量化交易的优缺点

Posted 2023-04-04 2201_75361577

   量化交易其实就像《物种起源》里的物种一样，随着计算机与智能机器人的发展，投资量化是时代发展的必然产物。所谓能者为先适者生存，这是放诸四海皆为本的生存法则。在现代科技欣欣向荣的发展环境下，量化交易所表现出的种种优势，使全球投资者都必须花费庞大的人力、物力和财力用于机器人量化交易的研发上。

   由于量化交易策略自身的特质，其首先存在着比较强的可塑性。作为采用数量化手段构建而成并进行决策的交易策略，其在构建过程以及决策过程中，都是可以被精确度量的。相对而言，主观交易与量化交易，虽然在复盘等过程中可以得到数量化的交易结果，但是由于缺乏整体性的精确度量；因此局部的定量化结果往往波动较大、在很大程度上不具备稳定的刻画能力。

   这一特性带来了量化交易策略的另一个优点，即可验证性。由于未来的数据是不可得的，实际上交易员在判断一个交易策略时，很大程度上都依赖于历史数据上的测试结果。然而主观交易者在复盘或者其他测试过程中含有人为判断的成分，因此历史验证就成为了一个不可精确重复、缺乏稳定性和说服力的部分，这对于此类交易策略而言是一个比较严重的缺陷。

   量化交易策略就不存在这个问题，在构建和表述数量化的基础上，进行庞大的历史数据回溯测试，均能够得到一致的结果。如果测试结果是正向的，至少可以说明该量化策略在历史检验上具有盈利能力。

  上述两个特性使得量化交易策略具有较强的客观性。由于构建交易策略的过程中数量化手段占主导地位，交易决策更是具有明确的数量化规则，因此量化交易策略可以在很大程度上规避策略开发者的主观臆断，在构建的过程中始终获得客观的对待。

   同时，明确的数量化交易决策规则这一特点，也使得交易员在执行量化交易策略时，有希望完全排除情绪对于整个交易过程的干扰和影响。基于数量化规则，量化交易策略本身具备相当的独立性，不需要交易员的主观判断也可以完整的指导整个交易流程。而主观的交易策略由于在交易操作中需要持续的人为控制和判断，因此不可避免的存在一定的偏向。行为经济学里研究了很多相关的问题，包括损失厌恶偏向、过度自信偏向、参考点偏向等等，都是一些人类固有的行为偏向。当这些客观存在的偏向影响到交易策略的实际执行时，交易结果的预期从最优点处发生偏移就无法避免了。

  虽然量化交易策略不可能帮助我们完全的规避这些问题，但是数量化的框架和规则确实可以尽量减小这些不安定因素所带来的损害。

  上面所说的排除情绪化操作，实际上也包含了交易员常常谈到的一致性，也就是保证交易策略在执行过程中，使用相同的交易规则，其中包括买入点、卖出点、交易仓位大小的确定等等。如果交易员在执行量化交易策略时不主动加入人为判断，量化的交易规则可以帮助其很轻松的完成这个任务。更为重要的是，量化交易策略可以做到历史验证过程和实际交易行为的一致性，因为不论是真实交易决策，还是历史回溯测试，所参照的交易规则都是由数量化表达精确定义了的。这种整体上的一致性，是绝大部分主观交易策略都无法保证的。

  量化交易策略的数量化特点，及其带来的一致性，使得这种策略具备了比较好的可移植性。除非使用特定的量化因素，一般而言量化交易策略是比较容易在一个市场或者资产上证实有效后，移植到其他的市场或资产上使用的。

     例如，当策略使用的量化数据仅限于价格时，所有存在报价的市场都能够使用历史数据来验证这种量化交易策略。而当使用的量化数据包括价格和成交量时，除了外汇市场等少数情况外，量化交易策略也是能够移植到其他大部分的场内交易市场上的。量化交易策略所使用的数据的可得性越强，其移植能力也就越强。

     同时，由于量化交易策略可以很方便的得到数量化的验证结果，收益、风险等策略特征都能够通过数据形式得以呈现。因此，在量化交易策略被应用到多个市场或者资产上时，策略开发人员可以通过数量化结果这样的直观形式来进行横向对比，从而针对性的选取适合某一特定量化交易策略的市场，或者在多个市场之间进行配比。而由于量化交易策略的执行过程中不需要交易员的主观判断，因此相比于主观化的交易策略，其有能力同时覆盖大量的市场和资产，这对于投资组合的分散化来说具有很好的辅助作用。在现实中，大部分的量化基金都持有数量较多的资产和资产种类来组成投资组合，这正是利用了量化交易策略的特性从而更方便的分散风险。

     另一方面，对于量化交易策略而言，这种多个市场间的策略移植所需要的成本很小，在一些情况下甚至不需要变动原先的基础工具，因此降低了研发成本，同时节省了宝贵的研发时间。而量化交易策略不仅仅可以在策略研发的过程中帮助节省时间、降低成本，由于其具有非常明确的数量化规则用以指导交易，因此策略在实际使用的过程中可以脱离人为判断，执行速度更快，运作效率得到了提高。不论是否采用程序化的执行手段，量化交易策略都能够在实际交易中减少人的负担，也就减少了许多重复性的劳动。对于一个交易策略的控制者而言，就能够把更多的精力放在最为核心的策略创新上。

