓的机器学习CTA,其实是用机器学习来做价格预测。和大部分量化策略一样,机器学习策略盈利的假设是“历史会重演”。这里价格模式的重复性来自投资者根深蒂固的非理性交易心理,包括损失厌恶、处置效应、近期偏好等。这些交易心理难以在短时间内被戒除,从而导致某些非理性交易行为的重复发生,最终导致价格模式的重复出现。而机器学习模型就可以通过对历史数据的学习来寻找价格模式的规律,并且把学到的规模用于实盘的价格预测。

机器学习策略的优势,在于人脑所不能胜任的对历史数据的处理能力,并且机器学习为我们提供了一个非线性的视角,可以帮助我们从一个更高的维度来挖掘一些更复杂的规律。另外,因为机器学习是一个不断滚动训练的过程,所以这类策略有一定的自适应性,在市场环境发生变化后,模型可以基于对新数据的学习来逐渐适应市场的变化。

这两年做机器学习的机构越来越多了,我们也在思考相比于同行我们的优势在哪里?答案是在于对细节的充分考量。机器学习并不是说从网上下载一个开源的包,然后把数据直接丢到里面去训练那么简单。这其中包含了从数据预处理,到特征工程,到模型训练一系列的流程,里面的每一个环节其实都有很多细节问题需要考虑,比如怎么搭建一个非线性的特征工程,也比如样本数据的划分、怎么去给样本打标签、怎么预防过度拟合等等。最终决定策略效果的,其实就是这一些细节问题。我们从2016年就开始研究机器学习这个方向,在这些细节问题上,已经进行了充分的考量和测试。这上面我们认为自己是做得比较好的。

某些情况下,非线性模型可以实现比线性模型更好的分类/拟合效果

朱雀CTA投资理念:三个“分散”,追求绝对回报

我们的CTA投资理念,用一个词来概括就是“分散化”。这包括了交易品种的分散化,交易周期的分散化和交易逻辑的分散化三个方面。

首先,在CTA策略上,品种分散化可以非常有效地提高策略夏普比率,因为大宗商品各品种间的异质性非常强。股票类资产虽然个股有alpha,但所有股票还是会同时受到大盘beta的影响,拉长周期来看,不同股票间还是同涨同跌的正相关关系。而大宗商品不同。这张表格展示了目前流动性比较好的商品品种之间的相关性,可以看到大多数商品品种间的相关性非常低甚至是负相关。因此,品种分散化在期货组合的层面,可以更加有效的降低整个组合的波动率,也就是风险。

其次,交易周期的分散化,也就是不同时间频率的日内策略、日间策略、周度策略互相配合,从而捕捉不同时间维度上的价格模式规律。下面这张图是我们的实盘测算结果。柱状图左边是单一周期的隔夜策略的效果,右边是加入日内策略后的组合效果。可以看到,在做了交易周期的分散化后,策略不论是胜率、收益回撤比,还是夏普都得到了显著的提升。

最后,是交易逻辑的分散化,包括不同类型策略的叠加。2019年10月份的时候大家对CTA的集体亏损讨论的比较多。导致这个情况的原因有很多,比如股指波动率的下降、商品截面因子的反转,还有一些外部事件比如沙特阿美的影响。我们自己的策略虽然没有回撤,但我们也在思考。因为CTA策略赚的其实是波动率和指数gamma的beta的钱,换句话说,在波动率下降的时候CTA是有回撤风险的。那么一个自然的想法就是,我们是不是可以在组合里加入一些波动率交易,这样就可以在波动率下降、CTA回撤的时候通过做空波动率来对冲。另一个思路就是是否可以增加一些接近绝对收益的策略,从而在CTA主策略回撤或者横盘的时候通过套利策略来做收益增厚

