【www.shanpow.com--手抄报指导】
量化交易软件篇1:量化交易及相应的软件系统开发
量化交易及相应的软件系统开发Quantitative Trading and CorrespondingSoftware Development学科专业：工商管理研 究 生：黄鲲指导教师：熊熊副教授天津大学管理学院2011 年5 月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得 天津大学 或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名： 签字日期： 年 月 日我是爱天大的！！学位论文版权使用授权书本学位论文作者完全了解 天津大学 有关保留、使用学位论文的规定。特授权 天津大学 可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名： 导师签名：签字日期： 年 月 日 签字日期： 年 月 日摘要程序化交易自上世纪七十年代从美国兴起，四十年来发展的非常迅速，对欧美的金融市场产生了巨大的影响。并衍生出量化交易、自动化交易、高频交易、算法交易等细分领域和概念，成功的改变着金融市场的微观和宏观结构。随着大家对量化交易认识的更加深入，越来越多的人认为量化交易会成为金融市场交易方式的未来方向。相对于欧美的逐渐成熟，中国在量化交易领域还处于起步阶段，但随着股指期货在2010 年正式上市，发展速度也异常迅猛。目前因为对金融安全的顾虑，监管层对于量化交易总的态度是控制和打压，但作为未来的发展方向，靠堵是不可能解决问题，唯有直面它，深入了解和研究它，甚至参与到其中，才有可能充分发挥其长处，控制其负面影响。与其一味躲避，最终在自己没有准备好的情况下被迫面对量化交易，不如现在就参与其中，与狼共舞。鉴于量化交易理论相对前沿，国内对其的概念还不统一，本文就量化交易的概念和术语进行了澄清；为了分析和预见程序化交易未来在中国的发展情况，本文对欧美量化交易的发展和演变历程、对市场产生的影响等进行了阐述，对量化交易未来的技术发展趋势进行了展望。考虑到中国的金融市场规则相对独立和特殊，本文就中国金融市场与量化交易有关的特殊国情进行了分析和阐述。因为看好量化交易的未来，本人已组织深圳市鼎足科技公司开发出一套程序化交易软件。在文中对这套软件的设计方案和需要设计中需要重点考虑的因素进行了重点阐述并对最新开发完成的版本情况做出简单介绍。关键词： 量化交易 程序化交易 高频交易 算法交易 做市商 套利ABSTRACTProgram trading since the seventies of last century the rise from the United States,four decades of very rapid development of financial markets in Europe and Americahad a huge impact. And the derived quantitative trading, automated trading, highfrequency trading, algorithmic trading and other segments and concepts, the successof the change in the financial markets, the micro and macro structure. With everyonemore in-depth understanding of quantitative trading, more and more people believethat quantitative trading fair as a financial market transactions in the future direction.Relative to the United States and Europe mature, the field of quantitative tradingin China is still in its infancy, but with the stock index futures in 2010, officially listed,is also extremely rapid pace of development. Present because of the financial securityconcerns, regulators for the general approach to quantify transaction control andsuppress, but as the future direction of development is not possible to solve theproblem by blocking, only to face it, in-depth understanding and study it, and evenparticipate in Among them, be possible to give full play to its strengths, to control itsnegative effects. Blindly to avoid its end is not ready in their own forced to face thequantitative trading, it is better now involved, Dances with Wolves.Front view of the relative quantitative trading theory, the concept of their countryis not unified; I make a explanation about the concepts of quantitative trade. ; In orderto analyze and anticipate future quantitative trading development in China, this paperon the development of quantitative trading in USA and Europe Evolution, the impacton the market presented in this paper, the future of quantitative trading technologytrends were discussed. Taking into account China"s financial market rules andrelatively independent of special paper to quantify China"s financial markets and thespecial circumstances of the transactions analyzed and described.As optimistic about the future of quantitative trading, I have organized ShenzhenDZU-TECH Co., Ltd has developed a set of program trading software. In the text ofthe software design and the need to design considerations that need to be the keyhighlights and the latest version of the situation developed to make a briefintroduction.KEY WORDS：Quantitative Trading, Program Trading, High Frequency Trading,Arbitrage, Market Maker目 录第一章 量化交易的理论综述 ........................................................................................................ 11.1 量化交易的概念和分类 ................................................................................................... 11.2 量化交易的历史与发展 ................................................................................................... 61.3 量化交易对市场的影响 ................................................................................................. 161.4 量化交易的技术发展趋势.............................................................................................. 221.5 量化交易的局限性 ......................................................................................................... 24第二章 量化交易在中国的发展................................................................................................... 262.1 中国量化交易的发展现状.............................................................................................. 262.2 国内程序化交易环境的特点.......................................................................................... 28第三章 量化交易的应用 .............................................................................................................. 323.1 制定投资决策 ................................................................................................................. 323.2 减少执行成本 ................................................................................................................. 363.3 套利与风险对冲 ............................................................................................................. 373.4 做市商报价 ..................................................................................................................... 37第四章 量化交易的软件系统开发............................................................................................... 394.1 需求分析 ......................................................................................................................... 394.2 总体设计方案 ................................................................................................................. 404.3 投资策略和算法的测试设计方案 .................................................................................. 424.4 交易策略参数的优化方案.............................................................................................. 504.5 自动化交易 ..................................................................................................................... 53第五章 已开发完成的系统功能介绍 ........................................................................................... 595.1 图表及行情分析功能： ................................................................................................. 595.2 公式管理功能 ................................................................................................................. 615.3 商品合约管理 ................................................................................................................. 625.4 历史行情数据管理 ......................................................................................................... 635.5 下单交易 ......................................................................................................................... 645.6 交易策略测试 ................................................................................................................. 655.7 交易策略触发买卖信号 ................................................................................................. 65参考文献 ........................................................................................................................................ 67发表论文和参加科研情况说明 .................................................................................................... 69致 谢 ........................................................................................................................................ 