分类
到底该怎么用期权赚钱

投资者交易策略—算法交易

投资者交易策略—算法交易

对于金融市场的每一位投资者来说,一个好的交易策略是有效配置资本和管理风险的直接手段。因而,在全球的金融市场中,交易策略都是当前资本市场正在或者将要研究的主要问题之一。随着当前资本市场规模的不断扩张,交易者的个体交易行为对市场的影响作用在不断增长,为了制订科学的合理的交易策略,减少对市场的冲击,同时降低交易成本,算法交易在这样一种环境中逐步发展起来。从目前各种研究报告和学术刊物可以看到,算法交易已成为欧美等发达金融市场的主要交易手段,在欧美市场所有股票交易中占到四成,在美国一些市场中算法交易的应用比重甚至达到了八成以上。 2010年是中国金融市场里程碑式的一年。沪深交易所的融资融券试点交易启动与沪深300股指期货合约上市交易为中国金融市场带来了活力和机遇,给中国的量化交易提供了有利条件。在中国,算法交易策略应用目前也算是刚刚起步,在很多方面仍处在初级阶段,一方面国内相对成熟的能支持算法交易的软件非常少,另一方面理论研究基础也比较薄弱,但随着国内市场的日渐成熟、市场投资者的资本规模持续增长、投资需求的多样化以及新型衍生产品不断涌现为算法交易的发展提供了良好契机。 国外目前对算法交易策略的研究和应用均较多,而国内由于市场改革伊始,国内算法交易策略应用及相关理论发展缓慢,从国内的学术刊物和研究报告来看,现有的相关研究内容基本是对股票市场进行研究且研究较少,对期货市场的算法策略应用研究较少。国内目前的理论研究中主要存在的是传统的单一型算法交易策略,且研究对象主要集中在非股指期货市场。这些交易策略中或是通过日内平均分割法来确定交易区间,主要是为了在降低交易成本的同时完成交易目标,该类方法缺乏对于市场有效机会的捕捉能力,容易丧失交易机会;或是应用与研究稍多的传统统计套利策略,该类研究一般是对市场中统计套利的可行性进行研究分析,强调交易时机的把握与交易策略的制定,交易成本及交易目标的完成不是该类策略关注的重点。在实际交易当中,交易者关注着交易成本控制与交易时机把握等方方面面,这使得现有的许多研究方法不能有效适用于市场当中。所以,找到既能发现交易时机,又能降低交易成本的交易策略是本文所要研究的重点。 本文根据改进静态VWAP策略和统计套利交易策略来建立投资组合交易模型,主要通过市场实践与理论研究相结合的方法对综合型算法交易策略进行研究。一方面分别对改进VWAP策略在我国金融市场应用的可行性及统计套利交易策略的基本理论方法进行分析,在已有研究的基础上,从相关理论分析来建立综合型算法交易策略,该研究既是对我国股指期货市场的应用算法交易策略理论的探索性研究分析,又是对国内该方面的理论研究进行补充,也为未来构建更为广泛和复杂的综合型算法交易策略理论提供思路;另一方面由于市场参与者的交易需求日益增多,如何在市场中把握交易时机与降低交易成本已成为交易者关注的主要问题,综合算法交易策略的应用可以分别从基础策略层面利用方法优势解决交易者面临的这些问题,能够有效完成交易者的交易目标,同时也能满足获取超额回报的要求,在市场交易过程中具有极高的应用价值,这也是目前国际市场中各类算法交易策略能够得到快速普及的原因。文章对综合型算法交易策略进行理论研究与实证分析以实现对当前已有理论进行的拓展和完善,而有效的交易策略在市场交易中也具备较高的实际应用价值。 本篇论文主要包括了方法综述、理论与实证研究三个部分,分别着重讨论了市场与算法策略的发展,各类策略的分析方法与需要考虑的因素,主要策略的理论方法,以及数据选取与实证分析。 第一部分是对算法交易策略的发展背景、各主要类型交易策略的发展过程及交易策略的发展现状进行梳理和剖析。首先概述了算法交易策略的历史背景与意义以及本文的框架结构,算法交易策略的出现与发展是顺应时代要求与发展需要的,其基本作用包括了降低交易成本、完成交易目标、减少市场冲击、弱化交易风险与捕捉交易时机等等,也可以简单概括为套利、规避风险与价格发现等。然后对算法交易策略中主动型与被动型算法交易策略做了较为详细的概述与分析,阐明算法交易策略的产生与发展,对目前市场上存在的交易策略做了比较详细的分析与归类,并对国内外相关研究进行了评价,与此同时也着重分析了VWAP策略与统计套利策略的思想方法。 第二部分是对综合型算法交易策略构建的基本理论进行推导分析。本文利用主动型算法交易策略与被动型算法交易策略的合理结合构造可以兼顾价格发现与成本控制的交易策略。在标准VWAP策略的基础上利用数学推导找到更优的静态日内交易量预测模型,再结合统计套利模型,由协整检验、加权移动平均模型及指数加权移动平均模型对交易持续期的合约头寸及数据序列进行分析预测、选择交易时间点,最后通过对理论模型加入约束条件以得到相应的综合型交易策略。 第三部分是在构建合理综合型算法交易策略的基础上选取历史数据进行实证研究。文章选取沪深300股指期货当月与次月合约作为交易标的,选择连续历史数据为研究对象,首先对合约间关系进行协整关系检验,得到交易头寸比例,根据价差波动的方差特性,利用加权移动均值模型得到交易价格价差均值的预测结果,在考虑到平衡精度与效率的条件下选取指数加权移动均值模型得到价差方差的预测结果,投资者交易策略—算法交易 在此基础上根据市场条件与规律及个人交易者的特征制定交易规则,找出交易开仓与平仓时间,建立价格发现策略。接着根据优化静态WAP交易策略模型对日内交易量进行预测,通过综合型交易策略对历史数据进行实证分析,依照规则进行样本集与测试集的交易分析,结果表明在两个测试集中综合型策略都能取得较为可观的收益,交易策略具有较好的稳定性并能够适用于股指期货市场。最后根据结果对综合型算法交易策略的效果进行评价并对进一步的研究提出建议。 文章利用已有研究值得借鉴的方法与内容,对主要交易策略的不足进行优化,通过从我国市场特有环境出发,以特定交易人群为研究载体,在条件适用的前提下本文特别将优化改进的静态VWAP方法引入到综合策略中,较一般方法对日内交易量有更精确的预测精度,实现了交易量分配的更优安排。本文亦在原有统计套利策略的理论基础上通过对精度与效率进行平衡得到适合交易者的套利模型,通过交易条件设定能够有效完成套利交易目标。文章把不同类型的交易策略有机结合起来,通过综合型算法交易策略的实证分析结果说明利用改进静态模型可以在更精确的描述交易量分布,同时在精度与效率平衡的前提下由统计套利策略寻找交易时机,得到具有较好的稳定性与较高的使用价值的综合型算法交易策略,可以兼顾交易要求与获利需求。

