如何获取策略灵感——《量化交易》速读二

量化交易:如何建立自己的算法交易事业
英文名：Quantitative Trading: How to Build Your Own Algorithmic Trading Business
作者：Ernest Chan

量化交易:自己动手做算法交易

可能与大家平时的认识不同，在量化交易中，获取策略灵感并非是最难的部分。可以通过很多公开的渠道获取到，比如投资书籍、报纸、主流媒体及公开的学术文章。也可能很多人认为，复杂的学术文章才能构建出优秀的量化交易策略，但事实并非如此。许多学术文章中提出的量化策略，过于复杂与过时，需要昂贵的外部数据支撑回测，而且很多策略只针对小盘股。小盘股实际中的流动性要远比文章中的假设更差。

获取策略灵感

但这并不是说，就无法从公开信息获取价值。就我个人而言，就发现许多交易这论坛或博客中，有一些原理简单的量化策略，它们同样盈利情况很好。
大家心中一直都有这个疑问，“这些人将自己的量化策略公诸于众，会不会影响到自己的策略的营利性？” 这个怀疑是有道理的，这些公开的策略，大部分都没有经过严格的回测。它们往往只能在一段时间、一些特定的股票下才有效，而且很多并没有考虑交易成本。但是，这里的一个trick就是:

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。

作者就构建了一个量化交易主题的个人博客，他发现将自己“秘密”的量化策略想法公开后，反而从他的读者渠道源源不断的得到很多有效的想法。你自认为秘密的策略，可能对于读者来说却稀疏平常。一个策略成功与否，往往在于策略的修改及变化。而且如果你的策略存在问题，读者往往会很快给予反馈，从而避免时间、精力、金钱上的进一步损失。

所以量化策略的真正难点在于

如何根据自身情况，找到一个合适的策略？

如何找到一个合适的策略

1. 你的工作时间
   你是否兼职进行量化交易？如果是，那么可能持股过夜的策略，而非日间交易策略更适合你。当然如果你的策略完全自动化，也完全可以。但需要注意策略在异常情况下要足够健壮，能够及时给你提醒，否则。。呵呵
2. 你的编程技能
   你是否精通编程？如果你可以使用java 、python等高级语言，那么你可以考虑高频交易策略，你可交易的证券范围也可以适度扩大。否则建议每日只交易一次，或只针对于几只特定股票，期货或货币。
3. 你可交易的资本
   可交易的资本会影响到你的交易结构及操作。
   首先影响的就是开户，是在一个零售经纪商开户，还是在一个自营交易公司开立账户。其次，如果资本很少，那就需要找寻可以有效利用杠杆的交易策略。最后，资本还会决定你是进行方向性交易，还是进行货币中性/市场中性交易。货币中性组合（持有的多空头寸相同）或市场中性组合（组合相对于市场的beta值接近于0，beta：组合期望收益/市场的期望收益）对于资本的需求是简单多空策略的2倍，所以虽然对冲策略风险更小，但其产生的收益也更小，
   同时资本量还会产生一些间接的约束。例如你可以使用的数据、软件及资讯信息等。
   
   资本影响

虽然资本可能给你带来一些限制。但是只要你清楚自己使用的工具与数据存在的问题，就可以有效的规避，同样取得成功

4. 你的目标
   你的目标是什么？可能希望有一个稳定的月收入或者季度收入，这就会影响你对于证券的持有期。一般来说：

如果希望策略规律的产出收益，那么策略中你的持有期应该较短。

这里有一个常见的误区。在平时很多人反复的告诉我们，希望获得长期的最大资本利得。最好的策略是——买入持有。而这个观点在数学上是完全错误的。在现实当中。获取长期最大收益的方法是，取最高的夏普比率（只要你能够方便的融资，从而提高杠杆）。

