量化投资_量化投资新手学院
量化交易是量化金融中一个极其复杂的领域。它需要大量的时间来获得必要的知识。
不仅如此,它还需要大量的编程专长,至少是C++或Python这样的语言,并且随着交易频率的增加,编程技术变得更为重要。
量化交易由四个主要部分组成:
1.交易策略——鉴别寻找策略,决定交易频率;
2.策略回测——获取数据、分析策略性能并消除偏差;
3.执行策略——连接至交易终端,实现交易自动化,并将交易成本降至最低;
4.风险管理——资本最优化配置、“下注规模”与交易心理学。
下面雷尔量化小编跟我们来看看如何确定一个交易策略:
策略鉴别
你可以根据基础策略进行优化改造,使之变为一个有效策略。
所有的量化交易过程都是从最初的研究阶段开始的。这一研究过程包括找到一个策略,并看看该策略是否适合你可能运行的其他投资组合,获得所有必要数据来对该战略进行测试,并试图优化,以获得更高的回报和/或更低的风险。
如果作为独立的交易者运行策略,您需要考虑您自己的资本需求,以及交易成本将如何影响策略。
你可能会问,为什么个人和公司热衷于讨论他们的盈利策略,特别是当他们知道其他人“挤占交易”可能会阻止该策略长期运作时。
原因在于他们不会经常讨论他们所执行的确切参数和调整方法。这些优化是将表现相对平庸的策略转变为高利润战略的关键。
事实上,创建自己独特策略的最佳方法之一是找到类似的方法,然后执行自己的优化过程。
以下是一个可以在初期找到策略方法的资源:
量化交易的另一个极其重要的方面是交易策略的频率。低频交易(LFT)通常是指持有资产超过交易日的策略。相应地,高频交易(HFT)一般指的是日内持有资产的策略。超高频交易(UHFT)指的是以秒和毫秒为单位持有资产的策略。
一旦确定了策略,就需要对历史数据的盈利能力进行测试。
策略回测
回测的目的是提供证据,证明通过上述过程确定的策略在应用于历史数据和样本外数据时都是有效的。这设定了该策略在“现实世界”中表现如何的期望值。
然而,由于各种原因,回测并不是成功的保证。这也许是量化交易中最为微妙的领域,因为它涉及许多偏差,必须仔细考虑并尽可能消除这些偏差。
我们将讨论常见的偏差类型,包括前瞻偏差、生存偏差和优化偏差。回测中的其他重要领域包括历史数据的可用性和清洁性、考虑现实交易成本以及确定一个强大的回测平台。
一旦确定了一项策略,就有必要获得历史数据,并利用这些数据进行测试,或许这一过程会带来改进。所有资产类别中都有大量的数据供应商。它们的成本通常与数据的质量、深度和及时性成正比。
对历史数据的主要关注点包括准确性/清洁度、生存偏差以及股息和股票拆分等公司行为的调整:
一旦一个策略经过了回测,并被认为是没有偏差的,策略的夏普比率较高、资金回撤较小,现在是时候建立一个执行系统。
执行系统
执行系统是由经纪商发送和执行策略生成的交易列表的方法。
尽管交易生成可以是半自动化的,甚至是全自动的,但是执行机制可以是手工的,半手工的(即)或完全自动化。对于LFT策略,通常使用手动和半手动技术。
对于高频交易策略,有必要创建一个完全自动化的执行机制,该机制通常与交易生成器紧密结合(由于策略和技术的相互依赖)。
创建执行系统时的主要考虑因素是与经纪商业务的接口、最小化交易成本以及实时系统的性能与回测系统之间的切换等。
另一项属于执行范畴的主要问题主要指的是尽量减低交易成本。