投资者交易策略—算法交易

投资者交易策略—算法交易

算法交易主要有两个目标。一个目标是尽量减小下单的冲击成本,这个主要通过大单拆小单来执行以达到目的。这其中有两个要点:一是分拆成的交易次数必须足够多,只有交易次数足够多,这样每次报单的数量才不会大,这样在市场上比较容易实现成交。当然这也需要根据该股票的市场流动性情况来加以调整。二是虽然把大单拆成小单延长了下单时间,这里面存在未来走势的不确定性风险。但是当日接下来时间段的走势不易判断,长期来看几乎是随机的。所以,我们宁可延长下单时间这个不确定的风险,以得到一个减小冲击成本的确定性的好处。

另一个目标是尽量成交到比较好的价格,国外往往设计了两个验证策略好坏的比较基准,一个是时间算术平均价(Time Weighted Average Price,TWAP)报单,比如开盘后每过5分钟,挂一笔单子出去,最后报单成交价接近于一天的按时间计算的平均价。另一个是成交量加权平均价(Volume Weighted Average Price,VWAP)报单,对历史的成交量进行估计。然后根据实时行情中交易量的大小来决定报单的大小,最后报单成交价接近一天的交易量平均价。

不过,专业性机构投资者的算法交易策略对市场波动存在一定的负面影响。2010年5月6日道琼斯指数在短短5分钟内暴挫近千点,数十只股票的股价被打落至“零”,比如埃森哲(Accenture)一度下跌99 %,这种以低于1美元的价格进行交易触发更多的止损盘(stop loss order)和动态对冲盘的指令(算法类交易的一种,algorithmictrading),有些美国专家认为①,华尔街证券交易系统的“系统性缺陷”,即股票的“高频交易”是造成这场股灾的罪魁祸首。

听出买卖点,一招擒龙头,关注公众号 “老韩实盘”:laohanshipan(点击可复制) 回复关键词 “指标” 既可以免费领取一套龙头股战法合集!

