本文主要面向兩類讀者，第一類是正在努力尋找一份基金管理公司量化交易員工作的求職者，第二類是期望嘗試開啟自己“散戶”算法交易事業(yè)的人士。

　　量化交易是數(shù)量金融學(xué)（注1）中一個極其艱深復(fù)雜的領(lǐng)域。若要通過面試或構(gòu)造你自己的交易策略，就需要你投入大量的時間學(xué)習(xí)一些必備知識。不僅如此，它還需要你在MATLAB、R或Python至少一門語言上具備豐富的編程經(jīng)驗。隨著策略交易頻率的增加，技術(shù)能力越來越重要。因此，熟悉C/C++是重中之重。

　　一個量化交易系統(tǒng)包括四個主要部分：

　　策略識別：搜索策略、挖掘優(yōu)勢（注2）、確定交易頻率?；厮轀y試：獲取數(shù)據(jù)、分析策略性能、剔除偏差。交割系統(tǒng)：連接經(jīng)紀商、使交易自動化、使交易成本最小化。風(fēng)險管理：最優(yōu)資本配置、最優(yōu)賭注或凱利準則、交易心理學(xué)。

　　我們首先來談?wù)勅绾巫R別一個交易策略。

　　策略識別

　　所有量化交易流程都肇始于一個初期研究。這個研究流程包括搜索一個勝率差策略、檢驗它是否適合你可能正在運作的策略組合、獲取任何測試策略時所需數(shù)據(jù)、努力優(yōu)化策略使其收益更高且（或）風(fēng)險更低。如果你是一個“散戶”交易員，一定要清楚自己的資金是否充足，以及交易成本對策略的影響。

　　通過各種公開數(shù)據(jù)搜索可盈利的策略實際上十分簡單，并沒有大家想的那么難。研究學(xué)者會定期發(fā)表理論交易結(jié)果（雖然大多為交易成本總額）。一些數(shù)量金融學(xué)主題博文也會詳細討論策略。交易期刊還會簡報一下基金管理公司使用的一些策略。

　　你可能會問，個人與公司怎么可能愿談他們的可盈利策略，特別是當(dāng)他們知道，如果其他人“復(fù)制相同的策略”，長期而言它終將失效。原因就在于，他們通常不會透露具體的參數(shù)以及他們所使用的調(diào)參方法，而這些優(yōu)化技能才是把一個表現(xiàn)平庸的策略調(diào)成一個回報豐厚的策略所需的關(guān)鍵技術(shù)。實際上，若要創(chuàng)建你自己的、獨一無二的策略，一個最好的法子就是尋找相似的方法，爾后執(zhí)行你自己的優(yōu)化程序。

　　你所看到的很多策略都可歸入均值回歸交易策略、趨勢跟隨或動量交易策略兩類。均值回歸策略試圖利用這么一個事實：“價格序列”（如兩個關(guān)聯(lián)資產(chǎn)的價差）存在一個長期均值，價格對均值的短期偏離終將回歸。動量交易策略則試圖“搭上市場趨勢的順風(fēng)車”，利用投資心理和大基金結(jié)構(gòu)信息在一個方向積聚動量，跟隨趨勢直至回歸。

　　定量交易還有一個重要方面，即交易策略的頻率。低頻交易（LowFrequencyTrading,LFT）通常指持有資產(chǎn)超過一個交易日的策略。相應(yīng)地，高頻交易（HighFrequencyTrading,HFT）通常指持有資產(chǎn)一個交易日的策略。超高頻交易（Ultra-HighFrequencyTrading,UHFT）指持有資產(chǎn)的時常達秒級與毫秒級的策略。雖然散戶可以進行HFT與UHFT交易，但也只是在你掌握了交易“技術(shù)?！保ㄗ?）與訂單簿動力學(xué)（注4）的詳細知識后才有可能。本篇入門文章，我們不會對這些問題做任何深入探討。