事实上,在CTA里做这种策略的分散叠加,是有天然优势的。因为期货是采用的保证金交易,资金利用率非常高,因此新策略的加入不会挤占原有策略的资金。举个例子,比如1000万的产品,我们只需要放200万的钱在保证金账户里,就可以交易1000万的期货合约价值,剩下的800万是做现金管理的。如果要做策略分散化的话,只需要从这800万里切一部分资金出来即可,在加入新策略的同时可以确保原有策略的仓位敞口不受影响。因此,套利及期权策略的加入可以直接起到纯收益增厚的作用,而不用牺牲原有主策略本身的仓位和收益,换句话说,策略组合后的收益呈叠加关系,而非求平均的关系。

CTA的未来趋势展望

CTA的未来发展趋势如何?首先,我们把CTA的整个研究投资过程拆为原始数据获取、因子提取、交易信号产生和交易执行四大块,然后分别来看每一块的发展方向。

第一,原始数据的获取。我们认为相比于模型的改进,一个好的数据源能带来更多的超额收益。在数据上,未来的趋势主要是数据颗粒的精细化和另类数据的开拓。数据颗粒的精细化主要指的是数据频率的提升,从分钟线到tick到level2。更高频的数据源使我们可以更精细地刻画市场上投资者的交易行为,并从中挖掘因子。同时数据频率的提升也给数据的储存和处理提出了更高的要求。

另类数据的开拓,是指在传统的行情数据和财务数据外,寻找新的可以对期货价格起到预判作用的数据源。当投资者利用算法对传统标准化的数据进行充分挖掘后,传统数据所能提供的超额收益会逐渐降低,从而迫使大家转向于更加前瞻的另类数据。比如用环保排污数据来预测钢材产量、各种互联网销售数据、舆情数据等等。这也是我们未来会着重研究的一个方向。

第二,因子的提取。这里涉及到一个因子频率的概念。一般来说,从低频因子到高频因子,因子的夏普逐步提升,但是因子的资金容量是逐步下降的。换句话说,在更高频的领域,因子的盈利能力更好,但机构间竞争也更激烈,更容易形成赢家通吃的局面。传统的因子构建,往往是基于投资经理的经验和逻辑来构建因子,但未来可能会越来越演变成用算法来做因子的挖掘。算法对可以用更快的速度处理更大量的数据,会加速对高频领域因子的挖掘,当夏普更高的高频因子被充分挖掘、资金容量趋于饱和后,因子挖掘会逐步向更低频的领域迁移,在这个过程中,算力是一个非常重要的优势。目前我们的策略为中高频率,未来一方面会继续引入自动算法对该领域因子进行充分的挖掘;另一方面也会在低频基本面因子上加强布局。

第四,交易执行层面,主要是控制交易速度和冲击成本。未来会由简单的时间加权成交等向强化学习进化。

危机中的保护器,资产组合的减震器

至于量化CTA适合什么样的投资者,我们一直强调CTA的配置价值。我们知道,CTA策略也被称为危机策略,因为往往在大熊市的时候,这类策略可以取得非常好的收益。在08年次贷危机的时候,巴克莱CTA基金指数录得了14%的正收益。2018年A股市场低迷的时候,国内的CTA指数也有接近5个点的正收益。

CTA策略往往在市场大幅下跌时盈利

CTA策略与其他类型策略呈低相关性

所以,从配置的角度来说,CTA策略可以在一定程度上抵冲权益资产的下跌。另外,除了权益资产外,CTA和固收还有量化市场中性策略相关性都不是很高,因此配置CTA策略可以分散资产组合的风险

散户如何做量化交易,量化交易策略模型有用吗?


Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

交易的心声

交易的心声

迈克尔•马丁告诉我们,从内心情绪的角度洞察你经常进行的一些交易指令,有助于你更了解促使你做出决定的那些内心感觉——通常那些感觉对于盈利是没有任何帮助的。通过这些精彩的采访录,你可以了解到像艾德•斯科塔(Ed Seykota)和迈克尔•斯克鲁斯(Michael Marcus)这些传奇的操盘手,每天是如何进行推理以及内心世界的控制,从而做出更好的交易决策.

