Matlab与量化投资

精彩文摘1： 2.量化投资的金融理论基础 量化投资离不开系统的投资决策手段和金融理论支持。1952年，马克维茨在其博士论文中提出了投资组合理论，该理论以期望值衡量收益、以方差值衡量风险，第*次正式将收益和风险这两个股票市场中*重要的概念数量化，成为现代量化投资的鼻祖。托宾随后提出了分离理论，但仍需要利用马克维茨的系统执行高难度的运算。1964年，夏普又在简化模型的基础上进一步发展，提出了金融界人尽皆知的资本资产定价模型(CAPM)。CAPM作为一个里程碑式的理论发现，既可以预测风险和期望收益，还可以用于投资组合的绩效分析。之后罗斯在CAPM的基础上，提出“套利定价理论”(APT)，提供了一种方法来评估影响股价变化的多种经济因素。1973年，布莱克和斯克尔斯正式提出了“期权定价理论”，为金融风险管理奠定了理论基础，人们广泛使用金融衍生工具如期权、期货、远期、互换等交易技术，可以有效地防范风险和套期保值。通过对金融衍生产品风险的有效测度，我们可以针对某一证券组合构建对某一风险因子免疫的金融产品。现有的金融风险管理技术发展迅速，目前西方管理机构主要使用VaR的风险管理测度技术。它是在正常的市场条件和给定的置信水平下，测度单一金融资产或证券组合损失的可能性及数量，VaR方法较久期、缺口分析等传统风险管理技术有了更强的适应性和科学性。在此基础上，进一步出现了CVaR等风险管理特性更好的金融风险测度指标，为量化投资的资产组合管理、资金管理以及风险控制提供了量化的金融理论基础，促进了量化投资的进一步发展。 3.量化投资的技术基础 量化投资策略，特别是高频量化投资策略的构建需要大量数据的支持，仅仅深圳市场的半年分笔交易数据就有100 GB之多。量化投资方法与定性投资方法不同，模型设计不能仅靠经验和直觉，它必须要有一个科学求证并加以改进的过程。量化投资需要进行大量的数据挖掘，发现隐藏在公开信息后的资本市场运行规律，因此对数据要求极高。此外，量化投资策略需要宏微观数据的支持，因此稳定且可靠的数据源极为重要。成熟市场有悠久的历史，在美国，进行量化投资建模通常会向前看30年，这样用长期历史数据检验出来的模型可能更为有效。西方资本市场成立较早，非常重视经济数据的搜集工作，数据供应市场发达，有价值线(Value line)、CRSP(证券价格研究中心，芝加哥大学)、Compustat(美国公司及其他国家公司数据，标准普尔公司)、NYSE TAQ(日内高频数据，纽约股票交易所)、PACAP(PacificBasin Capital Market，太平洋地区资本市场，美国罗德岛大学)、Datastream、IBES(Institutional Broker’s Estimate System,机构经纪人估计系统)、SDC(美国国家数据中心)、GovPX(固定收益债券价格基准)、Reuter(路透)、Bloomberg(彭博)等历史悠久的数据供应商。国外定义的金融数据库不仅仅是数据库本身，还包括基于数据库的相关数据处理、计算、建模及技术支持等服务。中国A股市场发展仅30余年，无论是数据库的建设还是后续提供的技术支持上均与国外同行具有较大的差距。 量化投资需要根据金融理论构建大量的数学模型进行数据挖掘工作，因此离不开高性能计算机软硬件的支持。计算机的兴起使得量化交易能够利用计算机技术来进行证券投资交易，从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。在过去的半个世纪里，计算机基本按照英特尔(Intel)的创始人之一戈登· 摩尔提出的摩尔定律飞速发展：计算机硬件的处理速度和存储能力，每一到两年提升一倍。计算机技术的飞速发展为量化投资策略的构建提供了良好的基础。大量统计软件和算法的不断优化，也使得量化投资的实践成为可能。1963年，马克维茨的学生威廉·夏普提出了“投资组合的简化模型”，也称“单一指数模型”，使得马克维茨模型需费时33分钟的计算，简化为只用30秒，大大提高了运算的效率，并因此而节省了计算机内存，可以处理相对前者8倍以上的标的证券。 全球范围内交易费用的下降促使量化交易策略进一步向精细化发展，也使得原来囿于成本限制无法进行的量化策略有可能投入实践。交易费用的下降已经持续了一段时间，在金融市场竞争的推动下，又开始出现继续下降的趋势。 