　　策略或策略集合一旦確定，現(xiàn)在就需要在歷史數(shù)據(jù)上測試其盈利能力，這就進入了回溯測試的工作范圍。

　　回溯測試

　　回溯測試的目標(biāo)是提供證據(jù)，佐以證明通過以上流程所確定的策略，無論是應(yīng)用于歷史（訓(xùn)練）數(shù)據(jù)還是測試數(shù)據(jù)（注5）均可盈利。它可以反映該策略未來在“真實世界”中的預(yù)期表現(xiàn)。由于種種原因，回溯測試不能保證一定成功。這或許就是量化交易最為微妙之處，由于它包含了大量的偏差，我們必須盡盡力仔細審查并剔除它們。我們將討論幾種常見類型的偏差，包括先窺偏差（注6）、幸存者偏差（注7）與優(yōu)化偏差（亦稱“數(shù)據(jù)窺視偏差”，注8）。回溯測試中其他幾個重要方面，包括歷史數(shù)據(jù)的可用性與清潔度、真實交易成本及可靠回測平臺上的決定。我們會在后續(xù)“交割系統(tǒng)”一節(jié)深入討論交易成本。

　　策略一旦確定，我們就需要獲取歷史數(shù)據(jù)，并藉此展開測試，如有可能還可改進策略?，F(xiàn)在賣數(shù)據(jù)的很多，所有資產(chǎn)類型的數(shù)據(jù)都有。通常，數(shù)據(jù)的質(zhì)量、深度、時間間隔不同，其價格也不同。剛?cè)腴T的量化交易員（至少零售等級）最初使用雅虎金融板塊（YahooFinance）的免費數(shù)據(jù)就行。對于數(shù)據(jù)供應(yīng)商，這里不再贅言。我想重點談一談處理歷史數(shù)據(jù)時，時常遇到的問題。

　　對于歷史數(shù)據(jù)，人們主要關(guān)心的問題，包括數(shù)據(jù)精度或清潔度、幸存者偏差、應(yīng)對如分發(fā)紅利、拆分股票等公司行為的調(diào)整。

　　精度與數(shù)據(jù)整體質(zhì)量有關(guān)，無論數(shù)據(jù)是否包含錯誤。有時錯誤容易識別，比如使用一個窄帶濾波器（注9），就可以找出時間序列數(shù)據(jù)中的“窄帶”并更正它們。其他時候，錯誤又很難甄別，經(jīng)常需要根據(jù)多個數(shù)據(jù)供應(yīng)商提供的數(shù)據(jù)進行對比檢查。幸存者偏差通常是免費數(shù)據(jù)集或廉價數(shù)據(jù)集的一個”特征“。對于一個帶有幸存者偏差的數(shù)據(jù)集，它不包含已經(jīng)不再交易的資產(chǎn)數(shù)據(jù)。不再交易的證券，則表示已經(jīng)退市或破產(chǎn)公司的股票。如果數(shù)據(jù)集中含有此類偏差，策略在此數(shù)據(jù)集上的測試表現(xiàn)可能比在”真實世界“里表現(xiàn)的更好，畢竟歷史”贏家“已經(jīng)被預(yù)先篩選出來，作為訓(xùn)練數(shù)據(jù)使用。公司行為即公司開展的常引發(fā)原始價格階梯形變化的”邏輯“活動，它不應(yīng)該計入價格收益。公司分發(fā)紅利和拆分股票行為是引發(fā)調(diào)整的兩個常見行為，二者無論發(fā)生哪一種，都需要進行一個”回調(diào)“的流程。我們一定要留心，不要把股票拆分和真實收益調(diào)整混為一談。許多交易員在處理公司行為時都碰過壁！

　　為了開展回溯測試，我們必須使用一個軟件平臺。你可以選擇一個專門的回測軟件如Tradestation，一個數(shù)值平臺如Excel或MATLAB，或者一個用Python或C++完全自主實現(xiàn)的平臺。對于Tradestation（或類似平臺）、Excel或MATLAB，我不作過多介紹。我比較推崇的是創(chuàng)建一個內(nèi)部技術(shù)棧。這么做的一個好處是可以實現(xiàn)回溯測試軟件與執(zhí)行系統(tǒng)的無縫集成，甚至還可以添加一些高級的統(tǒng)計策略。對于HFT策略，更應(yīng)該使用自主實現(xiàn)的系統(tǒng)。

