俸旻，北京大學數(shù)學學院學士和博士，曾任職于微軟亞洲研究院副研究院，從事網(wǎng)絡安全、信息安全研究；曾任職于華為技術有限公司，從事無線通訊技術研究，開發(fā)了全球第一套TD-LTE Relay樣機；擁有專利國內國際專利20余項。

　　俸旻：非常榮幸來到這兒給大家做一個講座，這么多人，還有點小緊張。其實這個市場有很多做得比我好的，可能大家接觸的比較少，但是我接觸的比較多，因為我數(shù)學系出身，我的同學里面有很多在這一行做得非常好的。當然還有帶我入門的清華計算機系的一個師兄，也做得非常好，希望大家有機會多向他們學習。

　　下面開始講座，講座開始會讓大家建立一些概念，比如說拿一個量化交易策略讓你投資你要知道怎么評估；你做量化交易研究要知道量化交易的流程。然后我會講一下，量化交易是很復雜的系統(tǒng)工程，我會把我做的計算機的架構，我做的研發(fā)系統(tǒng)的架構都給大家說一下。這些是很多對沖基金在用的架構。后面的比較枯燥一點，偏計算機、偏數(shù)學。我以前就在做碼農，好不容易在做金融了，其實還是在做碼農。

　　看一下量化交易，先看一個實例，什么是量化交易。

　　我們做量化交易，先要觀察，找一些信號，有人就做觀察，假設他看到“一年之中有很多天股指期貨價格波動率超過3%”。于是他就有了一個想法，希望在波動率比較大的天判斷好方向，加大倉位，在其余天控制虧損。他就打開他的電腦，進行無數(shù)次的研究、測試、再研究、再測試。這個很早的策略的實盤曲線如圖，這反映了當時的原始思想，就是在有特別明顯趨勢的天，它大幅度的盈利了，但是其它天在不斷的回撤，但是每一天的回撤都特別小，一年賺了30%。這是量化交易1.0的工作方式。最主要的工作是建立模型，寫代碼，做測試；測試以后發(fā)現(xiàn)有問題，需要去改模型，再測試。用數(shù)學方法做建模，用計算機做數(shù)據(jù)處理。在大量統(tǒng)計研究基礎上充分運用科學的方法來判斷價格方向，它追求的是持續(xù)穩(wěn)定的盈利。

　　量化交易最需要的技能是三塊：金融、統(tǒng)計、計算機。金融，了解金融的基本概念，金融相對于后面兩者來說，要求稍微低一點。更需要的是后面兩個東西：數(shù)學與統(tǒng)計，但是數(shù)學統(tǒng)計我們需要多高深的知識呢？我是學基礎數(shù)學的，做數(shù)論、密碼的。量化交易用不到那么復雜的東西。數(shù)學統(tǒng)計需要用到的數(shù)學知識包括幾個方面：大一的數(shù)學分析，線性代數(shù)、數(shù)理統(tǒng)計、時間序列，主要用大一、大二、大三的知識。但是需要用得比較多的是數(shù)學的建模方法、建模思維，把一些東西做數(shù)學化的抽象和刻畫。你要不斷的練習，用數(shù)學的抽象描述世界。

　　還有一個是計算機，我們每天工作的大部分時間真的是在寫代碼。會想模型，要把它測試出來，去分析；過程中還有BUG，要調試。還要搭系統(tǒng)，研發(fā)系統(tǒng)和交易系統(tǒng)，系統(tǒng)是很大的較復雜的。計算機是必不可少的，這是你每天做實驗的工具。有人問，我到底需要掌握什么樣的計算機編程工具。這要看不同的交易策略，做高頻交易需要C ；其它策略可以考慮Python、R、Matlab甚至Excel。有人說，計算機技術發(fā)展得很快，Machine learning和深度學習可不可以用呢？有可能，但是如果你純用Machine learning去做交易，很有可能學習出來的維度特別高，擬合的嫌疑很大。

　　量化交易因為是用模型去刻畫盈利邏輯，往往容易程序化；也可以通過模型來做風險控制；而且相對易于檢驗模型是否靠譜和搬遷到其它交易品種上去檢驗。量化交易還可以避免心理干擾，我的程序放在那兒跑就行了。經(jīng)常我們的團隊說我們出去玩兩天，東西放在那兒，不管它，最多在玩的時候把手機掏出來看看程序跑得是不是正常。