70第一章 绪论1第一章 绪论自2010 年股指期货推出后，程序化交易就越来越受到国内关注并得到了蓬勃的发展，作为一个把计算机技术和金融工程完美结合的交易模式，许多机构投资者已经开始了这方面的尝试。放眼看海外，在欧美的资本市场上，“高频交易”早已成为了热点。福布斯甚至把做高频交易业务的公司叫做“New kids on the block”，甚至断言量化交易方式正改变着资本市场格局与制度。市场微观结构方面，市场流动性增强，定价效率有所提高，平均每张订单的规模快速下降，套利交易的存在使得市场波动率显著下降。宏观方面，欧美金融市场交易的主体，金融市场的规则也在潜移默化的随之改变。许多专家学者都认为：程序化交易、高频交易、量化交易越来越明显的成为资本市场交易系统未来发展的方向。中国的量化交易虽然才刚刚起步，并且因为监管层的顾虑，设置了很多针对量化交易的限制。但趋势不会改变，就如当年火药兵器无情的淘汰冷兵器一样，量化交易也将在中国逐步替代人工交易，并在宏观和微观层面改变原有的结构和游戏规则。与其躲避，不如尽早参与，才能更好的熟悉和驾驭。在对量化交易未来趋势普遍看好的大环境下，国内的许多个人和机构投资者纷纷展开了对其的研究，互联网上针对量化交易的论坛也如雨后春笋一般出现，一时间，自动化交易（Automated Trading），算法交易（Algorithmic Trading），黑箱交易（Black-box Trading），机械交易（Mechanical Trading）、战略交易/策略交易（Strategy Trading）、高频交易（High Frequency Trading） 等等成为各大证券和期货投资论坛的热门话题。然而这些概念相近，但又侧重不同，应用领域不同。为了更深入的理解这些概念，并且应用到工作中，需要对这些概念的定义和理论情况做一个分析和了解。1.1 量化交易的概念和分类可能是程序化交易、高频交易等概念较新，且都是从欧美引入，存在翻译和理解的问题，并且随着金融创新的不断深化，不同交易模式之间也存在着融合和第一章 绪论2新的变化，致使大家对于这些概念的理解各有不同，甚至出现和业内人士交流了半天程序化交易后，才突然发现，谈的是不同的细分领域，甚至是完全不同的两个概念。任何知识的研究首先是从概念的澄清入手，为了能确保本文的读者能够在一个明确的量化交易概念定义下进行探讨。现就量化交易的概念和分类进行澄清。为此笔者查阅了很多国内和国外的资料，最终认为以深圳交易所的一个内部分析报告的定义作为标准定义为好。并以该定位贯穿全文，展开讨论。按照深圳交易所的定义，程序化交易、自动交易、数量化投资、算法交易、高频交易都隶属于量化交易，他们是量化交易的一个细分领域，在某一方面较为侧重而已。深圳证券交易所对量化交易的定义如下：量化交易是指投资者利用计算机技术、金融工程建模等手段将自己的金融操作方式，用很明确的方式去定义和描述，用以协助投资者进行投资决策，并且严格的按照所设定的规则去执行交易策略（买、卖）的交易方式。帮助投资者制定投资决策、减少执行成本、进行套利、风险对冲和帮助做市商实现报价的功能。按照数学模型的理念和对计算机技术的利用方式，量化交易方式可以进一步细分为自动化交易（Automatic Trading）、数量化投资（Quantitative Investment）、程序化交易（Program Trading）、算法交易（Algorithm Trading）、以及高频交易（High Frequency Trading）。下图为各种量化交易方式的侧重点。第一章 绪论3图1-1：数量化交易的方式，资料来源深圳证券交易所分析报告自动化交易（Automated Trading），是将技术分析投资方式固化成计算机可以理解的模型、技术指标，计算机程序根据市场变化自动生成投资决策并付诸执行的交易方式。简而言之，自动化交易是技术分析投资方式的自动化。自动化交易可以避免投资人的心理变化和情绪波动，严格的执行既定策略，是最基本的量化交易方式，在外汇交易和期货交易领域应用很广。数量化投资（Quantitative Investment）,是指利用计算机分析宏观经济、行业、以及公司的基本面数据，选择投资组合的资产配置，并通过数学模型预测组合未来变化的量化交易方式。简而言之，数量化投资是基本面分析投资方式的自动化。数量化投资可以帮助投资人在越来越多的信息中选择实质性关键信息，并转化成投资决策，在股票投资领域应用广泛。算法交易（Algorithmic Trading），二十世纪70 年代，随着经济全球化的深入发展，大型企业迫切需要在全球范围内大量融资，资本市场日益繁荣。养老基金、对冲基金、共同基金等机构投资者随之兴起，不但数量众多，而且规模也越第一章 绪论4来越大。然而，如果金融机构要大笔买入和抛售股票和期货，却不产生很大的冲击成本，需要经验非常资深的经纪人才能做到，而这必然代价高昂，且效率不高。因此，机构投资者急需低廉高效的交易手段。为了帮助这些机构有效地减少冲击成本、机会成本，能够隐蔽交易，算法交易应运而生。算法交易的定义为：是指把一个指定交易量的买入或者卖出指令输入计算机模型，由计算机模型根据特定目标自动产生执行指令的实际和方式。定单执行的目标基于价格、时间或者某个基准。为降低冲击成本，避免惊动市场，算法交易采用一些计算机模型，将一个大的订单分解成若干个小订单，以此来减少对市场价格造成冲击。算法交易有时又被称为“黑箱交易（Black Box Trading）”，算法交易的概念是交易执行精细化发展的结果，算法交易侧重于投资策略的执行，而自动化交易和数量化投资的概念做出投资决策，如图1-2 所示。因此算法交易可以与自动化交易和数量化投资配合使用。图1-2：算法交易与数量化投资关系，资料来源：MoreFund 投资公司分析报告程序化交易（Program Trading）,是伴随股指期货与现货市场套利交易而兴起的量化交易方式。纽约证券交易所（NYSE）把程序化交易定义为包含15 只或15 只以上的指数成分股的组合交易，其价值超过100 万，且这些组合交易是同时进行的。简单的说，程序化交易就是同时买进或卖出一篮子股票。同时买进一篮子股票被称为程序化买进，同时卖出一篮子股票被称为程序化卖出。随着量化交易技术的深入发展，程序化交易和算法交易的界限逐渐模糊，有些市场使用高第一章 绪论5频交易来描述当前流行的量化交易方式。高频交易（High Frequency Trading）, 源于程序化交易和做市商机制，是指透过极高速的超级电脑分析高频交易数据中的价格变化模式，并利用这些价格变化模式获利，通常高频交易利用服务器的地理位置优势（Co-location），在相对更快的时间内获得市场行情和执行大量交易指令，从而取得普通交易方式难以获得的利润空间。近年来，除了信息技术使交易速度不断加快之外，交易平台日趋多元化也使得高频交易成为可能。目前高频交易的成交量现在约占美国股票市场成交量的70%。与高频交易相伴随的是闪电交易，闪电交易（Flash Trading）是美国市场上交易所为高频交易商提供的一种特殊服务，是指股票交易传达到公众的约30 毫秒前，先输出给定有相关服务的交易员。30 毫秒，对于手动交易没什么，但对于高频交易足以完成一笔交易的行为了。2009 年9 月，美国证监会因为闪电交易明显有失公平，停止了所有交易所的闪电交易服务[32]。除了以上提到的几种交易模式外，还有一些其他的类似交易模式和概念，如：Strategy Trading 战略交易/策略交易。我们一般把如：价值投资、成长投资等投资理念称为战略，而把趋势、支撑阻力、惯性、反转等等技术分析为主的叫做策略。所以习惯上说Strategy Trading多数指策略交易。但即使在这个层面上，策略交易也被从两个不同的意义上使用，第一种是指自己的投资行为是遵从一个或多个明确的交易策略；另一种则等同于我们后面要说的系统交易。本文中提到的与量化交易相关的策略交易多是指第二种。System Trading 系统交易：是指运用交易系统（Trading System）进行交易。但是交易系统这个词却经常被人们在三种意义上使用。第一种，许多人把交易者客户端的下单系统称做交易系统。第二种，就是本文重点论述的交易系统，或者应该叫交易规则系统，指包括入市、离市、止损、仓位与头寸等一整套的规则。第三种，交易所与营业部的整套交易管理软件系统也常被简称为交易系统。本文中我们多次提到的与量化交易相关交易系统就是指第二种，在后面的章节，我们会详细介绍。机械交易（Mechanical Trading）：Richard l. Weissman 所著机械交易系统（Mechanical Trading Systems）中对机械交易的定义：独立于交易者的主观判断的，可以产生交易信号和度量风险的方法。实际上就是上文说的交易系统，只不过更加强调在执行过程中不加入任何主观临时判断的交易系统。交易的监控和执行过程，可以是计算机执行，也可以是人工执行。第一章 绪论6根据量化交易的需求的不同，我们还可以把将量化交易分为以下三类：1. 以绝对盈利为目的的量化交易这种量化交易系统是通过投资者分析市场的历史数据，结合自己对市场的深刻理解，加上技术指标的配合，形成的一套有效的交易系统。该系统的目的是为了让投资者能够通过低卖高买获取投资收益。采用此类量化交易的大多是投资机构甚至个人投资者，交易种类较多样化和个性化，与交易员本人的偏好和交易手段关系密切。2. 以金融产品定价为基础的程序化交易在欧美这样高流动性的成熟金融市场上，定价理论得到了广泛应用。基于各种定价模型，大型的金融机构与银行建立了许多的量化交易体系。比如基于期权的对冲交易模型、期权定价的套利交易模型等。与追求绝对回报的量化交易不同，这种量化交易融合了产品与做市商的理念，它以套利交易为手段，兼顾提高市场流动性和风险对冲，并不追求最高的收益率。这类量化交易系统一般在大型金融机构中使用。3. 做市商的程序化交易在欧美越来越多的高频交易提供者开始提供做市商服务。做市商是衍生品市场尤其是期权市场不可缺少的市场主体，他们在接到一个报价后要立刻从反方向做出一个对冲交易。由于其目标不是承担风险的盈利，而是在风险为零的情况下获得市场差价以及手续费，开发高频交易系统、测算市场风险，并对风险进行对冲交易是目前高频交易做市商做市行为的主流。在期权定价领域，做市商的交易系统会报出数百个期权合约的成交情况及Delta、 Vega、 Gamma 等参数，并会根据系统的内在算法提示交易员如何操作。1.2 量化交易的历史与发展程序化交易起源于1975 年美国出现的“股票组合转让与交易”，即专业投资经理和经纪人可以直接通过计算机与股票交易所联机，来实现股票组合的一次性买卖交易。由此，金融市场的订单实现了电脑化。程序化交易在80 年代得到了迅猛发展，交易量飞速增加。这个时期被视为程序化交易的高速发展期，证券资产组合保险程序化交易和股指期货套利型程序化交易也正是在这个时期得以出现。同时凭借着计算机软硬件技术的突飞猛进，软件的高速并行算法都获得了飞跃式的进步，金融工程学的发展也使得不同的交易策略得以迅速的编成计算机可以理解的数学模型并执行，在这段时间，量化交易渐渐的超出了程序化交易的范畴，演第一章 绪论7变出更多的模式，变得更加精细和实用。在这一时期，大量的对冲基金使用程序化的套利交易系统，大量的养老金使用程序化的组合保险策略。到了90 年代后期，量化交易在资产管理和经纪业务领域获得了长足的发展，在金融创新的变革和推进中，投资经理使用各种新的金融计量化工具，比如ETF的管理，大量通过程序化交易来实现一篮子股票交易，通过被动化投资的控制跟踪误差，实现指数的股票化交易。在经纪业务领域，越来越多的经纪公司推出了依赖程序化交易的股票组合池，程序化交易的主要优势是可以帮助投资者通过程序化交易实现低成本的交易股票组合，经纪商通过大量推介程序化交易，实现增加交易量的目的。量化交易的发展是由多种因素推动的：大宗交易需要便捷高效的交易手段，更低的交易成本，计算机技术和通信技术的进步提供了技术支持，交易制度的改革扫清了最后障碍。1.2.1 量化交易的市场和技术准备金融市场的下单指令流计算机化始于二十世纪70 年代早期，其标志是纽约证券交易所(以下简称NYSE)引入订单转送及成交回报系统 (Designated OrderTurnaround， DOT，及后来的Super DOT)以及开盘自动报告服务系统(OpeningAutomated Reporting System，OARS)。DOT 系统直接把交易所会员单位的盘房与交易席位联系起来，直接通过电子方式将订单传至交易席位，然后由人工加以执行。而 OARS 系统可以辅助专家决定开盘结算价。为方便统计不断增多的大笔交易，NYSE 将市值在100 万美元以上、股票个数在15 只以上的一篮子股票组合买卖下单称为程序化交易 (Program Trading)。尽管NYSE 并未要求程序化交易必需由计算机完成，但在实际操作中，这些大笔交易几乎都是由计算机辅助完成的。1975 年，SEC（美国证券交易委员会）颁令禁止固定交易佣金（FixedCommission on Transaction），使证券交易从奢侈品进入寻常百姓家。 电子信息网络（Electronic Communication Networks，ECNs）在70 年代迅速兴起。1978年，SEC 又一纸法令，催生了ITS（Inter-market Trading System）。ITS 以电子网络为基础，让证券交易下单在全美各个交易市场之间互联。NASDQ 立即响应，为ITS 提供与NASDQ 互联的计算机辅助执 行系统 (Computer AssistedExecution System)。这样，ITS/CAES 以及已经形成气候的各个ECNs，组成了全美国的电子交易网络平台[32]。进入80 年代，计算机已经被广泛应用于股票与期货的跨市场指数套利交易中。NYSE 的交易程序会被预先录入计算机，当期货价格和股票指数直接价差大第一章 绪论8得足以以赢利时，计算机会自动向NYSE 的电子买卖盘传递系统发送交易指令。也是在80 年代，计算机辅助交易被应用于投资组合保险中。1.2.2 量化交易的初步发展80 年代后期及90 年代，随着电信网络的发展，美国证券市场的全面电子化成交和电子撮合市场ECN(Electronic Communication Networks)开始发展。纽约证券交易所在1997 年批准了从分数制报价方式改为十进制小数点报价的小电子合约方案，但整个推行用了三到四年。最后NASDAQ 也在SEC 的压力下也跟进这个改革方案。 股票报价的最小变动单位由1/16 美元或者1/32 美元，最终调低到了一美分。 买卖之间的最小变动差价得到了大幅缩小，遏制了做市商的交易优势，相比较而言高频交易的供应商可以提供更好的流动性和更低的差价。电子合约的缩小最终改变了证券市场的微观结构。 市场流动性的降低导致机构投资者使用计算机来分割交易指令，用以执行到更优越的均价，算法交易得到初步发展。这一时期的算法有：交易量加权平均价格（VWAP），交易时间加权平均价格（TWAP）、交易量参与度（VP）、限价交易（LIMITEDPRICE）。1.2.3 量化交易的快速发展从2004 开始至今是量化交易的快速发展期，其动力一方面来自通信标准，另一方面来自新的政府法规的引导。量化交易的通信标准：与传统市场的限价订单相比，量化交易需要的通信参数要多得多。买方交易员所使用的交易系统(通常称为“指令管理系统 OrderManagement System”或“执行管理系统Execution Management System”)必须能够适应与日俱增的新型算法指令。新型复杂算法需要花费巨量的研发及其它费用，例如基础设施、市场推广等。卖方需要做的是让新型算法电子指令直达买方交易员，并且让后者无需每次都再编码就能直接下单交易。FIX 协议组织是一家非营利性交易协会，专门免费发布为电子证券交易设立的公开的通信标准。其会员包括几乎所有的大中型经纪商、货币市场银行、机构投资者及共同基金等。此机构在证券交易的盘前交易及交易领域的标准设定方面占有垄断地位。在2006-2007年，几家会员联合发布了描述算法交易指令类型的XML 标准草案。这个标准被称作FIX 算法交易定义语言(FIXatdl)。该语言使得新型算法的开发变得方便快捷。法律推动：2004 年3 月生效的美国国家市场系统管理规则（RegulationNational Market System）规定了，当客户委托订单时，均需要按照当时的最优价第一章 绪论9格将客户订单传递到证券交易所。该规则的推行结果必然是推动NYSE、费城、波士顿和其他地区的坚持采用人工交易方式的股票及期货交易所最终实现电子化，为算法交易的广泛应用扫清了障碍。算法策略方面：新算法层出不穷，而老算法如，VWAP 和TWAP 很快衰落。机构客户在追求更为复杂精细的算法，如冰山一角Iceberging、游击队员Guerrilla、基准点Benchmarking、狙击手Sniper、嗅探器Sniffer 等。