　　在做系統(tǒng)回測時，一定要量化表示系統(tǒng)性能。定量策略的“業(yè)界標(biāo)準”度量為最大資金回挫與夏普比率。最大資金回挫表示一段時間（通常一年）內(nèi)賬戶資金曲線從波峰至波谷的最大跌幅，常使用百分比表示。由于大量的統(tǒng)計因素，LFT策略比HFT策略的資金回挫更高。歷史回測會顯示過去的最大資金回挫，它能夠較為貼切地反映策略的未來資金回挫情況。第二個度量指標(biāo)是夏普比率，它被啟發(fā)式地定義為“超額收益均值與超額收益標(biāo)準差的比值”。這里，超額收益表示策略收益超出某個預(yù)定基準，如標(biāo)普500或三月期短期國債（收益）的額度。注意人們通常不使用年化收益指標(biāo)，因為它忽略了策略波動性的影響，而夏普比率卻考慮到了這一點。

　　如果經(jīng)過回測，策略的夏普比率很高且其最大資金回挫已經(jīng)最小化，則可以認為它趨于無偏，下一步就是要搭建一個交割系統(tǒng)。

　　交割系統(tǒng)

　　交割系統(tǒng)是一個方法集合，由它來控制交易策略生成的交易列表的發(fā)送和經(jīng)紀商的交割行為。事實上，交易可以半自動、甚至全自動生成，而執(zhí)行機制可以手動、半自動（即“點擊一次交割一項”）或者全自動。盡管如此，對于LFT策略，手動和半自動技術(shù)卻比較常見；對于HFT策略，則必須創(chuàng)建一個全自動交割機制，由于策略和技術(shù)彼此依賴，還要經(jīng)常與交易指令生成器緊密相接。

　　在搭建交割系統(tǒng)時，我們需要考慮幾個關(guān)鍵因素：連接經(jīng)紀商的接口、交易成本（包括傭金、滑動價差與價差）最小化、實時系統(tǒng)與回測時系統(tǒng)性能的差異。

　　聯(lián)系經(jīng)紀人的方法有很多，你可以直接電話聯(lián)系他，也可以通過一個全自動高性能的應(yīng)用程序接口（API）實現(xiàn)。理想情況，就是希望交割交易的自動化程度盡可能高。這樣一來，你不僅可以脫開身集中精力進行深入研究，還能運行多個策略、甚至HFT策略（實際上，如果沒有自動化交割，HFT根本不可能）。前面說過的幾種常用回溯測試軟件如MATLAB、Excel和Tradestation，對于LFT策略或簡單策略都是不錯的選擇。但是，如果要做真正的HFT，你就必須要構(gòu)造一個用高性能語言（如C++）編寫的內(nèi)部交割系統(tǒng)。說個我的親身經(jīng)歷，以前受聘于一家基金管理公司，我們有一個十分鐘的“交易周期”，每隔十分鐘下載一次新的市場數(shù)據(jù)，然后根據(jù)這十分鐘的信息進行交割。這里用的是一個優(yōu)化的Python腳本。對于任何處理分鐘級或秒級頻率數(shù)據(jù)的工作，我相信C/C++更理想。

　　在一家大型的基金管理公司，交割系統(tǒng)的優(yōu)化通常不在量化交易員的工作范圍。但是，在小點的公司或高頻交易公司，交易員就是交割人，所以技術(shù)面越廣越好。你要想進一家基金管理公司，一定要記住這一點。你的編程能力不說比你的統(tǒng)計學(xué)和計量經(jīng)濟學(xué)稟賦更重要，至少也同樣重要！