量化分享 | 从零开始了解算法交易

市场之所以青睐算法交易,其原因在于其能够快速有效地降低交易成本,控制市场冲击成本和争取最优的成交价格和数量以及隐藏交易意图等传统交易方法不具有的交易方式。如荀子《劝学》所言——“不积跬步,无以至千里;不积小流,无以成江海”,算法交易所体现的正是这样一种化整为零、积少成多的思想。02 哪些场景和机构在使用算法交易?算法交易的主要应用场景有大额交易、篮子交易、回购交易等应用场景。对于大额交易,如果直接向市场下单容易造成严重的市场冲击,且易于被交易对手发现交易意图。算法交易的拆单功能可以很好的平滑市场冲击与防止被交易对手发现。对于篮子单交易或者称组合交易,通过交易员一只证券一只证券的去交易已不太现实,需要通过自动化交易的方式交易。算法交易给交易员提供了极大的便利性使得交易员一次可以交易上百只证券,同时降低交易成本。对于回购交易,交易时间长、交易金额大,极度耗费交易员精力。使用算法交易可以把交易员从繁重的键盘敲击下单的过程中解放出来,使得交易员专注择时,以提高工作效率。算法交易的主要客户类型有两大类,传统机构类客户和新型交易型客户。传统机构类客户包括公募基金、保险资管、私募基金等。这些客户的主要特征是交易量大、交易需求丰富,对交易成本比较敏感,交易合规要求严。新型交易型客户主要包括经常做回购交易的各类保险、私募、公募基金客户,增持减持类客户,高净值合格投资者客户。

03 使用算法交易的优势

为什么要使用算法交易?我们认为大体有以下几个原因:

首先,算法交易受到投资者追捧的主要原因,也正是其产生的根本目的,在于其可以减小市场摩擦,有效降低交易中的冲击成本,从而使得整个交易可以以最优价格完成。其次,算法交易可以提高交易执行的效率。伴随着大单拆分,不同的小单按照不同的价格进行动态成交,这些复杂而频繁的交易对于人工来说是非常繁琐的。

使用算法交易的另一个优点,特别是对于机构投资者而言,是它可以降低传统交易部门的人力成本,即只需要雇佣少量的交易员对整个算法交易过程进行监控和维护即可。最后,使用算法交易,对于大规模交易而言,是一种很好的隐蔽自己交易行为的方式。对于进行大规模交易的投资者,特别是机构投资者,一般情况下都希望能够将自己的交易行为隐蔽起来,从而避免对手根据自己的“套路”出牌。

04 常见的一些算法交易策略

第一代算法交易比较简单,注重交易的执行效率和目的,如TWAP、VWAP等;

第二代算法交易注重提高交易质量,降低交易成本,如最大限度接近开盘价、收盘价、或心理价等某一特定价格为目标,该算法有I/S(按照执行价格和期望价格差来拆分大单)、MOC(让成交价尽可能接近闭市价格)、MOO(让成交价尽可能接近开市价格)、Peg/Pegging(让成交价尽可能接近某一档价格);

第三代算法交易是你在这样交易,对手也在这样交易,为了蒙蔽对手,引入Iceberg算法(按给定比例逐步暴露订单直至全部成交),之后又引入了反侦察算法比如用来发现潜在Iceberg算法的Sniffer算法等。

第四代算法技术更趋向于智能交易,例如复杂事件处理(CEP)、新闻交易(News Trading)等。这些策略根据不同的市场特点和交易需求进行设计。下文简单介绍了最常见的TWAP和VWAP策略。简单地说,TWAP是等时间间隔下等量的单;VWAP是预估一天内成交量的分布,按照分布下单。1TWAP策略