冰山一角算法通常将大单指令拆分为若干个小单指令渐次进入市场；“游击队员”用来发现潜在的“冰山一角”；“基准点”算法被交易员用来模拟指数收益；“嗅探器”算法被用来发现最动荡或最不稳定的市场。任何类型的模式识别或者预测模型都能用来启动算法交易，神经网络和基因编程也已经被用来创造算法模型。市场中的算法越来越复杂，竞争越来越激烈，利润空间越来越小。随着数量化基金近10 年来的风起云涌，量化交易得到了越来越多的应用。根据NYSE 的最新统计，2010 年7 月12 日至7 月16 日股票交易量为23.01 亿股，其中28.7%是通过程序化交易方式实施的（如下表和图所示）。根据 NYSE网站统计，近年来NYSE 程序化交易量所占比例基本维持在30%左右。表1-1：美国2010年6月21日—2010年7月16日每周程序化交易第一章 绪论10图1-3 NYSE 2010.7.12-7.16 程序化交易量占比，资料来源Morefund 投资公司分析报告图1-4：2010 年九月以来NYSE 的程序化交易情况，资料来源，Morefund 投资公司分析报告Aite Group 在近期一份研究报告中给出的算法交易在不同市场中交易量占比及近年来的增长趋势。从中可以看出目前算法交易应用最广泛的还是在股票市场，而期货市场则是近年来增长最快的市场。相比之下外汇、债券和期权算法交易的程度还有待提高，主要原因是这些市场的交易产品其复杂性相对股票和期货更高，优化执行算法所带来的好处并不像股票市场那么明显。第一章 绪论11图1-5：算法交易在不同市场的占比及交易量增长,资料来源Aite集团网站从分布上看，美国是算法交易发展最发达的地区。最近几年其买方机构在算法交易方面的投入是欧洲的两倍，而欧洲是亚太的两倍。增速方面，美国已经比较成熟，年平均增速在2%，而欧洲和亚太则是9%，图1-6 给出了这方面的信息。图1-7 是Celent Group 对未来几年算法交易在亚太地区的增长趋势预测。图1-6：欧美及亚太市场买方购买程序化交易软件的支出，资料来源，Datamonitor公司网站第一章 绪论12:图1-7：亚太主要国家程序化交易发展趋势及预测，资料来源Morefund 投资公司分析报告1.2.4 量化交易的发展动力量化交易在欧美已经走向成熟，而目前在国内还处于起步阶段，分析欧美量化交易的发展历程和发展动力，有利于帮助我们理清中国量化交易发展的脉络，预见其发展的趋势。促使量化交易在欧美飞速发展的原因主要有以下几点：1、电子化交易方式的广泛运用进入八十年代后期及九十年代，随着通信网络的大发展，金融市场逐步得以实现电子化。电子化的交易方式是量化交易的前提基础，尤其是针对交易所交易的标准产品。并且，场外交易（OTC）市场上交易的金融工具，如国债等，也在金融电子化的浪潮下逐步规范化，逐渐走向类似交易所的标准化交易方式。这位量化交易的发展提供必要的前提。2、传统交易方式下利润空间大幅减小电子交易方式的广泛运用使得市场更加透明、高效。随着市场参与者的增多，买卖价差逐渐缩小，做市商的传统利润空间大幅减小甚至消失。在美国，百分位报价改革把每股的最小变动价位从1/16 美元变成1 美分。这改变了市场的微观游戏规则，让买卖竞价价差得以变得更小，做市商的交易优势大幅缩小。在这种情况下投资银行开始利用先进的技术手段进行大量交易来弥补损失。利润的减少使得投资银行更加关注成本控制，并且通过降低交易成本和人力成本两个方面来进行控制。而算法交易可以很好的降低交易成本，第一章 绪论13并代替掉大量成本高昂的交易员。3、对冲基金行业的兴起当大多数投资银行不得不忍受利润减少的痛苦时 ，对冲基金行业却凭借IT 技术和金融模型得以获得高速发展（如文艺复兴科技公司的大宪章基金），这使得投资银行开始关注量化交易，并且积极地运用量化交易捕捉市场的机会。投资银行和对冲基金的竞争也推动了量化交易的进一步发展。4、量化交易的天然优势1) 量化交易可以使复杂理论和实际交易有机结合变为现实。当今的金融市场，简单的技术分析和指标计算已经不能满足交易决策的需要。大量历史（时序）数据分析和复杂模型被引入以发现市场的规律和交易机会。人们通过计算机程序监测市场情况，对数据进行实时分析，然后由各种统计和量化算法帮助交易决策。人们通过历史数据或随机模拟的市场情况来测试交易策略效果。最终测试好的策略以程序的形式植入交易者自行开发或者是由软件提供商所提供的交易平台中进行交易。2) 高频交易。高频交易策略通过计算机程序在短时间内对金融产品进行反复买/卖，对速度和精度要求很高。通过高频交易，投资者可以把握到更多通过人工无法把握的投资机会。3) 交易指令优化执行。券商为了赢取更多的客户订单已经开发出了大量交易执行算法。这些算法很大程度优化了交易指令的执行，相比直接下单不仅可以获得更好的成交价格、更快的成交速度，还可以尽量少的影响市场。另外随着交易策略的复杂化，比如某些套利策略涉及到一篮子股票的同时买/卖，手工完成的风险很大，而算法则可以很轻松完成，而且保证准确性。4) 客观性。量化交易不受情绪的影响是最有“纪律性”的交易员，可以保证交易按照预先制定好的策略被执行。这样的好处是可以将策略和执行严格分离而互不影响。5、相关的政府监管法规2004 年3 月生效的美国国家市场系统管理规则（Regulation National MarketSystem）规定了，当客户委托订单时，均需要按照当时的最优价格将客户订单传递到证券交易所。该规则的推行结果必然是推动NYSE、费城、波士顿和其他地区的坚持采用人工交易方式的股票及期货交易所最终实现电子化，为算法交易的广泛应用扫清了障碍。第一章 绪论141.2.5 量化交易的主要参与者作为新生事物，量化交易的进入门槛较高，当前主要参与者还是实力比较强的机构：投资银行的资产管理、经纪业务和自营业务，做市商，数量化对冲基金。1、投资银行从买方、卖方两个角度参与量化交易。资产管理业务采用数量化投资方式管理客户资产；自营交易业务捕捉市场价格异常，赚取高额利润；经纪业务为客户提供更好的订单执行服务和市场接入手段。国际上各大投资银行在算法交易上的大规模角逐在04 年已经开始。瑞士信贷在该领域一直处于领先地位，其Guerrilla 算法是当时最受欢迎的算法之一，其次是高盛和摩根斯坦利，另外花旗集团、摩根大通和当时的雷曼兄弟也都在04 年前后纷纷推出自己的平台和算法。从那时起算法交易取得了长足的发展。截至目前，美国股市已经有超过50%的交易量是通过各类算法获得的执行。图1-8：NYSE 2010.7.12-7.16 程序化交易前20 大活跃交易商，数据来源NYSE第一章 绪论152、对冲基金据统计，规模在200 亿美元以上的7 家对冲基金机构——JP 摩根、高盛等这些基金普遍采用量化交易方式，而且还有越来越多的大型投资银行和对冲基金正在采用这一交易方式。下表介绍四个进行程序化交易的大型全球投资公司的成功操作案例。表1-2：全球顶级的用量化交易的对冲基金基金名称 简介 投资情况文艺复兴科技公司Medallion 基金以纯量化投资理念为基础进行全自动交易。总裁詹姆斯·西蒙斯是迄今为止对冲基金经理人收入最高的一个。不考虑基本面，且只做短线交易，在市场表现越差的时候，收益越高。在2000和2008年收益率分别达到98.5％和80%。针对不同市场设计量化的投资管理模型，并以计算机计算为主导，在全球各种市场上进行短线交易。其年平均收益率高达35%。D.E. 肖 量化基金全球性投资与技术开发企业，活跃于全球多个资本市场，1996 至今被期货界评为“华尔街最有趣且神秘的力量”。对中国企业的投资总额已超过15亿美金。D.E. Shaw & Co 的交易规模达到220 亿美元，最高交易额占NYSE 总交易的5%，采用统计套利和多空交易策略进行程序化交易。赛克资本管理公司(SACCapitalManagement）Steven A. Cohen 全球最负盛名的对冲基金赛克资本管理公司，投资新兴国家货币及债务、全球能源、全球股指、中国及亚洲地区股票等。SAC Capital Advisors 总交易规模160 亿美元（3%，50％），其每年频繁交易的费用就达到1亿美元。对冲基金作为量化交易的主要参与者，与投资银行比较有着许多优势：1) 专业化的技术系统：投资银行的技术系统要求“大而全”，需要兼容不同的业务需求。相比较而言对冲基金的技术系统更加专业化，速度更快。每年对冲基金都投入大量资金优化器量化交易系统；2) 顶级的交易员：对冲基金领域的高收益不断吸引投资银行领域的顶级人才加入，使得投资银行成为对冲基金的人才培训基地；3) 微乎其微的监管干预：对冲基金领域没有资本金等方面的监管，因此对冲基金能够更有效的利用资金；4) 更高的风险承受能力：现金的技术系统和风险控制手段是对冲基金能够第一章 绪论16进行更高风险的交易，从而获取更高的利润。3、做市商做市商通过量化交易系统分析买单和卖单的情况，为市场提供流动性，有利于降低市场的波动。盈透（Interactive Broker）就是典型代表。在量化交易时代，高频交易者可以利用自己的技术优势和信息优势成为电子化交易网络(ECN)中事实上的做市商。他们在电子交易网络中大量进行交易，获取买卖价差，但又不承担传统做市商的责任，也几乎不受监管机构的约束。因此高频交易成为今年来量化交易的热点。1.3 量化交易对市场的影响量化交易是对传统交易模式的颠覆，可以说是使投资交易从冷兵器时代进入了火药时代，并且无论从微观层面，还是宏观层面都改变着游戏规则，对金融市场的影响非常深远。以下是总结的一些主要影响1.3.1 有助于提升市场的定价效率，提高市场的效率影响市场定价效率的主要因素包括：交易成本、流动性、套利活动的活跃程度和市场对消息的相应速度。量化交易凭借IT 系统的计算能力和反应速度，在套利方面有着天然的优势，导致套利交易的大幅度增加。 程序化组合交易的执行，对于机构投资人而言，可以在不同的市场中大量交易不同的组合，降低交易成本。并且许多机构凭借高频交易提供类似做市商的业务，大幅增加了流动性，并且实际上已经推动美国的交易所给出更小的价格微调范围。第一章 绪论17图1-9：美国市场交易成本的变化，数据来源：深圳证券交易所分析报告从理论上来说价格波动是市场对信息的反映，那么，由于市场上随时发生着信息的流动，交易频率很低的话就无法及时的将信息整合到价格中去。反而形成更大程度上的价格背离，构成投机的条件。量化交易凭借IT 优势，可以及时的发现信息，以及信息背后所蕴含的价值，并通过高频交易及时相应信息，由于其存在，使很多市场信息能够在很短的时间内整合到市场价格中。1.3.2 对市场参与者结构的影响量化交易的发展有利于将市场打造成机构投资者为主的市场。 量化交易时代，信息、技术、服务等方面对于个人投资者来说门槛越来越高，处境也越来越艰难，虽然不排除个别专业化的个人投资者能够在机构投资者的围猎中游刃有余，但个人投资者作为一个整体将逐渐弱化甚至消亡。另一方面，量化交易的发展也将会改变机构投资者之间的竞争格局，加速机构投资者的分化与整合。1. 卖方——两极分化量化交易的发展要求技术、资金、人才等多方面的配合，因此在量化交易时代，卖方必将两极分化：有实力的优势经纪商将主导量化交易的发展，而实力弱小的经纪商只能在夹缝中寻求生存空间：量化交易需要建设复杂的IT 系统来处理数据和不断提高交易执行速度，这需要巨大的花费，因此只有优势经纪商才能在这场永无止境的军备竞赛中获胜。接入所有的交易系统对任何券商来说都是一个巨大的挑战，但是接入所有系统的经纪商将获得额外的信息优势和利润空间。第一章 绪论18量化交易具有规模化效应，已经占据量化交易优势的经纪商将能够在更快的时间以更低的成本推出新产品新服务，拓展新的盈利渠道。2、买方——加速整合量化交易时代，二级市场上人与人之间的博弈将转变成人与算法之间的博弈以及算法与算法之间的博弈。1) 买方机构的人员组成将向数理逻辑、金融工程、技术人员方向倾斜。2) 超级计算机支持下的算法将加快市场获利模式的发现，当大量参与者使用相似模式进行交易时，市场会迅速趋向均衡，从而使该算法获利。3) 量化交易将加速交易执行的角色从卖方向买方转移。量化交易使得二级市场投资进入集约化竞争阶段，交易执行的成本控制过程将变成投资获利不可缺少的重要组成部分，买方不会满足于卖方提供的通用执行算法，必定会自行研发适合自己的更精细的执行算法。1.3.3 量化交易提高了市场流动性欧美的金融机构已经通过高频交易，变相的提供了做市商服务，并通过价差盈利。这些新兴做市商已经逐步成为金融市场流动性的主要来源。一些投资者甚至还发现高频交易商所提供流动性的价差要低于传统做市商,从而降低了商业对冲方、机构和散户投资者等其他市场参与者的交易成本。尽管传统做市商试图通过避免"1/8 倍奇数报价(odd eighths)"来守住利润空间，但高频交易增多导致价差缩窄至用美分来计量，SEC 也面临修改有关允许"微档报价(sub-penny quotes)"规定的压力。芝加哥交易所通过自己常年收集的数据对程序化交易对不同市场产生的影响做了总结。基本结论是随着程序化交易量的增加，市场的波动性有所降低。另外市场的深度有所增加、做市商给出的双边报价变窄，这两点说明了市场的流动性变得更好。1.3.4 量化交易会显著的提高市场交易量由于算法交易，高频交易的出现，导致交易量大幅度增加。在欧美甚至出现根据交易量增加赚取返佣的程序化交易算法 。第一章 绪论19事实上，通过NYSE 的统计数据也能清楚的看到这一点。NYSE Group 日均交易量近年来的变化趋势是平均每年以13%左右的速度增长，如下图所示：图1-10：NYSE Group 日均交易量(Billion Shares)，数据来源NYSE1.3.5 量化交易提升了金融市场的风险转移效率研究发现，量化交易有助于风险转移效率的提升。1) 提高了金融市场控制风险的效率。 量化交易的独特优势主要体现在对于期货市场的风险控制方面，即对于盈利/止损的执行。由于量化交易对于亏损具有敏感性，只要使用者严格依据交易准则，对于亏损、止损机制可以通过交易系统得到保证。它设置盈利率和亏损率，如果触发条件满足，系统可以自动执行。 在保证金管理方面，优异的金融期货量化交易模型可以让投资者在交易前计算实施策略的保证金；在交易过程中，随时依据市场流动性调整下单的频率和交易量，在盘中实施交易成本控制；同时，在交易后，实时监控组合的损益和保证金需求，依据市场的变化，动态地管理保证金。2) 提高了套期保值效率。在进行股指期货套期保值的交易中，需要对所持股票组合和股指期货的相关性进行分析，从而决定套期保值比例，这些可以通过程序化交易模型得以实现。同时，量化交易模型还对套期保值时机做出指示，不仅极大地提高了套期保值者的交易效率，而且极大地提高了套期保值者的保值效率。第一章 绪论201.3.6 量化交易会大幅提高对交易所IT 系统的性能要求当交易员使用量化交易软件将他们的大额指令拆分以减少对市场的冲击时，交易的次数得以飞速增长，并必然导致市场交易数据出现爆炸性增长。而随即美国期货市场出现的小合约电子化也必然助长了市场上交易数量的膨胀。同时，高频率自动化交易系统的发展有助于增加成交的机率。这一切都导致对各交易所的IT 系统提出了更高的要求[6]：1) 交易所系统的吞吐量与速度。量化交易让交易所的交易量大幅提升，由于量化交易的影响，欧洲衍生品交易所Eurex 的每日平均订单数从2005 年的3800万上升到2.3 亿；而欧洲股票交易所Euronext 的订单及成交数也因为量化交易也每年两位数的增长。各交易所系统升级后，系统的吞吐量和响应速度大幅提升，Eurex 目前每日最高可处理10 亿笔订单，端到端响应时间约10 毫秒；2) 交易所的数据服务。高频交易商需要实时地获取市场信息以便迅速捕捉转瞬即逝的利润，因此量化交易对交易所的数据服务提出了更高的要求。Eurex升级后的市场行情数据与分析系统为量化交易提供了实时的数据接口，交易所的实时订单和成交信息可以在1 毫秒之内到达投资者的量化交易系统中；3) 交易所系统的接入。升级后的交易所系统为量化交易预留了多种接入方式。软件上，交易所同时提供了标准的协议，如FIX，和速度更加快捷的私有协议接口；硬件上，很多交易所为量化交易提供了联位（Co-location）服务。1.3.7 量化交易对市场的波动性的争议量化交易对市场的波动性影响现在还存在争议，一派认为量化交易是会降低波动性的。因为量化交易中的套利机制会迅速的将偏离正常的股票价格拉回到正常价格附近。大量的量化交易套利交易会抑制股票价格的飘移空间，因而减少了市场的整体异常波动。而仅仅在出现小概率事件影响下，量化交易会增加小概率事件发生时市场的损害程度。当市场上的量化交易越来越多时，不可避免的出现量化交易策略第一章 绪论21趋同的现象。因此当小概率事件——如9.11 事件等——发生时，趋同的量化交易策略会引发单边市。而另一派坚定的认为量化交易会增大市场波动性，有人还认为从07 年开始的美国股市波动率大幅增加与高频交易以及一系列监管部门出台的政策有关。下图为隐含波动率指数04 年以来的变化， 从中可以看出07 年3 月波动性开始攀升。