以上便是推动量化投资方法迅速发展的主要原因。目前，量化投资方法运用数学或者统计模型来模拟金融市场的未来走向，预估金融产品的潜在收益，获取稳定收益，该方法已经成为资本市场发展*为迅猛的投资技术之一。 精彩文摘2： 三、量化投资方法的分类及评价 1.量化投资方法的分类 量化投资可以分为技术型量化投资和金融型量化投资两类。 技术型量化投资通过广义或狭义的市场技术分析工具，利用高频或低频历史数据，进行操作策略的检验，从而达到良好的收益交易模式和战略，并*终由计算机或交易软件终端程序执行，如交易趋势、套利、短期类型的交易计划等。广义的技术分析工具，不仅包括技术指标，如股票估值指标、盈利指标和图形，还包括各种基本面的指标。技术型量化投资有统计套利的意义。其理论基础是，利用历史数据测试交易获利的概率或盈利幅度具有统计意义上的显著性。量化投资选取更广泛的样本数据，具有更充分的统计学意义和更完善的交易策略，从而有效避免了传统技术分析工具的缺陷。 金融型量化投资可以定义为以金融理论的不断发展为基础来定价的金融产品(如股票、债券、期货、期权等)，通过计算机交易软件终端捕捉金融市场价格异常波动产生的交易机会，进行跨市场、跨时期、多产品的高频率或低频率交易投资。金融型量化投资主要用于股票、债券及相关的期货和期权，这就需要一个相对健全的金融体系和金融环境。此外，金融型量化投资计算金融资产的理论价值，是与金融理论的发展相适应的，如Markowitz的投资组合理论、Fama的有效市场假说、BlackScholes的期权定价理论等。 国外量化投资在投资领域有广泛的应用，交易规模大，投资模式相对成熟。技术型量化投资和金融型量化投资相互交织，共同构成量化投资的总体。2009年，纽约证券交易所的程序化交易量占到总交易量的30%的技术型量化投资与金融型量化投资的侧重点有所不同，技术型量化投资通常适用于商品期货及期权交易，金融型量化投资主要用在股票、债券、金融期货和期权交易。 金融型量化投资是西方市场的主要交易方式，20世纪80年代初，BlackScholes期权定价模型理论的创始人之一Black加入高盛，从事多产品套利交易，从此拉开了现代金融量化投资的序幕。金融理论与金融投资紧密相联，金融型量化投资不仅体现在自动化交易程序上，而且各种中期和长期的交易策略的制定都具有量化投资的性质，因此无法准确衡量金融市场量化投资的份额。但可以肯定的是，当前的金融型量化投资更加完美，从原来单纯的理论价值模型开始转向交易速度模式。金融型量化投资起初通过价值价格关系，制定出使金融理论和金融工具完美结合的交易策略。但是，1998年长期资本管理公司的破产暴露出这种模式的缺陷，数学理论完美的推导，有时并不符合实际情况。金融理论存在的限制，“肥尾”涉及大量掉期交易以及过多的流动性不足的头寸，是导致长期资本管理公司破产的原因(张陶伟，1999)。从此以后，金融量化投资更多转向对高频数据的应用，交易速度的追求，控制投资组合头寸的比例，从而减少了市场风险。 2.量化投资方法的优点和局限性 量化投资作为一种有效的主动投资工具，是对定性投资方式的继承和发展。实践中的定性投资是指以深入的宏观经济和市场基本面分析为核心，辅以对上市公司的实地调研、与上市公司管理层经营理念的交流，发表各类研究报告作为交流手段和决策依据。因此，定性投资基金的组合决策过程是由基金经理在综合各方面的市场信息后，依赖个人主观判断、直觉以及市场经验来优选个股，构建投资组合，以获取市场的超额收益。与定性投资相同，量化投资的基础也是对市场基本面的深度研究和详尽分析，其本质是一种定性投资思想的理性应用。但是，与定性投资中投资人仅依靠几个指标做出结论相比，量化投资中投资人更关注大量数据所体现出来的特征，特别是挖掘数据中的统计特征，以寻找经济和个股的运行路径，进而找出阿尔法盈利空间。与定性投资相比，量化投资具有以下优势: (1)量化投资可以让理性得到充分发挥。量化投资以数学统计和建模技术代替个人主观判断和直觉，能够保持客观、理性以及一致性，克服市场心理的影响。将投资决策过程数量化，能够极大地减少投资者情绪对投资决策的影响，避免在市场悲观或非理性繁荣的情况下做出不理智的投资决策，因而避免了不当的市场择时倾向。 (2)量化投资可以实现全市场范围内的择股和高效率处理。