　　另外一個屬于交割系統(tǒng)的重要問題是交易成本最小化。一般地，交易成本由三部分構(gòu)成：傭金（或稅收）、損耗與價差。傭金是向經(jīng)紀商、交易所和證券交易委員會（或類似政府監(jiān)管機構(gòu)）支付的費用；滑動價差是你的預(yù)期交割價位與真實交割價位的差值；價差則是待交易證券的賣出價與買入價之差。注意價差不是常數(shù)，它依賴于市場當(dāng)前流動性（即買單和賣單數(shù)量）。

　　交易成本是決定一個策略是高夏普比率且盈利豐厚，還是低夏普比率且極不盈利的關(guān)鍵。根據(jù)回溯測試正確預(yù)測未來的交易成本很具有挑戰(zhàn)性，你需要根據(jù)策略頻率，及時獲取帶有賣出價與買入價信息的歷史交易數(shù)據(jù)。為此，大型基金管理公司量化交易的整個團隊都專注于交割優(yōu)化。當(dāng)基金管理公司需要拋售大量交易時（原因五花八門），如果向市場“傾瀉”大批股票，會迅速壓低價格，可能都來不及以最優(yōu)價格交割。因此，縱使遭受損耗風(fēng)險，基金管理公式也會選擇使用算法交易，通過“打點滴”的方式向市場出單。此外，其他策略如若“捕到”這些必要性條件，也能利用市場失效（獲利）。這是基金結(jié)構(gòu)性套利的內(nèi)容。

　　交割系統(tǒng)最后一個主要問題關(guān)系到策略的實時性能與回測性能的差異。這種差異由多種因素造成，比如我們在“回溯測試”一節(jié)已經(jīng)深入討論過的前窺偏差與最優(yōu)化偏差。然而，對于有些策略，在部署之前不易測得這些偏差。這種情況對于HFT最為常見。交割系統(tǒng)和交易策略本身均可能存在程序錯誤，回溯測試時沒有顯現(xiàn)卻在實時交易時出來搗亂。市場可能受到繼交易策略部署后的一場政變的影響，而新的監(jiān)管環(huán)境、投資者情緒與宏觀經(jīng)濟形勢的變化也均可能導(dǎo)致現(xiàn)實市場表現(xiàn)與回溯測試表現(xiàn)的差異，從而造成策略盈利性上的分歧。

　　風(fēng)險管理

　　量化交易迷宮的最后一塊是風(fēng)險管理程序。風(fēng)險包含我們之前談?wù)摰乃衅?。它包括技術(shù)風(fēng)險，比如所有在交易所的服務(wù)器突然發(fā)生硬盤故障。它還包括經(jīng)紀風(fēng)險，如經(jīng)紀商破產(chǎn)（此說并非危言聳聽，最近引發(fā)恐慌的明富環(huán)球就是一個例子，注10）?？偠灾采w了幾乎所有可能干擾到交易實現(xiàn)的因素，而其來源各不相同。目前已經(jīng)有成套的書籍介紹量化交易策略的風(fēng)險管理，本人也就不再對所有可能的風(fēng)險來源做詳細說明。

　　風(fēng)險管理還包括投資組合理論的一個分支，即所謂的“最優(yōu)資本配置”，涉及到如何將資本分配給一組策略、如何將資本分配給策略內(nèi)不同交易的方法。這是一個復(fù)雜的領(lǐng)域，依賴于一些高級數(shù)學(xué)知識。最優(yōu)資本配置與投資策略杠桿通過一個名為凱利準則（注11）的業(yè)界標(biāo)準建立聯(lián)系。本文是一篇入門文章，我在此不詳談其計算。凱利準則對策略收益的統(tǒng)計性質(zhì)做過一些假設(shè)，但是它們在金融市場中并不一定成立，交易員因此在實現(xiàn)時通常會有所保留。