　　前面說了程序化，多數(shù)情況下我們把程序化交易和量化交易看成是相等的，我更認為量化交易是一個方法論，怎么建模，怎么做模型檢驗、怎么實驗驗證和跟蹤的過程；而程序化強調它可以自動的運行。

　　量化交易的三件武器：第一件，也是最重要的，量化交易是以大數(shù)定律來掙錢。大數(shù)定律是我們在大二的時候就學過，我們把每次交易看成是一次賭博，這是一個事件，這個事件是隨機變量，如果隨機變量的均值能夠覆蓋成本，我就覺得我有信息優(yōu)勢，我就愿意參加這個賭博；如果覆蓋不了成本，你就不要做了，做的越多虧的越多。同時我們希望我們做的次數(shù)越多越好，公式下面是N趨向于無窮大，N次獨立同分布交易的平均收益隨著N不斷增大，越來越趨近于它的期望，所以我們要考慮怎么讓它的次數(shù)更多。

　　第二件武器就是交易科技。量化交易需要交易科技來配合，其中有一條是快，因為我們做交易的參考是信息，而價格是對信息的反應。我們需要交易科技達到快，這就需要你快速地搜集數(shù)據(jù)，快速地分析數(shù)據(jù)，快速地發(fā)出指令，這些要求你要有一些通訊技術以保障快速的網(wǎng)絡連接，同時應該把計算機系統(tǒng)優(yōu)化，還可以考慮如何用硬件把它加速。當然你也可以考慮做好快速的信息處理，例如現(xiàn)在已經(jīng)有人在討論把互聯(lián)網(wǎng)的大數(shù)據(jù)拿來做交易分析，就非常需要快速信息處理。有很多文章已經(jīng)在討論這個方向，例如有人提出用Twitter來看美國股市。文章寫得挺好的，不過這樣的分析需要大數(shù)據(jù)技能比較強的人。不過我對于Twitter來做方向性的預測持保留意見?？炜梢宰屇惚葎e人更早的獲得行情、更迅速地做判斷、更早的報單子進去，從而降低你的交易成本。你可以更快的看到別人報的單子，可以更快的搶到；你搶完了，后面的人只有花更多的成本獲取。

　　再舉個例子為了取得第一時間的行情，我會研發(fā)一些技術。

　　（此處兩個空格）比如說中國的期貨交易所舊的行情發(fā)送機制，沒有使用計算機和網(wǎng)絡的先進技術，它之前通過單播推送，而不是一下子廣播給大家的多播方式。單播是首先發(fā)給你，然后發(fā)給他。交易所還考慮得周到為了公平，他這一秒，先給第一號發(fā)然后2345678。下一秒從第二號開始發(fā)23456781。怎么解決這個問題？那我就聽多個行情。

　　量化交易第三件武器就是可以跨市場交易。在跨市交易中你可以提高資金的使用效率，分散風險，一份資金可以交易很多市場。無論做高頻交易還是做中低頻，我都強烈建議大家做多品種，特別是對中低頻做多品種是至關重要的。

　　如何評估量化交易策略，評估一個交易策略可以依據(jù)許多指標，如果讓我只選擇一個技術指標，我會選擇夏普比率/信息比率，如果你把收益率當做一個正態(tài)分布，你知道了它的夏普比，你就知道它的某種VAR。夏普比越大越好，超高頻交易能達到6以上，甚至達到十幾；低頻的可能只有1到3。參考一些美國著名的規(guī)模較大的基金，夏普比大概在1附近。當然你還可以看最大回撤這一指標，但是這個是心理指標，是每個人能接受的最大的虧損的范圍。這個參數(shù)可以通過杠桿來調節(jié)，所以只看一個指標我不會看它。但是如果資金投給別人管理，因為控制權不在自己手上，那我還是會看的。這里面我要說一點，量化交易者一般是風險厭惡者，在座的很多同學自己炒股吧，我不知道這次股災虧得最多的有多少，我估計有人虧損超過50%吧。你們風險能力都比俸老師強，俸老師的風險承受能力只有10%。