量化投资可以利用一定数量化模型对全市场范围内的投资对象进行筛选，把握市场中每个可能的投资机会。而定性投资受人力、精力和专业水平的限制，其选股的覆盖面和正确性远远无法和量化投资相比。 (3)量化投资更注重组合风险管理。量化投资的三步选择过程，本身就是在严格的风险控制约束条件下选择投资组合的过程，能够保证在实现期望收益的同时有效地控制风险水平。另外，由于量化投资方式比定性投资方式更少地依赖投资者的个人主观判断，就避免了由于人为误判和偏见产生的交易风险。 当然，无论是定性投资还是量化投资，只要应用得当都可以获取阿尔法超额收益，两者之间并不矛盾，相反可以互相补充。量化投资的理性投资风格恰好可以作为传统投资方式的补充。 量化投资是一种非常高效的工具，其本身的有效性依赖于投资思想是否合理有效，换而言之，只要投资思想是正确的，量化投资本身并不存在缺陷。但是在对量化投资的应用中，确实存在过度依赖的风险。量化投资本身是一种对基本面的分析，与定性分析相比，量化分析是一种高效、无偏的方式，但是应用的范围较为狭窄。例如，某项技术在特定行业、特定市场中的发展前景就难以用量化的方式加以表达。通常量化投资的选股范围涵盖整个市场，因此获得的行业和个股配置中很可能包含投资者不熟悉的上市公司。这时盲目地依赖量化投资的结论，依赖历史的回归结论以及一定指标的筛选，就有可能忽略不能量化的基本面，产生巨大的投资失误。因此，基金经理在投资的时候一定要注意不能单纯依赖量化投资，一定要结合对国内市场基本面的了解。 精彩文摘3： 一节算法交易的基本概念 算法交易，是指把一个指定交易量的买入或者卖出指令放入模型，该模型包含交易员确定的某些目标。根据这些特殊的算法目标，该模型会产生执行指令的时机和交易额。而这些目标往往基于某个基准、价格或时间。这种交易有时候称为黑盒交易(blackbox trading)、无人值守交易(robot trading)。算法交易广泛应用于对冲基金、企业年金、共同基金以及其他一些大型的机构投资者，他们使用算法交易对大额订单进行分拆，寻找*佳的路由和*有利的执行价格，以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。任何投资策略都可以使用算法交易进行订单的执行，包括做市、场内价差交易、套利或者纯粹的投机(包括趋势跟随交易(trend following))。算法交易通过程序系统交易，将一个大额的交易拆分成数十个小额交易，以此来尽量减少对市场价格造成冲击，降低交易成本，且还能帮助机构投资者快速增加交易量。在国际衍生品市场上，这种交易方式主要运用在各类金融衍生品之间的对冲。 算法交易是指遵循数量规则、用户指定的基准和约束条件的自动电子交易，包括组合交易(对一篮子股票进行一系列交易)和智能路由(smart routing)(即使用算法来智能地将订单发送至流动性*好的交易通道)。算法交易的内在逻辑在于利用市场交易量的特点来风险可控、成本可控地执行订单。虽然对算法交易有许多不同的定义，但始终离不开诸如自动电子执行、达到特定基准等字眼。 算法交易系统的核心是通过一套计算机程序，可以在一秒钟内产生数千个交易指令，其中许多指令瞬间就可以被取消或被新的指令取代，从而把大额委托化整为零，减小对市场的冲击，并且可以寻求*佳的成交执行路径，减少交易成本。 交易算法需要由一系列的变量所控制，这些变量即算法的约束参数，一个算法的主要参数包括开始时间和结束时间、是否施加一个限价指令等。算法一般会设置开始/结束时间，而不是“一天当中的合适时间”这样的条件。算法交易必须确定必须实现的指令，除了那些更加注重机会导向的算法外，该参数的目的在于完全执行指令，而市场条件也许意味着这个目标不能总是实现。算法交易往往会限制交易价格，一个硬性价格限制会提供价格保护，作用如同限价指令。算法交易的成交量限制(*大/*小值)，该变量可以把算法的成交量设置在一个市场总交易量的一个百分比之内(如总成交量的50%)。算法交易的成交量限制(子命令)，一些算法能支持对拆分后子命令的大小进行限制，或对任何一个时点存在的指令数量进行限制。算法交易必须决定是否参与竞价，这个变量可以用来确定指令是否会参与开盘、收盘和任何盘中竞价。 算法交易的流程包括交易前分析、算法交易前和交易后分析。算法交易前后的分析是必不可少的，虽然算法交易的主要过程是通过计算机下单来处理，但是其前后的许多分析工作是需要人工进行设定的。 