前言
这是一本教你如何自己去寻找盈利策略的书。它会告诉你优等策略的特征是什么，如何通过对一条策略进行优化和回测来确认其是否具有良好的历史业绩，并且最重要的是，确认这条策略在未来能否使你继续盈利。本书也教你根据策略的真实盈利性来调整交易规模的系统方法。还教你如何在家中构建自动交易执行系统的具体细节。最后，本书教你一些风险管理的基础知识。
第一章 量化交易初探
看到这里，你知道了进行统计套利交易并非一定需要高学历，但你也许会问，假若拥有高学历肯定会带来某些优势吧？未必。笔者曾获得世界顶尖物理学院的博士学位（不妨直说，康奈尔大学），曾是世界级的顶尖计算器科学研究团队（高科技的殿堂：IBM的托马斯·约翰·沃森研究中心）的明星研究员。之后在许多顶级投资银行和对冲基金担任研究员以及交易员，包括摩根士丹利、瑞信等。在这些权威机构担任研究员和交易员时，我总是努力尝试使用一些学过的高等数学知识和技术，并将其运用到统计套利交易中。可在进行了上亿美元的交易后收获了什么呢？只是给我的雇主和投资者造成了亏损、更多的亏损、一眼望不到头的亏损。最后，我灰头土脸地离开了金融行业，在家搭建了一个简易卧室作为我的交易办公室，开始进行一些最简单的量化策略交易。这些策略是任何一个头脑聪明的高中生都能轻而易举搞定的。那是我人生中，第一次建立起能获利的策略（例3.6描述了其中一个策略），此后亦如此。我的经验教训是什么呢？正如爱因斯坦所说的：“任何事情都应该使其尽可能地简单，直到无法再简单为止”。
我成为量化交易员走的是一条比较传统的途径，但很多人不是。那么，典型的独立量化交易员都是些什么人呢？就我所知，他们包括已倒闭对冲基金的前交易员，经纪公司前计算机程序员，交易所的前交易员，前投资银行家，前生物化学家，以及前建筑师等。有些人接受过高级技术培训，但其他人只有高中水平的统计学知识。他们中的多数人使用Excel之类的基本工具来进行回测，尽管有些人也许会聘请程序员来帮忙。多数人曾在其职业生涯的某段时期与金融界有过接触，但现在他们都觉得成为一名独立交易员更适合。据我所知，他们的业绩大都非常出色，同时还能尽情享受独立工作所带来的充分自由。
第二章 寻找切实可行的策略
交易理念的来源
有人曾向我推荐财富实验室（见表2-1）论坛上的一项策略，据称具有高夏普比率。但当我对其进行回测后发现，它完全没有声称的那样出色。于是我开始对这项策略进行一些简单的调整，如缩短持有期、改变建仓和清仓的时点，最终这一策略成了我主要的盈利来源。如果你足够勤奋且富有创新精神，能够对基本策略进行各种变形，肯定可以从中发现高盈利的策略。
其实，那些你认为是秘密的策略多半也早已为他人所知。一项策略真正的独有价值和值得保密的地方是你自己的窍门和所进行的变形，而绝不是基础版本。
还要考虑策略的获利持续性。也许一个策略与基准有相同的平均收益率，但在基准偶尔下跌的月份里，每月仍然获得正的收益。这时，我们认为这一策略是优于基准的。这也促使我们使用信息比率或夏普比率（Sharpe，1994），而非收益率作为量化交易策略的业绩衡量指标。
交易成本影响策略的一个例子是，E-迷你标准普尔500期货合约的简单均值回归策略。这项策略基于布林线指标：每当价格超过移动平均值的正负两个标准差时，相应卖空或者买入。当价格回到移动平均值的正负一个标准差之内时清仓。如果允许每5分钟建仓和清仓一次，你会发现不计交易成本时夏普比率大约为3—一当然非常出色！不幸的是，如果扣除1个基点的交易成本，夏普比率则变成了-3，变成了完全无利可图的策略。
2.2.4数据有无存活偏差？