　　如何評估它的量化交易策略？這需要確認他是否用科學的研究方法。假設某人拿一個報告給你看。你可以問他：“你的交易成本怎么算？中間有沒有過度擬合的可能，怎么判斷有沒有擬合？”交易成本包括好幾個方面，手續(xù)費，流動性成本；還有兩個很難測的成本，一個是沖擊成本，就是說我資金放進去對市場的沖擊是怎么樣的；還有一個是機會成本。有沒有過度擬合，例如某人的策略盈利只有那幾天，其它天都沒有交易，這明顯就是一種擬合。你可以用簡單的方法把盈利最大的幾天去掉，再看它的夏普比高不高。如果只有幾天盈利，我怎么知道未來什么時候能碰到這幾天。

　　如何評估量化交易策略還有一個更重要的方面就是人，對于投資來說最重要的就是評估人，這適用于做任何投資，包括做風投，這個人靠譜、這個人能力強，這是最重要的。說說做量化交易的人，穿著有特征嗎？我今天都穿得比較正式了。量化交易者穿著的標準特征是，碼農穿什么，量化交易的人一般就穿什么，可能穿的就是沖鋒衣牛仔褲，熟稱“碼農套裝”。當然只看衣裝肯定不靠譜。其實這類人給你介紹量化理財產品，一般會跟你特別地強調風險，之前說過量化交易投資者一般是風險規(guī)避者。你接觸多了就會發(fā)現(xiàn)強調風險越多的人，往往越靠譜的。我自己投資都投給我接觸得多了解得多的這樣的人。我認為做量化交易的這些人是金融界最踏實的、最天真無邪的一幫人，包括我剛才說的清華的師兄，還有很多做此行我的同學。有一天我跟我同學吃飯，他跟我說人生最后悔的一件事是在本科的時候接了一個開發(fā)項目，他被介紹說成他是一個博士。他覺得他撒了謊，不該這樣做。這些人真的很單純？因為他們不求人就可以掙錢，他沒有理由不單純，他沒有動機要騙你。

　　誰在做量化交易？其實某種程度上做量化交易的這些人，可以說是實驗物理學家，不停做實驗、測試、修正，同時特別強調要有實驗物理的精神。圖中這位大佬就是以前學物理的，后來去做quant。有金融學的理論是以他的名字命名。話說我之前聽過一個老師講課，他說他發(fā)明了金融物理學。這個老師講了一件很有意思的事，他說他做了一個策略特別好，做了20次實驗，有19次都明顯賺錢了，到20次不夠理想但專門等到它賺錢才平倉，最后是百分之百的賺錢。這個人明顯不是做物理學的，做物理的要容忍有誤差。做量化交易的人員其實有很多學數(shù)學、計算機、物理、化學的，理工科的比較多，當然有學金融的。

　　下面來講量化交易的案例，這是一個實盤交易的帳戶，在一年時間里從20多萬做到了90多萬，業(yè)績相當不錯。對高頻交易來說，凈值曲線比較直的往上走就是特點。另外一個特點:它的手續(xù)費交了84萬，賺了60多萬，手續(xù)費比賺的還多。大家看了以后有什么沖動？是不是很想去開賭場？高頻交易策略的交易頻率特別高，有時幾秒就一次交易。有人認為日內交易就是高頻交易，這種說法也可以。高頻交易沒有嚴格的定義。不過因為持倉時間比較短，所以每次賺錢比較少，但每次都要交手續(xù)費，因此手續(xù)費占的比例特別高。夏普比（率）很可能在6之上，甚至達到10幾。

　　這是統(tǒng)計套利中的Alpha套利，藍線描述的是Alpha套利的策略凈值，紅線描述的是滬深300。Alpha套利其實做了多空兩個方向的對沖交易，盡量把市場風險暴露控制到最小，也是追求持續(xù)穩(wěn)定的盈利?？磮D中表格，我推薦大家策略做分年的測試，看看每年的策略的情況，以及策略適應性的大體趨勢。我對期貨比較熟悉，一般數(shù)據(jù)會是這樣的走勢。如果是只針對股指的量化高頻策略，從2010年開始夏普比一般會逐年下降，今年會比較特殊；總的來說是因為競爭越來越激烈。但是如果是多品種合在一起的量化期貨投資策略，有可能夏普比會逐年提高，因為可以做的品種越來越多。這也可以用作量化交易策略的判斷。

　　如果同學想進入量化投資領域，我推薦大家從這兩類量化投資策略入手。避免只做多頭，風險太大。避免做持倉時間特別長的，交易的品種要盡量多，否則風險可能會很難承受。

　　下面我們來講講量化交易的流程，我們分為策略尋找，數(shù)據(jù)回測，通過虛擬交易系統(tǒng)檢驗執(zhí)行，最后才會去做實盤。策略尋找，大家有不同的能力，不同的風格，你需要找適合你自己的策略，包括你的各方面因素：時間投入，編程能力（可不可以做自動化），你的資金量等因素。一般來說不是富二代，資金量還是比較少的，這個時候我推薦大家做期貨。俸老師是不是把你往火堆里面推呢？