迈克尔•马丁告诉我们,从内心情绪的角度洞察你经常进行的一些交易指令,有助于你更了解促使你做出决定的那些内心感觉——通常那些感觉对于盈利是没有任何帮助的。通过这些精彩的采访录,你可以了解到像艾德•斯科塔(Ed Seykota)和迈克尔•斯克鲁斯(Michael Marcus)这些传奇的操盘手,每天是如何进行推理以及内心世界的控制,从而做出更好的交易决策的。而你,其实也可以做得到。

第一章:引言
第二章:放弃
第三章:我的学费
第四章:两个操盘手的操盘之路
第五章:常规智慧/市场时机
整体回归的属性
第六章:情绪盲点
恶狼猛兽
够听到了什么
情绪数学
第七章:你就是那个黑盒子
突破常规的操盘手
交易中的支撑位和阻力位
移动平均线的操盘手
几率交易
第八章:相对价值的交易 从而做出交易策略
第九章:对亏损的容忍度
第十章:成为一个情绪管理专家
第十一章:倾听你内心的声音
注释
关于作者
关于出版商
译者后记
· · · · · · (收起)

喜欢读"交易的心声"的人也喜欢 · · · · · ·

短评 · · · · · · ( 全部 8 条 )

1 有用 Victor 2018-11-06 00:41:30

翻译的不好,整本书更注重交易三条支柱(mind method money)中的mind部分,主要是作者过去的一些交易经历与情绪管理、亏损控制的感想。全文并不行云流水,也没有层次鲜明,但是还是有不少与我切身体悟相符的地方。说实话做交易做到砍瓜切菜古井无波澄明如镜的状态我也达到过,只不过还是不能稳定的维持在这种状态。近期玩德州扑克似乎反而让我锻炼出来了好的心态,做好了资金管理,知道自己在一笔小的交易或. 翻译的不好,整本书更注重交易三条支柱(mind method money)中的mind部分,主要是作者过去的一些交易经历与情绪管理、亏损控制的感想。全文并不行云流水,也没有层次鲜明,但是还是有不少与我切身体悟相符的地方。说实话做交易做到砍瓜切菜古井无波澄明如镜的状态我也达到过,只不过还是不能稳定的维持在这种状态。近期玩德州扑克似乎反而让我锻炼出来了好的心态,做好了资金管理,知道自己在一笔小的交易或者牌局里面输了之后还能卷土重来对交易水平和心境的影响太重大了。以我这么烂的德州水平,也在严格的资金管理之后赚到了1亿筹码,而我每次只玩400万的筹码,也就是不到4%的风险程度,心态简直平静的爆炸。此前,只有100万我也跑去玩400万的场,每次都爆的渣都不剩,现在是反过来我最喜欢碰到这类型的牌友了。 (展开)