股票价格的历史数据库往往不包括那些由于破产、退市、兼并或收购而消失的股票，因此存在所谓的存活偏差，因为数据库中只有幸存者。（共同基金或对冲基金的历史数据库中也不包含那些已经倒闭的基金，同样存在存活偏差。）使用有存活偏差的数据进行回测是很危险的，因为会夸大策略的历史业绩。这在策略有“价值”偏好时（倾向于买便宜的股票）尤为突出，因为有些股票便宜的原因是公司即将破产。如果你的策略只包含那些当时非常便宜但却存活下来的股票（而且可能已经兴盛），而忽略那些退市的股票，回测的结果当然会比交易员当时的实际经历要好得多。
所以，当你读到一个有着良好业绩的“便宜时买进”的策略时，有必要问问策略的作者，回测是否使用的是无存活偏差的数据。否则的话，要谨慎对待（见例3.3的策略）。
2.2.6策略是否存在数据迁就偏差？
如果你构建一个有100个参数的策略，完全可能通过优化参数，使历史业绩看起来非常棒。同样可能的是，该策略的未来业绩与回测结果截然不同、非常糟糕。这么多参数，只是使模型与过去发生但未来不会再重现的任何偶然历史事件吻合。实际上，即使只有一两个参数（如建仓和清仓阀值），也很难避免所谓数据迁就偏差，第3章会讨论怎样减小数据迁就偏差的影响。一般而言，策略的规则越多，模型的参数越多，就越有可能遭遇数据迁就偏差。能经得起时间考验的往往是简单的模型。
第三章 回测
3.2.1数据是否经分拆及股息调整？
一家公司在除权日T分拆其股票，每股分拆为N股（N通常为2，但也可能是小数，比如0.5。当N小于1时，为反向分拆），T日之前的所有股票价格应该乘上VN。相应地，当公司在除息日T每股派发d元的股息，那么T日之前的所有股票价格应该乘上（Close（T-1）-d）/Close（T-1），其中Close（T-1）是T日前一交易日的收盘价格。注意，调整股票历史价格时，是乘上一个因子而不是减去d元。
从数据库检索完数据后，应对其进行查错。最简单的方法就是算一下日收益。如果你有最高价、最低价、开盘价、收盘价的数据，还可以算一下不同组合的日收益（如昨天的最高价与今天的收盘价）。对偏离均值4个标准差的收益要仔细检查。一般而言，极端收益与消息发布或市场指数异动有关。不然的话，就是数据本身有问题。
3.6策略改进
这些微小调整往往不如基础策略那样为人熟知，因此交易员也很少采用。比如有时会排除某只或某组特定股票。例如，交易员会倾向于从技术交易程序中排除价格易受消息影响的医药股，或面临并购的股票。还可以改变进出市场的时间或交易频率，甚至简单到选择一组不同的股票。如例3.7就可以看到，一项策略应用于小盘股时夏普比率很出色，而应用于大盘股时却非常糟糕。
策略的改进，最好基于经济学基本原理，或者透彻研究过的市场现象，而不是依据一些主观的试错法则。否则，就有可能产生数据迁就偏差。
第四章 创建交易业务
第五章 交易执行系统
5.1.2建立全自动交易系统
全自动交易系统（见图5一2）可在整个交易日，不间断地反复运行交易算法，持续监控最新价格并不断生成指令。指令通过应用程序接口（API）自动传送到经纪账户，因此，无需在组合交易器或差价交易器中完成交易，也无需手动运行Excel电子表格的宏。要做的全部工作就是在每天早上点击“开始”按钮，并在每天晚上点击“关闭”按钮，程序会自动完成全部交易。