　　我們要談談大家對于風險的認識。大家很多時候會討論，股票的風險大，還是期貨的風險大？估計90%的人會說期貨的風險大。如果只是這樣模糊地談風險，我覺得期貨風險會更小。因為期貨是T 0的，期貨可以隨時做空，期貨可以放杠桿，但是你做期貨也可以不放杠桿，無非就是把錢放在那里多一點，這意味著期貨給了你更自由的空間，你憑什么說期貨的風險比股票的風險大呢？對于風險的認識，更重要的是你去投資的時候你管理得怎么樣，而不是側重于標的資產價格變動的多少；更重要的是你能否抵抗你的貪婪欲望等心理。做投資的其實都希望價格變動，有些還希望價格能較快速變動。它不動投資會有什么收益？重要的是你能否把握價格的變動。所以如果你的資金量比較小，建議大家去做期貨。

　　剛才還介紹了另外一種策略，Alpha套利，我個人覺得如果你要做Alpha套利，你應該準備至少兩百萬。現(xiàn)在同學有投入幾千、幾萬塊錢炒股，但多數(shù)很難放入量化交易范疇。如果你要做Alpha套利，那些錢不夠。量化交易以大數(shù)定律的方式掙錢，一支股票一年交易的機會/次數(shù)太少的話，怎么足夠體現(xiàn)大數(shù)定律來？那一定要交易更多的股票才好。要滿足大數(shù)定律要求的次數(shù)多，可以走兩個維度：一個是頻率高，一個是交易品種多。

　　然后就是確定投資目標，你是追求短期盈利賺快錢還是想做長期的規(guī)模收益。賺快錢就做高頻交易，剛才十萬到九十萬的那個就是一年多一點的時間。但是如果做長期的收益，收益期望不要太高。俸老師自己的期望，做長期的收益如果年化可以穩(wěn)定在10%到20%，最大虧損控制在5%，那就挺好了。以Alpha套利為例，美國市場上目前收益大概年化在6%~10%，中國市場可能是10%~20%。

　　大家一定要磨煉好自己的本領，苦苦的練一年、兩年，做好研究，測試嚴格，你再好好用實盤去做。最后你必須去上實盤，因為上和不上差別很大，又會積累很多經(jīng)驗和知識。不要性急，要鍛煉好自己的心態(tài)，做好心理準備。

　　量化交易策略的評測之前有提到過，不再重復。這里來談談評測中間的陷阱。第一個陷阱，忽略交易成本。之前提到交易成本包括:手續(xù)費、流動性成本、沖擊成本、機會成本。我們來舉一些實例：比如說做跨期套利，單一期貨品種有不同到期日的合約，合約的走向應該是比較一致的。所以你可以做它們的價差反轉，來尋求盈利。往往很多人拿歷史數(shù)據(jù)回測之后，發(fā)現(xiàn)夏普比率非常高，感覺可以隨時撿錢。但真實去做了之后，才發(fā)現(xiàn)沖擊成本其實很高，因為它需要同時交易兩個合約，有一個流動性好點，有一個流動性差點。有時某個合約沒有抓住，要去追單子，一下子成本就付出去很多?？缙谔桌龅氖莾r格的反轉，每次賺的錢少，交易成本占比非常高的，如果成交價格再滑一下，發(fā)現(xiàn)十次賺的錢一次就虧出去了。我們自己也有做市(Market Making)的策略，為市場提供流動性，市場行情顯示了買賣價，我們的報價是在買賣價中間?；販y的時候，根本不知道這個報單會不會成交，這就是機會成本?；販y時候也不知道機會成本具體是多少？例如用TF國債期貨去做策略測試，夏普比率完全可以大于十，真實交易會發(fā)現(xiàn)太坑爹了。

　　量化交易做了回測，夏普比只能說給了你一個指示，并不代表著未來你的策略就會跑的一樣好。那也可能是擬合的結果。若你做了樣本外的測試解釋力度會強一些，不過我們始終要有顆心，擬合會是一個很大的陷阱。怎么防止過度擬合呢？主要是策略參數(shù)一定不要太多。交易次數(shù)除以參數(shù)個數(shù)的數(shù)字一定要比較大才好，比較大大數(shù)定律才能呈現(xiàn)出來，要不然是假象。

