前置基础-量化交易及应用场景简介 #

前置基础：量化交易及应用场景简介 #

前言 #

近年来在人工智能、互联网、大数据这些炙手可热的高新技术推动下，传统行业在不断地转型升级，而量化交易作为一种新兴的金融投资方法深受金融行业人士的关注。

纵观全球，量化交易在海外金融市场属于较为成熟的投资理念和方法，在国内虽然起步较晚，但发展迅速，目前主流的金融机构几乎都建立起了“量化交易”团队，各类“量化交易”相关的产品也如雨后春笋般地涌现。

对于普通的投资交易者而言，量化交易依然是戴着神秘的面纱，多数人的第一印象是“高大上的技术”、“可以躺着赚钱的工具”，有些人却认为它完全不靠谱……

可是“量化交易”到底是什么？能帮助我们做些什么？笔者认为在开启“量化交易”学习前，我们有必要先理解“量化交易”，清楚“量化交易”所带给我们的价值。

本节我们就从量化交易本质、发展、优势、应用场景这些维度来剖析量化交易。

量化交易的本质 #

量化交易属于人工智能的一个应用分支，它综合了多个学科的知识和方法，用先进的数学模型代替人的主观思维制定交易策略，利用计算机强大运算力从庞大的股票、债券、期货等历史数据中回测获取交易策略的盈亏“概率”，通过管理盈亏的“概率”帮助投资者做出准确的决策。

所谓的量化，表面上是管理盈亏的“概率”，本质上是“随时调整，合理应变”的策略。

“不管多么复杂的模型，没有一个能长期不变地一直赚钱，因为市场在变化，信息在变化，我们不是机器的奴隶，只有通过不断学习，持续不断的更新自己的模型和策略，寻找市场上的规律，让你的交易系统跟上变化本身，才能在交易市场中立于不败之地。” —— 西蒙斯

这段话的含义是说交易策略不应该是一成不变的，我们对历史数据作检验只是把过去的经验作为一种参考指南，从过去的解读中发掘出蕴藏盈利机会的重复性模式，但是过去并不代表未来，历史测试结果和实际结果一定存在着差异。引起差异的主要因素可概括为以下几个：

• 交易者效应，其他交易者注意到了这个策略方法并开始模仿它，导致这种方法效果下降；

• 随机效应，历史测试的结果可能是一种随机性的现象；

• 最优化矛盾，选择特定的参数降低了事后测试的价值；

• 过度拟合，与历史数据的吻合度太高，市场行为轻微的变化造成效果的恶化。

对此，在回测阶段我们应该从根源上重点关注历史测试的局限性，避免沉浸于历史回测的假象之中。

量化交易的发展 #

关于量化交易的发展，国外先进的资本市场中量化交易已经日趋成熟。

金融霸主美国在这个领域可谓人才辈出，这里我们不得不提到：

华尔街“宽客教父”——爱德华·索普(Edward Thorp)

“量化交易之神”——詹姆斯·西蒙斯(James Simons)

下面以这两位大佬的传奇事迹为主线来了解下量化交易的发展。

在华尔街，宽客（quant）就是指那些从事量化交易的人。他们大多数是学数学或是物理出身的，不同于传统的依靠直觉和基本面分析投资交易，他们运用复杂的数学模型和计算机的超级运算能力在稍纵即逝的证券市场中盈利。

爱德华·索普在 1962 年出版了《击败庄家》这本书，描述了他在 21 点游戏上横扫拉斯维加斯多家赌场的制胜模型。

作为一名数学家，索普的策略就是计算21点游戏过程中获胜的概率和赔率，根据凯利公式管理下注资金，以胜算大小量化下注资金，这就是早期量化交易的雏形。

1965 年索普把目光转向了华尔街新生的股票权证定价，研究出了一种叫“科学股票市场系统”的量化交易策略。

在 1967 年索普出版了《Beat the market：A Scientific Stock Market System》一书，该书是量化交易的开山之作，是第一个精确的纯量化交易策略。

