量化交易

你還在看電腦面前盯盤看K線嗎? 你還在為一次虧損寢食難安，為一次盈利欣喜若狂嗎? 如果是，那也許你就OUT了。隨著量化交易的蓬勃發(fā)展，一群統(tǒng)計(jì)狗、程序猿們已經(jīng)開始使用計(jì)算機(jī)模型進(jìn)行交易了，這些程序用不休眠，無人值守，24小時(shí)為你監(jiān)控市場，產(chǎn)生利潤。真有那么好的事嗎?這不就是印鈔機(jī)了嗎? 請看下面分解。

• 量化交易的獲利來源于市場的無效性。如果市場服從隨機(jī)游走，那大部分金融機(jī)構(gòu)都可以關(guān)門了，還炒什么股啊。如果市場是有效的，那可能一個(gè)人一輩子都碰不到大牛市。持續(xù)不斷的上漲的K線排列，概率該有多小啊。一個(gè)比較現(xiàn)實(shí)的假設(shè)是，市場在一定程度上是無效的，單純的價(jià)格序列中存在大量的獲利機(jī)會(huì)。

• 量化交易是概率的游戲，一個(gè)交易策略是否能夠盈利，關(guān)鍵看勝率和盈虧比。勝率是盈利次數(shù)占總交易數(shù)的百分比，盈虧比是平均盈利和平均虧損的倍數(shù)關(guān)系。這兩者需要平衡，也很難兼顧。例如，玩彩票盈虧比很高，勝率很低，所以總體是虧損的。

• 上圖是個(gè)高盈虧比低勝率策略的策略。雖然盈利的交易很稀疏，但是卻遠(yuǎn)離零點(diǎn)，虧損交易很密集，但緊貼零點(diǎn)，所以從右邊的資金曲線上看，策略總體上是盈利的。所以，量化交易者會(huì)坦然的接受虧損，也會(huì)正確的看待盈利，它們只是交易系統(tǒng)的一個(gè)部分。

• 下面用一個(gè)例子來說明一個(gè)交易策略的生產(chǎn)過程。某交易員發(fā)現(xiàn)，價(jià)格突破了一些關(guān)鍵點(diǎn)位后，會(huì)向著突破的方向持續(xù)發(fā)展。于是我們設(shè)計(jì)一個(gè)簡單的突破策略:當(dāng)價(jià)格突破近期高低點(diǎn)時(shí)，相應(yīng)的做多或做空。

• 接下來，就要進(jìn)行進(jìn)一步細(xì)化，做成一個(gè)模型。需要回答這么幾個(gè)問題：

1. 時(shí)間框架是怎樣的? 小時(shí)線、日線還是周線?

2. 如何定義高低點(diǎn)? 往回看幾跟K線?

3. 進(jìn)場后如何止損? 固定點(diǎn)位止損還是ATR（平均真實(shí)波動(dòng)）止損?

• 將上述問題具體化以后，就用程序代碼將它們予以實(shí)現(xiàn)。國內(nèi)比較普遍使用的是tradeblazer和multicharts。當(dāng)然，技術(shù)實(shí)力較強(qiáng)的交易者也可以選擇自行開發(fā)交易平臺(tái)，用java,python等語言予以實(shí)現(xiàn)。

• 在策略構(gòu)建的初期，一些參數(shù)是待定的。如均線的K線條數(shù)，止損點(diǎn)位，止盈點(diǎn)位等。這些參數(shù)都可以用遍歷的方法進(jìn)行優(yōu)化，也就是說，窮舉各種參數(shù)的組合，找到使盈利最大化的那一套參數(shù)。

• 這里，我們對止盈點(diǎn)位和止損點(diǎn)位進(jìn)行了優(yōu)化，繪制了一副3D優(yōu)化圖。X和Y軸分別代表被優(yōu)化的參數(shù)，即止盈點(diǎn)和止損點(diǎn)，Z軸代表目標(biāo)函數(shù)，即盈利。我們可以看到，盈利在不同的參數(shù)組合情況下高低起伏，呈現(xiàn)出了一個(gè)個(gè)山峰、平原和低谷。那么，我們是否應(yīng)該選擇那些山峰呢?其實(shí)不是。因?yàn)檫x擇這些山峰可能會(huì)帶來一個(gè)問題，就是過度擬合。表現(xiàn)過好的參數(shù)組合滿足了過去市場的某種特殊情況，只要參數(shù)發(fā)生微小變化，策略表現(xiàn)就會(huì)急劇下降，這就是”山峰”的含義。相比而言，目標(biāo)函數(shù)的“平原”區(qū)是更為穩(wěn)定的參數(shù)，因?yàn)閰?shù)在這個(gè)范圍內(nèi)變化，策略表現(xiàn)是穩(wěn)定的。所以我們要選擇平原。下面這幅圖是參數(shù)經(jīng)過優(yōu)化后的策略表現(xiàn)，資金曲線圖表現(xiàn)出劇烈的波動(dòng)，這反應(yīng)了策略思路本身存在缺陷，高低點(diǎn)的突破并不能對價(jià)格起到很好的預(yù)測作用，參數(shù)優(yōu)化并不能解決策略思路本身的問題。