　　總之陷阱很多，大家一定要有嚴肅的科研精神，一定要把模型做得越嚴格越好，讓你有充分的自信，再做實盤。

　　下面我開始講比較枯燥的東西，也是干貨。量化交易系統(tǒng)1.0，還有一個2.0，它們兩個其實側重點不一樣。1.0是交易系統(tǒng)偏計算機軟件體系結構；2.0更側重于做系統(tǒng)化的研發(fā)，是指系統(tǒng)化地做量化交易研究。

　　1.0系統(tǒng)是完全由我一個人開發(fā)的，我想讓我的交易系統(tǒng)既可以做回測，又可以做快速地實盤交易；還可以很方便的擴展指標或者信號；我可以定義自己的交易執(zhí)行策略；還可以同時處理多個合約、多個策略、多個賬戶。量化交易本來就要求同時交易多個合約為好，甚至可以考慮用合約1的信號做合約2；可以同時做多個策略，資金使用率提高，風險分散；還可以多個帳戶，有很多客觀地需求。

　　同時支持回測和實盤，我設置兩個接口來實現(xiàn)，一個接口讀行情，一個接口做交易。讀行情接口有兩個派生，一個是從文件里面讀數(shù)據(jù)，一個是從實盤行情服務器讀數(shù)據(jù)。交易接口也有兩個派生，一個是下單通過網(wǎng)絡報出去，一個是下單下到文件里。這樣回測、紙面交易和實盤交易的實現(xiàn)就是搭不同的積木。回測是把歷史數(shù)據(jù)灌進來，下單到文件，最后統(tǒng)計一下回測結果好不好。真實的交易無非是聽真實的行情，把單子報到網(wǎng)絡中去。紙面交易則是聽取真實的行情，下單下到文件中去。

　　為了很方便地擴展指標和信號，可以設定一個指標計算的接口作為父類。具體的指標或者信號由接口派生出來，行情其實也可以作為一種特殊的指標或者信號。

　　我們還做了指標計算和交易策略的分離，比如說同時管理多個帳號，多個帳號可以用同樣的策略，做了分離之后指標/信號計算就可以只算一次。這樣的分離也避免了策略業(yè)務邏輯的復雜化。

　　我們還要做交易策略和執(zhí)行策略的分離，執(zhí)行策略是描述我的單子怎么去執(zhí)行的。例如我的單子特別大的時候，需要配合一些算法，把單子拆分成細的、小的單子；如果你一次把一個大單子放進去，別人就會看到了你的需求，他就會想怎么賺你的錢，這樣不好。把單子拆小，讓自己的沖擊成本減少；而對于高頻交易雖然不大需要單子的拆分，但是也要處理很多復雜的東西，比如說訂單的成交細節(jié)和撤單細節(jié)等。

　　這是一個可行的架構，這個架構是真實交易的架構，分為幾個線程。真實交易肯定是多線程的網(wǎng)絡程序，有行情線程、訂單回報線程，還有數(shù)據(jù)處理的線程。行情線程收到行情后，把時間信息放到隊列里面去，把行情信息放到內存里面，然后通知中間的數(shù)據(jù)處理現(xiàn)場說：“新的行情來了，數(shù)據(jù)準備好了，你開始處理吧！”然后中間的線程就去看，哪些指標/信號計算、哪些交易策略關聯(lián)到這個合約的行情，挨個調用挨個計算，在交易策略中可能會涉及到報單，就把單子報出去。報出去以后，要等交易回報線程通知?？赡軙ㄖ愕膯巫訄箦e了；可能會通知你單子成交多少手等等。通知存到共享內存中，訂單回報現(xiàn)場再知會信息處理線程：“單子成交了，你處理吧?！边@中間可以建很多的數(shù)據(jù)處理線程，達到并行的目的。