　　風(fēng)險管理的另外一個關(guān)鍵成分涉及到交易員自身心理因素的處理。盡管大家都承認，算法交易若無人為干涉，不太容易出現(xiàn)問題。交易員在交易時，稍不留神仍然可能會摻入許多認知偏差。一個常見的偏差是厭惡規(guī)避，當(dāng)人發(fā)現(xiàn)損失已成定局，其所帶來的痛苦，可能會麻痹人的行為，不能做到及時拋盤止損。類似地，由于太過憂心已經(jīng)到手的收益可能賠掉，人們可能也會過早拋盤收利。另外一個常見的偏差是所謂的近期偏好偏差：交易員太看重近期事件而非長遠地看問題。此外，當(dāng)然不能落下“恐懼與貪婪”這對經(jīng)典的情緒偏差。這兩種偏差常導(dǎo)致杠桿不足或杠桿過度，造成爆倉（賬戶資產(chǎn)凈值近乎為零或更糟）或盈利縮水的局面。

　　總結(jié)

　　由此觀之，量化交易是數(shù)量金融學(xué)中一個雖趣味十足但極其復(fù)雜的領(lǐng)域。我對這個話題的討論淺嘗輒止，文章就已經(jīng)這么長了！我在文中三言兩句帶過的問題，已經(jīng)有大量的相關(guān)書籍和論文出版。因此，在你申請量化基金交易職位前，務(wù)必要進行大量的基礎(chǔ)調(diào)研，至少應(yīng)當(dāng)具有統(tǒng)計學(xué)和計量經(jīng)濟學(xué)的廣泛背景，以及使用MATLAB、Python或者R程序語言實現(xiàn)的豐富經(jīng)驗。如果應(yīng)對的是更加復(fù)雜的高頻端策略，你的技能組合可能還要包含Linux內(nèi)核修改、C/C++、匯編編程和網(wǎng)絡(luò)延遲優(yōu)化。

　　如果你有興致創(chuàng)建自己的算法交易策略，我的頭條建議就是練好編程。我偏向于盡可能多地自己實現(xiàn)數(shù)據(jù)采集器、策略回溯測試系統(tǒng)和交割系統(tǒng)。如果你自己有投錢做交易，而你又了解系統(tǒng)是否已經(jīng)通過充分測試，還知曉其存在的缺陷和特殊問題，你怎么可能夜里睡不踏實？如果把它外包出去，短期內(nèi)也許節(jié)省了時間，但長期來看可能成本巨大。

　　譯注：

　?。?1）.數(shù)量金融學(xué)（QuantitativeFinance），也稱金融工程學(xué)或金融數(shù)學(xué)，通過高級數(shù)學(xué)理論量化分析金融產(chǎn)品，為金融市場提供了多樣性的金融衍生產(chǎn)品，在豐富投資選擇的同時也帶來了隱患，比如2008年金融危機。從事數(shù)量金融工作的人常使用“礦工”（Quant）自嘲，由于使用大量的高級數(shù)學(xué)技術(shù)也有人稱他們火箭科學(xué)家。

　　（02）.挖掘優(yōu)勢（ExploitinganEdge）并無特別明確的上下文關(guān)系。如果以“邊界”理解，也不恰當(dāng)，畢竟常用于表達數(shù)學(xué)邊界含義的是另外一個詞‘Bound’。所謂挖掘優(yōu)勢，即對搜索到的多個策略進行對比，選擇最佳的一個使用。

　?。?3）.技術(shù)棧（TechnologyStack）實際上是提供應(yīng)用服務(wù)的系統(tǒng)所使用的各種技術(shù)，若從分層角度來看，各種技術(shù)層疊相連、彼此分工協(xié)作，好像一個“?！薄Ｈ绻腥藢Ω鞣N技術(shù)都有頗深造詣，那么他（她）就可稱作是一名“全棧工程師”（FullStackEngineer），通俗點就是一多面手、全才，在業(yè)界絕對炙手可熱。

　　（04）.根據(jù)交易機制，證券市場可以分成報價驅(qū)動市場（Quote-drivenMarket）、訂單驅(qū)動市場（Order-drivenMarket）。訂單簿動力學(xué)（OrderBookDynamics）則是根據(jù)訂單驅(qū)動市場的信息，探索訂單量、流動性與價格之間的動力關(guān)系。其主要目的是使用高頻交易訂單簿當(dāng)前數(shù)據(jù)信息預(yù)測其短期狀態(tài)，以輔助做出最佳投資決策。