聘请编程顾问并不需要花很多钱。请一个有经验的程序员，每小时一般是50~100美元。有时可以事先就整个项目谈定一个固定价格，以我的经验，绝大多数独立交易员的编程项目在1000~5000美元。如果开户的经纪商提供API，经纪商通常会推荐一些熟悉它的API的程序员。（例如，Interactive Brokers就有一个网页，编程顾问可以在上面提供服务信息。）也可以在elitetrader.com上寻找编程顾问（或发布需求信息）。最后一招，可以在craigslist.org上看到自由程序员发布的成百上千条自荐广告。但我觉得craigslist.org上自由程序员的水平参差不齐，尤其是他们对金融市场和交易技术的了解不多，而这对于成功构建自动交易系统是很关键的。
第六章 资金和风险管理
止损是风险管理的好方法吗？
有些交易员认为，好的风险管理就是对每笔交易采取止损，即当头寸亏损达到一定的百分比时，交易员就要清仓。采取止损可以避免投资组合出现灾难性巨额亏损，是一个普遍的误解。当灾难发生时，证券价格是不连续下跌的，因此，清仓止损指令的成交价格要远低于灾难发生前的价格。所以，在清仓行为中，止损不是避免灾难性亏损，而是使其真实发生。止损只有在惯性（趋势）状态时，才是有益的。换句话说，在交易的期望持续时间内，价格会进一步下跌。否则，如果市场在这段时间内是均值回归的，不过快的清仓才能最终弥补亏损。
当然，要判断市场是处于惯性状态（止损有益）还是均值回归状态（止损有害），并不是一件容易的事。我的观察是，若消息或其他基本面原因（如公司业绩下降）导致价格波动，一般是惯性状态，用交易员的话说，这时“不要试图与迎面而来的火车相撞”。例如，如果对一家公司进行基本面分析表明其价值被高估，股价就很可能要逐渐下跌（起码相对市场指数）到一个新的、较低的均衡价格。只要公司的基本面不发生改变，这种下跌就是不可逆转的。然而，当证券价格在没有任何消息或明显原因的情况下剧烈波动时，很有可能是流动性事件引起的，如大股东因个人特殊原因大量抛售，或大投机者突然停止做空。流动性事件的持续时间较短，价格也很可能回归到之前的水平。
6.3做好心理准备
一本量化交易的书用一节来讲心理准备的内容，看起来似乎有点奇怪。毕竟，量化交易不正是要将我们从情绪中解放出来，让电脑按部就班地做出所有交易决策吗？事情并非如此简单，没有做好心理准备的交易员，尤其是在头寸或某日的盈亏出现异常时，往往会推翻自动交易系统的决策。因此，即使用量化策略进行交易，了解一些我们自己的心理弱点也是十分必要的。
幸运的是，专门有“行为金融”（Thaler，1994）研究非理性金融决策。我将概括介绍一些常见的影响交易的非理性行为。
第一种行为偏差被称为“禀赋效应”、“安于现状偏差”或“亏损厌恶”。前两个效应会使交易员长时间持有亏损头寸，因为交易员（和一般人）更偏好安于现状（安于现状偏差），或者只有在价格比购买时高很多的情况下才愿意卖掉股票（禀赋效应）。正如“资金和风险管理”一节谈到的，若持有亏损头寸要有合理原因（如期待均值回归）。然而，这些行为偏差会让交易员在没有任何合理原因的时候，也持有亏损头寸（如预期的市场趋势将使你的头寸亏损更多）。同时，亏损厌恶会导致一些交易员过早地卖掉他们的盈利头寸，尽管平均来说多持有一段时间会获利更多。为什么他们会早早地卖掉盈利头寸呢？因为失去手头盈利所带来的痛苦，远高于获得更高盈利所带来的快乐。
当某人错误地建立了头寸（由于软件故障、操作失误或数据问题等原因）并发生大额亏损时，行为偏差会最明显、最惨烈地表现出来。一旦发现错误，理性的做法是立刻清仓。然而，交易员往往幻想等待均值回归，从而能减少交易亏损。
另一个常见的偏差是“代表性偏差”，即人们倾向于对近期经验赋子过多权重，而低估了长期平均的作用（Ritter，2003）。大额亏损后，交易员，甚至是量化交易员，倾向于立刻修改策略中的某些参数，以避免这种大额亏损。如果他们使用修改后的系统进行交易，则这样的修改是不明智的，因为可能带来其他尚未发生的大额亏损，或者消除许多现有的盈利机会。我们必须牢记我们是在概率状态中进行操作：没有系统能避免所有会导致亏损的市场异常状况。