　　下面來分享一下系統(tǒng)化做研究的方法，我們始終強調量化交易是以大數(shù)定律的方式來掙錢。先來看看傳統(tǒng)的方法，一般我們入門都會用這樣的方法:我們會去想一個賺錢邏輯，用模型把它刻畫出來，然后放數(shù)據(jù)在上面跑。這樣的方法完全可以賺錢。例如前段時間運行過的一個策略：股指期貨主力合約在短時間大幅變動時候，次主力合約跟得不及時；這個時候我就去做次主力。這個策略還不錯，但容量很小，畢竟做次主力，流動性成本也很高。拿了40萬去做，一天賺了75%。所以有時很多想法很簡單，的確有些策略論壇都會寫，做一些小改動也許就可以較穩(wěn)定盈利。但是在我們照搬或者構思了盈利邏輯進行回測之后，會發(fā)現(xiàn)總有些地方有大坑。大家自然去想，我能不能做一個過濾器把這個坑濾掉；于是做了止損/過濾，但最后發(fā)現(xiàn)夏普比變低了。這樣做不是不可以，但是這樣做其實和大數(shù)定律掙錢的思維是相反的。加過濾器就是減少了交易次數(shù)。這就是傳統(tǒng)的方法主信號加約束條件，但是添加約束條件其實是在做擬合。系統(tǒng)化的研究方法是怎么樣呢？推薦一本書給大家，《Active Portfolio Management》（《主動投資組合管理》）華爾街的圣經(jīng)，可以給大家答案。這本書可以反復讀。（另外一本量化交易入門的書《Quantitative Trading: How to Build Your Own algorithmic Trading Business》，可以快速讀。帶著兩個問題去讀：如何評估量化交易策略；量化交易研發(fā)的流程是什么。）系統(tǒng)化研究是做信號系統(tǒng)，多數(shù)量化基金的研究方法，它會考慮信號測試、信號組合、風險模型、投資組合幾個部分。

　　信號系統(tǒng)分了四個步驟，第一步建立數(shù)據(jù)庫，第二步做信號研發(fā)，第三步模型構建，第四步投資組合。數(shù)據(jù)庫里面首先有原始的數(shù)據(jù)包括行情數(shù)據(jù)、基本面數(shù)據(jù)等，還有我們已經(jīng)測試過的信號庫。原始數(shù)據(jù)就是價格、量等等的時間序列，信號庫就是信號的時間序列。信號研發(fā)，我們要先做信號的構建，你可以通過已有的資料找兩三百個潛在的信號，還可以做增強的信號，還可以考慮新的市場，新的數(shù)據(jù)源?；ヂ?lián)網(wǎng)大數(shù)據(jù)我覺得也是有可能的，但是也需要謹慎。剛才我說了，通過Twitter的數(shù)據(jù)來做我持懷疑態(tài)度，一是噪音太多，二是一般價格會快過于新聞，新聞出來的時候價格早就走了。但是它可能是風險的因子，用Twitter/微博的數(shù)據(jù)，或者谷歌/百度里面股票點擊量的數(shù)據(jù)，有可能是一個很好的風險因子。一些需要經(jīng)過長時間才消化的數(shù)據(jù)倒可能用于做alpha因子，比如說淘寶某個商品的銷量，比如說我們航拍得到的一個碼頭船的數(shù)量，可以統(tǒng)計卡車通過高速公路次數(shù)，可以收集房地產每戶的水費電費。

　　然后就是信號的有效性測試，構建一個信號出來，需要測試這個信號靠不靠譜，就是說看信號數(shù)值和未來的收益率相關性怎么樣。你可以把信號和收益二維的平面散列圖畫出來，看一下趨勢是怎么樣的；一般不是線性，要考慮怎么把非線性變成線性。如何用最少的參數(shù)把它變成線性信號，得到新信號和未來的收益率的關系。相關系數(shù)絕對值大的，這個信號就不錯。但是一般測出來的都很小，大的早就被人弄完了。所以往往一個信號是不夠的，要做多個信號。先測試一個信號，再看這個信號相對已有的信號庫來說，有沒有信息增量，沒有信息增量這個信號就沒有用。你也可以算算不同信號之間的相關系數(shù)，相關系數(shù)太高你就不要了。如果可以，把它放到信號庫里面去做多信號的組合。怎么把多個信號組合在一起得到一個新的信號？這里列舉了一些很復雜的方法，神經(jīng)網(wǎng)絡等等。我建議大家用越簡單的方法越好。通過這部分研發(fā)，系統(tǒng)可以得到每個時間點各交易合約的預期收益率。