• 如果我們找到了一個(gè)可行的策略，又選擇了合適的參數(shù)，策略回測表現(xiàn)讓人滿意，下一步就是樣本外測試了。樣本外測試的目的，是用新的數(shù)據(jù)對策略進(jìn)行檢驗(yàn)，考驗(yàn)策略的盈利能力。在之前的測試中，我們已經(jīng)使用了一部分的歷史數(shù)據(jù)。策略是在這些歷史數(shù)據(jù)中被“訓(xùn)練”出來的，很容易出現(xiàn)過度擬合的問題。極端情況下，只要參數(shù)數(shù)量足夠多，我們是可以輕易的通過歷史數(shù)據(jù)訓(xùn)練出100%勝率的策略。但這樣的策略并不具有通用性，如果用新的數(shù)據(jù)測試這樣的策略，結(jié)果一定是糟糕的。這就是我們進(jìn)行樣本外測試的原因。樣本外數(shù)據(jù)也是歷史數(shù)據(jù)，只是我們在測試初期預(yù)留出來的，沒有碰過，是“干凈”的數(shù)據(jù)。如果策略在新數(shù)據(jù)下的表現(xiàn)不好，那么這樣的策略僅僅是過度擬合的結(jié)果。上圖就是一個(gè)過度擬合的例子，策略盈利在樣本外數(shù)據(jù)中急劇下降。

• 下一個(gè)測試是蒙特卡洛實(shí)驗(yàn)。在試驗(yàn)中，我們模擬未來市場可能出現(xiàn)的各種變化，考察策略是否足夠健壯。這些變化可能是價(jià)格的變化，也可能是參數(shù)的變化，還有可能是交易順序的重新排序，不一而足。借助實(shí)驗(yàn)軟件，我們可以進(jìn)行上千次的重復(fù)實(shí)驗(yàn)，看看策略是否還能生存下來。上圖是蒙特卡羅的實(shí)驗(yàn)結(jié)果，紅線代表原市場條件的測試結(jié)果，綠色代表最惡劣的5%的市場條件，紫色代表實(shí)驗(yàn)平均結(jié)果?？梢钥吹?，策略在最差的5%情況下，仍然能夠維持盈利，說明策略是健壯的。

• 下面分別介紹一下策略的種類。從策略的交易思路看，大致可分為趨勢策略（動(dòng)量策略）和逆勢策略（均值回轉(zhuǎn)策略）。兩種策略分別適應(yīng)于不同的品種和市場條件。趨勢策略的常見例子是均線交叉策略。短均向上突破長均做多，向下突破做空。趨勢策略捕捉了市場的沖動(dòng)情緒，當(dāng)價(jià)格上漲時(shí)，大量交易者非理性的跟進(jìn)，價(jià)格下跌時(shí)，人們又急劇恐慌。趨勢策略者就可以“順應(yīng)趨勢”，追漲殺跌，讓“趨勢成為朋友”。

• 逆勢策略則相反，逢高賣出，逢低買入。在某些市場的某些時(shí)段中，價(jià)格確實(shí)存在這樣的高低震蕩的情況，逆勢者容易利用這樣的價(jià)格屬性頻繁的積累微小利潤。但是，市場總是趨勢與震蕩并存，我們很難判斷市場何時(shí)震蕩，何時(shí)趨勢，有沒有解決辦法呢？

• 當(dāng)然有。我們要把思路打開，將目光從單個(gè)品種轉(zhuǎn)向多個(gè)品種的組合價(jià)差上，也就是常說的配對交易。例如不同到期日的期貨合約價(jià)差就存在高度的相關(guān)性。例如，我們將兩個(gè)不同到期日橡膠合約的價(jià)格序列放在一張圖上，就可以看到他們之間的高度相關(guān)性。雖然兩個(gè)合約各自的價(jià)格呈現(xiàn)出趨勢屬性，但它們的價(jià)差是穩(wěn)定的震蕩屬性。

• 我們通過震蕩策略，交易兩者的價(jià)差，就可以獲得比較穩(wěn)定的收益。價(jià)差組合的方式有很多，并不局限于兩個(gè)品種，我們可以通過下列通用公式，配置出無數(shù)個(gè)可能盈利的價(jià)差組合。哪個(gè)組合式可以盈利的呢？自己去挖吧。