如果你认为系统真的有缺陷，并打算调整，同样要对修改后的版本进行回测，以确保它能够在足够的回测期、而不仅仅是过去几周内的业绩优于原系统。
当交易模型处于巨大、持续的挫跌中时，会引起恐惧。许多交易员（以及他们的经理、投资者等）要承受彻底关闭模型的巨大压力。其他过度自信且轻率冒险的交易员会进行反向操作：他们会在亏损模型上加倍投注，寄希望于模型反弹并在反弹之时最终挽回损失。这两种行为都是不理性的；如果按照凯利公式管理资本配置和杠杆，应该逐步降低分配给亏损模型的资本。
当模型运行良好并获利颇丰时，贪婪是一种更常见的情绪。此时的冲动是迅速增加杠杆以期快速致富。而一个训练有素的量化交易员，仍会将杠杆保持在凯利公式给出的水平之下，同时对厚尾事件发生的可能性保持警觉。
恐惧和贪婪都会导致过度杠杆化：在恐惧时，人们会尝试通过追加资本来挽回损失；在贪婪时，人们会在策略刚开始盈利时，就过快追加资本。因此，风险管理的黄金法则是：任何时刻都要将投资组合的规模保持在可控范围内。然而，知易行难。一些著名的大型基金公司就因冲动而过度杠杆化，最终破产，如2000年的长期资产管理公司（Lowenstein，2000）和2006年的Amaranth Advisors。
在Amaranth Advisors的案例中，同一交易员（Brian Hunter）在同一策略（天然气跨期套利交易）上采用了过大的杠杆，导致60亿美元的亏损，轻松赔光了基金的净值，简直是一个教科书式的案例。
我在机构工作和个人交易中，都曾经受过这样的压力，并且还都是在初期。我在一家资金管理公司工作时，给基金投资者造成了超过1亿美元的损失。因为出于一点点贪婪之心，我对一个投资组合追加了1亿美元的资本，而这个投资组合所依赖的策略才仅仅交易了6个月。（那时我还没学到凯利准则。）似乎是得到的教训不够深刻，我开始进行独立交易时又犯了同样的错误，是关于XLE、一只能源交易型开放式指数基金（ETF）和原油期货（CL）的均值回归差价策略。当差价一直没有出现均值回归的趋势时，我很顽固地将策略的交易规模增加到50万美元。最后，当亏损高达6位数的时候，我因为恐惧对这个差价头寸清仓。自然，在我清仓后不久，差价开始回归了。（幸运的是，在我进行独立交易的第一年，其他几个策略的业绩很好，所以在第一个交易年份结束时，我只有轻微的亏损。）
我们该如何训练自己克服这些心理弱点，学会避免人为去否定模型的决策并迅速而正确地改正交易错误呢？如同大多数人的尝试一样，可以先从小额组合做起，逐渐做好心理准备、训练有素并获得对模型的信心。当你有足够的心理承受能力去应对每日盈亏波动，并且能够抑制心理上的原始冲动时，投资组合的实际业绩便将会趋近策略的理论预期业绩。
在经历了上面提到的那些灾难性交易之后，我才找到了这些应对它们的办法。而我在凯利公式中所获得的训练和信心进一步防止了类似事件的再次发生。
6.4小结
本章提供了一个重要的风险管理工具：用凯利公式决定最优杠杆。
除了决定最优杠杆，凯利公式还有另外一项用途：根据不同策略收益的协方差，决定不同策略之间的最优资本配置。
我发现，若想慢速、谨慎地发展，拥有其他的收入来源或业务有助于保持财务和情绪的稳定（避免由于缓慢发展而引起的烦躁）。确实应该寻找一件事情来分散注意力，不论它是否能够带来收入，都会有助于你财富的长期增长。
第七章 量化交易专题