图1-11:CBOE Volatility Index，数据来源：Bloomberg对此有人反驳，依据是这个时点也是次货危机初现端倪的时间。下图整理了这段时间对应的事件表。其中NYSE Hybrid 将自动交易和传统的人工交易统一为一个市场；Reg NMS（National Market System）则推动了不同交易场所之间的联动性， 使得市场进一步自动化和快速化，为程序化交易的飞速发展铲除了障碍。图1-12:07 年量化交易下所发生的事件，数据来源Morefund 投资公司分析报告第一章 绪论22批评人士将矛头对准1987 年的股灾,以及2010 年5 月发生的"闪电暴跌",以此说明高频交易是让市场波动性上升了，而不是下降了。因为很多量化投资策略存在着关键的相似点,导致交易塞车，同时高频交易技术的应用使得策略有误时会出现无序出逃现象。对于程序化交易是否会大幅度增加市场的波动性，理论界还在争论之中，尚无一个定论。为避免类似的情况出现，市场监管机构和交易所还是规定了更严格的熔断机制，以保护市场。如：1) SEC 和交易所已经开始实施停板机制,当个股涨跌幅在五分钟内超过10%时,就暂停交易,以便降低因自动交易策略引发的疯狂价格波动。2) SEC 还在研究要求做市商在10%区间内报价的规定.该规定会消除"无成交意向报价",就是这种报价令部分股票价格在"闪电暴跌"中挫至1 美分.尚不清楚这些规定是否涵盖主要的高频交易参与者,但会有助于结束高频交易参与者一发现苗头不对便迅速撤离的现状.3) CFTC 刚刚重新建立的技术顾问委员会(TAC)今年将召开第一次会议,开始检验高频交易和算数交易在对未来市场产生着怎样的影响,以及该委员会应如何更新自身技术和数据收集工作,以确保监管到位.1.4 量化交易的技术发展趋势如同美苏超级大国之间的军备竞赛一样，量化交易作为未来交易的发展方向，量化交易的使用者和生产商正在不断地改进它们的工具。通过目前收集到的资料来看，量化交易发展主要在以下几个方面：1、量化交易者，特别是高频交易者在试图追求更快的速度，表现在追求与交易所更近的距离，更快的通信传输速度，更高的数据处理能力。如许多大的交易所，提供协同定位服务，允许会员的服务器连接在离交易所服务器旁边。但当一个服务器靠近一个交易所时就会远离另一交易所，在长距离传送交易指令时产生的时滞即使只有几毫秒，在高频交易的时候也会产生很大差异。为了解决这个问题，一些会员公司为每个交易所设立分离的服务器，这些服务器在同一地点被动态联结起来，因此又引发出对交易程序的改进，程序需要先分析网络性能，测第一章 绪论23量交易指令在网络中各接点间的运行时间和指令信息交换的时滞，然后根据这些信息改进高频交易程序设置。而另一些公司正在想方设法找到能显著提高数据处理能力的方法， 目前较为理想的一种方式是将数据处理功能从软件移到集成芯片FPGA(可编程门阵列)）上，并且可以实现现场手动调试，这种方法效果显著。一个业内的行情信息提供商估计使用FPGA 比以前的数据处理软件能提高20 倍的处理能力，并降低10 倍的时滞时间。2、用更加隐蔽的算法隐藏交易策略。越来越多的量化交易者意识到维持速度优势是成本非常高昂的，并且始终存在被更快的系统超越的可能。并且如果量化交易的算法是基于速度优势的，一旦出现更快速度的竞争者，交易者就可能因为算法的前提假设发生变化而要蒙受损失。这也使得利用响应时间优势设计长期投资策略并将此种交易作为唯一收入来源是非常困难的。为此很多算法交易者已经把重点转移到如何隐蔽自己的交易策略上来。如果隐蔽策略隐蔽的好，市场很难发现提供的流动性，交易的冲击成本就会更小，并且在有利的市场环境下获利的时间会更长。3、根据消息触发量化交易行为，并且已经不再停留在对简单消息的判断，有些公司已经实现的对复杂的消息进行翻译和理解，并立刻执行预先的设置快速的进行一连窜的动作。譬如公司公布盈利结果或公布经济统计数据，这些消息几乎在瞬间同步直接传输给其它计算机，由它们根据消息进行交易。。一些公司还试图对消息自动“设置表情”（以表示该消息是好是坏），这样的话自动交易就可以直接根据消息进行了。 “将消息从人类语言翻译到机器语言这一进程实在很有意义，”路透算法交易全球业务经理克里斯蒂．苏塔尼说，“我们越来越多的顾客发现了利用消息赚钱的途径”。4、一些量化交易者已经开始设计程序来诱杀其他的程序化交易者，时常有投资者看到报价牌上的价格后马上下单， 但当指令发出后这个价格已经被撤销了。根据一些业内人员透露，一些公司通过同轴光缆将程序化交易系统与交易所联结起来，他们先抛出一个价格诱使量化交易者响应，这些量化交易嗅探算法会误以为有大单在后面，但当他们下单买时，便立即取消这一指令并下卖单，这样可能争取到更有利的价格或在同样价格下的较大的成交量。这种行为在期货市场的历史上并不新鲜，只不过现在的行动比过去快速了千百倍。第一章 绪论241.5 量化交易的局限性任何先进的量化交易系统，都不能保证投资者一定盈利，这也是资本市场魅力所在。以趋势交易者为例，许多交易员关注量化交易投资策略的每次的获利回报金额和获利概率，试图通过用几年的历史行情数据来回测投资策略的方法增加交易模型的有效性。但这种测算往往无法准确估算交易成本，回溯测试的良好业绩往往没有可靠的交易成本估算支持，即使交易成本通过人为设定存在时，系统也常常会高估获利能力，使得投资者过于乐观。高杠杆的金融衍生品交易中，趋势性的程序化交易，胜率和获利率的追求与失败的深度比较，累计的盈利能否弥补损失的深度，还有待于数据的统计结论。很多量化交易的模型是基于历史数据设计的，但如果市场上出现了以往历史没有出现过的情况，数学模型将难以适应。如08 年金融危机出现，使得很多量化交易的机构亏损巨大。如：高盛全球阿尔法基金: 资产从2007 年的120 亿减少到2008 年的25 亿, 2007 年的损失就达到40%[25]。对于股指期货套利交易者，关注的是发现市场机会的能力和对于机会的及时把握能力，而执行能力依赖与高速的交易通道和市场流动性对基差的敏感程度。因此这类交易可能会受到如下指责：（1）存在经纪公司通过分析套利客户即将交易的指令，而在期货交易中获利的可能性，这就是人们常说的经纪公司“跑在前面”，这使得公平性这个交易的最基本基础被挑战。（2）这类程序交易会通过现货策略的抛售，给交易所交易能力带来压力。另一方面，量化交易之所以成功，是基于对客观的市场特性有一些基本假设，但当极端市场出现时，这些假设的基础会改变，这时候量化交易的表现会非常差，如，市场流动性，特别是当市场失去流动性时，量化交易不具有控制损失的优势。非常典型的例子是1998 年美国长期资本管理公司（LTCM）管理的长期资本基金拥有非常优秀的衍生品定价、风险度量和交易系统，但是面对没有足够流动性支撑的证券资产，还是损失惨重[6]。随着量化交易特别是高频交易的出现，市场越来越多的体现出了对速度的诉求。谁拥有性能最好的计算机、最快的网络链接，甚至是离交易所近的办公楼都第一章 绪论25会给交易带来优势。面对这种偏离价值投资的趋势愈演愈烈，有人提出这是对普通投资者的不公平。从市场监管者的角度讲，一方面希望市场活跃，另一方面又希望市场有良好的交易秩序和有效性，希望价格有平稳而透明。量化交易确实大幅提高了交易量，但同时可能给市场带来了更大波动。甚至部分量化的交易策略完全是通过市场规则的漏洞达到盈利的目的，制造人为的价格，使得价格没有反映出真实的市场情况。比如基于佣金返还的交易策略就是一个例子。第二章 量化交易在中国的发展26第二章 量化交易在中国的发展2.1 中国量化交易的发展现状我国的量化交易发展较晚，还处于发展初期，参与群体还不多，但近一到两年发展势头很快。随着从华尔街回来的华人金融工程师越来越多，量化交易越来越多，ETF，股指期货套利等量化交易逐步兴起。表2-1：国内量化交易的现状分析现状 原因自动化交易在期货市场应用较多，使用者约占投资者10%，技术平台比较稳定：股票市场刚起步，基本没有大型应用期货市场参与者人数少而专业，技术分析比较盛行数量化投资股票市场上逐步兴起，目前已有7 只量化基金，券商金融工程研究日益增强华尔街的华人金融工程师的回归为国内带来了数量化金融的理念和经验程序化交易很少，目前仅限于ETF 套利，融资融券，股指期货上市后有较大发展产品不健全，无法实施套利算法交易 尝试阶段市场机制与国外不同，没有“最佳执行”的问题与要求，机构投资者在减少执行成本上动力不足高频交易 无交易和监管机制限制了高频交易的发展量化交易在期货市场已初具规模，随着国内的专业软件公司推出的自动化交易软件，使得短线交易者得以更加快捷的下单，自动化交易模型已经慢慢的在期货投资者中流行，并且逐步被一些专业的投资机构和咨询机构采用。相对应的一些交易所也推出了更加快捷深度的行情系统，满足量化交易投资者对行情的差异化需求。证券市场量化交易逐步兴起，量化基金从09 年开始逐步成为热点，量化交第二章 量化交易在中国的发展27易也成为各机构投资者差异化竞争的利器。随着股指期货的推出，和股指期货套利的兴起，越来越多的机构投资者有通过程序化交易实现套利，通过算法交易降低冲击成本的需求，算法交易和程序化交易开始被一些投资机构尝试。主要表现在以下几个方面：1) 量化交易供给主体初现规模：国内的量化交易最早是从证券市场开始，近几年在期货市场迅速发展起来。特别是国内的一些软件公司推出了具备量化交易功能的软件后，渐渐被业界认可并采用。为期货的短线交易者提供了快捷的下单方式。初期期货市场的量化交易模型主要是由个别投资者自己编写，但渐渐的一些投资咨询机构和金融机构也开始推出专业的模型。目前单兵作战的个人和有初具规模的专业团队形成了国内量化交易模型的供给主体。其中，个人投资者占了七成左右的比例。交易模型已经覆盖了波段交易、日内交易和长线交易的国内商品期货的所有品种。并且交易模型以短线为主（日内交易模型占50%左右，波段交易模型占40%左右）。适合机构操作的长线交易模型还较少。除个别极有实力的机构在做内外盘套利外，绝大部分的交易模型只针对国内期货交易所的商品期货，涉及到外盘的交易模型并不多见。总的来看，国内量化交易供给主体还处于混沌状态，存在着无序、杂乱、缺乏组织的特点，但已经初具规模并迅速壮大。但随着对量化交易前景的看好，专业化程序编制团队正在迅速的进入这个市场，目前的混沌局面必将被打破，三到五年内，专业化的期货量化交易公司将不断涌现，并成为市场上的主力军。2) 量化交易平台日益成熟，行业标准雏形初具：许多软件公司已经开始推出比较成熟稳定的程序化交易平台，并且国外的一些程序化交易软件供应商也开始在国内推广。随着人们对量化交易认知度的提高，评价一个量化交易系统的好坏已经不是简单的看是否盈利。大家越来越看重是否通过足够长的周期测试，用来测试的历史数据质量，并且对于测试指标的认识也越来越客观和专业。关于测试指标，在后面的章节会做详细的论述。3) 量化交易需求市场庞大：大部分的投资者特别是机构投资者对量化交易越来越重视。中国加入WTO 以后，中国和国际市场联系的越来越紧密，中国的大宗商品价格越来越明显的受国际价格影响，而错综复杂的国际环境令国内的机构很是头痛。随着中国的国力增强，越来越多的大型金融机构，投资机构涌现，他们非常需要量化交易工具帮他们获得稳定的收益。并且随着股指期货的上市，对量化交易的需求呈现爆发式的增大。第二章 量化交易在中国的发展284) 量化交易系统商业化推广逐步启动: 虽然量化交易在国内的发展还处于发展初期，尚无大规模商业化活动的出现，但一些先知先觉的供应商已经开始将自己的交易模型进行商业化运作， 并且有逐步做大的趋势。现在已经有一些较成规模的模型供应商采取与期货公司合作推广或与投资管理公司合作销售的方式在进行运作。这种模式有可能成为今年的主流，但基于期货公司或投资管理公司对量化交易模型的严格审查，真正通过这种模式推向市场的交易模型并不会太多。相信未来会涌现出更多的销售推广方式，对以后量化交易市场起到重要的推动作用。2.2 国内程序化交易环境的特点国内证券市场只有20 年的历史，相比欧美以及亚太其他发达地区市场成熟度还有很大差距，不仅如此，国内市场的一些特性也使程序化交易在国内发展受到限制。2.2.1 国内的交易所较少且单一国内的交易场所比较单一，股票只在上海和深圳两个证券交易所进行交易，期货在上海、郑州、大连三个商品期货交易所和一个上海金融期货交易所。而欧美的情况则是大量的流动性存在于交易所以外，比如大大小小的暗池、ECN 等。即使同一只股票也会在多个交易所交易，目前NYSE 股票只有25%左右的交易量是通过NYSE 执行的。国外很多执行算法就是为这种条件量身定做的，比如各种智能路由算法，而在国内这些算法都没了用武之地。也正是由于欧美的交易场所太多,市场受到一些轻微的扰动就可能出现大的波动。例如,2010 年5 月6 日美国主要股票市场盘中大跌,监管部门至今仍在寻找明确的引发原因。而国内的证券和期货交易都是在指定的几个交易所内进行,因此,国际市场上的有些交易方式在国内市场并无多大的用武之地,因为国内交易场所比较少,整个市场系统的稳定性也相对较好。2.2.2 国内的证券市场的特点国内证券市场的T+1 交割制度使得大量日内交易策略不能得以实施，并且股票市场的交易成本非常高，高频交易策略更是无从谈起。除此以外，股票市场不允许卖空、缺乏做市商制度、可供交易的产品简单等，都不利于量化交易策略在证券市场的开展。第二章 量化交易在中国的发展29表2-2：国内证券市场涉及到的交易成本国内券商对执行算法的服务很少。目前国内的股票市场，机构投资者都是通过券商提供的市场直连通道（Direct Market Access）直接下单交易，而券商并没有提供规模化的算法附加服务，未来还有广阔的发展空间。2.2.3 国内的期货和权证市场特点期货和权证市场采用的是T+0 的机制，手续费相对较低，且允许双向交易，相对证券市场更加适合程序化交易。但监管层出于金融安全考虑，对程序化交易特别是高频交易做了很多限制。因为担心违规降级，使得期货公司在推广程序化交易方面也是顾虑重重。2010 年4 月沪深300 股指期货被正式推出以来，产生了大量套利机会，许多的程序化套利策略纷纷出炉并创造出惊人的交易量。第二章 量化交易在中国的发展30国内期货市场相对封闭，导致存在与境外交易所的套利机会，一些机构针对这些套利机会制定了交易策略，并创造了较好的业绩。我国的交易指令比较单一,投资者大多数情况下只能选择套保或者投机两种交易策略,虽然已有郑州商品交易所和大连商品交易所推出的跨期套利交易指令和跨品种套利交易指令,但依然缺乏与量化交易相对应的更多交易指令。而在国外成熟市场,几乎都有专门用于量化交易的指令,比如NASDAQ Level 系列报价系统。国内期市整体步伐显然落后,这对于量化交易的推广不利。2.2.4 国内的金融市场监管的更加严格国内监管机构对量化交易非常警惕，并且监管非常严格。如：《中国金融期货交易所交易细则》中规定:“会员、客户使用或者会员向客户提供可以通过计算机程序实现自动批量下单或者快速下单等功能的交易软件的,会员应当事先报交易所备案。会员、客户采取可能影响交易所系统安全或者正常交易程序的方式下达交易指令的,交易所可以采取相关措施。”四大期货交易所也从2010 年11 月开始，陆续出台了针对异常交易行为管理的有关规定，其中一部分就是监控量化交易行为，主要规范如下：1) 自成交行为：客户单日自成交 5 次以上（含本数）。2) 日内过度交易行为：股指期货客户单日在所有合约开仓量超过 500 手。3) 频繁报撤单行为：客户单日在某一合约撤销定单笔数 500 笔以上，但因套利指令由系统派生且被自动撤销的定单不计算在内。4) 大额报撤单行为：上海期货交易所规定，单日在某一合约上的大额撤单次数超过50 次（含50 次），单笔撤单的撤单量达到300 手以上（含300手）；大连商品交易所规定，单日在某一合约上的撤单次数超过400 次，且单笔撤单的撤单量超过合约最大下单手数的80%；郑州商品交易所规定，客户单日在某一合约每笔撤单量500 手以上且撤单笔数10 笔以上。5) 关联帐户合并持仓超限行为：两个或者两个以上涉嫌存在实际控制关系的交易编码合并持仓超过交易所持仓限额的规定。其中，股指期货单个合约上的合并持仓超过100 手。6) 影响交割结算价行为：客户利用对倒、对敲等手段交易，造成交割月合约价格异常波动幅度达到该合约停板幅度20%以上，影响该合约交割结算价。7) 盗码交易行为：客户盗取他人交易密码进行违法违规交易并转移资金。8) 自然人客户违规持仓行为：自然人客户在交割月前一月最后一个交易日闭市时仍保留该交割月份持仓。第二章 量化交易在中国的发展319) 国内无论是证券市场还是期货市场都实施比较严格的涨跌停板制度，有效的控制了市场的波动。2.2.5 大型金融机构还没成为量化交易的主体在国际成熟期货市场,机构投资者是量化交易的主体。目前,我国期货市场投资者结构不尽合理,个人占了绝大多数,法人机构和企业参与量较少,专业从事量化交易的法人机构更是十分缺乏。在这样的情况下,市场整体的交易效率发挥存在一定障碍。 量化交易对于市场环境要求较高, 越是成熟的市场,其发挥的效率越大。