量化交易,不管你怎么称呼它,是“量化交易”、“算法交易”、“程序交易”、“自动交易”、“机器人交易”,还是“黑匣子交易”,大多数人——包括许多资深的投资人士,对于量化交易的态度,可以说是又敬又畏。一方面觉得它高深莫测,心存敬佩;另一方面又觉得它充满风险,心存恐惧。但实际上,这种感觉是完全没有必要的。
量化交易并不神秘
量化交易基金,像著名的“文艺复兴”、ED SHAW还有前两年从摩根斯坦利分离出来的PDT,都是以神秘性出名。他们所有的员工都要签署严格的保密合同,甚至公司内部,相互之间都可能不知道对方在做什么。
他们要弄得这么紧张,是完全可以理解的。毕竟,他们的算法知识产权,就是他们的吃饭本钱所在。但这并不意味着他们的交易策略就是无法理解的。事实上,基本的量化交易策略非常有限。能够带来区别的,是他们在具体算法上的技术细节。这些细节决定了他们是否能有效及时地发现市场机会、控制风险、完成交易。
这就像最近名噪一时的AlphaGo围棋程序。它的设计原理、设计方法,其实并不神秘,是行业内众人皆知的。但别的设计团队做不到的事情,而AlphaGo团队却能做到,靠的是他们怎么样来组织、实施、优化这些方法,以及他们所拥有的数据、设备上的优势。
量化交易的类型
由于称谓上的不统一,很多时候人们在讨论量化交易时,用的是同一个名称,讲的却可能是不一样的东西。而在另外一些情况下,用的名称不同,讲的却可能是同一件事情。所以我们有必要要了解有哪些类型的量化交易。
如果从交易目标和所承受的风险程度来区分的话,我们可以把量化交易分为“下单系统”、“套利系统”和“风险系统”三大类。
当人们说“程序交易”、“算法交易”时,很多时候他们所指的是一个自动下单交易系统。对于这些量化交易系统来说,目标并不是通过交易来赚钱,而是尽可能地降低交易成本。这些系统主要是由证券经纪公司提供给他们的客户。
当投资者有大笔交易要完成时,通常会给市场带来冲击,从而带来交易的所谓“冲击成本”,或者说“流动性成本”。而这些下单系统,就是试图通过一些有效的交易规则,尽量减少这些成本。
比如,一个最简单的交易规则就是“平均交易量”。我有100万股要卖出,如果一下子全部挂出去的话对市场冲击太大。那我就计算一下,这个股票最近平均每天交易1000万股,那我就按照10%的比例来成交:在一段时间里,市场上的自然交易量是多少,我就挂它的10%的量出去。这样一天下来,我可以完成我的交易,又能够尽量小地对市场产生冲击。
虽然下单类的量化交易系统不以赢利为目的,但这并不意味着这样的交易系统就简单。除着市场的发展,一旦你的这个策略被市场所熟知,其他的交易策略可能专门探测你的这种交易规则,从而预见到你要执行什么交易,并从中获利。因此,你就必须在这场军备竞赛中不断往前跑,发展新的策略。
另一类型的量化交易——套利系统,是大家比较熟悉的。它是通过发现跨市场相关产品之间的差价,获取无风险或很小风险的套利收益。
但熟悉不代表容易。正是由于其策略广为人知,要想能够持续获利,就需要在交易系统的软硬件技术上不断优化提高,以获得领先一步的优势。
而我们现在说的比较多的,应该是属于第三类的,也就是风险类的量化交易。也就是通过对数量化信息的搜索和分析,进行具有风险的买卖决策,以期望获取超额收益。这也是我们接下来所要讲的。
量化交易的策略
传统上量化交易系统所依赖的数据都是交易数据,但近年来随着技术的发展,机器获取和分析基本面信息的越来越方便,甚至有一些资讯机构推出专门针对机器的资讯服务——这些资讯信息不是供人阅读,而是以便于程序识别的格式,供机器处理分析——也有一些量化交易策略试图利用基本面的数据,比如财务数据来进行交易决策。
