DAY #06
1.主题
量化交易已统治华尔街
http://www.sohu.com/a/166879943_99985257
几种常见的量化策略框架
http://blog.csdn.net/JDquant/article/details/62237320
专业量化交易人士如何看待传统技术分析
http://club.jr.jd.com/quant/topic/1091145
如何设计出一个比较成功量化策略?
http://blog.csdn.net/JDquant/article/details/54619001
金融科技新时代到来,量化投资大有可为
https://baijiahao.baidu.com/s?id=1567605166298478&wfr=spider&for=pc
2.摘要
虽然很多人都说选股要看基本面,但大多数股票投资人现在都不会根据股票基本面来购买或出售股票。Kolanovic 估计,那些按基本面股票投资人所贡献的交易量仅占市场总交易量的 10%。他说,被动投资和量化投资的交易量约占 60%,是十年前的两倍还多。
Kolanovic 表示量化交易资金的走向、央行政策和政治环境共同决定了市场的低波动率。此外,他还补充道:“大数据正日益挑战传统的基本面分析投资策略,同时还会助推未来几年内的行业变革。”他说:“有 13 亿美元的标普 500 指数期权将于周五到期,这将改变交易员的投资策略。这可能导致整个市场波动率上升,影响周期从周五开始,延续到下周。”
市场结构研究公司 Tabb Group 的数据也显示量化交易的交易量有所上升,而股票交易总股数则有所下降。据 Tabb Group 研究显示,量化交易门下的一个类别高频交易贡献了 5 月份日平均交易股数的 52%,达 67.3 亿股。在高频交易的高峰期 2009 年,平均每日交易的 98 亿股中,约有 61%是由高频交易员完成的。
量化选股,就是通过量化思想及配套的计算机程序化来实现选股(如何选择好的股票)和择时(如何在合适的时间进行合适的调仓),从而完成量化投资组合策略的构建。
目前量化策略主要包括:
①.多因子策略
②.统计套利
③.机器学习
④.文本挖掘
⑤.数学方法
多因子模型包括:
①.技术指标模型——>MACD、KDJ、布林带等——>偏向于择时
②.财务指标模型——>价值因子(PB,PE等)、市场因子(涨幅,换手率等)、基本面因子(资产负债率,流动比率等)以及成长因子(净利润增长率,主营利润增长率等)——>偏向于选股
③.常见的策略有Fama-French三因子策略与特异性风险因子模型
④.它的优点是思路直接清晰、数据便于获得
统计套路主要是在对历史数据进行统计分析的基础上,估计相关变量的概率分布,并结合基本面数据进行分析以指导套利交易,与传统单边投资方式相比,统计套利多空双向持仓在处理大资金方面可以有效规避一部分风险。
机器学习主要目的在于发现规律或重现规律,近来被广泛应用于各个行业。
文本挖掘作为数据挖掘的一个分支,挖掘对象通常是非结构化的文本数据,文本挖掘应用于量化投资是一个比较新的思想。
在不同的量化投资领域,技术分析的地位绝对是不同:
①.在高频交易领域——>技术分析的用处应该不大。Irene Aldridge的《High-Frequency Trading》中提到过两篇论文,指出技术分析可以帮助推测限价指令簿(Limit Order Book)。
②.对于量化选股——>技术分析的用处也不会太大。
③.对于CTA(管理期货基金)来说——>特别是Trend-following CTA来说,传统技术分析绝对是基石。
技术分析的优点很多:简单易行,资金容量大。更重要的是,在大尺度上技术指标永远不会失效,追涨杀跌是人类的本性。但是,技术分析的缺点也是明显:回撤大,修复期长,大尺度上同质化很严重。还有一点就是技术指标量化后的参数调整,调整好了,基本上都能找到在回测上稳赚不赔的策略,但是一旦市场状态转化发生(Regime Switch),出了回测,一实盘模拟基本就废了。高频还可以通过data mining出个最优参数,中低频还是不要想了。
量化投资与传统型投资对比:
①.公司调研VS分散策略——>与基本面分析需要深入个股层面不同,量化策略并不对个股基本面进行深度研究,而是通过分散化降低个股层面的异质风险。因此如果一个策略平均持仓很少(10只一下)那么策略的表现可能只是某一只个股表现好。
②.人工风控VS技术风控——>和传统投资方法相比,量化投资在风险控制方面进行了极大的改进。甚至可以说,量化投资的所有工作都是围绕如何管理风险这个核心的。量化投资利用各种科学方法来追求收益好人风险的配比关系,比如夏普比率、MAR比率等。因此,量化投资和传统投资方法的最大区别在于风险管理水平的不同。
③.人工识别信号VS程序识别信号——>在瞬息万变的市场中,利用复杂的模型和精密的程序进行投资,以远超出人力的优势来快速寻找市场中的价格偏差和其他精细的投资机会,可以说是一种非常科学的投资方法,量化基金盈利的很大一部分来源是捕捉市场“错误定价”的机会。
④.集中持仓VS分散持仓——>量化基金一般持股相对分散,较少进行集中投资,以避免个股的非系统性风险。
⑤.主观情绪VS独立机器——>传统的投资方式会受到个人主观偏好、自身情绪等人为因素的干扰而做出些非理性的行为,进而影响最终的投资表现,而量化投资优势在于依靠预先建立的计算机程序执行投资策略排除了人为因素干扰。机器摆脱了人的主观情绪,但在灵活性上则存在明显滞后,当黑天鹅事件或掺杂人类情绪的事件发生时,会使人工智能的效用则会大打折扣。
3.心得感悟
方法是一回事,具体的策略构建又是另外一回事。正所谓“黑猫白猫能抓到耗子就是好猫”,只要这种方法构建的策略能够充分挖掘市场信息,取得良好的收益和较低的波动,策略就是好的策略,方法就是有效的方法。
值得说的是,换个角度想,量化工具就是新时代的技术工具。现在种类繁多操作简单的技术工具,也不是一开始就有的,都是有人用的好逐渐推广的。
简单技术分析最后高度趋同带不来超额收益,量化工具也有这趋势。
设计量化交易策略其实就是一个想法+验证的过程:
①.想法的来源==金融理论模型(capm、apt等) + 经典策略(海龟策略、dual thrust、羊驼etc) + 符合逻辑的直觉
②.验证的过程==目测 + 历史回测 + 稳定性测试(是否过度拟合)
符合逻辑的直觉——>交易者追求的终极境界
再比如通过分析与个股相关的新闻,从而能够判断市场对该股的情绪、态度等。这种类型的策略的关键是想法要符合逻辑,符合直觉。
4.时间统计
昨日阅读5小时,累计430小时
|