　　下面還有一件事就是做投資組合，投資組合就是知道了收益率，知道了風險，解決一個優(yōu)化問題。剛才我們已經(jīng)得到預期收益率，我們還需要得到它的風險。要得到風險，推薦大家去看一些風險模型相關的文章，交易股票可以找到若干風險因子，有基本面因子、統(tǒng)計因子，宏觀因子等。但是絕對不能把三千支股票簡單的計算一下協(xié)方差矩陣來做結果。有了風險模型加上前面的預期收益率就可以做投資組合。投資組合決定了倉位，當然投資組合也不是那么簡單的優(yōu)化，還要加很多約束條件，例如考慮換手率，不然都給股票交易所做貢獻了。像針對機構投資者的基金會給一些額外的限制，你的股票投入在每個板塊不能超過多少；當你超過了限制，機構投資者就會過來找你麻煩。作為同學入門來說，可以先從傳統(tǒng)方法入手，后面再考慮走向系統(tǒng)化方法的道路。

　　不同類型的策略，框架會有區(qū)別。例如高頻交易就不大需要做復雜的風險模型。但是對于中低頻，我個人建議一定要上風險模型。上和不上區(qū)別是很大的。風險模型有很多應用，主動式基金、被動式基金都需要用到風險模型。系統(tǒng)化工程要是一個人去搭還是挺困難的，可以尋求合作。

　　“礦”工的路還是滿辛苦的，非常感謝大家來到這個“礦”工的世界里！

　　下面是精彩的問答環(huán)節(jié)：

　　提問：前一段時間發(fā)生股災，千股跌停，您做的量化交易是怎樣應對這種情況的？

　　俸旻：股災對于不同的策略影響不大一樣。例如高頻交易就不大害怕股災，因為它可以把握快速的脈搏，甚至它可以在股災中獲得較大的利潤。高頻交易絕對不是造成股災的始作俑者，它其實能讓價格快速地回歸到理論值。股災中的恐慌，最大的原因其實是人類的貪婪，肆無忌憚地融資放大杠桿，而量化交易能較客觀地去確定自己投資的合理杠桿水平。對于我前面推薦的Alpha套利策略，這次股災對它的影響還是巨大的。股災時候最大的風險已經(jīng)超出模型可以管控的范圍，那時最大的風險是政策風險。舉個案例，一個人做Alpha套利，多頭用股票，空頭用股指期貨，某天期貨臨近到期日要移倉，但他平倉之后發(fā)現(xiàn)無法開倉。這會造成裸多頭，還有很多停牌的股票，簡直會坑死人。我們非常支持救市，絕不能讓股災引發(fā)金融系統(tǒng)的崩潰。

　　問：目前世界上有沒有比較成熟的量化交易平臺？不包括策略。

　　俸旻：現(xiàn)在有一些量化平臺，國內有人使用TB、MC等等。但是我不用它們，因為慢，信息可能泄露，而且用了平臺，手續(xù)費會變高。支持量化交易2.0系統(tǒng)的開放平臺好像還沒有，都在基金公司內部吧。

　　提問：量化交易對于高性能數(shù)據(jù)處理有什么要求？比如說計算機高性能數(shù)據(jù)處理，并行計算、超級計算機，需不需要類似技術的介入？

　　俸旻：這些技術是需要的。很多量化交易會牽涉到多參數(shù)組測試，計算量還是非常大的。所以是多核計算、分布式、云運算的很好的應用場景。

　　提問：高頻交易用到的策略是有壽命的，怎么知道它該淘汰了？

　　俸旻：我們做量化交易，會持續(xù)跟蹤策略的性能，比如觀察一些指標的顯著變化。例如突然跌破了歷史的最大回撤，我們就會很謹慎，可能調整些東西?？赡苷{低杠桿，也有可能把它停了。需要依據(jù)不同情況做處理，但是肯定會繼續(xù)跟蹤。

　　提問：做量化交易的信號模型是否像學生做實驗一樣，需要有一個理論依據(jù)？還是需要第六感或者直覺把這種參數(shù)找出來？

　　俸旻：就我個人而言，更傾向于有理論依據(jù)。你可以用金融學、經(jīng)濟學、行為金融學等專業(yè)或者課程做背景，也可以用市場觀察來說話，模型有理論依據(jù)支撐心里更有底啊。我個人認為行為金融對中國市場比較有效，因為中國市場80%以上是散戶。也推薦做量化交易的朋友們多去看看其它方面的書，比如說社會心理學、行為金融學、生態(tài)學等等。

