高頻交易及量化投資的策略與誤區

1 高頻交易公司和量化投資公司的區別

一般來說，高頻交易公司和量化投資公司既有聯系，又有區別。在美國，人們常說的高頻交易公司一般都是自營交易公司，這些公司主要有getco、tower research、hudson river trading、sig、virtu financial、jump trading、rgm advisor、chopper trading、jane street等；而常說的量化投資公司一般都是對沖基金，包括rentec、de shaw、two sigma、worldquant、aqr、winton、bluecrest、citadel等。此外，citadel、two sigma等公司，既有高頻交易業務，又有量化投資業務；de shaw等公司，既有量化投資，又有非量化投資——很多公司朝著更綜合的方向發展。

從歷史上看，很多高頻交易公司的創始人都是交易員出身，原來就從事衍生品的做市、套利等業務。一開始這些工作並不需要多高深的知識。隨著計算機技術的發展，交易的自動化程度和頻率也逐漸提高，這些公司逐漸聘請一些數學、統計、計算機背景較強的人員加入以適應形勢的發展。當然，這個過程也出現了一些分化，有的公司還是保留了交易員在公司的主導地位，並且始終未放棄人工交易，最終形成了人機結合的半自動交易；而另外一些公司對新鮮技術的接受程度更高一些，往往采取全自動的交易模式。事實上，也沒有證據表明全自動交易的公司就比半自動交易的公司更為優越，到目前為止，也只能說是各有利弊。

人工交易的最大弊端在於手動下單的地方離交易所較遠，在行情劇變的時候往往搶不到單。在這一點上，全自動交易的公司可以通過托管機房來最大程度減少信號傳輸的時間，不過自動化交易往往因為程式過於復雜，加上很多公司人員流動較大，在程式的維護上會出現一些失誤，最終程式出錯釀成大禍，比如著名的騎士資本。

至於過度擬合無法抵御黑天鵝事件，那是人工交易和自動交易都無法避免的問題。一般來說，getco、jane street、sig、virtu financial等是半自動交易，tower research、hudson river trading、jump trading等是全自動交易。

量化投資公司跟高頻交易公司則有很大的不同。首先，美國的量化投資公司基本上都是量化背景極強的人創辦的，比如說文藝復興的創始人西蒙斯是數學家出身，de shaw的創始人david shaw是計算機教授出身，aqr的創始人cliff asness是金融學家出身，而高頻交易公司則更多是傳統交易員創辦的；其次，量化投資一般依賴於復雜的模型，而高頻交易一般依賴於運行高效的代碼。

量化投資公司的持倉時間往往達到1—2個星期，要預測這么長時間的價格趨勢需要處理的資訊自然非常龐大，模型也因此更為復雜，對程式的運行速度反而沒那么敏感；高頻交易處理資訊的時間極短（微秒或毫秒級），不可能分析很多的資訊，因此模型也趨於簡單，競爭優勢更多依靠代碼運行的效率，很多人甚至直接在硬體上寫程式；而最後，量化投資的資金容量可達幾百億美元，而高頻交易公司往往只有幾千萬至幾億美元，但由於高頻交易的規則表現遠比量化投資穩定，如virtu financial交易1238天只虧1天，因此一般都是自營交易，而量化投資基金一般來說都是幫客戶投資。

2 量化交易的模型

下面介紹一下量化交易的模型，從簡單到復雜：

最簡單的以約翰·墨菲的《期貨市場技術分析》為代表，最多用到指數、對數等高中層面的數學知識，通俗易懂，更適合主觀交易，或者計算機計算並發出交易信號由人手動下單的半自動交易。

層次高一點的以丹尼斯的《海龜交易法則》為代表，數學上畢竟使用了均值、方差、正態分布等大學低年級數學的內容，規則的測試也更具科學性，而且提出了可靠的資金管理辦法，但缺點是依舊沒有擺脫傳統的、依靠交易規則的排列組合進行交易的思路。不過，如果規則設計得好且行情出大趨勢的話還是可以有不錯的效果。

更高一級的層次主要體現在交易信號的整合方面，比如運用更現代的統計方法——回歸分析、神經網絡、支援向量機等對傳統的技術指標進行有機整合，並使用更嚴格的統計方法進行變量的篩選及測試。考慮到金融數據的時間特征，往往需要使用滾動優化來獲取樣本外的測試結果，這樣得出的模型也更為穩健。