我将首先介绍两类基本的交易策略：均值回归策略和惯性策略。均值回归时段和趋势行为时段，就是交易员所说的“状态”的例子，不同状态之间的转换正是本章要重点讨论的一个专题。均值回归策略的数学基础源于时间序列的平稳性和协整性概念，我在后面会讲到。然后，我将介绍一个许多对冲基金用于管理大额组合并曾导致其业绩大幅波动的理论：因子模型。交易员经常讨论的其他策略类型还包括季节性交易策略和高频策略。所有的策略都要有清仓方式，我将介绍各种清仓方式中所蕴含的不同的逻辑。最后，我将讨论如何才能最大程度提高策略的收益：使用更高的杠杆还是交易高贝塔股票？
学术研究表明，股票价格“一般而言”非常接近随机漫步。但这并不意味着在特殊条件下价格不会表现出一定程度的均值回归或趋势行为。此外，根据选取的时间段不同，同一时刻的价格既可以是均值回归的，也可以是趋势的。因此，构建一个策略，实际上就是要判断，在特定条件和特定时间段，价格究竟是均值回归的还是趋势的，以及任何给定时点的初始参考价格是多少。（当价格是趋势的，就称其具有“惯性”，因此，相应的策略常被称为“惯性策略”。）
价格在同一时间既均值回归又趋势的现象，被有些人描述为股票价格具有“分形”性质。技术分析者或图表分析者喜欢用所谓的艾略特波浪理论来分析这种现象。还有人喜欢用机器学习或人工智能（特别是像隐马尔科夫模型、卡曼滤波、神经网络等技术）来发现价格是否处于均值回归或趋势“状态”。我个人还没发现这些均值回归或惯性的理论特别有用。（不过，在关于状态转换的那一节，提供了一个成功预测某只股票状态转换的例子。）我倒是发现这样假设通常是安全的：除非公司的预期盈利发生了变化，股票价格会均值回归。
惯性可能产生于信息的缓慢扩散——当越来越多的人开始注意到某条新闻，越来越多的人决定买入或卖出某只股票，就使得价格朝某一方向运动。前面说过，当公司的预期盈利变化时，股票就会显示惯性。这可能发生在公司公布其季度盈利之时，投资者逐渐了解该公告，或通过多步执行大额指令以应对该变化（使市场冲击最小）。事实上，根据这种现象，我们可以构建一个叫做“后盈利公告漂移”（PEAD）的惯性策略。（更多关于这个策略的有用参考文章，可参见quantlogic.blogspot.com/2006/03/pocket-phd-post-earning-announcment.html。）实质上，这一策略建议你在盈利超出预期时买入股票，低于预期时卖空股票。更一般的，很多信息公告都有改变股票未来的预期盈利的潜力，从而又激发一个趋势时段。至于何种消息会触发趋势时段，以及趋势时段会持续多久，就要再一次靠交易员自己去发现了。
惯性也可能由投资者的羊群行为所引发的：投资者把其他人的（可能是随机且无意义的）买卖决策作为自己交易决策的唯一判断标准。就像耶鲁大学的经济学家Robert Schiller在《纽约时报》（Schiller，2008）上说的，没有人拥有他需要的所有信息以便做出一个完全有根据的财务决策。人们不得不依赖其他人的判断。然而，我们没有办法分辨他人判断的优劣。更成问题的是，人们是在不同的时点做出财务决策，并非在市政大厅一起开会时达成共识。第一个支付高房价的人在“告知”其他人房子是一项好投资，使得另外一个人也做出相同的决定，进而越来越多。因此，第一个购房者原本可能错误的购房决定，就会被当成“信息”扩散给其他人群。
比较均值回归策略和惯性策略，还有最后一点值得考虑。使用相同策略的交易员之间日益激烈的竞争会对策略本身造成怎样的影响？对于均值回归策略而言，典型的结果就是套利机会的逐步消失，从而使得收益率逐渐降低至零。当套利机会消失殆尽时，均值回归策略就危险了，因为越来越多的交易信号来自于股票估值的基本面变化，而这并不会均值回归。对于惯性策略而言，竞争的后果是减少该趋势持续下去的时间周期。当消息以更快的速度扩散，从而更多交易员们更早地利用了这一趋势，均衡价格就会更快实现。所有在均衡价格实现之后建仓的交易员都将无利可图。