2 有用 最轻的铜 2017-01-12 23:36:35

0 有用 樱木哈哈 2018-02-23 22:21:01

0 有用 Herb 2020-06-22 17:30:19

0 有用 GPGP 2016-04-23 21:44:11

0 有用 晨曦 2020-08-01 18:26:14 从而做出交易策略

0 有用 Herb 2020-06-22 17:30:19

1 有用 Victor 2018-11-06 00:41:30

翻译的不好,整本书更注重交易三条支柱(mind method money)中的mind部分,主要是作者过去的一些交易经历与情绪管理、亏损控制的感想。全文并不行云流水,也没有层次鲜明,但是还是有不少与我切身体悟相符的地方。说实话做交易做到砍瓜切菜古井无波澄明如镜的状态我也达到过,只不过还是不能稳定的维持在这种状态。近期玩德州扑克似乎反而让我锻炼出来了好的心态,做好了资金管理,知道自己在一笔小的交易或. 翻译的不好,整本书更注重交易三条支柱(mind method money)中的mind部分,主要是作者过去的一些交易经历与情绪管理、亏损控制的感想。全文并不行云流水,也没有层次鲜明,但是还是有不少与我切身体悟相符的地方。说实话做交易做到砍瓜切菜古井无波澄明如镜的状态我也达到过,只不过还是不能稳定的维持在这种状态。近期玩德州扑克似乎反而让我锻炼出来了好的心态,做好了资金管理,知道自己在一笔小的交易或者牌局里面输了之后还能卷土重来对交易水平和心境的影响太重大了。以我这么烂的德州水平,也在严格的资金管理之后赚到了1亿筹码,而我每次只玩400万的筹码,也就是不到4%的风险程度,心态简直平静的爆炸。此前,只有100万我也跑去玩400万的场,每次都爆的渣都不剩,现在是反过来我最喜欢碰到这类型的牌友了。 (展开)

量化交易策略研发的三个层次

量化密码库 于 2019-07-29 10:37:33 发布 834 收藏 3

程序化交易

对冲交易

量化交易

第一类:传统策略量化

这类交易,可以说是利用技术来提高原有策略的研发和执行,并且交易频率和规模也有了变化,但本质上并不算崭新的策略类别,以前赚钱的策略也许能赚的多一些,亏钱的策略,量化也不能把他变成赚钱,这就是【思路错了量化也救不了你】

第二类:科学技术驱动策略

纯粹或很大程度上基于技术(technologies)差别的策略。这个类别也有一定历史,但真正变成一个庞大且引人注目的策略类别,则是在近10年计算机技术的飞速发展过程中产生的。常见的情形是,某机构因为采用的算法效率更高,计算机硬件更强大(超级计算机),产生了细微的速度和计算优势,从而在交易上抢得先机,并运用自动化交易频繁交易大量产品,用巨大的交易量产生稳定的收益。这类策略中IT技术和科学模型起了很关键的作用。这就是【技术就是你的思路】

举个例子:

较早开始高频交易的Tradebot就是这类策略的典型运用者,在2002年就达到了每天一亿个订单,差不多在那个时候很多传统做市商被Tradebot和Getco这样的新型电子做市商挤出市场,后来Tradebot和Getco同样一路用技术碾压其它电子做市商竞争对手。

在2005年, Tradebot 剥离了BATS Global Markets,也就是现在美国第三大股票市场BATS。而1999年Tradebot刚成立时,工作室地点是美国农村Kansas City的一间小地下室,里面阴暗潮湿,只有5个交易员坐在电脑屏幕前监控交易,那时每台电脑上都配备了一套叫着“Tradebot”的软件。而Getco 对策略的运用更广,野心更大。2012年,也是老牌做市商的 Knight 因技术故障,向纽交所发送大量错误order,导致公司巨亏4.4亿美元,股价两个交易日暴跌七成,被Getco以18亿美元价格收购。

人们常对西蒙斯文艺复兴的大奖章基金长期持续的高回报印象深刻,而实际上不太为媒体所知的是 Tradebot 常年保持每天(而不是每月或每年)盈利,not even one single losing day,原因是文艺复兴有很多新基金要向外部投资者融资(赚钱的大奖章很早停止了外部融资,而实际新基金表现比大奖章差很多),需要做一定程度的IR,而Tradebot不对外部投资者开放,自己低调赚钱,这也是HFT很普遍的特点。如果不是市场几次出现大动荡,HFT被揪出来当替罪羊,媒体口诛笔伐,基本是没有多少人知道这个低调类别的存在。

第三类:新型量化策略

这类策略则是得益于计算机技术的发展,而慢慢发展起来的策略类别。它不完全是基于执行的技术优势,更多是利用技术研发出新策略。例如统计套利,需要较多计算机计算资源进行数据挖掘、模式识别,这在以前仅仅靠人力是难以胜任的。IT技术的发展和成本的降低使得这些策略的研发得以可行。这就是【技术产生新策略】