1969 年索普与合伙人成立了史上第一家量化对冲基金“可转换对冲合伙基金”并全心致力于投资。

随后量化交易便在全球范围内快速发展，涌现出指数基金、对冲基金、SmartBeta 和Fund of Funds（FOF）等量化创新产品。

詹姆斯·西蒙斯是量化交易的另一位传奇人物，如果说索普开创了量化交易，那么西蒙斯则是将量化交易带到这个时代的人。

西蒙斯在 1988 年成立了文艺复兴科技公司，作为有史以来最成功的对冲基金，文艺复兴科技公司的旗舰基金——大奖章基金在1989-2009 的二十年间取得年平均 35% 左右的回报，收益远超巴菲特、索罗斯这些传统交易的投资大师 10 多个百分点,比同期标准普尔 500 指数的年均回报率要高出 20 多个百分点。

纵然是在 2008 年的次贷危机时期，该基金的投资回报率仍然保持稳定的水准。

不过量化交易并不是万能法宝，2012 年文艺复兴旗下“文艺复兴机构期货基金”（RIFF）亏损 3.17%，2011 年盈利仅增长 1.84%，就像西蒙斯自己说的那样，“没有一个策略能长期不变地一直赚钱，只有随时调整、合理应变才能在交易市场中立于不败之地。”

量化交易改变了全球资产管理格局，成为主流的投资方法，其管理规模也在快速增长。目前，全球最大的资产管理公司和对冲基金都是基于量化和指数投资的机构。

我们都知道美国的金融市场成熟程度是远超中国的，美国的股市有近一百多年的历史，而中国股市成立至今还不到 30 年。

回到国内来看，随着国家层面推动人工智能、大数据技术的发展，大量的量化基金产品和平台如雨后春笋一般兴起，量化交易在国内也掀起热潮。

就像互联网技术改变着传统行业的模式一样，未来量化交易必定是国内金融市场的一个大的发展趋势。

量化交易的优势 #

在过去的全球金融市场中，量化交易得到了如火如荼的发展，成为和价值投资并列的两大投资理论之一。那么量化交易这种新的投资理论和模式，得到大力发展的重要原因是什么呢？与传统的交易相比量化交易有哪些优势呢？

传统的交易无论是技术面分析还是基本面分析都属于定性分析，定性分析通俗的说就是人的思维去做决策，这种高度抽象的模式在深度上会有绝对的优势，同时也与交易者个人的经验和盘感具有极大相关性。在当前一直扩容的市场中，传统的人为分析与交易很难实现全市场的跟踪监测，并且时刻受到交易者主观情绪的影响。这两点成为了传统交易方式的“硬伤”。

而量化交易是一种定量的分析，所谓定量分析就是刚才讲到的获得一个具体的获利概率，并依据概率选择交易的策略，在极大程度上减少了交易者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。同时利用了计算机的强大运算能力，所以在广度上占有绝对的优势。

我们可以把量化交易和传统的交易类比为西医和中医，传统的投资交易靠的是主观经验判断，无法给出具体的参数指标，量化交易像西医那样，靠的是仪器、设备、软件，把现象转换成参考数据为病人治疗提供依据。

笔者的观点是把量化交易和传统的交易相结合，把人的思维模型抽象成为数学模型，作为交易策略运用到量化交易中，将两者取长补短，既不失分析深度，也能保证分析的广度。

本小册应用场景 #

本小册的应用场景契合于量化交易的整体流程而设计，将数据、策略、系统、执行等方面综合起来形成一个有机的整体。量化交易的整体流程如下图所示：

首先是把历史行情、基本面信息、新闻资讯等数据进行初步清洗和处理，而后在大数据的基础上以数学建模、程序设计等方法建立交易策略，在对历史数据的回测中评价交易策略的效果，最终筛选出大概率下盈利的策略，并将其应用于实际交易中产生出交易的信号，比如买什么股、什么时候买、买多少、什么时候卖等信息。

量化交易的核心是交易策略的实现，应用场景中会从择时、选股、仓位管理、参数优化、度量分析等角度讲解交易策略的实现方法。

总结 #

在正式开始学习 Python 量化交易前，我们从量化交易本质、发展、优势、场景维度剖析了量化交易，揭开了量化交易的神秘面纱，目的是想让同学们能够正确理解量化交易。

最后，给大家留一道思考题：

既然量化交易本质上是一种帮助我们高效快速地管理交易胜算的工具，那么对于一个主观交易并不能盈利的人，是否能够扭亏为盈呢？其根本的原因又是什么呢？

欢迎大家在留言区留言，我们一起讨论。