拐点模型使用了数据挖掘方法（Chai，2007）：输入所有可能预测拐点或状态转换的变量。变量包括当前的波动率、最近一期收益，以及消费者信心指数、石油价格变化、债券价格变化等宏观经济数据的变化等。经济学家Robert Schiller（2007）关于房地产市场拐点的文章受到广泛关注，文章指出：媒体上开始日益频繁地讨论繁荣或萧条实际上是下一个拐点的预测。
例7.1介绍了应当如何通过数据挖掘来确定拐点，这种方法建立在简单的技术指标之上，即股票价格序列作为输入变量、股票在多个持有期的收益率作为输出变量。
我选择一只出色经纪商的股票GS作为金融行业的代表。我的目标是能否发现这个行业牛市熊市的拐点。初始假设是：利率重大变化、政府宏观数据发布或盈利公告会触发扬点。在写作本书的时候，Alphacet还未将宏观数据和公司数据整合进数据库，所以我用GS股价的较大变化代表这类消息的发布。另外，无论何时，当GS股价在此大跌或大升之前达到其N天内的最高价或最低价，都很好地预示着前一状态快要结束了。所以我把这一情况也作为另一输入变量。
我们面临的问题是：多大的价格变动才足以触发状态转换？N应该取多少天？新的状态通常会持续多久？（换句话说，最优持有期多长？）如果用老式的人工方法来回答这些问题是非常耗时的，因为必须在对自变量用多个阀值和对因变量用多个返回形态的情况下进行多次模拟。让我们看看Alphacet Discovery是怎样帮助我们实现流程自动化的。
正如你所看到的，要创建一个状态转换模型并不是很难，只需用最简单的技术指标，以及能够有效地优化大量参数，并能在后顾移动窗口中被严格执行。（见第3章的无参数交易模型。）
7.4因子模型
因子模型在实际交易中的业绩如何呢？其实这主要取决于所使用的因子模型。但总体上看，基本面和宏观经济因子主导的因子模型有一个主要缺陷：假设投资者始终会用相同的标准对公司进行估值。换句话说，因子收益率必须具有惯性，模型才会有效。
7.5清仓策略
每个策略都有其特定的建仓信号，但是策略的清仓信号并无太大区别，主要有以下几种：
- 固定的持有期
- 目标价格或盈利上限
- 最新的建仓信号
- 止损价格
无论是惯性模型、回顾模型，还是基于惯性或回归的季节性交易策略，固定持有期都是其默认的清仓策略（后面将详述）。前面说过，信息的缓慢扩散是惯性产生的一个原因，这种情况下，这个过程的期限有限。通过回测可以获得这个期限的平均时间，这一时间决定了最优持有期的长度。
如果我们拥有公司的基本面估值模型，按目标价格清仓的方法也能用于惯性模型。但是，基本面估值并非很科学，所以，目标价格在惯性模型中的使用并不像在均值回归模型中那样靠谱。如果使用基于基本面估值的目标价格可以轻松获利，所有投资者必须做的是，通过每日研读股票研究报告做出投资决策。
7.6季节性交易策略
季节性交易策略也称作“日历效应”。一般而言，这种策略建议在每年的固定日期买入或卖出某种证券，并在另一个固定日期平仓。它既可应用于股票市场，也可应用于商品期货市场。也许是因为这种交易机会已广为所知，就我个人看来，目前很多股票市场上的季节性交易策略都已失效。不过，在商品期货市场上仍然还有部分季节性交易策略是可以盈利的。
股票市场最著名的季节性交易策略是“一月效应”。这一策略有许多种版本，其中一个版本是：前一年收益率最差的那些小盘股，在第二年一月的收益率会普遍高于前一年业绩最好的那些小盘股（Signal，2006）。