2.2.6 国内的相关技术和服务还无法满足量化交易的发展需求1) 交易系统的速度还有较大的提升空间，目前中国的证券交易所的持续订单处理能力为8 万笔每秒，订单处理延迟35 毫秒，券商端延迟110 毫秒。上海证券交易所的。可以初步满足量化交易的交易速度需求，但也还有较大的提升空间[6]。2) 行情更新速度是我国发展量化交易的主要瓶颈，目前证券行情无论是Level-1 还是Level-2 的行情都是以秒为单位，远未达到量化交易的要求[6]。3) 目前我国的历史数据还处于简单的收集阶段，还缺乏进一步的深加工。并且从市面上的主流程序化交易软件来看，大部分历史数据不全，且缺乏足够的Tick 数据。第三章 量化交易的应用32第三章 量化交易的应用3.1 制定投资决策量化交易方式应用于投资决策后被称为量化投资。随着量化交易方式在投资领域的深入应用，现代化的投资不再能被简单的划分为技术分析或者基本面分析，而是基本面分析和技术分析的综合。量化投资针对海量的数据进行多层次，多角度的分析处理：分析宏观经济数据进行资产配置；分析市场结构数据进行行业选择；分析公司的基本财务数据、分析师盈利预算等数据进行股票选择；分析市场情绪和技术指标进行时机选择。量化投资是在信息爆炸时代对传统投资方式的革命性改进，强大的定量投资信息处理能力可以捕捉更多的投资机会，拓展更大的投资空间。以下是几种常见的策略模型和特点分析：表3-1：长线趋势跟随系统（头寸持有时间5-10 个月）长线趋势跟随系统（头寸持有时间5-10 个月）优点不需要太关注市场动态不需要每天操作一般平均每笔交易的盈利最大，并且“盈利与最大回调比”这个指标也较好策略中可以包含很多负相关或不相关的品种需要决策小，投资者承担的压力小，但持有头寸时间长缺点缺乏活力不能抓住很明显的短线机会（如政府报告、新闻事件）长期占有资金胜率低，并且有很高的最大连续亏损次数每笔交易要比短线系统冒更大的风险每笔交易的持有时间很长，测试产生的交易次数有限，需要很长时间的测试数据，否则测试会不够充分不能抓住市场中中线和短线的波动第三章 量化交易的应用33表3-2：长线趋势跟随系统（头寸持有时间6 周-5 个月）中长线趋势跟随系统（头寸持有时间6 周-5 个月）优点相对短线系统来说，需要做较少的决策，承受较小的压力较高的平均每笔盈利策略中可以包含很多负相关或不相关的品种相对长线系统，有更多的交易机会和更少的头寸持有时间相对长线系统，对用于测试的历史数据周期长度要求更低缺点不能抓住很明显的短线机会（如政府报告、新闻事件）一般胜率很低，最大连续亏损次数比较大头寸需要长时间占有资金每笔交易要比短线系统冒更大的风险需要在最近的高点买入，最近的低点卖出，而且经常要回吐很大比例的浮动盈利表3-3：中线趋势跟随系统（头寸持有时间2-8 周）中线趋势跟随系统（头寸持有时间2-8 周）优点对趋势的变化非常敏感，可以很迅速的参与到新出现的趋势中不需要进行日内操作策略中可以包含很多负相关或不相关的品种与短线系统相比有较高的平均每笔盈利缺点对中线趋势转向反应速度很快，这样长线等敏感度较低的系统更可能受到双重损失。头寸需要长时间占有资金一般胜率很低，最大连续亏损次数比较大与长线趋势跟随系统相比，每笔平均盈利较小需要在最近的高点买入，最近的低点卖出，而且经常要回吐很大比例的浮动盈利第三章 量化交易的应用34表3-4：带有趋势跟随过滤的中线均值回归系统（头寸持有时间6-10 周）带有趋势跟随过滤的中线均值回归系统（头寸持有时间6-10 周）优点由于这些系统依靠的是市场均值回归的倾向，我们既可以在趋势市场上获利，也可以在震荡市场获利交易决策较长线趋势跟随系统多，但心理压力比日内交易少与日内系统相比有较高的平均每笔盈利与趋势跟随系统相比，这些系统有较高的胜率、较低的最大连续亏损次数策略表现比较平稳缺点头寸需要长时间占有资金每笔交易的亏损不会小于平均盈利（需要较好的资金管理和严格的纪律）比较少的交易信号意味着测试结果的可靠性降低，需要长周期的历史数据测试表现稳定的品种少表3-5：中短线无偏向性均值回归系统（头寸持有时间3-8 周）中短线无偏向性均值回归系统（头寸持有时间3-8 周）优点由于这些系统没有偏向性，他们会有比使用趋势过滤的系统更多的交易机会较短的头寸持有时间带来更多的交易机会较多的交易机会，让系统的测试结果变得更加可信在建立头寸时就可以设定止盈和止损，因此减少了出现滑点的可能性缺点没有使用趋势跟随过滤，交易系统的可靠性降低了交易机会多，相应的决策和压力也多策略只能使用有限的品种第三章 量化交易的应用35表3-6：趋势跟随摆动系统（头寸持有时间1-15 天）趋势跟随摆动系统（头寸持有时间1-15 天）优点在短时间内有更多的交易机会能从长线交易者忽略的短趋势中获利绝大部分策略试用了时间平仓，这使趋势交易者更容易接受在最近高点买入，最近低点卖出的建仓信号通常会设定止盈目标，这回向时间平仓一样对交易者的心理有所帮助缺点对品种要求高（需要很高的流动性和波动性来弥补交易中固定的费用）较小的平均每笔交易盈利多为日内交易，对交易者压力比较大表3-7：带有趋势跟随过滤的均值回归震荡系统（头寸持有时间1-15 天）带有趋势跟随过滤的均值回归震荡系统（头寸持有时间1-15 天）优点 享有中线交易拥有的优点，并且有更多的交易信号缺点对品种要求高（需要很高的流动性和波动性来弥补交易中固定的费用）相对于长线系统来说，需要更多的关注、测试和评估市场来保证稳健性多为日内交易，对交易者压力比较大第三章 量化交易的应用36表3-8：带有趋势跟随过滤的均值回归日内系统（头寸持有时间几分钟到几小时）带有趋势跟随过滤的均值回归日内系统（头寸持有时间几分钟到几小时）优点使用了趋势跟随过滤，可以参与到短线和中线趋势中，同时也能抓住中线和长线的市场波动由于交易的方向与短线趋势或中线趋势方向相同，交易者有更高的信心来执行交易信号每个交易日都会平掉所有头寸，不需要持仓过夜更多的交易机会在资金管理配合到位的情况下，每笔交易的风险相对资金管理来说非常小缺点每笔交易的盈利小，因此对品种要求高（需要很高的流动性和波动性来弥补交易中固定的费用）重仓风险高日内交易，对交易者压力比较大表3-9：无偏向的均值回归日内系统（头寸持有时间几分钟到几小时）无偏向的均值回归日内系统（头寸持有时间几分钟到几小时）优点在任何市场形态下都能交易（趋势、振荡等）每个交易日都会平掉所有头寸，不需要持仓过夜更多的交易机会在资金管理配合到位的情况下，每笔交易的风险相对资金管理来说非常小缺点每笔交易的盈利小，因此对品种要求高（需要很高的流动性和波动性来弥补交易中固定的费用）重仓风险高手续费和点差的代价大日内交易，对交易者压力比较大3.2 减少执行成本大的投资者，特别是机构投资者，在进行交易时，因为交易量通常较大，除了手续费和交易税等确定性的交易成本外，还必须考虑大额交易进入市场的执行成本。执行成本主要包括：机会成本：从做出交易决策到在市场上发出买卖指令，再到买卖被执行，这段时间内该交易标的价格会变化；冲击成本：因为交易额巨大，如果交易的标的物流动性有限，投资者期望一次成交的量，很难全部成交，并且在成交的过程中，其他的交易者会探测到投资者的交易企图，使得交易指令会使价格向不利方向变动，产生冲击成本。第三章 量化交易的应用37算法交易综合考虑投资者需要执行的数量、波动率、流动性风险、市场的总交易量、以及冲击成本的估计误差等相关要素，选择合适的业绩基准与优化目标，通过最优化方法计算出适合投资者最优的交易策略，以降低投资者的执行成本。3.3 套利与风险对冲随着1980 年代美国衍生品市场的逐渐完善，量化交易逐步应用于套利和风险对冲。套利（Arbitrage），是指试图利用不同市场或不同形式的同类或相似金融产品的价格差异牟利。套利普遍存在于金融市场的各个领域。当如下情况发生时，市场存在套利机会；1、 相同资产在不同的市场上以不同的价格进行交易（即违反“一价定律”）；2、 具有相同现金流产出的资产以不同的价格进行交易；3、 某一资产在未来的价格已经确定，但当前交易价格不等于未来价格以无风险利率的折现值。外汇市场利率平价套利、现货市场的ETF 套利、综合运用期现货市场的指数套利等都属于典型的套利交易。量化交易方式使得套利发展成为在复杂计算机程序的帮助下从不同市场上同一证券的微小价差中获利的技术。当量化交易方式广泛应用于套利时，金融市场会变得越来越有效率，市场上的套利机会也逐渐消失。动态对冲（Dynamic Hedging），是使用股票指数期货和期权来保护股票组合；统计套利（Statistical Arbitraged），是对冲基金领域追求市场中性（Market Neutral）和阿尔法收益的新交易方式。相对于确定性的无风险套利，统计套利基于统计意义上资产价值的期望值，在大数定律作用下，资产定价的暂时性错误一定会向均值回归。作为一种投资策略，统计套利需要很大强度的计算和数量化建模。配对交易（Paired Trading），是最基本的统计套利模型，它利用经济模型识别出市场上被高估和低估的股票，卖出高估的股票，买进低估的股票，然后等待均值回归，以实现利润。配对交易自动对冲了市场贝塔风险，是市场中性的策略。波动率套利（Volatility Arbitrage），是统计套利的另一种常见策略，它使用期权产品作为实现策略的主要载体。3.4 做市商报价做市商通过为交易产品提供买卖报价服务而赚取交易产品的买卖价差。量化交易方式的急速扩张，冲击了传统的做市商报价手段，并为新型做市商提供了发展良机，量化交易对于做市商的应用包括：第三章 量化交易的应用381) 金融产品定价。随着现代金融学的发展，定价理论在高流动性的成熟市场上得到广泛应用。在期权定价领域，做市商的交易系统会报出数百个期权合约的成交情况及Delta、Vega、Gamma 等参数。基于各种定价模型，做市商建立了大量的程序化交易系统，融合了产品与做市商的理念，兼顾提高市场流动性，为金融产品提供合理的报价。2) 做市商的风险控制。做市商是衍生品市场尤其是期权市场不可缺少的市场主体，由于其目标不是承担风险的盈利，而是在风险为零的情况下获得市场差价以及手续费，他们在接到一个报价后要立刻从反方向做出一个对冲交易。因此，开发交易系统、评估市场的风险因子，并进行对冲交易是目前做市商行为的主流。盈透公司(Interactive Broker) 是一个典型应用。该公司创建了一个连接全球股市和衍生产品的电子通讯网络，作为开发算法交易系统的技术领导者，成功地为芝加哥期货交易所，纽约证券交易所的期权期货和其他衍生产品做市。目前，盈透已经成为世界上最大的衍生产品做市商，在世界上70 多个交易所进行着电子化交易，经营证券9400 种。最近炙手可热的高频交易就是利用其量化交易系统的先进性，实现了类似于做市商的盈利模式[6]。第四章 量化交易的软件系统开发39第四章 量化交易的软件系统开发因为看好量化交易的发展, 笔者在2009 年底成立了一家软件公司把开发支持量化交易的软件产品作为主营业务。目前已经开发出了一个初级量化交易的软件产品QuantMaster V1.5。量化交易软件（目前市面上通称程序化交易软件）有很多类型，有的一个策略就是一套软件，有的专门针对股指期货套利，有的专门针对做ETF 套利。而我们目前开发的这个产品是聚焦在提供一个量化交易的基础IT 平台。具体定位如下：以采用金融工程模型进行投资的个人或机构为目标使用者，可以集中提供交易策略的开发、测试、优化，自动分析市场并生成投资决策，可以自动执行交易指令的软件系统。基于这个定位，该软件可以支持绝大部分量化交易，如：程序化交易、高频交易、算法交易和自动化交易等。因为目前国内外基于消息等基本面分析产生投资决策的技术还不成熟，该软件目前主要基于技术分析来触发投资决策。4.1 需求分析为了让本软件能够实现有效地帮助投资者进行量化交易，可以方便的把金融工程模型导入系统，能及时的分析实时行情并输出交易判断，并能高效的自动执行交易指令，需要满足以下需求。1) 投资者制定交易策略必须有一套完整的交易规则体系，在波涛的《系统交易》一书中，对完整的交易体统的定义为“必须对投资决策的各个相关环节做出相当明确的规定。这种规定必须是客观的、唯一的，不允许有任何不同的解释。其特点在于它的完整性和客观性。所谓完整性，即其对证券期货投资的一个完整交易周期中的各个决策点，包括进场点、退场点、再进场点、再退场点等的条件都有明确具体的规定。从而形成一个完整的决策链。所谓客观性，即其决策标准体现的唯一性。如果条件集合（ A ）发生，则决策B 发生，这种因果关系具有唯一性。交易系统的完整性和客观性，保证了交易系统结果的可重复性。”[5]2) 有一个人机交互友好的策略开发环境，方便投资者构建自己的投资策略。有一个丰富的函数库，降低投资者开发策略的难度。开发环境有一个脚本编译功能，可以把投资者编写的策略翻译成计算机可以理解，并能高效执行的C 语言。为便于中国市场的普及，未来可以考虑推出基于中文的脚本语言。第四章 量化交易的软件系统开发403) 投资者编写的投资策略可以或者通过几年的历史数据回溯策略测试和通过模拟交易系统测试来分析策略的特性和可用程度。系统支持从多个纬度，多种工具对回溯测试、模拟交易和实盘交易的交易结果进行深度分析。如果投资策略包含一些参数，软件系统可以帮助投资者对参数进行优化。4) 系统可以根据历史数据和实时行情，自动判断买卖时机，并且发出买卖信号。为了使策略更加灵活，可以支持多策略多商品同时分析。5) 支持多种交易指令、支持国内的主流交易接口，可以根据买卖信号自动执行交易。在必要的情况下，可以将大的订单拆分。6) 支持多账户和子账户管理。7) 资金管理：可以支持多种灵活的资金管理指令，可以对每一笔交易的头寸进行止赢止损管理，可以支持在一篮子交易时对每个商品设置独立头寸。8) 风险管理：支持多种限价和止赢指令，可以支持多品种组合交易，分散风险。提供多种风险度量方式如波动率、VAR、CVAR 等计量模型。提供敏感性分析和情景分析。4.2 总体设计方案业务逻辑方案如下：历史数据实时行情模拟交易管理自动交易管理风险和资金管理内置模拟交易交易所模拟交易实盘交易系统交易业绩分析商品和数据管理 账户管理 回测管理交易策略加载算法交易模块加载策略和算法管理图4-1：业务逻辑方案第四章 量化交易的软件系统开发41系统实现及部署框架如下：历史行情数据资讯服务用户信息服务商品信息接入代理监控服务行情代理 升级服务系统管理员 超级管理员 移动客户端 PC客户端Web-services实时行情群(交易所/期货公司)交易服务群(交易所/期货公司)图4-2：系统实现及部署框架按业务逻辑划分，整个系统分成行情、交易、分析、脚本系统、系统维护五块。图4-3：程序化交易整体划分1) 商品信息服务：用于统一管理整个系统内的交易所、商品(合约)、交易日历等信息；第四章 量化交易的软件系统开发422) 实时行情接入：负责将来自多个交易所(或期货公司)的行情转换成统一格式，并分发；3) 历史行情服务：同步机制，用于落地实时行情，并演算出多周期数据(技术分析的基础)；4) 交易接入系统：负责将来自多个交易所(或期货公司)的交易数据转换成统一格式；5) 智能脚本系统：包括语言规则、编译器、脚本嵌入策略、脚本开发工具、测试\参数优化工具；6) 分析系统-技术面：图表模块、报价列表、价格深度等模块；7) 分析系统-基础面：资讯信息、F10 等模块；8) 交易管理与分析：交易账号的信息显示、完成与交易接入系统的交互、产生分析报表；9) 认证系统：通用子系统，认证机制、授权机制、开户工具等。10) 监控系统：通用子系统，监控服务端的运行状态；11) 升级系统：通用子系统，负责客户端的部署和升级工作；4.3 投资策略和算法的测试设计方案投资者的投资策略制定好，并不意味着已经完成。贸然把一个策略用真金白银投到实盘交易中，往往是高风险且不负责任的。 并且投资者在使用没有经过充分验证过的策略，没有深入的了解投资策略的特性情况下，就开始实盘交易，也会使得投资者信心不足，或者在该坚持的时候无法坚持最终错失时机，或者在市场环境大幅变化的情况下，无法及时调整，最终蒙受损失。各种量化交易系统都有自己的特点，投资者必须非常了解交易系统的特点，了解系统是否适应当前的市场情况，是否适合自己的性格。在系统无法很好的执行的时候，及时的发现问题。对于策略的验证，主要有两种方式，其各有优缺点：1) 通过用历史数据来回测交易策略，优化交易策略，通过分析策略验证报告，来更深入的了解自己的策略。（以下我们简称”历史数据验证”）2) 通过引入实时行情，在模拟交易系统中交易，进一步了解自己的交易系统。 (以下我们简称模拟交易验证)第四章 量化交易的软件系统开发43表4-1：两种测试和验证方法的优缺点分析优点缺点历 史数据验证 可以在极短的时间内测试交易系统在很长的时间周期内的表现。 可以测试交易系统在不同的交易周期中的表现 可以对参数进行优化，对系统进行调优 相对而言测试结果没有通过模拟交易的高模拟交易验证 采用的是实时行情数据，最大限度的模拟真实交易 由于采用实时行情，测试时间长。 无法测试不同的交易周期中策略的表现。 尚无成熟的与之配套参数优化方案。