TWAP(TimeWeighted Average Price),时间加权平均价格算法,是最为简单的一种传统算法交易策略。该模型将交易时间进行均匀分割,并在每个分割节点上将均匀拆分的订单进行提交。

例如,A 股市场一个交易日的交易时间为4 小时,即240 分钟。首先将这240 分钟均匀分为N 份(或将240 分钟中的某一部分均匀分割),如240份。TWAP 策略会将该交易日需要执行的订单均匀分配在这240 个节点上去执行,从而使得交易均价跟踪TWAP。

TWAP 策略设计的目的是在使交易对市场影响最小化的同时提供一个较低的平均成交价格,从而达到减小交易成本的目的。在分时成交量无法准确估计的情况下,该模型还是较好地实现了算法交易的基本目标。但是TWAP 遇到比较大的问题是,在订单规模很大的情况下,均匀分配到每个节点上的下单量仍然较为可观,仍有可能对市场造成一定的冲击。

另一方面,真实市场的成交量是在波动变化的,将所有的订单均匀分配到每个节点上显然是不够合理的。因此,人们很快建立了基于成交量变动预测的VWAP 模型。不过,由于TWAP 操作和理解起来非常简单,因此其对于流动性较好的市场和订单规模较小的交易仍然较为适用。2VWAP策略VWAP(VolumeWeighted Average Price),成交量加权平均价格算法,将大额报单按照规定期限内预测的交易量分布比例拆分成多个小额订单进行委托交易,其比较基准为时间段内的市场交易量加权均价。是目前市场上最为流行的算法交易策略之一,也是很多其它算法交易模型的原型。适合日均交易量10-30%以上的大额报单。首先定义VWAP,它是一段时间内证券价格按成交量加权的平均值。

其中t price 和t volume 分别是某个时点上证券的成交价格和成交量。VWAP 算法交易策略的目的就是尽可能地使订单拆分所成交的VWAP成交盯住市场的VWAP市场。从VWAP 的定义(2)式来看,若希望能够跟住VWAP市场,则需要将拆分订单按照市场真实的成交量分时按比例进行提交,这就需要对市场分时成交量进行预测,通常来说,VWAP 策略会使用过去M 个交易日分段成交量的加权平均值作为预测成交量,这里就要涉及到M 和权数的确定,这里我们暂不进行深入探讨。更为严格地说,假设需要在某段时间买入一定数量的股票,采用算法交易将这段时间分为N 部分,并预测每部分时间的成交比例(占所需成交量)为i vp ,而市场真实的分段成交比例(占市场真实成交量)为i vm ,市场在每个时点的真实成交价格为i P ,则可以定义跟踪误差。

2.当某段时间的i vp 超过市场真实t vm 时,有可能造成订单无法全部成交,这样就会造成算法交易执行效率的下降,因此,更为常用的是被称为“带反馈的”VWAP 算法交易策略。

所谓带反馈的VWAP 算法交易策略,是指在原有VWAP 跟踪的基础之上,将每个时段未成交的订单按比例分摊至后面的时间段中,这样可以有效提高成交比率。之前所讨论的TWAP 策略也可以采用该类反馈技术,使执行效率大幅提升。

算法交易对于隐形交易成本的影响

根据海森堡不确定原理可知,投资者是无法从证券市场历史交易数据中准确测量市场冲击成本的大小的。为了对市场冲击成本进行准确度量,学界也是对此做了大量的研究:比如,学者 Domowitz 等人利用交易当日的最高价、最低价、开盘价、收盘价平均值与订单成交价格的差额来衡量市场冲击的大小。学者 Kogan 等人利用订单交易价格与昨日收盘价的差额来衡量市场冲击的大小。学者 Lillo 等人通过构建一个市场冲击函数,研究了市场冲击成本与市场交易量的关系,发现市场冲击成本与交易量存在显著正相关关系。

价格升量( Appreciation cost )是指证券价格的自然变化,是证券价格的内在变化趋势,是在排除了不确定影响、意外事件以及噪声之外,证券价格变动情况。一般而言,价格升量被认为是证券价格在没有受其他因素影响下的自然变动。价格升量是投资者隐性交易成本中的一项重要组成部分。