相比股票的季节性交易策略，商品期货市场的季节性交易策略仍然是有利可图的。这也许是因为对某种商品的需求来源于实体经济而非投机。
汽油期货交易是最直观的商品季节性交易策略之一：只需要在临近4月中旬买入5月份到期的汽油期货合约，并在4月下旬卖出就可以了。直到2008年4月写作本书之时，这一交易在之前的11年里都是盈利的（详情见“汽油期货的季节性交易”）。似乎北美的汽油期货价格在临近夏季自驾高峰前总会有一段上扬。
天然气期货的季节性交易
出于空调用电的需要，发电厂在夏季对天然气的需求会增加。这就意味着我们可以建立这样一个天然气季节性交易策略：在2月25日（如遇节假日，则顺延至下一个交易日）收盘时买入一份6月到期的纽约商品期货交易所天然气合约（代码：NG），并在4月15日（如遇节假日，则提前至前一个交易日）清仓。在写作本书时，这一策略已经连续14年盈利。
最近，有人提出了另外一个股票季节性策略Heston and Sadka，2007；。这一策略非常简单，就是每个月买入大量去年这个月业绩最好的股票，同时卖空同样数量的去年这个月业绩最差的股票。如果不计交易成本，这一策略在2002年之前的平均年收益率超过13%。但是我发现这一策略在最近似乎失效了
7.6高频交易策略
什么是高频交易策略？为何它会有更高的夏普比率？许多高频交易专家认为高频交易策略是那些持仓不超过几秒的策略，而本书采用的是更广泛的定义，即把日内交易策略也归为高频交易策略。由于充足的流动性，高频交易策略最早出现在外汇市场，随后是期货市场。最近六七年，随着股票市场流动性增强，逐笔历史数据普及以及计算速度大幅提高，高频交易策略也已被广泛应用于股票交易。
高频交易策略能获得高夏普比率的理由很简单：根据大数定律，交易的次数越多，收益率相对于均值的偏差就越小。而在高频交易策略下，一天可交易成百上千次。因此，如果你的策略具有正的平均收益率，高频交易日收益率与平均收益率的偏差将会达到最小。
但通常来说，这些策略要么是利用市场中出现的微小的无效性而获利，要么是通过提供短暂的流动性以获取微小的报酬。与基于宏观趋势或公司基本面的策略会时常经历大的波动不同，高频交易策略依赖于每天都会出现的市场短暂无效和流动性需求，这使得它可以每天持续盈利。此外，高频交易策略要求交易量适中，因此进行风险管理非常容易：亏损时可以很快地“去杠杆”，市场槽糕时可随时停止交易。最坏的结果也不过是当某个策略太过普通，收益率不断下滑而最终无利可图。至于突发大额亏损或多账户的连环亏损则是不太可能的。
虽然成功的高频交易策略有许多优点，但是当平均持有期只有几分钟甚至几秒钟的时候，对其进行回测就不那么容易了。对这种策略进行回测，交易成本对最终结果会产生重大影响。
当然，回测只是高频交易的很小一部分，而高速执行往往决定交易的实际盈亏。专业的高频交易公司都是用C语言而不是其他用户友好性更高的编程语言来编写策略，并且会将服务器放置于交易所或主要网络节点附近以降低时滞。所以，虽然高频交易策略夏普比率较高并且收益率可观，但还是不大适合初涉此领域的独立交易员。当然，随着交易经验和资源的积累，我们没有理由不向这个目标前进。
7.8 高杠杆组合优于高贝塔组合吗？
7.9小结
现将一些应注意的重点总结如下：
均值回归状态比趋势状态更常见。
回测均值回归时存在一些棘手的数据问题，如异常报价和存活偏差。
新信息的缓慢扩散、机构投资者大额指令的成交或“羊群效应”会引发趋势状态。
交易员之间的竞争会减少均值回归交易的机会。
交易员之间的竞争会缩短惯性交易的最优持有期。