• 下面來講講倉位管理的問題。倉位管理，就是決定某一策略分配多少資金的問題，初學(xué)者往往過分執(zhí)迷于策略思路本身的盈利，而忽略了倉位管理。實(shí)際上，倉位是量化交易最重要的環(huán)節(jié)。即使擁有了盈利的策略，如果倉位管理不當(dāng)，完全可能爆倉出局。下面我們來探討一個(gè)有趣的倉位管理方法，叫martingale.這是一種死扛型的倉位管理機(jī)制，每經(jīng)歷一次虧損，我們在下次交易時(shí)就把倉位放大一倍，一旦盈利，我們就把倉位恢復(fù)到初始值。例如，當(dāng)經(jīng)歷了3次連續(xù)虧損之后，倉位數(shù)分別是，1，2，4。如果第4次交易盈利了，我們就把倉位恢復(fù)到1.martingale的資金曲線很好看，幾乎是一條直線，因?yàn)橥ㄟ^倉位的放大，只要獲得一次盈利，就可以把之前所有的虧損全部扳回。資金曲線迅速恢復(fù)。我們看看上面這幅圖，是不是很讓人興奮呢?

• 不幸的是，天下沒有免費(fèi)的午餐。交易者的資金永遠(yuǎn)是有限的，但martingale的虧損卻是無限的，假設(shè)連續(xù)虧損次數(shù)進(jìn)一步放大，變成5次，10次，那么倉位也會(huì)急劇放大，變成32和1024，最后，因?yàn)榻灰渍哔Y金不足，而出現(xiàn)爆倉。上圖是10000次martingale后出現(xiàn)的爆倉現(xiàn)象。隨著交易頻率增高，爆倉的幾率也逐漸增大。所以，martingale也是一直飽受詬病的一個(gè)倉位管理策略。

• 可是，萬事沒有絕對。Martingale好還是不好，完全取決于交易者的應(yīng)用。影響爆倉概率的參數(shù)有這么幾個(gè)：1、策略思路本身的勝率。2、策略的盈虧比。3、每次虧損后翻倍的倍數(shù)。4、盈虧交易的概率分布?？梢韵胍姡瑒俾试礁?，連續(xù)虧損的概率越小；盈虧比越大，每次虧損的回撤就越小；翻倍數(shù)量越大，虧損分布越集中，越容易爆倉；

• 我們將翻倍系數(shù)從2降低為1.6后，用在一個(gè)勝率50%，盈虧比為1.2的策略上之后，經(jīng)過10000次交易。仍然沒有爆倉。

• 我們再來說說量化交易的新趨勢----人工智能。手工交易者的技術(shù)分析，甚至是基本面分析，未來都有可能被機(jī)器所取代。這在計(jì)算機(jī)領(lǐng)域，叫做模式識(shí)別，通俗的講，叫找規(guī)律。技術(shù)分析的本質(zhì)就是尋找價(jià)格規(guī)律，基本面分析又何嘗不是呢?有了計(jì)算機(jī)的幫助，這些找規(guī)律的事情完全可以由計(jì)算機(jī)完成，人工神經(jīng)網(wǎng)絡(luò)就是一個(gè)典型的應(yīng)用案例。在上圖中，我們用一些簡單的數(shù)學(xué)函數(shù)，模擬出一個(gè)個(gè)的神經(jīng)元。這些神經(jīng)元能夠從外界接受價(jià)格信息和基本面數(shù)據(jù)，經(jīng)過函數(shù)轉(zhuǎn)換變成輸出，反射到下一個(gè)神經(jīng)元，最后從右邊輸出。這些轉(zhuǎn)換函數(shù)的初始參數(shù)是隨機(jī)的，但當(dāng)我們進(jìn)行成千上萬次訓(xùn)練后，這些參數(shù)得到逐漸的優(yōu)化，最后生成一個(gè)準(zhǔn)確率較高的預(yù)測模型。模型的具體原理，是我們無法從參數(shù)的數(shù)值去理解的，這相當(dāng)于一個(gè)黑盒。這樣的黑盒，可能可以找到我們?nèi)四X無法發(fā)現(xiàn)的一些數(shù)據(jù)規(guī)律，也許只是參數(shù)擬合的結(jié)果，需要一系列的測試去加以驗(yàn)證。但它相比人腦而言，能夠更加細(xì)致的發(fā)現(xiàn)一些隱秘的規(guī)律。

• 最后，再提幾點(diǎn)對量化交易職業(yè)的感受。量化交易是否能夠排除心理因素的干擾?其實(shí)未必。量化交易者承受著不一樣的心理壓力。當(dāng)你嘗試了無數(shù)種指標(biāo)后，還是無法設(shè)計(jì)出一套盈利的模型，你是否還會(huì)繼續(xù)堅(jiān)持?或者干脆放棄去做點(diǎn)別的？當(dāng)策略做出來后，在實(shí)盤中連續(xù)虧損時(shí)，你是否應(yīng)該繼續(xù)堅(jiān)持策略？這都是考驗(yàn)量化交易員意志的時(shí)候。

• 另外，量化交易這么一個(gè)新興領(lǐng)域，未來的路在何方? 是否會(huì)被超級(jí)機(jī)器所取代?機(jī)構(gòu)的參與是否會(huì)讓市場盈利空間縮水?這都是有待時(shí)間去回答的問題。