4.3.1 用于测试的历史数据方案好的历史数据方案能更好的分析和验证策略，相对于真实交易，越精确的历史数据可以得到越真实的测试出策略的问题。在实盘交易时，止损单和限价单订单是否触发是靠系统不断地分析实时行情的每一笔Tick价格来获得。在策略验证过程中，如果我们希望得到与实盘交易同样的结果，我们希望尽可能的使用Tick 数据作为历史数据来测试我们的策略。但是在现实中，因为种种原因，我们往往是采用K 线的数据来分析。K 线包含四个价格信息：开价（Open Price），最高价，最低价和收价 (Close Price)。通过分析这四个数据，我们发现能唯一确定的事实是K 线中的第一笔和最后一笔交易是对应着开价（Open Price）和收价（Close Price）。但具体市场的价格是怎么由开价（Open Price）到最高价或最低价，再最终到收价（Close Price）的，K 线内部价格是怎么波动的，我们是无法通过这四个已知的价格信息中获得。这就导致如果我们用K 线数据（而非Tick 数据）来测试策略的时候，除非我们只用开价（Open Price)和收价（Close Price)我们必须对K 线内部价格的走势和波动情况进行假设。通过上面的分析，我们可以得出结论，如果我们全部采用Tick 数据作为历史数据来测试策略，可以得到几乎和真实交易同样的结果。而如果我们用K 线数据（1 分钟线，30 分钟线或第四章 量化交易的软件系统开发44者日线）数据，我们必须对K 线内部的价格走势进行假设。其假设模式与真实情况的差异将影响策略测试结果。然而，通常情况下，投资者难以获得所有测试需要的Tick 数据，并且如果全部采用Tick数据，会导致测试的速度以及对计算机系统资源的消耗大幅度上升。最优的解决方案应该是在有Tick 数据，并且测试需要时采用Tick 数据，其他时候采用K 线数据来替代。例如一个策略的验证需要测试5000 个日线的数据，我们可以用10 分钟线的数据来代替Tick 数据来测试策略。并且需要的情况下，对10 分钟线中的K 线内部价格走势和波动情况进行假设。通过这种方法，一方面可以比通过日线数据测试得到更加精确的测试结果，也避免了采用Tick 数据造成的对测试速度和计算系统系统资源的大量消耗。如果我们再进一步分析程序化交易中我们的交易指令和K 线的信息。我们可以得到更进一步的结论。由于K 线信息中开价（Open Price)、收价（Close Price)是确定的信息。如果程序化交易中的交易指令是以开价（Open Price)、收价（Close Price)、市价（程序化交易系统解释为下一个K 线的开价）作为目标价格，K 线的价格信息就已经完全足够，用Tick 数据或者更小颗粒的K 线价格不会给我们的测试带来更高的精度。只有在我们需要触发止损单或限价单类型的交易信号时，我们才需要更加准确的历史数据信息。如，MT4 程序化交易软件产品设计了三种基础数据选择方式供给投资者回测策略时选择[18]：1、Tick 数据：这是最准确也是最慢的模式，系统采用所有的Tick 数据演算策略。2、一分钟K 线的OHLC 价：这是对采用Tick 数据测试的一个折中方案，系统采用一分钟K 线的4 个价格（O:开价；H：最高价；L：最低价；C：收价），来模拟实际交易情况。并且当一分钟线的交易量小于4 的时候，用实际的Tick 数据代替。3、一分钟K 线的开价（Open Price)：该模型使用一分钟线的开价（Open Price)格，这是最快的模式，仅用于初步验证策略。在不使用Tick 历史数据回测交易策略的时候，当系统中在一根K 线中触发了止损和限价指令时，因为不知道K 线中价格是如何走的，会导致比较大的误差（在某些特定场景下，价格不同的走势，会得到完全相反地测试结果）。例如：系统在同一根K 线中同时设置了止赢和止损两个订单，K 线中的价格走势不同，会导致两种截然不同的情况出现：如果价格是先涨到最高价再回落，则止赢单触发，投资者获利，并离场如果价格是先跌到最低价再涨，则止损单触发，投资者亏损，并离场并且，通常情况下市场价格不会以一条直线运行，即使在很强的趋势情况下，在K 线中还是大量的价格波动和震荡的，第四章 量化交易的软件系统开发45如图：图4-4：K 线中的价格波动图这个波动也会导致出现同一种K 线形态，但盈亏截然不同的情况出现。但这种波动的影响极小，仅在Stop 和limit 订单之间间隔非常小的情况下会影响验证结果。如图图4-5：波动导致同一种K 线形态出现，但盈亏截然不同由于1 分钟线中只有4 个价格信息，我们不可能通过这4 个价格信息准确的知道在一分钟线内部价格是如何走势，并且如何波动的。我们必须采用一个价格运行假设。4.3.2 交易成本在进行程序化交易策略测试时，为尽可能使测试结果接近真实情况，我们需要把交易过程中所涉及到的成本都考虑进去，以便更好的模拟真实的交易环境。在国内的期货市场，主要涉及到的交易成本如下：1) 证券类的交易成本： 委托费：这笔费用主要用于支付通讯等方面的开支。一般按笔计算。第四章 量化交易的软件系统开发46 佣金：这是投资者在委托买卖成交后所需支付给券商的费用。 印花税：投资者在卖出成交后支付给财税部门的税收。 过户费：这是指股票成交后，更换户名所需支付的费用。 转托管费：这是办理深圳股票、基金转托管业务时所支付的费用。图4-6：整理起来交易过程产生的费用，数据来自市场上公开信息2) 期货和期权类的交易成本期货交易成本是指在商品期货交易过程中发生和形成的，交易者必须支付的费用。主要包括佣金、交易手续费和保证金利息（即资金成本）。 佣金和交易手续费：佣金是商品期货交易者支付给商品期货经纪公司或经纪人的报酬。我国经纪公司也有按交易手数计收佣金的。交易手续费是商品期货交易者通过期货经纪公司或经纪人向商品交易所支付的期货交易手续费。我国现有商品交易所收取手续费的方式一般是按成交手数计算，每手缴手续费因品种不同而不同。 保证金利息——资金成本第四章 量化交易的软件系统开发47保证金利息是从期货交易开始到结束的全部时间内缴付保证金（包括追加保证金）所占用资金而应付的利息，是一种资金使用成本，它以银行利息率来计算。保证金利息与商品期货交易金额和期货合约持有时间成正比关系。但是，作为保证金本身，其性质是交易押 金或定金，并不是期货价格的构成因素，它的大小不会影响已经确定的期货合约的价格。在做策略测试时，除了要考虑以上的交易成本，还需要考虑滑点带来的测试和实盘操作之间的差距。一般程序化交易从出现交易信号，然后发出委托指令，再到指令成交。使得成交价跟交易信号出现时的价格一般不尽相同，这两者之间的差就是滑点误差。由于市场流动性的影响、IT 系统的行情和交易的时延等因素，都会导致投资者无法在目标价格准确的买进或卖出。因此有必要设置一个滑点比例来提高策略测试的准确性。滑点很重要，如果不设置滑点，任何系统都能优化成盈利的系统。4.3.3 交易策略检验报告有量化交易研究和使用的投资者都会深切的指导交易策略检验报告的重要性，因为人的主观心理影响，我们往往会倾向于肯定自己事先已经有倾向性的食物。对所有事物保持真正的公正性，是非常困难的。但在交易策略的研究上，如果我们不能保持真正的公正，如果我们被事先的假设蒙蔽了眼睛，其结果会是灾难性的。例如，有时投资人在数次观察到某一技术指标的精确表现或某一价格模式的预测功能后，便会认定其有效性。但是，有计算机系统研究经验的投资人都会有这样体会，很多时候用肉眼观察到的某些成功率很高的分析技术，计算机检测结果却截然相反，表示其只有相当低的成功率。总之，就如人类的健康体检一样，只要通过客户分析投资策略检验报告中的各项分析指标，才能真正客观的判断和理解一个投资策略，投资者必须认真分析交易策略检验报告，以观察计算机检测和本身的预期有何种差距，进而分析原因，找出解决的办法。一个交易策略系统是否能盈利还与投资者的心理有很大的关系,投资者只有在仔细研究过交易策略验证报告，深刻地理解交易策略的特性后，才有可能知道这个交易策略是否适合自己。如：系统如果连续亏损多次，自己是否还能坚持，净利很高，但会有很大幅度回调的系统是否适合自己，自己是否能有持久地耐心等。当系统研究者根据不同的系统参数值对统计数据库进行交易规则的计算机交易测试之后，其检测结果应注意包括以下方面[5]，[18]：净利：是指交易策略在检测期间扣除交易成本和交易亏损之后的净获利额度。净利是一个绝对额度概念。这个指标是对系统盈利能力的最重要的衡量指标之一，但它没有深入完全的考虑投资策略中蕴含的风险。交易策略研究者在对不同交易系统，不同交易对象，不同参数所获得的净利额度进行比第四章 量化交易的软件系统开发48较时，应遵循以下评价原则：1、任何净利为负值的交易系统都不能作为实用的交易系统。2、净利额并非越大越好。投资者应注意对净利来源进行分析，观察盈利与亏损交易的分布是否均匀。当发现净利来源集中于个别巨大获利交易的时候，投资者要引起足够的注意，因为这说明该交易系统可能不是一个稳定的交易系统。最大盈利交易和最大亏损交易：是指已完成交易样本中最大一次的盈利额和最大一次的亏损额。最大盈利与最大亏损给系统研究者和使用者提供了重要的系统质量信息，如果最大盈利与平均盈利差距过大，则应视最大盈利额为偶然事件。如果最大盈利额占总盈利额中的比重过大，则应怀疑系统的实际盈利能力和稳定性。如果最大亏损额与平均亏损额之间差别过大。则应进一步检查系统的风险控制能力，以确保系统有足够的能力抵抗巨大的突发事件的影响。如果系统检测中同时存在个别巨大盈利和个别巨大亏损，研究者可扣除个别巨大盈利并同时保留个别巨大亏损，以观察在该种条件下系统是否仍然盈利。如果系统在重新设定的条件下仍能获利，则系统的信任度可大大提高；后之，如果系统在重新设定的条件下不能获利，则系统不是一个可信任的交易系统。最大回调持续时间（MDD）：这是权益经历回调时，前面一个波峰与后面一个波峰之间的最长持续时间，了解这个时间有助于投资者做好熬过漫长亏损期的心理准备。最大连续盈利次数与最大连续亏损次数：最大连续盈利次数与最大连续亏损次数对有经验的量化交易这来说是极重要的信息。它为投资者进行风险控制提供了极重要的依据。例如，如果在系统样本值足够大的情况下，最大连续盈利次数为5 次，最大连续亏损次数为4 次。则系统操作者在连续盈利次数达到4～5 次之时，便应采取积极的防御态势，比如开始减轻每次交易投入的资金额度，使投资额度回复到第一次盈利的水平甚至低于该水平。同样，当系统连续亏损3～4 次时，甚至5～6 次时，投资人不但不应对所使用的交易系统丧失信心而放弃继续使用该系统，相反，投资人应当更有信心，应当采取更积极的进攻态势，如开始逐步增大每次交易的资金投入量，甚至开始使用加倍技术。最大连续盈利次数和最大连续亏损次数是交易系统得出的极重要的统计信息。该统计信息配合以相应的风险控制规则，可以使交易策略更加稳健。而该统计信息，是系统交易方法以外的任何方法都无法得到的。最大投资本金损失幅度：最大投资本金损失幅度，是指投资本金峰谷间的差额。这一信息对期货投资人尤其重要，因为投资人据此可以控制投资数额以保证足够的交易准备金。对机构投资人来说，这一信息同样也很重要，因为它是控制投资组合的重要信息。对投资基金经理来说，这是控制现金准备的重要信息。同样，这一信息是投资人选择交易系统或选择投资市场的重要依据，如果投资人认为从心理上和资金上无法承受检测出的最大投资本金损失幅度，则投资人不适于使用该交易系统或进入该投资市场。第四章 量化交易的软件系统开发49总交易次数：总交易次数指对交易系统评价期内盈亏交易次数的总和。从统计学的观点看，为保证统计检验的有效性，总交易次数应当不少于30 次。盈利次数比率与亏损次数比率：盈利次数比率，是指盈利交易（扣除交易成本之后）次数对总交易次数的比率。亏损次数比率，是指亏损交易（扣除交易成本之后）次数对总交易次数的比率。该比率是反映交易系统所依据的投资理念的主要指标。一个稳定的交易系统，至少应当使盈利次数比率大于50％，即“盈多亏少”。系统研究者在系统检验时，如果发现盈利次数小于50％，应当首先检查系统设计的交易策略思想，看其所遵循的投资理念是否与自己相近。这样说，并非是说盈利次数比率小于50%的系统不是盈利系统。该比率小于50％的系统也有可能成为相当好的交易系统。但是，当盈率小于50％时，系统在市场分析上已不占优势，而是依靠风险控制技术取胜。平均盈利额对平均亏损额之比：该比率指扣除交易成本后比率。这是一个相对尺度。该比率的适当程度取决于前述盈利次数比率的高低。但是在一般情况下平均盈利额对平均亏损额之比应当高于1：1。随着交易系统盈利次数比率下降，该比率必须相应提高。盈利与最大回调之比：这是平均盈利与最大回调的比值。比值越高，系统地盈利能力越强。它直接衡量了获得一定盈利所需承受的风险。最大回调持续时间（MDD）：这是权益经历回调时，前面一个波峰与后面一个波峰之间的最长持续时间，了解这个时间有助于投资者做好熬过漫长亏损期的心理准备。时间百分比：系统中持有头寸的时间与所有时间之间的比例，在其他条件一样的情况下，这个比值应该越低越好，这样在获得同样的回报的情况下，资金不会被占用太长的时间。最大当日资产亏损值：这个指标用来衡量单个交易日，投资者要承担的最大风险。简单的说：你的交易策略在自动交易过程中，单个交易日你的资金曾经一度缩小多少的最大值；你完成所有交易单日必须承受的最大资金风险。根据这个指标，投资者必须准备好足够的保证金，这样才可以保证你一交易时便碰到这个冲击后仍能不被追缴保证金或再出击的能力。这个数据产生于单笔交易统计所得。获利（或亏损）交易之平均持有交易日数：电脑程序会将获利与亏损交易加以区分，并计算这两类交易的平均持有天数。一笔交易若于进场当天便平仓出场则计为一天。这些数据可以衡量该系统属于长期或短期。它们也能反映该系统让获利持续成长与迅速认赔的能力。获利交易平均利润： 电脑程序计算获利交易平均利润时，只将获利的交易加总，除以获利交易的总笔数。这项结果可以显示该系统让获利交易继续成长的能力。你必须将它与下一项数据“亏损交易平均损失”做比较。亏损交易平均损失(Average Losing Trade)： 电脑程序计算亏损交易平均利润时，只将亏损的交易加总，除以亏损交易的总笔数。记住，持平的交易通常被视为亏损。这项结果会显示该系统的认赔能力。获利因子(Profit Factor)：获利因子是将获利交易的净利润总额，除以亏损交易的净损失总第四章 量化交易的软件系统开发50额。假定其它所有条件不变，许多交易员偏爱获利因子较高的系统。因为亏损可以衡量风险，此数据是以风险来表达获利的另一种方式。、只有适合自己的交易策略系统，才是最好的系统。作为投资者需要通过以上的策略验证只后，仔细地分析交易策略系统的特点，并且与投资者自己的性格相比对。投资交易是少部分人战胜大部分人的游戏，成功地交易要求投资者不断的去做那些令你感到不自然和不舒服的事情。通过分析交易策略的特性，可以帮助投资者更好的培养自己的纪律、耐心和灵活，以及无论多困难都要坚持计划的决心。不同时间周期不同类型的交易系统的优缺点和特点是各不一样的，作为交易系统的开发者需要了解这些交易系统的特性，并且通过对策略测试报告进行系统的分析，找出交易系统的特性，并根据自己的投资特点选择适合自己的交易系统。4.4 交易策略参数的优化方案一个好的程序化交易IT 系统，要允许投资者方便的对交易策略进行优化，对交易策略的参数值作进一步调试使之达到最佳状态的过程。交易系统的优化可选择在交易系统完成初步计算机检验，并确认具有实用价值之后进行。对计算机交易系统是否进一步进行优化，不同的系统研究者有不同的投资理念，总体上分为两大派别，即赞同优比和反对优化两派。赞同优化一派认为交易系统经过优化过程可使系统参数达到最佳工作状态，因而可使交易系统发挥最佳效益。反对优化一派认为市场周期与市场特征通常都具有某种程度不稳定性，优化过程会使计算机交易系统丧失“抗病力”，使交易系统无力抵御未来的市场变比，因此交易系统的调整不应追求“最佳”，而应追求“次佳”。优化是投资策略研发中非常有价值的一部分，没有这个步骤，我们只能被迫接受默认参数的表现。没有优化，我们可能会认为一个盈利的系统是亏损的，更坏的情况是，我们认为一个失败的系统是盈利的。优化对投资者改善投资策略会很有帮助，但投资者要避免陷入对于完美的追求而导致的“过度优化”或“曲线拟合”。曲线拟合一般可以分为两类：数据曲线拟合和参数曲线拟合。数据曲线拟和是指当策略制定者在研究如何过滤掉噪声和亏损交易时，他们可能有意识的去处理掉一部分不利的历史数据，为避免这种情况，我们应在测试交易策略的时候坚持客观的历史数据标准，历史数据至少需要包括：牛市、熊市、趋势市和均值回归市。参数曲线拟和是指交易策略开发者为了匹配测试数据而调整参数的值。甚至不惜增加参数，从而最终破坏掉原来稳健的交易系统，虽然系统在测试的历史数据上表现得很完美，但对未来的数据却稳定性极低。系统中参数越多，参数曲线拟和的可能性越大。交易系统的开发者应该尽量用少的参数开发交易系统。系统参数值的优化的搜索方法常用的有以下方式[5]：第四章 量化交易的软件系统开发511、网点法，是指对系统参数值按预先设定的间隔，在预先设定的值域内，对所有可能的结合方式逐一进行统计检验。