择时风险( Timing risk )是指由于证券的市场价格、市场流动性等因素在不同时期内变动所带来的风险。

择时风险所依赖的影响因素是多方面的,其中对于市场流动性的定义,至今在学界也没能形成统一的认识,大多数市场参与者对是否具有流动性都有一个主观的看法,但却缺乏一个严格的理论基础给予支持,关于流动性的定义在学术界也是一个备受争议的话题。经典的理论认为,流动性存在四个维度包括:宽度( Width ),深度( Depth ),即时性( Immediacy )以及弹性( Resiliency )。

延误成本( Delay cost )是指从投资者做出投资决策直到订单被提交到市场这段时间内所造成的损失。特别是在投资者选择 “ 追涨杀跌 ” 的交易行为时,延误成本显得尤为重要。投资者的延误成本与订单规模、价格变化量有关。

买卖价差( Bid-ask spread )是指证券市场上的最优卖价和最优买价之间的差额,用作衡量潜在的订单执行成本。在美国可以看作为证券市场对于做市商所提供及时性交易服务的一种补偿。一般而言,订单驱动市场的订单处理所耗费的买卖价差成本要低于做市商市场。

二、隐形交易成本的复杂性

最后,也是笔者认为是最重要的一点,我们在衡量隐形交易成本,其实在行业内是没有统一的标准的。目前业内用的比较多的是由 Berkowitz 等人在 1988 年提出的 VWAP—— 交易量加权平均价格( Volume weighted average price )作为基准价格。基本思路是利用订单的执行价格与 VWAP 基准价格的差额来度量价格冲击。这里作为比较标准的 VWAP 基准价格是将某一时期交易量占总交易量比值作为权重,对整个交易时期内的成交价格进行加权平均。此外,还用的比较多的是 TWAP ( Time weighted average price )基准价格,有的用订单下达交易时的执行价格,也有的利用昨日的收盘价格等作为比较基准。

第一,以 VWAP 为代表的这些基准价格,只是用来衡量隐形交易成本中的冲击成本的,不是用来衡量整个隐形交易成本的,这点非常重要!业内的一些算法供应商其策略卖点在于能够 “ 打赢均价 ” ,就算能够是打赢基准价格,在逻辑上,都无法证明其在隐形交易成本上是最优的。举一个最简单的思维实验,是假设我们执行一个订单,在流动性不是很充足的情况下,可以拆出前三分之二的订单挂单成交,争取冲击成本接近这段时间的 VWAP 价格,然后,随着进度的进行,后三分之一的订单用相对激进的打单方式进行,拉高股价直到完成。这样,很可能最后订单的平均执行绩效滑点是优于 VWAP 均价的,但是这是否是隐形交易成本的最优?结果很明显。另外,一个很明显的例子就是冲击成本和机会成本的权衡,如果一批 A 订单的完成率为 80% ,另一批 B 订单的完成率为 99.9% ,即使 A 订单的执行相对于 VWAP 基准的绩效,要比 B 订单高 n 个 bp ,这能说明 A 订单的算法执行绩效好吗?我想站在机会成本的角度,答案也是明显的。

第二, VWAP 和其它几种基准价格,从市场微观结构理论的角度来看,这个基准价格实际上是市场可预期交易量对证券价格进行冲击后的期望值。换句话说,价格冲击是投资者的订单在证券市场上执行后所引起的证券价格变化,其大小等于订单的执行价格与市场上不存在此订单时的证券价格之间差额。在现实证券市场上这两个价格是不可能同时存在的,只能和另外一个平行世界中不存在此订单的价格进行比较,这显然在我们这个世界是做不到的,因此,在计算价格冲击时,学者们提出利用某一相对能达到共识的基准价格来刻画市场上不存在此订单时的证券价格。因此这个基准价格本身的主观因素,会造成对于价格冲击的衡量误差。

由于上述对于隐形交易成本估计的复杂性,以及评估标准的主观性,我们可以看到行业内的算法供应商都在以基准价格的绩效作为评价算法执行绩效的好坏,其营销意义要远远大于其科学理性的意义。用冲击成本来代替整个隐形交易成本,属于以偏概全,这是其一。其二是用某个假设指标来衡量算法绩效,并以打赢多少 bp 投资者交易策略—算法交易 为噱头,不分析这种假设本身成立的概率或者内在逻辑。要知道,在海外成熟的算法交易市场, TCA (交易成本分析)是个价值几十亿规模的市场,有很多科技和咨询公司参与其中,我们国人将其简化成对于一种假设基准指标的比较,可见我们的道路还很远。