     而在策略创新上，量化交易策略本身也具有一定的优势。在科学不断进步的今天，越来越多的先进技术被创造出来并应用到各种情境之下。通过结合多个不同学科的知识和相应的数学模型，量化交易策略更有可能发现一些隐藏较深的复杂数据规律，而这些规律往往不太容易被主观交易者察觉得到。时至今日，神经网络、支持向量机、隐马尔科夫模型等机器学习模型已经开始被量化交易从业人员频繁提起。

 

    实际上就整个行业的状况而言，量化交易策略还有一个不太被人提及的优点或者说特点，那就是能够在一定程度上帮助公司减小对所谓的明星交易员的依赖。由于在交易流程当中，做决策的不再是具体的交易员，而是已经具有明确规则的量化交易策略，因此在量化交易策略研发完毕、甚至只是核心理念构建完成之后，公司对于量化交易策略的研发者的依赖程度就会迅速下降，这一方面可以帮助公司在人员配置上减少支出，更重要的是提高了公司对于交易整体的控制程度。整个公司系统的核心优势在于量化交易策略本身，因此不会由于人员变动等问题而非常迅速的消失，有利于公司在量化交易方面保持长期稳定。

 不过这个特质在稳定公司的同时，实际上也损害了量化交易策略研发者的利益。

量化交易策略的研究人员在策略研发完成之后丧失了一定的价值，因此在薪资等方面也不如主观交易的明星交易员一般具有讨价还价的底气。这也导致一部分的量化交易从业者较为消极的对待工作，甚至选择保留核心交易策略，进而隐性的损害了公司的利益。好在很多情况下，量化交易策略即使在研发完成之后，仍然需要不断的改进，从而适应市场环境的不断变化，因此对量化交易策略研发人员的持续需求仍然是存在的。当然，这个问题要妥善解决，仍然在于公司对此的激励政策。

    量化交易策略由于其明确而数量化的交易规则，不仅仅会造成上面提到的这一缺点，更重要的是，这些明确的量化规则是非常容易复制的。量化交易策略和许多科技创新一样，具有研发困难、复制简单的特点。即使在最终交易规则保密程度良好的情况下，仅仅只是泄露出一些策略理念出来，相比于主观交易策略，量化交易策略也有更大的可能会被逆向工程破解从而外泄。这种特性一方面增加了量化交易策略使用的成本，另一方面也加大了量化交易策略在交易之外的风险。一些量化交易的从业者在交流过程中非常的小心谨慎，一些公司在管理量化交易时执行诸多规章条例，或者对员工在合同上的严格限制甚至对簿公堂，都是由量化交易策略这一特性引起的。

          量化交易策略还有一个非常重大的缺点，就在于量化这个特性本身。诚然这一特征为量化交易策略带来了多种优势，但是由于这一特点，使得量化交易策略在对待无法量化的因素时，只能采取舍弃这样较为无奈的处理办法。因此，量化交易策略损失掉了很多其实有可能带来盈利的信息，也使得策略在处理信息时所覆盖到的范围变得狭窄。当然，随着科学技术的发展，一些之前无法被量化的因素开始进入量化交易策略的研究范围之内，例如针对网络信息刻画出的投资者情绪等等。但是，即使科技手段会让量化交易策略能够处理的信息范围更广更深，对比起主观交易策略而言，这样的缺陷始终是量化交易策略无法彻底摆脱的。这种来源于自身特性的缺点，只能改善而无法根治。

     同时，由于量化交易策略在构建过程中采用的是数量化的方法，需要一定数量的数据样本进行研究，而相应的数据都是随着时间逐渐产生的，因此当量化交易策略的构造形式没有本质上的改变时，从数据中抽取的数量化特征也只会随着时间逐渐变化，策略所形成的交易也只能缓慢的变化。当市场情形发生重大转变时，这种缓慢变化的特性会导致量化交易策略无法适应转折期的市场，在短时间内造成较大的损失。相比较而言，一部分定性的交易策略由于主要基于逻辑上的思路来进行交易，因此当市场情形发生改变时，能够基于主观逻辑迅速进行本质上的策略调整。转向缓慢这一特点也是量化交易策略一个较难改善的缺陷。

中国的 Python 量化交易工具链都有哪些

万得的Python API，可以用来获取实时数据、历史数据以及下单交易 优点：万得大而全 缺点：下单交易功能不是事件驱动（例如成交回报需要用户去查询，而不是主推）
同花顺iFinD的Python API，类似万得的API 优点：比万得便宜，同花顺的服务态度很好（用户提出新需求后很快就能给出确定的答复或者解决方案）
掘金的量化平台
通联数据的量化平台
QuickFix的Python API（可以用来接国信、方正的FIX接口）
Numpy/Scipy/Matplotlib/Pandas（量化分析）
IPyhon/Spyder（适合做量化分析的IDE环境）
Zipline（策略开发回测）
TuShare财经数据接口 - 可以直接抓取新浪财经、凤凰财经的网站数据，包括行情、基本面、经济数据等等。完全免费，简洁易用，API设计得非常友好，提取的数据格式是Pandas的DataFrame。同时可以获取非高频实时数据（取决于网站更新速度，同事经验大约是15秒），一个极好的非高频股票策略数据解决方案。
恒生电子的量化赢家平台，提供Python接口，链接我点进去后没看到具体的使用教程，希望回头补一下。
米矿ricequant在我提出这个问题时尚只有Java的API，后来也支持了Python，期待2016有新的突破。 参考技术A 1。 在数据获取方面强烈推荐使用TuShare
2。 在我们A股推荐成熟的pyalgotrade
3。测试策略 如：Ricequant
4。恒生的python-恒生量化社区
5。python的量化回测框架 QuantDigger本回答被提问者采纳