什么是量化交易(量化交易)

本文由公【樂在量化】整理發布

我一直認為人類的大腦是最復雜的“計算機”,和“計算機”有能力處理線性單線程,還必須處理這些事件的必要且充分的算法最優解,但我不知道出于什么原因,大多數計算機先天不好的記憶,處理性能慢，讀寫速度慢，最根本的是人類的大腦根本不具備讀、寫和處理大量數據的能力。在極少數情況下，會有一個獨特的大腦。但他們的數量如此之少，以至于出于某種原因，他們的越獄大腦令人羨慕。為了解決大多數人先天的大腦缺陷，人類發明了文字、數字、電腦、execl、表情符號等承載信息的工具。

一個量化交易模型，從最初的想法誕生，到實現架構的實際操作，再到后期的優化適配或拆重做。就這一過程而言，它必須經歷康德哲學不可避免的三個階段：先驗的、后驗的和先驗的事前是指在事件的動作決定執行過程之前。我們的大部分知識來自于“經驗”，我們的大部分量化模型來自于知識和經驗的先驗。量化交易模型的架構實現，

在前期，通常采用觀測窗口期。此時，采用歸納法發現并確定一個概率較大的事件，利用該事件的特點找到可操作表達的機會點。這個過程可能需要使用統計工具、特定算法等，通過手動重置。如一些股票市場事件驅動型的策略，所采用的方法是基于某些金融因素報表數據更新引起的市場價格變動。經過長時間的觀察這個常數和有效，這個特性可以反復觀察和反復確認。這個過程也是量化交易模型架構實現的前提過程。基本上，我找到了一個賺錢的模式。在量化交易模型的框架實施過程中，這一部分一般用于對主觀建模維度進行初步調查。模型的來源是多種多樣的，比如投資決策者多年交易經驗的量化吸引力，或者來自某篇研究論文的一些有用的信息，可以讓投資決策者頭腦清醒。

后驗與先驗相對。當一個規律被發現時，需要當事人自己去嘗試這個規律是恒定的還是錯誤的，這時通常采用演繹的方法。在量化交易模型的框架實施過程中，這一部分一般用于進行小范圍的樣本測試，這一部分很可能滿足實盤。通過對交易環境的模擬更有可能驗證這些理論的正確性。收集這些事件的概率特征，為下一次大規模的形式化操作做準備。簡單地說，你可以把這里的后部理解為練習。畢竟，我們從小就被告知，實踐是檢驗真理的唯一標準。這里需要強調先驗的聯系。超越環節是指超越預期，這與實際和理論的期望是不一致的。在量化交易模型的框架實施中，這種超越性環節是正常存在的，其頻繁出現的原因是多方面的，例如股票期貨的樣本周期過小。更有可能的是，事件本身不是普遍的(單個樣本的特征，而不是總體的特征)。或者以股票的事件驅動策略為例，如果你發現了一個行為事件，只要金融大嘴巴在媒體上唱得更多，跟蹤這只股票的可能性就會激增。然后你根據事件行為開發一個事件驅動策略，它很可能會失敗。你可以把這里的先驗慣例想象成事物的無常。定量交易模型的普遍結構并沒有死，傳統的方法是:數據處理-算法決策-交易執行-風險控制管理模塊-成本控制模塊等。大多數模塊都是基于它們自己的策略特性預先添加的。這有點像給一輛車裝上各種各樣的設備部件，最終讓車能運行，但也讓車更穩定，更高效，更快。工業領域的量化生產模式，還有很多值得我們股票投資者借鑒的地方。定量交易模型的實現環境，許多學生認為是重要和困難的，我認為恰恰相反，我上面所描述的兩個鏈接，這是一個過程的定量模型先驗和后驗，超越，另一個是結構原理，我覺得每一個環節都比一些同學關心關心的要重要，用什么樣的編程語言開發，用什么樣的量化交易軟件更重要。很多做量化交易的人還在呆著，我是程序IT背景的，我是阿里華為某某排名的，等等，這跟你做好交易沒有關系。

此外，我建議開發一個定量模型，從最簡單的、最有可能的、你覺得有趣的事件開始，經常觀察和驗證。用盈首量化來簡單分析一下，通過既定的限制因子來剔除風險，再配合高達180種組合策略來契合個人的風格和市場的導向。

至于量化交易模型是否必須通過程序化交易來執行，這是必須的嗎?如果您的策略模型使用中低頻率的交易執行，例如每天交易一次，甚至每周或每月交易一次。所以我不認為項目是必要的。畢竟，在程序過程中還有很多困難需要克服，變量越多，事情就越復雜。務實一點，執行你的量化交易模型。為什么不呢？如果你必須通過編程的方式實現你的量化模型，我建議初學者使用三方量化平臺來實現，比如近年來的量化平臺，多種API方便，教程條理清晰，取原理而實用。這些三方平臺有其缺點，但可以緩解，如緩慢的回測、“竊取”策略等。

本文由公【樂在量化】整理發布