例如，设某一简单交易系统的操作信号由两条算术移动平均线的交点给出。设两条移动平均线为MA1 和MA2。MA1 为短期均线，MA2 为长期均线，设共进行6 步搜索。设MA1 的起点为3，步长为2，设MA2 的起点为7，步长为3，并设MA2 不少于MA1 的两倍。下图所示每一网点，即要进行统计检验的每一种可能的MA1 和MA2 结合方式。图4-7： MA1 和MA2 的结合方式，图标摘录自波涛的《交易系统》网点法的优点是搜索到全局优化点的概率较高，并有可能同时搜索出全局优化点和局部优化点，从而避免把局部优化点误识作全局优化点的错误。网点法的缺点是计算量大。在变量增加的情况下，计算量很可能大到即使高速计算机也无法负荷。网点法的另一缺点是由于缺乏理论指导，可能使搜索结果脱离市场实际及不符合实际的操作条件。2、单点法，是指在参数值搜集过程中，每次只对单变量的参数值作步进式搜集，同时固定其他变量的参数值。当第一变量的搜索结束后，固定其优点，再依同样方法对第二变量进行搜索。依此类推直至全部变量搜索完毕。单点法搜索过程中变量搜索顺序依主观认定的变量在交易系统中的重要性依序排列，以重要者最优先。单点法搜索的优点是可大大节省计算量。单点法搜索的缺点是可能遗漏全局优化点，而只搜索到局部优化点。同样，单点法搜索也缺乏理论指导，可能使搜索结果与实际条件不符。为避免优化中我们选择了表现好但不稳定的参数，我们可以通过观察参数优化的3D 试图来选择更加稳健的参数。如果参数显示的优化结果是一个陡峭的尖峰，说明这些参数不稳定，不适合实盘操作。第四章 量化交易的软件系统开发52图4-8：参数优化的3D 图，图标摘录自Amibroker 软件的帮助文档避免过度优化的另一个方法就是前向测试（forward test），前向测试也叫做样本外研究，是交易系统开发过程中最重要的步骤之一。在交易系统开发过程中留出一部分数据不用于测试，开发完成后用这部分数据作为向前测试。采用向前的目的是确认系统是被过度优化，还是优化的比较稳定可靠。如果交易系统用原来优化样本外的数据测试，效果依然很好，我们就可以认为系统是可靠的。如果投资者开发的交易系统计划用于实盘交易，必须先做一次前向测试以避免过度优化。在交易系统在样本内的数据上运行的再好，在样本外的数据运行不好，我们都可以认为交易系统还不具备实盘的条件。第四章 量化交易的软件系统开发53图4-9：按此模式设计前向测试，摘录自Amibroker 软件的帮助文档按照上图的模式设计前向测试，是基于最近的过去历史数据要优于较远的历史数据。并且按照这种模式优化过的系统，会有更大的可能适用与紧随之而来的实盘交易。在选择样本数据的时候开发者要考虑选择历史数据可以覆盖一个牛熊周期。4.5 自动化交易程序化交易最重要的功能之一就是可以严格的按照交易系统和策略自动执行进场和出场的操作。可以智能理解策略，并且快速甚至高频的结合实际情况进行进场和出场操作，以对投资者投资成功的重要保障。针对于自动化交易模块，我们得有以下几个基本需求：1、 可以对市场情况快速反应、快速甚至高频的下发进场和离场指令。2、 可以自适应自身资金、持仓和市场的情况，使投资者可以集中精力在必要的地方。3、 有着灵活的交易指令类型可供客户选择。第四章 量化交易的软件系统开发544.5.4 交易模块设计图4-10：交易管理与分析图4-11：交易信息接入第四章 量化交易的软件系统开发554.5.5 交易指令类型1) 市价指令：指示经纪人径直按照当前的市场价格买入或者卖出期货合约。在市场急速动作的情况下，或者在交易商要求确保能够开立头寸的情况下，通常最好采用此类指令，以免贻误时机，错过潜力大的市场运动。2) 限价指令：明确地指出交易者愿意接收的交易价格。买入限价指令一般设置在当前市场价格之下，表示交易者在买进时愿意支付的最高价格。而卖出限价指令一般防止在当前市场价格之上，表示交易者在卖出时愿意接受的最低价格。本指令属于伺机成交的指令类型。举例说，如果买方在看涨突破发生后，试图乘市场随后向下反扑到支撑水平附近时再入市，则可以采用此类指令。3) 止损指令：既可以用来开立新头寸，也可以用来限制已有头寸的亏损，或者保护已有头寸的账面利润。止损指令指明了有关交易指令的执行价格。买入止损指令一般置于市场的上方，而卖出止损指令则设在市场的下方（这一点与限价指令相反），当市场触及止损指令的水平，该指令转化为市价指令，经纪人必须立即以能够到手的最好价格执行。在多头头寸的情况下，其卖出保护指令设置在市场价的下方，以限制亏损。如果以后价格上涨了，也可以水涨船高，提高止损指令的水平以保护账面利润（跟踪移动止损）。我们也可以预先在阻挡水平上方安排好止损指令，从而当向上发生突破的时候，能够及时地开立多头头寸。卖出止损指令也可以设立在支撑水平之下，等向下突破时，开立新的空头头寸。因为止损指令后来转化为市价指令。所以其实际的执行价格或许比止损指令的原定水平要差一点，特别是当市场激烈变化时尤其如此。4) 止损限价指令：是止损指令和限价指令的复合形式。本类指令同时明确了止损价格和限价格两个水平。一旦市场触及止损价格，则本指令转化为限价指令。当交易者及打算在突破发生时入市买卖，又力图控制交易价格的时候，可以采用这一类指令。5) 触市指令（M.I.T）,与限价指令类似，但区别在于，一旦市场触及本指令的价格水平，它就转化为市价指令了。买入触市指令也像买入限价指令那样，把水平设置在市场下方。当所限制的水平被市场触及后，经纪人必须立即入市交易。同限价单指令相比较，本类指令具有明显的优越性。虽然买入限价指令也位于市场下方，但是即使市场触及了它的水平，也不能确保该指令被执行。这正是M.I.T.指令最有价值的地方。如果交易商寄希望乘跌低价买入，又不想在万一市场只是对指令水平一触即返的情况下丧失入市良机的话，就可以选用本类指令。在下降趋势中，我们把M.I.T 指令设置在市场 上方。6) OCO（Order Cancels Order）指令：此类指令包含一组互相关联的指令，当发出此类指令时，系统会同时发出两个以上平行指令，其中任何一个指令被触发，所有的其他指令就被取消。具体到各种应用场景，OCO 指令还可以演化成以下几种：a) 进场--突破型OCO 指令：指令包含一个在当前市场价格之上的买盘止损单和一个第四章 量化交易的软件系统开发56在当前市场价格之下的卖盘止损单。这种指令用于当投资者预感到市场会出现大幅度的异动，但判断不准方向的时候，这种指令可以帮助投资者在市场无论是向上还是向下的情况下都把握住机会。b) 进场--折返型OCO 指令：指令包含一个在当前市场价格之下的买限价单和一个在当前市场价格之上的卖盘限价单。这种指令用于当投资者认为市场会有一个行情，并且认为行情会先向下达到一个价位后调头向上，或行情会先向上达到一个价位后调头向下。c) 指令进场---突破或折返型OCO 指令：指令包含在一个当前市场价格之上的买止损单和一个在当前市场价格之下的买限价单。这种指令用于当投资者确定市场会向上发展，但有希望能把握市场折返的机会，降低进场成本。相对应的，当投资者判断市场会向下发展，指令可以包括一个在当前市场价格之下的卖止损单和一个在当前市场价格之上的卖限价单。同理把上面的进场OCO 指令反过来用，就成为了离场OCO 指令。7) 包围型 OCO 指令：一个包围型OCO 指令包含两个有着同样商品、数量和交易方向的离场指令，以保护投资者能在判断错误的时候及时抽身或及时捕捉市场机会。并且当一个指令被部分执行后，其他指令会自动同步减少目标交易数量。·8) OSO（Order Sends Order）指令: 此类指令包含一个基本指令，如果这个基本指令被执行了，系统会自动发出一个以上的二级指令跟随执行。4.5.6 同步和异步交易模式程序化交易很可能需要执行高频交易的策略，如套利等。在这种情况下，原来手动交易可以容忍的延误时间，在程序化交易中将不可忍受。甚至可能会导致一个盈利的策略变成亏损的。为缓解交易的时延，可以通过提供同步和异步两种交易模式来缓解，投资者可以根据交易系统的具体情况选择不同的模式。异步模式是指系统只要有交易指令就显示出来，但交易指令是否成交、成交的价位和数量是不确定的。同步模式是指系统仅在交易指令已经在期货公司处得到成交，系统收到成交回报后才显示出来。第四章 量化交易的软件系统开发57表4-2：同步和异步两种模式的正负面影响模式 正面影响 负面影响同步只有在期货公司得到执行的订单才会在系统中显示，并且显示价格和数量和成交情况完全一样。限价单或止损单在没有遇到系统中设定的理论触发条件的时候，可能会无法得到执行。异步对于限价单或止损单，如果在限定时间内没有遇到触发价格，可以直接转换成市价单。市价单可以确定得到足额的执行，但成交价格可能会与目标价格不同。在禁止限价单或止损单转化为市价单的设置情况下，会出现限价单或市价单实际没有被执行，但系统上显示已经执行的情况。4.5.7 交易指令的优先级排序在系统触发的自动交易指令中，可能会出现同一类的指令（如：买、卖、平仓等）在同一根K 线中被触发，当这种情况出现的时候，我们需要确定这些交易指令的优先级。根据对期货交易的研究，可以设定交易的基本优先级如下：1) “以当前 K 线的收价（Close Price)成交”的订单有最高的优先级，只有当所有的这类订单被执行后，“以下一个K 线的市价单成交”的订单才会被系统评估。当在同一个K线中多个同类型的订单被触发（如：三个“以当前K 线的收价（Close Price)成交”的订单先后被触发），系统将按照先后顺序执行订单。如果多个同一类型的订单被触发，系统会评估第一个，放弃第二个（当系统允许采用金字塔式增仓时）2) 如果有多个止损单（Stop order）和限价单（Limit order）在同一个K 线中被触发，系统给与最接近市价的止损单（Stop order）和限价单（Limit order）以最高的优先级。如果止损单（Stop order）和限价单（Limit order）是一个“或更高价”类型的订单，系统将赋予有最低目标价格的订单指令最高的优先级。如果止损单（Stop order）和限价单（Limit order）是一个“或更低价”类型的订单，系统将赋予有最高目标价格的订单指令最高的优先级。例如：如果某一商品的市价为950，并且现在有两个买限价单，一个在949，一个在948。当市场的价格下调时，目标价格949 的买限价单会先被执行，目标价格为948的限价单会被后执行。3) 总而言之，当同一个 K 线中有多个交易指令被触发时，优先级排序如下： 以当前 K 线的收价（Close Price)触发的交易指令； 以下一个 K 线的市价触发或下一个K 线的开价（Open Price)触发的交易指令； 以下一个 K 线的Limit 价格或下一个指令的Stop 价格触发的交易指令。第四章 量化交易的软件系统开发58表4-3：各类指令在系统中的优先级权重头寸情况 平 多头 空头多开 1 1 2空开 1 2 1多平 - 1 -空平 - - 1第五章 已开发完成的系统功能介绍59第五章 已开发完成的系统功能介绍目前本软件已经开发完成了V1.5 版本，从下图的产品开发版本路标中，可以看到开发进展和具备功能。图5-1：整个程序化交易开发进展和具备功能其中部分已实现功能如下：5.1 图表及行情分析功能：本软件有强大的图表分析功能，可以直观的显示K 线，即时线，并且支持画线分析功能，帮助投资者更好的分析市场。并且为了最大限度的显示图表部分，其他工具栏都在用自动收缩的功能，只有在需要调用的时候才弹出。第五章 已开发完成的系统功能介绍60图5-2：报价牌图5-3：分时图第五章 已开发完成的系统功能介绍61图5-4：K 线图5.2 公式管理功能软件系统支持公式管理功能，投资者可以通过这个工具对指标和公式进行编辑，甚至可以个性化的开发自己的指标和公式。第五章 已开发完成的系统功能介绍62图5-5：公式编辑平台5.3 商品合约管理软件支持对商品合约的管理，商品合约的信息可以自动关联到策略的测试和自动交易中。并且投资者还可以根据自己的需求，自己定制一些商品，以便于分析和交易。第五章 已开发完成的系统功能介绍63图5-6：商品合约管理5.4 历史行情数据管理丰富齐全的历史数据是量化交易工具软件的基础，本软件有着国内4 大交易所几乎所有的历史数据（Tick 数据还不全），并且支持对历史数据导入、导出、编辑、删除等的维护工作。第五章 已开发完成的系统功能介绍64图5-7：历史行情数据管理5.5 下单交易软件提供界面友好操作简便的下单节目，目前能够支持市价单和限价单这两种指令类型，后续会逐步的把量化交易业界常用的指令类型添加进去。图5-8：期货下单交易第五章 已开发完成的系统功能介绍655.6 交易策略测试软件提供通过历史数据测试和优化交易策略的功能。图5-9：数据测试5.7 交易策略触发买卖信号软件支持策略根据实时行情的情况给出买卖信号，并在自动交易开关打开的情况下，自动进行买卖操作。第五章 已开发完成的系统功能介绍66图5-10：根据实时行情给出的买卖信号这个量化交易的软件系统目前还仅是完成了最基础的一些功能，需要不断的更新和完善。参考文献67参考文献[1]Richard L. Weissman，机械交易系统，广东省出版集团，2007，23~30[2]姜昌武，卢赣平，套期保值实务，中国金融出版社，2010，1~10[3]John J. Murphy，期货市场技术分析，地震出版社，2007，[4]Zvi . Bodie, Alex Kane, Alan J. Marcus，投资学，机械工业出版社，2009，1~45[5]波涛，系统交易方法，中国期货基金网，1997，1~32[6]深圳证券交易所：金融创新实验室，数量化交易：现状和挑战，2010，1~45[7]彭蕾，中国证券市场程序化交易研究，硕士学位论文，西南财经大学，2005，1~56[8] 方曙红，套利组合及其收益率的概念研究，复旦学报（自然科学版），2006，1~23[9]张玲《程序化交易：ETFs 不可或缺的交易方式》上海证券报，2003，1~6[10]A Report by the Division of Market Regulation U．S．Securities and ExchangeCommission，Trading Mlalysis of October 27and 28，1987，September 1998，atwww．sec．90v／news／studies／tradrap．htm，1~12[11] NYSE working paper ‘Special Program Trading Profile’，at www.nyse.com，1~23[12] 金证开发团队，金证ETF 套利系统用户手册，2010，1~5[13] Omega Research, Inc，Easy Language 参考导引，Tradestation 的帮助文档，1~56[14] George Pruitt, John R. Hill, Building Winning Trading Systems withTradeStation?, Published by John Wiley & Sons, Inc., Hoboken, New JerseyPublished simultaneously in Canada，1~12[15] Omega Research, Inc，Omega research system trading and development clubvolume 1, Printed in the United States of America, Tradestation 的帮助文档,1~23[16]中国金融期货交易所，股指期货法规政策及交易规则汇编,1~12[17] Metatrader 5 开发团队，Metatrader5 的用户手册，1~24[18] Metatrader 4 开发团队，Metatrader4 的用户手册,1~12[19] Amibroker 开发团队，Amibroker 的用户手册，1~20[20] wealth lab 开发团队，wealth lab 的用户手册，1~21[21] Openquant 开发团队，Qpenquant 的用户手册，1~12参考文献68[22] 朱战宇，吴冲锋，王承炜，股市价格动量与交易量关系：中国的经验研究与国际比较，系统工程理论与实践，2004，1~8[23] 联合证券，股指期货全攻略—套利、套保与产品设计，2010，1~35[24] 张冠华，沪深300 股指期货套利策略及风险管理研究，硕士，中国海洋大学，2009，1~66[25] 龚东赓，程序化交易的发展历史，现状及未来展望，2011，1~11[26] 徐征，陈印，中国股市的指数套利策略，技术经济与管理研究，2003，1~2[27] 何志刚，指数套利：我国推出股指期货值得注意的一个问题，数量经济技术经济演技，2001，1~4[28] 王宝森，温兴宇，股票指数期货指数套利模型及应用，经济论坛，2007，1~2[29] 王莺，运用股指期货进行期限套利的策略，期货日报，2008，1~4[30] 