用数据挖掘方法可以发现状态转换。
平稳价格序列对均值回归交易非常理想。
两个或更多的非平稳性价格序列只有是协整的时候才可以构成一个平稳序列。
近年来，股票的季节性交易策略（如日历效应）已经变得无利可图。
商品期货的季节性交易策略仍然可以继续盈利。
根据“大数定律”，高频交易策略具有较高的夏普比率。
较高的夏普比率使高频交易策略具有最高的长期复合增长率。
对高频交易策略进行回测非常困难，策略执行有技术依赖。
高杠杆的低贝塔值股票组合的长期复合增长率，比低杠杆的高贝塔值股票组合高。
第八章 结语：独立交易员能否成功？
事实上，关键就是“容量”，这个概念在第2章已经介绍过了（重复一下：容量就是一个策略能产生较好收益率的净值规模）。相比于1亿美元的账户，10万美元的账户获得较高夏普比率要容易得多。许多简单且可盈利的策略对小容量有效，但对于大型对冲基金，这些策略可能都不适用。这就给我们独立交易员提供了生存空间。
有必要进一步讨论一下容量的问题。许多盈利的小容量策略其实就是在扮演做市商角色：在市场需要短期流动性时提供流动性，在流动性需求消失时获利走人。但是，如果管理着几十亿美元，你变成了需要流动性的一方，就不得不为获取流动性而支付一定的成本。为最小化流动性需求的成本，你只能持有头寸较长时间。而持有头寸较长时间，你的投资组合就会遭遇不利的宏观变化（如状态转换）。尽管模型合理的话，长期可以盈利，但是那些偶然事件导致的大幅挫跌仍无法避免，而这样的事往往会成为头条新闻。
独立交易员在大型基金失败的时候能够成功的另一个原因是，基金的管理层施加的各种各样约束。例如，量化基金的交易员可能被禁止使用纯多头策略，而纯多头策略往往更容易发现、更加简单、盈利更高，如果小规模交易，也不会比市场中性策略的风险更大。或可能被要求不仅要市场中性还要行业中性。当你认为均值回归策略有效时，可能被要求去寻找一个惯性策略。诸如此类。不可否认，有些约束是出于风险管理的需要，但有些可能是管理层的一时心血来潮，或莫名其妙的想法。所有学过数学最优化的学生都知道，任何施加在最优化问题上的约束条件都会降低最优值。同样，基金施加的约束也同样会降低策略的收益率，如果没有同时影响到夏普比率的话。最后，有些监督量化基金前台投资经理的高管，由于并不精通量化技术，他们往往不是根据量化理论做出决策。
当策略表现出盈利迹象时，这些管理层就会施加强大压力，要求你迅速扩大投资规模。一旦策略开始出现亏损，他们又可能会要求你马上清仓，弃用这一策略。这些量化投资中的干预行为没有一个是数学上的最优。
你瞧，就是这么回事。我希望通过这些可信的案例让你相信，只要在交易过程中严守纪律并用心去做，独立交易员比机构交易员更有优势。当然，作为独立交易员的附带好处是，从一开始就是自由的。就个人而言，我觉得目前的工作状态要比之前开心得多，当然这并不包括那些难以避免且惊心动魄的遭遇挫跌的日子。
最近，许多量化对冲基金遭受了巨额亏损，很多人开始质疑量化交易在长期是否可行。虽然目前讨论量化策略的死亡还为时过早，从独立交易员的角度来看，这仍是一个十分重要的问题。假如你已经实现了自动化交易并且资产呈现指数增长，是否就意味着可以放松休息、坐享财富了？回答是否定的，经验表明，随着越来越多的交易员发现这些策略并且加入竞争，这些策略就会失去盈利潜力。你必须不断研究新的策略。
每十年都会有一些突然的、重大的状态转换发生，导致某些策略的突然死亡。不管作何商业努力，经历一段高速增长期后不可避免地会进入稳定状态，行业成熟的标志便是只能获得不起眼的收益。但是，只要金融市场需要瞬时流动性，量化交易永远会有盈利基础。
发表回复