其一,区分标准为是否能够打赢均价,主动算法的目标是能够打赢基准价格的,甚至能够到达 3-5bp ,被动算法的目标是尽量接近均价的。对此,上文中对于衡量隐形交易成本的方法和关于基准价格的说明中已经详细阐述,这里不再赘述。

其二,在交易执行过程中,算法是否能够根据实时的行情数据,动态调整后续订单的执行进度为标准。因为最早的执行算法,是在算法开始执行前就静态地根据规则计算出后面要拆的单以及执行的进度。例如,最早的 VWAP 是根据历史行情数据,估计出当日订单的交易量和每个时间片中的交易量,这是在算法执行前就计算出来的。再比如 TWAP 策略和 Percent ( POC )策略,都不需要历史数据,直接根据时间片均分或者根据预先设置好的订单占比执行。随着计算机、大数据技术的飞速发展,在算法策略的执行过程中根据实时行情的变化,动态调整后面订单的执行进度,从而调整和接近市场实际的交易趋势,这已经在很多算法中得到了应用,这其中有的是用到了传统市场微观结构的高频交易算法,有的是采用人工智能、大数据以及量化手段。

如果用这种区分方式将市场上的算法划为主动和被动算法,并提出主动算法的绩效是要优于被动算法的,这里是没有逻辑关系的。主动和被动算法是在其需求实现时,以是否采用了实时动态数据为区分,这是根据算法的需求和适用场景决定的。例如,在一个流动性大的市场,要执行的订单量较小,如果投资者需要快速完成交易(对于机会成本敏感),难道一定就说 DMA (快速执行算法)会比采用了 AI 高频预测信号的 VWAP 算法一定绩效要差?

四、对于算法交易的理性认识

如果基金经理考虑到订单执行的时间周期和市场流动性因素,如果希望订单执行完成越快越好,在流动性较好的情况下,可以采用 DMA 投资者交易策略—算法交易 算法,如果加上冲击成本的考虑,可以采用 Sniper 算法。如果是对于执行时间在较长的区间内,可以考虑用 VWAP (有高频预测信号增强的)算法。如果为了适配集合竞价开盘和收盘前后的市场特征,也会有对应场景的 MOO (开盘价策略)和 MOC (收盘价策略)算法。当然,如果要考虑到对于行情未来的预判,比如是单边还是震荡,也会有不同的算法选择。此外,在执行过程中,我们对于不同的限量保护比例,激进保守的风格等,都会制订不同的算法方案。

作为万经之首的《易经》,其 “ 三易 ” 原则 —— 简易、变易和不易,表达了我们认识复杂世界的一种基本模式,就是用一种固定的、简单的、可以被理解的思维,来对复杂的、变化的世界进行解释和理解。其中的 “ 不易 ” ,强调的是不允许变动,是用不变固定思维原则去把握不断变化的世界。这也是现代科学思想的原则,就是强调科学原理的严格检验,不得变动,一旦出现例外和反例,则说明此原理无效。如果做不到 “ 不易 ” ,我们的原则或者是原理随着世界的变化而变化,这样虽然能够对一切进行解释,但是它成了迷信,这是科学和迷信的最大区别。

“不易 ” 所强调的,在科学世界里面得到了应用,给我们这个世界带来了翻天覆地的变化。但是,我们要看到 “ 不易 ” 的另一面,就是建立在 “ 不易 ” 原则上的原则和原理,由于要求固定,它一定是有边界范围的,在边界之内可以有普解性,在边界之外,需要用另外一种原则和原理去弥补。这如同经典牛顿力学在解释宏观世界是有效的,但是到了微观世界是无效的,是需要用量子力学去解释。微观金融学的三大基石:资产定价、公司财务和微观结构,也有着各自的发展方向。同比,面对不同的市场形势、不同的交易意图、不同的执行能力,我们要做的是根据不同的边界和范围,匹配不同的策略和方案。