從歷史上看，很多高頻交易公司的創(chuàng)始人都是交易員出身，原來就從事衍生品的做市、套利等業(yè)務(wù)。那我們知道有哪些嗎？下面是理財小編整理的量化交易的模型介紹_量化領(lǐng)域常見的誤區(qū)，僅供參考，希望能夠幫助到大家。

高頻交易公司和量化投資公司的區(qū)別

一開始這些工作并不需要多高深的知識。隨著計算機技術(shù)的發(fā)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(shù)學(xué)、統(tǒng)計、計算機背景較強的人員加入以適應(yīng)形勢的發(fā)展。當(dāng)然，這個過程也出現(xiàn)了一些分化，有的公司還是保留了交易員在公司的主導(dǎo)地位，并且始終未放棄人工交易，最終形成了人機結(jié)合的半自動交易;而另外一些公司對新鮮技術(shù)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(jù)表明全自動交易的公司就比半自動交易的公司更為優(yōu)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于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?shù)臅r間，不過自動化交易往往因為程序過于復(fù)雜，加上很多公司人員流動較大，在程序的維護上會出現(xiàn)一些失誤，最終程序出錯釀成大禍，比如著名的騎士資本。

至于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(chuàng)辦的，比如說文藝復(fù)興的創(chuàng)始人西蒙斯是數(shù)學(xué)家出身，DE Shaw的創(chuàng)始人David Shaw是計算機教授出身，AQR的創(chuàng)始人Cliff Asness是金融學(xué)家出身，而高頻交易公司則更多是傳統(tǒng)交易員創(chuàng)辦的;其次，量化投資一般依賴于復(fù)雜的模型，而高頻交易一般依賴于運行高效的代碼。

量化投資公司的持倉時間往往達到1—2個星期，要預(yù)測這么長時間的價格趨勢需要處理的信息自然非常龐大，模型也因此更為復(fù)雜，對程序的運行速度反而沒那么敏感;高頻交易處理信息的時間極短(微秒或毫秒級)，不可能分析很多的信息，因此模型也趨于簡單，競爭優(yōu)勢更多依靠代碼運行的效率，很多人甚至直接在硬件上寫程序;而最后，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，但由于高頻交易的策略表現(xiàn)遠比量化投資穩(wěn)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。

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(fù)雜：

最簡單的以約翰·墨菲的《期貨市場技術(shù)分析》為代表，最多用到指數(shù)、對數(shù)等高中層面的數(shù)學(xué)知識，通俗易懂，更適合主觀交易，或者計算機計算并發(fā)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(shù)學(xué)上畢竟使用了均值、方差、正態(tài)分布等大學(xué)低年級數(shù)學(xué)的內(nèi)容，策略的測試也更具科學(xué)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(tǒng)的、依靠交易規(guī)則的排列組合進行交易的思路。不過，如果策略設(shè)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(xiàn)在交易信號的整合方面，比如運用更現(xiàn)代的統(tǒng)計方法——回歸分析、神經(jīng)網(wǎng)絡(luò)、支持向量機等對傳統(tǒng)的技術(shù)指標進行有機整合，并使用更嚴格的統(tǒng)計方法進行變量的篩選及測試。考慮到金融數(shù)據(jù)的時間特征，往往需要使用滾動優(yōu)化來獲取樣本外的測試結(jié)果，這樣得出的模型也更為穩(wěn)健。

不過，一般的程序化交易系統(tǒng)都難以實現(xiàn)這些功能，需要自己用更通用的編程語言來實現(xiàn)。

圖為文藝復(fù)興基金創(chuàng)始人西蒙斯講解量化投資

如果是量化投資，那么除了行情信息，還要收集整理其他基本面的信息，整理出對應(yīng)的時間序列，并融入到預(yù)測模型中。一般來說，成功的模型不在于運用了多高深的數(shù)學(xué)理論，而在于它整合了多少不同來源的信息。即使是最簡單的線性回歸，如果各個參數(shù)都有很強的預(yù)測能力，且相關(guān)性很低，那么模型的預(yù)測效果也會很好;相反，即使運用復(fù)雜的深度學(xué)習(xí)理論，如果選取的參數(shù)毫無意義，最后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本信息建模，甚至用到谷歌衛(wèi)星拍攝到的港口集裝箱的圖像來建模，通過對商品集裝箱的數(shù)目來預(yù)測商品價格的走勢，取得了很好的預(yù)測效果。

建模是一回事，求解模型其實也同等重要。比如說物理學(xué)上有很多模型能精確描述現(xiàn)實，但經(jīng)常由于缺乏高效的科學(xué)計算方法而難以求解。量化交易也一樣的。參數(shù)的計算、篩選、優(yōu)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(xué)問。據(jù)西蒙斯透露，著名的文藝復(fù)興公司內(nèi)部有著明確的分工——計算機程序員從各個來源收集數(shù)據(jù)，物理學(xué)家分析數(shù)據(jù)建立模型，數(shù)學(xué)家構(gòu)建優(yōu)化算法并求解模型等。

3高頻、量化領(lǐng)域常見的誤區(qū)

量化模型無法戰(zhàn)勝黑天鵝事件

事實上，任何投資方法都是依靠歷史預(yù)測未來，都害怕黑天鵝事件，都會有回撤。量化的好處在于遇到回撤之后，可以迅速把最新的情況納入模型，及時調(diào)整，重新回測、優(yōu)化、模擬，爭取在最短的時間內(nèi)扭轉(zhuǎn)損失。比如文藝復(fù)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，重新建模，在致投資者的信中他宣稱“我們新的模型已經(jīng)發(fā)現(xiàn)了3個很強的交易信號”，結(jié)果在接下來的日子很快扳回損失，當(dāng)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(chǎn)的。事實上，LTCM是一個多策略基金，它的純量化交易策略最后在1998年還是賺了1億美元，它虧損最多的策略都是交易流動性極差的柜臺衍生品，很多甚至是它自己設(shè)計來跟投行對賭的產(chǎn)品，遇到黑天鵝事件無法及時清理頭寸。這些產(chǎn)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(zhí)行、產(chǎn)品設(shè)計、銷售等都跟量化無關(guān)，一般認為LTCM的破產(chǎn)更多是因為流動性風(fēng)險，跟模型關(guān)系不大。

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(yīng)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(dāng)年的傳統(tǒng)交易員。正因為新興的、依靠先進技術(shù)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。由于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(nèi)，現(xiàn)在期權(quán)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(lǐng)域，我們還能依靠在程序化交易上的豐富經(jīng)驗與國外抗衡一下，那么在期權(quán)和股票高頻領(lǐng)域，我們的實踐經(jīng)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;另一方面也不能急于求成，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(tài)度，國外很多高手來到國內(nèi)都是先研究一年才能穩(wěn)定盈利，國內(nèi)的人基礎(chǔ)較薄，研究周期要長一些，比如第一年做準備工作開發(fā)系統(tǒng)，第二年逐漸打平手續(xù)費，之后開始盈利，或許更為合理。策略研究要慢工出細活，急于求成，頻繁改變研究方向，最終很可能一事無成。