傅强，蒲兴城，非均衡市场中投资组合套利的存在性，重庆大学学报（自然科学报），2001，1~4[31] 张辉，股指期货期现套利研究，博士，同济大学经济与管理学院，2008，1~157[32] Morefund 投资公司研究员（ 未查到具体作者）， 程序化交易认识，www.morefund.com，1~12[33] Zhidong Bai, Huixia Liu, and Wing-keung Wong, Making Markovitz’s portfoliooptimization theory practically useful, preprint, Nov. 2010,1~13[34] F. Black and R. Litterman, Global portfolio optimization, Financial Analyst J., 48(1992), No. 5, 28-43，1~12[35] Binh Do, Robert Faff, and Kais Hamza, A new approach to modeling andestimation for pair trading, Prerint, Manash Univ., 2006，1~15[36] Robert Elliott, John Van Der Hoek, and William P. Malcolms: Pairs trading,Quantitative Finance, 5 (2005), June, 271-276，1~17[37] Evan Gatev, William N. Goetzmann, K. Geert Rouwenhorst, Pairs Trading:Performance of a Relative-Value Arbitrage Rule, Review of Financial Studies I,19 ,(2006), No. 3, 797-827，1~7[38] Donggeng Gong, ETF high frequency trading, September 2010,1~12[39] Thomas Idzrek, A step-by-step guide to the Black-Litterman model, preprint,Duke Univ., 2001,1~23[40] Cory Turner and Jiho Han, Portfolio optimization under time varying economicregimes, preprint, Stanford Univ., 2009,1~23发表论文和参加科研情况说明69发表论文和参加科研情况说明发表的论文：无参与的科研项目：本人参与了：鼎足科技程序化交易软件开发项目贵重金属销售电子商务系统开发项目致 谢70致 谢经过一年多的努力，论文终于可以装订成册，论文工作总算是有了一个里程碑。尽管为了论文的完成，我曾经吃不好，睡不香，为了收集全资料，查遍了几乎所有的期刊， 参考了业界几乎所有的比较有名气的同类软件，但现在回想起来，还是许多内容需要更深入的研究。既然选择了这条道路，唯有不断的精深下去。值此论文完成之际，衷心感谢我的导师熊熊副教授。是熊熊老师帮我下定决心选择量化交易这个很前沿且很有挑战的领域作为论文研究方向，论文的写作过程虽然异常痛苦，但通过对量化交易整个概念的一遍遍梳理，使我对这个行业看得更清楚，也更有可以开发出有竞争力的产品。熊熊副教授在我的研究过程中提供了大量的参考资料以供学习，量化交易相对前沿，国内有价值的资料比较少，熊熊老师的支持，大大加快了我对这个领域的研究速度。熊熊老师在本文的选题构思、研究和写作过程中，给予我悉心的指导和帮助，他严谨的治学态度、深厚的理论基础、广博的学识、和蔼的态度、使我受益匪浅。我的学业能够顺利完成，至始至终都凝聚着导师的心血，对导师的感激之情将终生难忘。感谢天津大学管理学院的领导和各位老师。我在考入天津大学后不久就离开了原来就职的华为公司，自己创立了一个软件开发公司。天津大学的各位老师的传道授业解惑，帮我提高了知识层次、思维方式、综合能力和素质，使我在艰险的创业道路上走得相对平稳。感谢金瑞期货的总经理卢赣平、江南期货的总经理王子洪对我在程序化交易理念上的指导，使我能够更深刻的看到期货公司高管对量化交易的思考和担忧。感谢一起学习的同学，在我写论文遇到困难的时候给我打气和提出宝贵意见。感谢我家人在我就读天津大学以及完成论文的过程中给我的支持。因为创业和在天津大学学习几乎在同一时间段，为了兼顾工作和学习，我不得不把几乎所有的照顾家庭的责任推给了父母和妻子，没有他们的理解和支持，我是不可能完成学业， 对他们唯有在以后的人生道路上用爱慢慢报答。最后也感谢我的小女儿，她虽然仅有1 岁半，但非常懂事， 在我不得不工作和学习而不能陪她的时候， 她表现出超出她年龄的理解和乖巧，我为她而骄傲！
量化交易软件篇2:适合散户的量化交易软件大总结
对于机构，他们拥有着最好的系统，很多都是未公开的顶级量化系统。
对于散户，是否也有类似的系统呢？ 答案是肯定的（想都别想，绝对没有）
哈哈，其实是有类似的，虽然没有机构的坦克/重型装甲车那么强大。但是也算是单兵导弹了。今天我就汇总一下散户可以接触到的顶级量化软件。
真实原因是，不断有人问我，扬大：你自编指数用什么软件，你这个图怎么出来的，你用什么回测好几十年数据，你这个XXX你那个XXX 烦死。
比较了tradestation，metastock，ninjatrader，TradersStudio，MultiCharts，wealth-lab，RightEdge，openquant等几种在elitetrader.com最多的平台，以及国内的交易开拓者、文华财经、易盛和韩国的yestrader。
Tradestation和Metastock都有大量的现成代码，使用人较多(其中有很多资历很老或者是职业trader)，其编程语言相对简单，强项在于开发各种指标很方便，但做Backtesting的功能就比其他弱一些。
其他几种平台都有相对较强的Backtesting功能，各有所长。
OpenQuant, Wealth-Lab 5, NinjaTrader, RightEdge都基于.NET, 使用C#语言Wealth-Lab 4采用类Pascal语言MultiCharts采用和Traderstation的EZ Language相兼容的Power LanguageTradersStudio使用类Basic语言
Amibroker和MetaStock比较相似，采用基于数列的formula language，Amibroker的语言介于C和Basic之间，似MT4
相对于这些平台AmiBroker有如下这些我比较青睐的优势：
运行速度快。我多次看到的一些用户说AB是他们使用的软件中速度最快的，尤其是做Backtesting时的性能，是所有软件中最快的。我在VM中装了NinjaTrader和AB，其中NT装入的速度明显慢很多，而且已经有几次中途没有响应的情况。AB的装入速度非常快。
数据源极其灵活。这也是我非常喜欢的，目前我已经实验了用FXCM，QuoteTracker, IB作为数据源，效果都不错。使用AmiQuote下载EOD也非常方便。曾经一度犹豫是否要使用NinjaTrader，但是看到NT的数据源太不灵活了。至少是没有像AmiQuote这样方便的数据。不能使用DDE数据源，所以FXCM或者其他的数据源也就不太可能。
作为快速开发和测试环境。我看到一些老手说他们用AB快速地实验很多策略，由于AFL基于数列，所以操作起来比基于.NET的那些语言方便快捷很多。我也看到一些代码的比较，NinjaTrader和Amibroker相比就复杂很多。看到一个老Trader抱怨说NanjaTrader基于C# 的语言对于非程序员来说实在是太难。
注：AmiBroker好像是在EOD测试上比较强，不太清楚使用日内数据做测试的情况。更新：V5.2甚至可以在Tick上做backtesting和scanning。
集成接口很方便。今后如果要使用AB生成交易单的话，可以有很多种方法。是否能发邮件倒是没有注意。
对于分析和测试平台的一些考虑
在网上看了一些其他工具的评估：
NinjaTrader (NT) 从其运营的模式看还是和交易商的联系比较密切，数据源不开放是很大的缺点。有人评论说NT的方向是做交易平台，而在开发和测试方面，基于.Net的NT5太耗费资源了。这也是我使用NT5的感觉，每次装入都很慢。NinjaTrader不用考虑。
Wealth-Lab和RightEdge都是基于.Net和C#的，但Wealth-Lab主要是做测试和实验用，并不是一个完整的交易平台，数据源，Brokerage，自动交易接口都不是built-in的。而且最近Wealth-Lab的美国部分市场被Fidelity收购。WL4和WL5的差别也较大。从这个角度来说，Wealth-Lab是不用考虑的。
RightEdge根据评价说是还没有OpenQuant那么全面，所以也暂不考虑。
OpenQuant是QuantHouse(针对机构) Quant Developer的一个零售版(原来是SmartQuant Technology 被Quant House收购了)。也是基于.NET和C#的，我看了一下其文档，发现结构组织很好。而且OpenQuant提供头寸，资金控制等方面的功能，并且有Brokage的接口，可以做自动交易。
我看到一个使用Amibroker的Trader说他用Amibroker做快速开发和测试，然后在OpenQuant上面做更细致的分析，部署及交易。看到一些 代码，个人感觉代码工作量还是很大的。另附一个人的评论(Pasted from)：
感觉不好使啊。从MetaProject工程建立Strategy似乎太累赘。一套Strategy分成market、entry、exit、money、risk等部分，有点像原版海龟介绍的“market：买卖什么?entry：何时介入?”标准格式。每部分写成一个类似.NET里组件，然后再合成一套Strategy。这有点像TS5.0的形式，不过看上去用纯OOP写Strategy非常地复杂、烦琐、无关的代码特别多。
此款软件面向的对像是程序员或者是程序设计爱好者，特别是.NET的程序员。
目前还不确定今后是否要评估和考虑OpenQuant
读后多数人意见如下:
觉得AmiBroker对编程的要求还是比tradestation和metastock要高一些，毕竟功能强了不少。不过相比那些基于.NET, c#的平台来说是简洁太多了。
比MT4也简洁很多。我原来用MT4就开发了一套框架，但是实验不同的策略时还是不够快捷。
AmiBroker，这个软件数据处理非常快，数据接口齐全，用的人也比较多。个人觉得唯一的缺点，是在全自动交易部分。如果通过IBC与IB互连，进行下单的控制那代码量就比较大。并且比较困难，非要下点苦功。
QD：面向是骨灰玩家级用户。有两种用法：一种直接在QD的界面下面写交易系统，另一种是利用QD的API自己开发属于自己的交易软件。即便是不用QD的人也可以安装下QD，看下QD的帮助文档，对于开发交易系统都大有帮助。缺点在于，QD的没有后续的服务(假如你用D版，一般个人都用不起正版。)，当Broker的API更改，需要修改相关程序的时候就比较麻烦了。QD能够支持IB的顾问账户，但目前还有些问题。
OQ:对于IB单独账户跑已经成形的交易系统，是再好不过的了。得益于利用事件的处理机制。和QD相比，OQ没有QD灵活，QD功能更强大。
量化交易软件篇3:量化交易系统
http://code.tradeclassroom.com 交易策略源代码下载一般来说，量化投资交易系统有四大支柱：心理素质、创新能力、资金管理、策略 ( 方法 )
心理素质大抵上包含恐惧 / 痛苦管理 / 乐观情绪管理，其关乎操盘者在交易时的抗压、守纪律的能力。具有交易经验的人想必都已有自身体验，想要驾驭多大的资金，就必须练就多大的心脏，此部分如人饮水冷暖自知，许多人承受过的痛苦真是不足为外人道。
创新能力即是进化的能力，每个参与者对交易的领悟力与适应力皆不尽相同。李尧勳 ( 自由人，freeman ) 的书中便贴切地以超级赛亚人做比喻：成功的交易者必须如同悟空靠着对武学的热情，不断地适应市场、不断地学习新事物并跟随对手进化。有些人天生就对市场具有高敏锐度，其馀则像海龟一样，需要靠着系统学习进化。
心理素质及创新两部分敝团队以「心法」称之，但本篇的主题所要论究的是「功法」：量化交易的基本架构 – 资金管理与策略模组。
回忆录裡交易老前辈们总描述着在纸上辛勤绘製图形的故事。拜电脑软硬体发展所赐，现下的技术分析已不再需要逐步运用尺规及铅笔跟随报价机所印出的报表后面写写画画，取而代之是券商所提供的看盘软体内琳琅满目的技术分析图表。更甚者，因为网路技术的普及、知识传递速度的爆炸、交易软体与程式语言的进化，传统技术分析已经无法满足一般或专业交易者，这年头的交易战争已经更往前迈入自动化战场。现在的交易者得以透过既有的量化运算平台打造属于自己的武功及武器，以协助他们在这个日不落的线上游戏世界持续运作，并不间断地完整实现属于自己的交易理念。
一个基本的量化交易系统大致上有两个分层：资金管理层与 ( 商品 策略 ) 层。框架 ( 模组 ) 决定好了，再更有系统地强化各个模组，进而更接近交易本质。
初阶的交易者多数先选定一个邻近市场，如外汇或是熟悉的台股、台指期、台指选择权，并进行策略的开发。一个基本策略的框架大致上如下，可以分成数个模组，设计者可以依循这样的框架进行一个初步策略开发或交易程式撰写：
1. 多空指标
也就是多数人所认知的技术分析，诸如均线、KD、MACD、董诠通道、布林通道等大家耳熟能详的指标，场内游戏者希望能够藉此探知当前市场状态，是多或空。因此璞格交易团队在设计多空指标的时候，便以非多即空的基本模型为主 ( 此处先不谈论交易风险 )，以单纯为原则举例如下：
If Close > Average ( High , N ) then buy 1 share next bar at market( 若K棒收盘价格大于过去 N 个 K 棒最高价均值 –> 做多 )If Close做空 )
这个模组主要以决定策略的多空方向为目的，亦即交易者持单的正负号。许多人至此可能心中产生一个疑问 – 非多即空？那么空手这种状态呢？因为量化交易的本质是以数理金融的方式思考，在数值上就计算值便只有正负两种符号 – 上涨或下跌趋势，空手是部位为零的结果，部位数的大小不在指标这个模组中决定，是由后文将提及的部位管理 ( 风险管理 ) 模组或是滤镜所定。
2.滤镜 ( Filter )
滤镜的功能即是用以「过滤杂讯及假讯号」，可以是价位型态 ( 例如关键价位 ) 或是时间型态 ( 特定交易时间 )。使用某种降噪技巧分辨出市场噪音较大或是杂讯较多的状态，减少不必要或是较为不利的交易行为。
3.进场讯号
考量多空指标和滤镜后所进行实际的进出点位判断逻辑，可分为基本单与加码单。下方举例藉多空指标赋予实际的进出逻辑：( 以均线为例 )
「 当收盘价位于均线之上且碰触昨日高便作多 」「 当收盘价位于均线之下且碰触昨日低便放空 」
4.加码讯号
加码讯号可视为进场讯号的延伸，可同样使用多空指标及滤镜为判断依据，亦或其他方式。以海龟的交易方式为例，依进场讯号的基本单在若干浮动损益或其他特殊状况才进行部位加码。
5.出场讯号
出场讯号可使用方式列举如下：
a) 以反向讯号为出场讯号。b) 藉由每根 K 棒或若干时间重新运算口数公式P，若P c) 特定极端条件列表、例如爆量、涨跌停。
部位管理 ( Position Sizing / 风险管理 )
部位管理亦是滤镜的一种，但为动态方式呈现，其原理是在风险值高 ( 杂讯高 ) 的时候将部位放小，风险值低 ( 杂讯程度低 ) 的时候将部位放大。
以上大致为拟定一个策略的基本框架，当交易者将设计完成的基本策略放置到市场后，它就成了为辛勤工作并有获利能力的一位小员工。.
而系统顺利的在市场存活了一段时间后，交易者会渐渐增加商品及策略的複杂度，当员工变多了，甚至跨足全球市场，那么便需要下一个至关重要的分层：资金管理层。这一层面的技术需要借助第三方软体协助，如Excel或自行撰写程式。
资金管理模组大致上也有几个环节：
1.Reinvestment ( 再投资与风险管理 )
用以管理获利与亏损的架构，建立赢要冲输要缩的机制。爱因斯坦曾说：複利的威力比原子弹更惊人，事实上此处才是交易的决胜关键。
2.策略终止线 ( 风险管理 )
用以管理系统中商品进出，并确保策略运用了正确的上架与下架机制。
3.讯号优先权处理(Priority)
当资金有限，但出现适合下单的商品或讯号过多时，用以取决哪些讯号享有优先上架或优先停利等条件。
一套完整的量化交易系统范畴已经超越了传统交易的型态，当它被设计为武器后，配载系统的交易者更能在市场中享有高度竞争优势。
(来源：量投网）