　　提問：做高頻交易，網(wǎng)絡本身就已經(jīng)很慢了，如何能把交易速度提高，做到快速交易？

　　俸旻：你可以請網(wǎng)絡專家，計算機專家來優(yōu)化你的系統(tǒng)。你要和經(jīng)紀商合作，因為網(wǎng)絡不是你可以直接干預的。你可以把它做到硬件上去，技術發(fā)展，永無止境。你要評估自己的能力，根據(jù)你的能力選擇你的策略類型。例如我現(xiàn)在絕對不敢去美國市場做高頻交易，那邊那么多公司，無論是通訊技術還是策略都牛得不得了，我過去就是找死。如果我做海外市場可能會選擇做一兩天為頻率的策略。知己知彼很重要?？梢圆缓蛣e人拼速度，拼智慧，拼策略，拼風險模型。

　　提問：您認為量化交易還有多大的市場可做？

　　俸旻：量化交易的市場應該還是非常大的，中國在起步階段。量化交易分高頻和中低頻，高頻的市場規(guī)模很小，中低頻就很大了。而且量化交易也可以和傳統(tǒng)交易配合，發(fā)揮各自所長?，F(xiàn)在出了很多政策來限制量化交易，各個交易所的征求意見稿也發(fā)出來了。限制不一定是壞事，很多海外的基金被拒之門外。還是會逐步放開，促進市場更有效。

　　提問：信號對量化交易是很重要的，但是隨著使用量化交易的人越來越多，大家都會發(fā)現(xiàn)這些信號，而信號是有限的，產生新信號需要很長時間。在沒有挖掘出新信號之前，使用已有信號的人達到了飽和怎么辦？

　　俸旻：在達到之前，策略應該會有反應，需要去做調整甚至暫停。爭搶的人肯定會越來越多。有些策略簡直就是教科書一樣的，此時你必須趕在別人前面，讓別人跟在你后面做。

　　提問：如果我們不在高頻交易里面混，我們做長期一點的趨勢跟蹤策略?，F(xiàn)在大家都玩高頻，趨勢跟蹤策略還有沒有存活的空間？

　　俸旻：有，絕對有！如果你速度不能和別人比，你就在其它方面建立自己的優(yōu)勢。高頻市場很小，量化交易也不會把所有市場占完；長時間來看傳統(tǒng)交易無論在國內還是國外管理規(guī)模都會大于量化交易。這塊蛋糕吃不了，可以選其它蛋糕吃，你要發(fā)現(xiàn)你的優(yōu)勢，選擇你擅長的，我自己肯定也不去做找死的事情。

　　提問：當資金量變大的時候有些策略的收益會降低，您是怎么控制這個的？

　　俸旻：你問的是策略容量的問題，我們的策略都是有容量的，我們剛才說要算沖擊成本、機會成本。你的單子越大，成本就越高，直到大到一定的數(shù)量，你沒有額外增加的收益了，這就是容量。比如說做一個高頻交易，容量很小，日內的超高頻交易，幾十萬、幾百萬、一千萬的容量。但是日內的中低頻容量可以拿到上億的容量，股票可以做到幾十億，甚至上百億的容量。但是一定要有容量的概念，不要無止境的做下去。

　　提問：策略資金容量增大的時候，它的夏普值是什么樣變化的？您會把夏普值做到多少就不做了？

　　俸旻：對于高頻交易我會考慮單個品種的容量是多少，可以接近那個容量去下單。但是對于中低頻，因為中間還會牽涉到投資組合，你會調整你不同品種的持倉，你應該有個換手率的約束。不能無止境放大資金管理規(guī)模，夏普值肯定會降低甚至變負。要把交易成本特別是隱性成本計算好，然后根據(jù)你的收益預期和風險承受能力而定管理好大規(guī)模吧。對于我來說：長線投資期望收益率在10%到20%，回測控制在5%；高頻交易，夏普比追求大于6，至少不低于3；中低頻夏普比追求大于2.5，至少不低于1.5吧。

　　提問：我看新聞上報道過量化交易中80%的訂單會被撤單而無法成交。這個報單的目的是不是為了影響市場情緒？

　　俸旻：撤單和策略的類型有關系，做市策略肯定撤單率高。市場上有影響市場情緒的交易者，例如突然放一個假單子在上面，假裝需求特別大，然后立馬撤掉。還有交易者操縱市場。這些操作是涉嫌違規(guī)或者違規(guī)的，大家不要去做，不值得。