交易前分析包括：多因素风险分析，如股票、行业、买/卖方、货币等；清楚了解潜在的交易成本；划分和鉴别局外人和困难的交易；智能发送器(机器人)交易指令自动发送到算法交易系统，该系统能进行*佳的策略及策略参数选择。用户可实时使用交易前分析，了解算法交易采用的具体参数情况。 判断一个交易算法是否合适，首先必须选择一个合适的业绩标杆作为比较的基准。算法交易常用的业绩标杆包括开盘价格、收盘价格、成交量加权平均价格(VWAP)、时间加权平均价格(TWAP)、实现差价(即纸面交易与实际成交均价之间的差)、到达价格等。标杆的选择一般由投资者的投资目标及投资风格决定。 在确定比较基准以后，就可以测试不同参数的效果，选择合适的参数。算法交易一般通过回测法进行测试。主要测试不同参数效果的稳定性以及交易效果对参数的敏感性，并观察这些稳定性与敏感性随时间变化的情况。在合乎使用标准的情况下再计算*优参数并实测。第*步，先在整个历史时期各个阶段以不同的参数测试策略，判断不同参数效果的稳定性以及结果对参数的敏感度。重点关注稳定性和敏感度随时间变化的情况。如果变动过于频繁，则不适合投入实际应用。第二步，这时就可以选择某一个特定的市场状况较为稳定的历史时期，使用同样的方法用各种不同的参数进行测试，检验不同参数的稳定性以及策略效果对参数的敏感性。选择*优参数，判断的标准可以是夏普比率等。估计参数所使用的市场时间段主要根据经验判断，可以是*近的市场数据，也可以是以前出现过未来很可能出现的市场数据。 *后，根据特定市场的状况选择*优参数，进行样本外测试，确定算法交易的效果是否满意。在合乎标准的情况下，即可确定策略及*优参数。 交易后分析主要是对算法交易的结果进行研究。从收到详细的日度、月度、季度、年度交易后审查报告开始，将表现与多种基准进行对比，深究单个交易结果，选择性衡量后台效率，从而对算法的优劣进行总结反馈，这个对提高算法的效率至关重要。 根据各个算法交易中算法的主动程度不同，算法交易可分为被动型算法交易、主动型算法交易、综合型算法交易三大类。 被动型算法交易也叫结构型算法交易或者时间表型算法交易。这类算法交易除利用历史数据估计交易模型的关键参数外，不会根据市场的状况主动选择交易的时机与交易的数量，而是按照一个既定的交易方针进行交易。该策略的核心是减少滑价(目标价与实际成交均价的差)。被动型算法交易*成熟，使用也*为广泛，如在国际市场上使用*多的成交量加权平均价格(VWAP)、时间加权平均价格(TWAP)等都属于被动型算法交易。 主动型算法交易也叫机会型算法交易。这类算法交易根据市场的状况做出实时的决策，判断是否交易、交易的数量、交易的价格等。由于很多交易指令是根据市场的即时状况下达，因此有可能无法完成交易员希望的全部交易。主动型交易算法除了努力减少滑价以外，把关注的重点逐渐转向了价格趋势预测上。如判断市场价格在向有利于交易员的方向运动时，就推迟交易的进行，反之加快交易的进行。当市场价格存在较强的均值回归现象时，必须迅速抓住每一次有利于自己的偏移。 此外，当算法交易被广泛应用时，证券的市场价格行为就会表现出一定的规律。这样，就出现了一类特殊的算法交易，如瑞士信贷的Sniper 算法，它们的目标是发现市场上与自己交易方向相反的大型交易对手，通过合适的交易安排，与该对手完成交易，避免市场受到冲击。 综合型算法交易是前两者的结合，既包含有既定的交易目标，具体实施交易的过程中也会对是否交易进行一定的判断。这类算法常见的方式是先把交易指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型算法交易进行判断。两者结合可以达到单独一种算法所无法达到的效果。 按算法的核心机制，算法交易可以分为冲击驱动型、成本驱动型、机会导向型。 冲击驱动(impactdriven)算法旨在*小化市场冲击，即减小交易对资产价格的影响。大单指令通常被拆分成小单指令，并将这些订单通过一个更长时间进行交易。典型代表：VWAP算法。 成本驱动(costdriven)算法以减小总体交易成本为宗旨。需要考虑市场冲击、时机风险，甚至价格趋势等因素。典型代表：执行缺口算法。 机会导向(opportunistic)算法利用任何市场条件有利的时机进行交易，包括价格或流动性驱动算法。