什么是量化策略交易

量化策略交易，指的是通过许多数学和统计工具，经过计算机的数据分析、建立模型、回测验证、执行交易、优化，等等，去寻找市场中概率较高且有效的交易策略，使其不必依赖人为的主观判断，达到理性、客观且自动化的交易流程，因此量化策略交易又常被称作自动化交易。

量化策略交易的历史

随着集成电路的发明与计算机科学的发展，人们开始探索将计算机强大的资料处理和运算能力应用至金融交易市场的可能性。诺贝尔经济学奖得主哈利·马克思·马可维兹 (Harry Max Markowitz) 又被称为量化策略交易之父，他在代表论文「投资组合选择」(Portfolio Selection) 中以数值化的方式探讨资产配置效率，并且协助两位基金经理人执行了金融市场中首次的计算机套利交易。

1970 ~ 1980 年期间量化策略交易开始展露头角，纽约证券交易采用了指定订单周转系统 (Designated Order Turnaround)，大幅缩短投资人下单的延迟，提升作业效率。 1990 年后演算法系统越来越普及，许多对冲基金也投入量化策略交易的怀抱中，2000 年的网络泡沫证明了量化策略交易的有效性及实力，当市场还沉浸在最后的联欢派对中时，量化策略交易帮助投资机构缩减高风险的网络股持仓，成功回避了后续的市场崩跌。

据统计，2010 年时美国股票市场交易量中有超过 60% 是来自使用量化策略的高频交易投资者与造市商，经过数十年的发展，自动化程序的交易机器人如今已占据了金融市场的半壁江山。

量化策略交易的优势

自动执行的量化策略交易与使用者自行下单的一般交易相比有以下优势：

量化策略交易的种类

量化策略交易有很多种类，以下列举几项数字货币的领域中较为常见的量化策略

1. 网格交易：

在⼀定的价格范围内，依照设定之⽹格数量将资⾦分为若⼲等分，并在不同的网格价位进行挂单。当市场行情波动穿越不同网格价位时，由程序自动地分批买入和分批卖出，从而赚取网格差价利润的量化策略。

2. 智能调仓：

与指数型基金类似，将不同投资标的物依照选定比例搭配组合，于市场价格发生变化时卖出持仓占比较高的资产，买入持仓占比较低的资产，动态调整仓位使各投资标的物恢复最初占比，以获取长期稳健收益的量化策略。

3. 期现套利：

永续合约市场中由于存在资金费率，当期货价格与现货价格有差异时，可以进行期货与现货的对冲买卖，赚取随时间消逝而递减之期现价差。比如说，当资金费率为正时，买进一定价值的现货并开立相等价值的期货空单，可以对冲掉涨跌产生的盈亏，且获得永续合约市场之资金费率收益。

4. CTA 策略（Commodity Trading Advisor Strategy）：

使用单一或多种技术指标进行市场监控，当收集到的交易数据满足指标之设定条件时会触发交易信号，由程序自动地下单交易的一种量化策略。

5. 搬砖套利：

大部分的币种都可以在不同的平台上进行交易买卖，由于计价方式、交易量以及市场深度的差异，有时会出现相同币种在不同平台上有不同报价的情形。

搬砖套利指的就是在价格较低的平台上买入，并于价格较高的平台上卖出，从而赚取价差的一种行为。搬砖套利的机会稍纵即逝，且需对多个交易平台进行实时监控，因此通常都是通过高频交易的演算法完成。

如何构建量化策略交易

制定量化策略交易，通常包含了以下几个步骤：

1. 策略构思：

任何的量化策略，都需要有明确的获利手段和面向维度，像是赚取价差、波动率、时间价值、套利，等等。策略构思可以针对特定参数收集大量的市场数据，以进行统计分析及模型建立。

2. 建立模型：

收集足够的数据后，就可以开始资料探勘的工作。此阶段会搭配数学统计工具来做异常值筛选、分群、变异数分析、回归分析、或使用机器学习演算法，等等，以寻找出隐藏在大数据中可作为交易策略的规则及公式。

3. 数据回测：

数据回测是任何量化策略正式上线运作前必经的过程，可评估量化策略的胜率、盈亏比、绩效曲线、最大回撤、无效因子，等等。好的数据回测可以协助量化策略设计人员及早发现潜在的问题点，以做后续模型的优化与迭代。

4. 交易实盘：

量化策略交易若没有通过交易市场的实战历练，最终都将沦为纸上谈兵。有些平台会提供纸上交易 (paper trade)，让用户可使用模拟盘资金依照实际市场行情记录损益，确认构建的量化策略是否符合预期稳定盈利。

风险及策略管理

尽管量化策略交易替其使用者带来了诸多便利和优点，仍需注意其他风险因子造成量化策略交易失效的可能。服务提供业者的稳定度就是很重要的一项环节，若发生设备故障或是网络中断的情形，不仅会造成量化策略程序无法正常运作，严重者甚至会因为无法平仓产生风险敞口、导致财产上的损失。报价资料的来源与网络黑客攻击同样是需要留意的地方，错误的报价资料将导致程序误判，而程序代码的漏洞与演算法缺陷会遭到市场上其他参与者的攻击而发生亏损。