　?。?5）.量化交易中使用的每種投資策略實際上就是一個數(shù)學(xué)模型。在搜索投資策略時，存在各種各樣的模型，如何選擇呢？可以對投資策略做回溯測試（Backtesting），檢測模型在歷史數(shù)據(jù)中的表現(xiàn)。然而，這里就出現(xiàn)一個問題，模型中可能存在各種參數(shù)，選擇不同的參數(shù)對于模型性能的影響也是不同的，為此就需要在測試之前進行一個模型參數(shù)調(diào)優(yōu)的過程。典型的做法是將完整的歷史數(shù)據(jù)分割成多份，最簡單地是分成兩份：一部分做訓(xùn)練樣本，另外一部分作為測試數(shù)據(jù)。如果首先抽樣得到訓(xùn)練樣本，那么余下的數(shù)據(jù)就是測試數(shù)據(jù)（Out-of-SampleData）。

　　（06）.由于利用歷史數(shù)據(jù)回測時，策略在實際運作中使用的信息與歷史數(shù)據(jù)回測時使用的信息不同，比如策略“日均價達到10元賣出”在實時運作時，只能得到開盤至當(dāng)前的價格數(shù)據(jù)，從而無從獲得日均價的數(shù)據(jù)。它如同一部穿越劇，屬于典型的先窺偏差（Look-aheadBias）。

　?。?7）.用于回測的歷史數(shù)據(jù)通常都會經(jīng)歷一個預(yù)處理的過程，將部分數(shù)據(jù)刪除。比如，由于私有化或收購的退市股票，只存在部分交易數(shù)據(jù)，可能會從數(shù)據(jù)集中剔除，只使用那些一直處于交易狀態(tài)的數(shù)據(jù)進行回測。這種只使用預(yù)先篩選的幸存者數(shù)據(jù)進行回測所產(chǎn)生的偏差稱作幸存者偏差（SurvivorshipBias）。關(guān)于幸存者偏差，有個二戰(zhàn)的故事讀者可以讀讀。

　?。?8）.優(yōu)化偏差（OptimisationBias），亦稱“數(shù)據(jù)窺視偏差”（Data-snoopingBias），從機器學(xué)習(xí)的角度來看，這即是過擬合，經(jīng)過過度優(yōu)化，策略雖然在歷史數(shù)據(jù)測試集上表現(xiàn)不錯，然而在實際應(yīng)用時卻差強人意。

　?。?9）.窄帶濾波器（SpikeFilter）主要用于處理時間序列數(shù)據(jù)的大幅波動。一般而言，時間序列數(shù)據(jù)的移動變化較為平緩，為了探測數(shù)據(jù)中可能包含的異常數(shù)據(jù)，可以使用一個濾波器，將波動變化異常（設(shè)定閾值）的數(shù)據(jù)進行變換，恢復(fù)到正常范圍，反之則保持不變。由于異常數(shù)據(jù)呈現(xiàn)扁平長窄帶狀，窄帶濾波器名稱由此而來。

　?。?0）.明富環(huán)球（MFGlobal）是全球最大的商品期貨經(jīng)紀商之一，數(shù)月之內(nèi)在歐洲主權(quán)債券上的投資達到63億美元，接近其資本的6倍，其杠桿率飆升至40:1。由于歐債危機，其信用評級跌至垃圾級，2011年10月31日向法院提交破產(chǎn)保護申請。

　?。?1）.1956年，貝爾實驗室的工程師約翰·拉里·凱利（JohnLarryKelly）在研究長距離電話通訊噪聲問題時推導(dǎo)出的一個公式，由于意外在21點、賭馬等博彩游戲中獲得成功，后來廣泛應(yīng)用于證券投資領(lǐng)域，即凱利準則（KellyCriterion）。由于長距離通話存在隨機噪聲，凱利研究如何傳輸信號，從而保證傳輸速率最大。如果將其應(yīng)用于賭博，就可以確定每次的賭注大小從而贏的最多。