快速筛选满足条件的策略

接下来，假设你已经找到了一些满足你各种条件的策略，同时它们都有进行回测，并且回测结果证明他们可以获取很不错的历史收益。在进一步研究实现这些策略前，有一些简单快速的方法来检查他们是否会浪费你的时间金钱？

1. 与基准收益率相比如何，收益是否可持续?
   以一个股票策略为例，如果它是单向的交易策略，获取了10%的年化收益。而市场基准收益率也是10%。那么，就没有任何必要选择该策略，因为可以直接通过投资市场ETF。而如果它是一个货币中性策略，那么10%的年化收益就是一个非常可观的数字了。
   另外一点就在于策略的收益是否可持续。如果策略与市场基准收益相同。但基准收益率在不同的月份波动很大，那么该策略依旧是有价值的。
   这里就要引入信息比率的概念：
   
   信息比率
   
   注意：基准的选择要和投资标的相匹配。

而夏普比率，是实际上是一种特殊的信息比率。对于货币中性策略时适用。所以这里的基准，一直是无风险利率。而在现实当中，大部分交易者。即使他们使用的是方向性策略，也同样使用夏普比率。因为夏普比率在不同的策略之间进行比较，非常方便。

夏普比率

注：
E(Rp)：投资组合预期报酬率
Rf：无风险利率
σp：投资组合的标准差

通常来说，一个夏普比率低于1的策略，不适合单独作为一个策略执行。

2. 回撤幅度及回撤周期
   回撤是指当前的权益价值与全局最大值之间的差异。最大回撤则是指全局的最高及最低点之间的差异。最大值也往往称之为高水位。通常来说，回撤都是百分比形式。
   

   回撤

3. 交易成本对于策略的影响
   通常来说，交易越频繁，策略受到交易成本的影响就越大。交易成本不仅仅是指付给经纪商的佣金，也包括流动性成本（使用市价单买卖证券时需要承担买卖差价）如果你使用限价单交易，会避免这部分成本，但同时又会引入机会成本。因为你的限价单可能不会被执行。
   当你的委托单很大时。很难在不影响市场价格的情况下完成交易。这就称之为市场冲击。
   而且你的委托传输至交易所需要一定的时间，这就会导致最终成交价与你看到的有所不同，这称之为滑点。

4. 数据是否存在幸存者偏差？
   历史数据库中往往将破产、退市、被合并的公司剔除在外。使用这类数据进行回测是很危险的。尤其当你的策略偏向价值型股票，也就是说更倾向于买便宜的股票。例如，你买入了很多低价股票，而这些公司都濒临破产，但进行回测时，破产的公司被踢出除外。于是最终得到的都是幸存下的公司，就会导致策略的收益被严重高估。

5. 不同时间阶段表现如何？
   跑回测时，十年前的表现往往会好于最近，因为十年前可能没有如此多的对冲基金在运行量化交易策略。所以，决策该策略是否有效时，通常应该对于最近若干年给予更高的权重。
   “政权交替”也是一个常见的现象，指社会发生重大改变前后其实是无法放一起进行比较的，在金融市场中，往往使之市场监管政策发生重大改变。
   这里可能和许多统计学家的理念不同，统计学往往认为数据越多，应当越准确。但这都是建立在平稳过程的假设之上，令人遗憾的是，金融数据往往都是非平稳的。

6. 策略是否受到数据探测偏差影响？
   如果你构建了一个包含100个参数的交易策略。那么很有可能出现的情况是：对于历史数据，这个策略非常完美，而在真实市场中的表现可能会差到令人咋舌。
   这其实就是过拟合问题。

7. 策略能够在机构策略中存活下来？
   大的金融机构进行量化投资时，都需要考虑策略的容量（策略能够支持的最大资本）。你的策略能否会直面机构策略额竞争？一般来看还是应当尽量避免，于是，你应当寻找被机构投资者忽略的一些夹缝机会。比如一些低资本、低频率的策略。

本文就到这里，感谢阅读，欢迎订阅~

量化交易