随着量化金融领域日渐成熟，量化交易方法也在金融投资过程中应用越来越广泛，并被投资者熟知。但目前国内量化投资发展较为缓慢，投资者参与量化投资积极度较低。量化投资仍主要掌握于专业机构手中，对相应技术和数据分析能力要求高。本文将简介量化投资，帮助投资者更加容易了解量化投资。
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。量化交易简单来说就是应用了统计学和概率学，通过了抽样和相关性分析，应用多元回归和时间序列分析以及数学模型来形成的投资决策。定量投资和传统的定性投资本质上来说是相同的，二者都是基于市场非有效或弱有效的理论基础。两者的区别在于定量投资管理是“定性思想的量化应用”，更加强调数据。
量化交易的历史大致可以分为三个阶段，第一阶段，1971～1977 年，1971 年世界第一支被动量化基金由巴克利国际投资管理公司发行。1977年，第一支主动量化基金由巴克利发行，总额 70 亿美元，是美国量化投资的开端。第二阶段，1977～1995 年，这一阶段计算机技术飞速发展，为量化投资的数据分析打下了很好的铺垫。第三阶段，1995 年至今，量化投资的成熟阶段，目前，全部投资中，量化投资的占比超过 50%，其中指数类投资全部采用定量技术，主动策略投资中，30% 左右使用定量技术。
1、纪律性。坚决执行模型的运行结果进行决策，减少因投资者情绪波动而导致的非理性的投资决策。
CryptoPunk过去一周平均交易价格上涨68.2%至12.7万美元:据OpenSea数据，CryptoPunks过去一周平均交易价格从7月26日的29.9ETH（7.5万美元）增加到8月1日的50.3ETH（12.7万美元），上涨68.2%。每日交易量从1707.7ETH（431.7万美元）增加至14135.2ETH（3573.7万美元），销售数量从57件增加至303件，并且10个最昂贵的CryptoPunks中有一半进行了交易。7月30日，连续创业者GaryVaynerchuk以1600ETH（370万美元）的价格购买了CryptoPunk2140，同一天，一位名叫0x650d的匿名投资者在88个CryptoPunks上花费了2700ETH（700万美元）。[2021/8/2 1:28:49]
2、系统性。多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；多数据，即对海量数据的处理。尽可能的涵盖市场多维度数据，来进行有效测算。
3、套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。
4、概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。
1、统计套利
统计套利是利用资产价格的历史统计规律进行的套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利的主要思路是先找出相关性最好的若干对投资品种，再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓，买进被相对低估的品种、卖空被相对高估的品种，等价差回归均衡后获利了结。股指期货对冲是统计套利较常采用的一种操作策略，即利用不同国家、地区或行业的指数相关性，同时买入、卖出一对指数期货进行交易。在经济全球化条件下，各个国家、地区和行业股票指数的关联性越来越强，从而容易导致股指系统性风险的产生，因此，对指数间的统计套利进行对冲是一种低风险、高收益的交易方式。
数据：美联储主席发表讲话之前，比特币隐含波动率大幅下降:比特币的期权市场预计短期内价格波动不大，尽管央行观察人士预计美联储主席杰罗姆·鲍威尔（Jerome Powell周四上午的讲话会引发波动。Skew数据显示，比特币1个月期权的隐含波动率周四早些时候跌至52%，为7月25日以来的最低水平。过去两周，短期价格预期从70%大幅下降至52%。3个月隐含波动率已从80%降至68%，而6个月隐含波动率则从80%降至72%。
据此前报道，鲍威尔周四将在杰克逊·霍尔全球央行年会发表主题演讲，他预计将暗示对更高通胀的容忍度。对此，Stack联合创始人Matthew Dibb表示，此次研讨会对加密货币的主要影响将来自货币政策的变化和美元的进一步贬值，这可能推动比特币走高。
据悉，加密货币行业里许多人都认为通货膨胀将成为比特币走高的驱动因素，这是因为人们认为比特币是类似于黄金的对冲资产。（CoinDesk）[2020/8/27]
2、算法交易
算法交易又称自动交易、黑盒交易或机器交易，是指通过设计算法，利用计算机程序发出交易指令的方法。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格，甚至包括最后需要成交的资产数量。
算法交易的主要类型有:
(1) 被动型算法交易，也称结构型算法交易。该交易算法除利用历史数据估计交易模型的关键参数外，不会根据市场的状况主动选择交易时机和交易的数量，而是按照一个既定的交易方针进行交易。该策略的的核心是减少滑价（目标价与实际成交均价的差）。被动型算法交易最成熟，使用也最为广泛，如在国际市场上使用最多的成交加权平均价格（VWAP）、时间加权平均价格（TWAP）等都属于被动型算法交易。
(2) 主动型算法交易，也称机会型算法交易。这类交易算法根据市场的状况作出实时的决策，判断是否交易、交易的数量、交易的价格等。主动型交易算法除了努力减少滑价以外，把关注的重点逐渐转向了价格趋势预测上。
(3) 综合型算法交易，该交易是前两者的结合。这类算法常见的方式是先把交易指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型交易算法进行判断。两者结合可达到单纯一种算法无法达到的效果。
1、B-breaker
在外汇交易系统中，枢轴点 (Pivot Points) 交易方法是一种经典的交易策略。Pivot Points 是一个非常单纯的阻力支撑体系，根据昨日的最高价、最低价和收盘价，计算出七个价位，包括一个枢轴点、三个阻力位和三个支撑位。阻力线和支撑线是技术分析中经常使用的工具之一，并且支撑线和压力线的作用是可以互相转化的。从交易的角度上来看，Pivot Point 好比是作战地图，给投资者指出了盘中应该关注的支撑和阻力价位，而至于具体的战术配合，Pivot Point 并没有具体地规定，完全取决于投资者自身的交易策略。投资者可以根据盘中价格和枢轴点、支撑位和阻力位的相关走势灵活地制定策略，甚至可以根据关键点位进行加减仓的头寸管理。
2、海龟交易法
海龟交易法是著名的公开交易系统。首先进行市场和品种选择，选择关联度低、流动性好、容量大的市场和品种进行组合投资。其次决定头寸规模，采用基于波动性的头寸管理策略（止损同样是基于波动性）。海龟交易法建仓有两套规则，第一套建仓规则为以 20 日突破为基础的短线系统，第二套建仓规则是以 60 日突破为基础的长线系统，加仓规则是价格在上次买入价格的基础上往盈利的方向变化（系数在 0.5～1 之间），即可在增加 25% 仓位。海龟交易法同样具备两种止损规则，统一止损是任何一笔交易都不能出现账户规模 2% 以上的风险；双重止损是账户只承受 0.5%的账户风险，各单位头寸保持各自的止损点位不变。海龟交易法的卖出规则一旦出发都要退出。
3、凯利公式
凯利公式由 John Larry Kelly 于 1956 年提出（Kelly 1956）。它指出在一个期望收益为正的重复性局或者重复性投资中，每一期应该下注的最优比例。藉由捕捉可以最大化结果对数期望值的资本比例 f 也就是得到长期增长率的最大化。那么在单纯的就有两种结果的简单局来讲，这里的两种结果指的是：输去所有注金，或者获得资金乘以特定赔率的彩金。
可以通过一般的陈述引导出下面的公式：f=（bp-q）/b（f*代表现有资金应进行下次投注的比例；b 代表投注可得的赔率；p 代表获胜率；q 代表落败率，也就是1-p）。凯利公式在量化投资中的应用是确定投资品的最佳杠杆比率，凯利公式的核心是在于控制风险。
4、卡尔曼滤波算法
在 40 年代，美国科学家 Wiener 和前苏联科学家 Ｋолмогоров 等人研究出最佳线性滤波理论，之后又被后人称之为维纳滤波理论。从理论的角度来看，维纳滤波存在着一个最大的缺陷：就是一定要应用到无限的过去数据，再实时处理上，并不适用。在 40 年代，为了打破这一缺陷，Kalman 将状态空间模型引入到滤波理论里，并引导出了一套递推估计算法，后期又被人称作卡尔曼滤波理论。它是以最小均方误差为估计的最佳准则，因此来找到一套递推估计的算法，它的根据就是：选用信号与噪声的状态空间模型，把前一时刻的估计值和现时刻的观测值利用起来，然后更新对状态变量的估计，从而求出和得到现时刻的估计值。它在实时处理和计算机运算方面都非常的适用。
5、蒙特卡洛期权定价
根据资产价格呈对数正态分布的假设，模拟出资产在期权持有期内的不同的价格走势，得到资产在期权到期日的不同价格分布，由此根据期权在资产不同价格下的价值得到期权在到期日的价值分布，再取期权在到期日价值的均值作为期权价格。通过模拟标的资产价格路径预测期权的平均回报，紧接着就是得到期权价格估计值。在市场当中，蒙特卡洛方法的最大的优越点就是：误差的收敛率从来不会依靠于问题的维数，也就是这个原因，在高维期权定价时，应用这种方法是最合适不过了。
量化交易简单来说就是应用了统计学和概率学，通过了抽样和相关性分析，应用多元回归和时间序列分析以及数学模型来形成的投资决策。将风险和收益更加具现化，让投资者在进行投资决策阶段更加清晰和准确。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。