由于量化策略数量的增加和模型的复杂化，不同策略间与不同交易参数间可能出现相关性和不可预期的交互，定期的更新维护与回测检视是必要的。在部分资金量体较大或是风险较高的交易中，量化策略仅作为操作人员开仓平仓之参考依据而非全自动运行，针对此类的量化辅助交易，必须有完善的标准作业流程和教育训练才能避免人工操作上的疏失。

量化策略交易的限制

1. 并非适用于任何市场或行情

在使用量化交易策略前，必须了解到量化交易策略并非适用于任何市场或行情的灵丹妙药，传统金融市场中有效的参数指标换至加密货币市场，就有失效的可能。此外，任何量化交易策略的历史回测结果，都无法作为未来绩效之保证。比如说，当某种交易策略因为绩效优良而吸引众多投资人使用时，市场上许多交易者会抢在相同点位买入卖出，使原本应该产生获利的策略变得毫无利润可图。

2. 无法将抽象的盘感进行数据化演示

此外，交易是一门高深的学问，也是一种艺术，某些顶尖职业交易者在执行进场和出场判断时，并不完全依赖客观的指标数据，有时凭借的是抽象的「盘感」。虽然人工智能的快速发展已经在完全信息博奕游戏如西洋棋、将棋、和围棋等领域中，达到远超人类的水平，但在混沌的非完全信息交易市场里，尚无法将所谓的「直觉」和「第六感」进行数据化演示。

3. 需要足够专业的知识和经验

交易者的绩效表现取决于个人的经验与能力，量化策略交易也不例外，没有足够专业知识和经验的开发人员所编写出的量化策略交易，很难有良好的绩效表现。量化策略的设计涉及众多不同领域，必须具备相当的数学、统计、金融、计算机等专业知识，方能开发出优秀的量化交易策略。

何时适合使用量化策略交易?

量化策略交易不一定只能使用复杂高端的演算法，事实上任何的交易行为中只要有固定的交易逻辑，就可以编写代码将其执行流程自动化。最为常见的就是网格交易策略，由于是机械式的来回挂上买单与卖单，非常适合由自动化程序代替人工操作。

量化策略也适合当作人工交易判断时的辅助参考，现代金融市场瞬息万变，凭借一己之力去消化大量信息来做投资决策已显得不合时宜，善用计算机庞大的资讯汇整能力和统计工具，可以为使用者提供更宏观的视野，以寻找较佳的交易机会。

高频交易

量化交易的出现也促成了高频交易的发展。

高频交易，指的是自动化程序在极短时间内执行非常多次的买卖操作，依据行情的变化，高频交易机器人甚至可以在千分之一秒内做出多空转换的判断，进行一连串的挂单与撤单。即高频交易 , 通过使持仓时间趋于零极限化风险，通过大量瞬时交易极大化资金使用效率。

高频交易之目的是从日常价格的波动起伏中，寻找人类所无法捕捉且稍纵即逝的交易机会和微小利润。由于计算机科学的快速发展，高频交易是门槛极高且竞争剧烈的领域，对设备提升和演算法优化方面有诸多要求，即便是使用相同代码的套利程序，若市场信息的取样率不同，或是设备性能有差别，就可能造成一方获利而另一方亏损的不同结果。一般而言，市场信息取样率越高、程序执行速度越快的高频演算法在交易市场中越有优势。

高频交易在全球金融市场的交易量中已有相当的占比，它减少了市场的价差，并提供了许多流动性。然而不同高频交易程序间的竞争，却也增加了市场价格的波动起伏。高频交易演算法普遍较为复杂且开发难度大，通常只有大型金融机构或造市商才有这类量化交易策略工具。

总结

随着计算机领域的发展与金融衍生产品的推陈出新，专业投资管理团队与造市商都已开始采用自动化程序进行量化交易。与传统人工下单的一般交易相比，量化策略交易有遵守纪律、执行快速、逻辑一致、客观决策、全年无休、绩效验证容易、可同步监控大量交易市场、自我学习等等诸多优点。

然而开发量化策略所必备的跨领域知识，以及日趋剧烈的竞争也使量化策略交易的门槛越来越高，其运作时的设备、网络、代码及模型上的故障缺陷亦为必须考量的因素。

目前，量化交易已在全球金融市场中占据一席之地，如何让长期资产曲线稳定成长，避免因市场波动而使绩效有如云霄飞车般上冲下洗，是大多数顶尖量化策略及团队的目标。除了演算法迭代与开发新市场，高频率、高胜率、低风险和套利累积将成为量化策略未来之发展趋势。

量化策略交易并非圣杯，无法保证获利，与传统一般交易相同会面对亏损风险，唯有清楚其中的利与弊后才能驾驭这项工具。