严格来说,指数基金就是一种基于基本面的量化策略。只是对于指数基金这种偏于“买入持有”的方法,我们不会称之为交易,而是投资。而基于基本面的量化交易策略的持有期会比较短。比如,当上市公布最新公布的财务数据超过市场预计时买入,然后在一两天后卖出。
不过,基于基本面的量化策略,还是少数。目前绝大分部的量化交易策略,还是基于交易数据。而如何从交易数据中发现获利机会,又可分为“趋势”、“回归”和“统计套利”三类。
趋势和回归可以说是同一现象在不同阶段的不同表现。比如,当有一笔大的买单或卖单出现时,在一段时间里,买入或卖出的趋势会持续。而当这笔买单或卖单完成后,短暂的供求不平衡消失,价格就会出现回归。
趋势策略就是通过对交易数据模式的分析,找出哪些交易品种可能会在一段时间里持续已有的交易方向,从而进行追随趋势的交易。这里的“一段时间”,可能是几周、几天,也可能是几分钟、几秒甚至几微秒。
而回归策略则是相信“向平均值回归”的规律,试图找出哪些交易品种已经“超买”或“超卖”,已有的交易趋势无法持续,价格走势即将反转,从而进行反向的交易,试图获利。同样的,其时间期限可能从几周到几微秒不等。
而统计套利策略则是试图找到价格变化相关性高、但在短时间内却又脱离这种相关性的证券品种,通过同时买入和卖出,押注这些证券品种的价格会回到原先的相关性状态,从中获利。
和“期现套利”这些无风险或低风险套利不同,统计套利的套利品种之间,并没有绝对的价格回归的机制,而是通过对历史交易数据的挖掘,结合基本面的内在逻辑——比如黄金价格与黄金公司的关系,找出从理论上说应该存在相关性的品种。所以这种套利是有风险的。
发现交易策略
传统上,开发量化交易系统,都是“概念驱动”的,也就是开发人员先会产生一个交易的想法。比如前面讲的,黄金价格与黄金公司股价之间,是不是有个联动关系?这种联动关系是不是会在短时间里失衡,从而产生交易获利机会?有了这个想法之后,就会去找历史数据来进行验证、调试,最终产生新的交易策略,或失败放弃。
随着电脑运算速度的提高,以及计算算法上的提高,现在也有“数据驱动”的开发方法。也就是没有事先的想法,而是直接把数据导入电脑程序,运用数据挖掘、模式辨认的方法,让电脑自己寻找规律,发现交易策略。但总的来说,与传统的概念驱动的模式相比,数据挖掘的模式并没显示明显优势。目前大部分的策略开发还是以概念驱动为主。
量化交易的风险
量化交易策略的建立,是基于对历史数据的验证。但历史上有效的,并不意味着未来也有效。尤其是依赖于数据挖掘发展起来的策略,很难确认它是真地找到了市场的规律,还是对历史数据的过度拟合而产生的假象。就像橄榄球获胜的球队与股市走势之间的关系一样,尽管这两者之间并没必然的联系,仍然可能因巧合产生关联的假象。
而且,即使是真的找到了规律,但随着市场的变化、类似策略参与者越来越多,原来有效的量化交易策略可能会失效。如果不及时做出调整,就会亏损。
另外,量化交易的所有价值,就在它的交易系统。巴菲特可以把他所有的投资方法都告诉你,你也不可能学到他的投资能力。而量化交易的策略一旦泄露,也就失去了它的价值。这就决定了量化交易必须高度保密,不会提供太多信息。这对希望投资于量化交易基金的投资者来说,选择起来就增加了不少判断的难度。
量化交易的优势
现代心理学研究发现,人类有很多的非理性行为持续存在。这就给摆脱人的情绪控制,纯粹理性决策的量化交易系统,创造了机会。而且,与人工看盘、决策、下单相比,电脑控制的量化交易系统的速度,不可同日而语。很多交易机会,不是人工所能实现的。
而且,即时没有情绪的影响,就像前面讲的大笔交易指令始终会出现,市场在短时间里的供需不平衡,始终会存在。这就给量化交易持续地创造了获利机会。
正是因为量化交易主要是在市场的不平衡中获利,市场波动越是剧烈的时候,量化交易策略往往表现越好。而这通常正是传统的投资方法最困难的时候。