不過，一般的程式化交易系統都難以實現這些功能，需要自己用更通用的編程語言來實現。

圖為文藝復興基金創始人西蒙斯講解量化投資

如果是量化投資，那么除了行情資訊，還要收集整理其他基本面的資訊，整理出對應的時間序列，並融入到預測模型中。一般來說，成功的模型不在於運用了多高深的數學理論，而在於它整合了多少不同來源的資訊。即使是最簡單的線性回歸，如果各個參數都有很強的預測能力，且相關性很低，那么模型的預測效果也會很好；相反，即使運用復雜的深度學習理論，如果選取的參數毫無意義，最後得出的模型也沒有用。目前美國一些公司不僅利用新聞等文字資訊塑模，甚至用到谷歌衛星拍攝到的港口集裝箱的圖像來塑模，通過對商品集裝箱的數目來預測商品價格的走勢，取得了很好的預測效果。

塑模是一回事，求解模型其實也同等重要。比如說物理學上有很多模型能精確描述現實，但經常由於缺乏高效的科學計算方法而難以求解。量化交易也一樣的。參數的計算、篩選、優化、回測等往往伴隨著巨大的計算量，如何巧妙求解是一門頗為高深的學問。據西蒙斯透露，著名的文藝復興公司內部有著明確的分工——計算機程式員從各個來源收集數據，物理學家分析數據建立模型，數學家構建優化演算法並求解模型等。

3 高頻、量化領域常見的誤區

量化模型無法戰勝黑天鵝事件

事實上，任何投資方法都是依靠歷史預測未來，都害怕黑天鵝事件，都會有回撤。量化的好處在於遇到回撤之后，可以迅速把最新的情況納入模型，及時調整，重新回測、優化、模擬，爭取在最短的時間內扭轉損失。比如文藝復興在2007年8月遭遇歷史上罕見的9%回撤之后，西蒙斯采取果斷措施，重新塑模，在致投資者的信中他宣稱“我們新的模型已經發現了3個很強的交易信號”，結果在接下來的日子很快扳回損失，當年的收益率達到80%。

長期資本管理公司（ltcm）就是因為用了量化模型而破產的。事實上，ltcm是一個多規則基金，它的純量化交易規則最後在1998年還是賺了1億美元，它虧損最多的規則都是交易流動性極差的柜臺衍生品，很多甚至是它自己設計來跟投行對賭的產品，遇到黑天鵝事件無法及時清理頭寸。這些產品一般只是在定價時候使用量化模型輔助一下，具體的交易執行、產品設計、銷售等都跟量化無關，一般認為ltcm的破產更多是因為流動性風險，跟模型關係不大。

高頻交易損害投資者利益

像《flash boys》等書籍的觀點其實都很有爭議的，只不過作者文筆極佳，敘事手法極富煽動性，所以才吸引了眾多的眼球。除了媒體之外，應該說美國目前要求禁止高頻交易最為強烈的，基本上都是當年的傳統交易員。正因為新興的、依靠先進技術的高頻交易公司把他們打敗了，他們心有不甘，所以才組織更多的力量來進行反擊。由於這些人都是市場老手，所以對這個市場還是非常熟悉的，提的觀點也有可取的地方。

在國內，現在期權準備上市，股票也很可能開放t+0。對這兩塊“肥肉”，國外高頻交易商早就垂涎已久。如果說在期貨高頻領域，我們還能依靠在程式化交易上的豐富經驗與國外抗衡一下，那么在期權和股票高頻領域，我們的實踐經驗為零，跟國外的差距更大。對此，筆者認為，我們一方面不能妄自菲薄，覺得外資太厲害就干脆不做了；另一方面也不能急於求成，妄想一年半載就要取得很大的成績。凡事都要本著謙虛謹慎的態度，國外很多高手來到國內都是先研究一年才能穩定盈利，國內的人基礎較薄，研究周期要長一些，比如第一年做準備工作開發系統，第二年逐漸打平手續費，之后開始盈利，或許更為合理。規則研究要慢工出細活，急於求成，頻繁改變研究方向，最終很可能一事無成。