近年来，算法交易越来越受欢迎。事实上，据统计，量化对冲基金行业在2018年管理的资产超过1万亿美元，几乎是10年前的两倍。
在数字化和机器学习的时代，投资界对量化投资过程的方法越来越感兴趣。越来越多的传统投资管理公司聘用数据科学家和机器学习专家，希望采用严格的科学方法投资，从而提高收益率。
在本系列的文章中，我将带领你了解鲜为人知的算法交易行业内部的工作秘密。
起源
量化投资的理念绝不是最近才出现的，它们很可能源自哈里•马科维茨（Harry Markowitz）的著作。在1952年发表于《金融杂志》（Journal of Finance）的开创性论文《投资组合选择》（Portfolio Selection）中，马科维茨介绍了应用数学模型解决最优投资组合配置的思想。
自那以后，由于过去二十年技术爆炸性增长，出现了许多先进的算法。随着计算能力的提高，越来越多的数学家和计算机科学家开始从事科学投资，每天都在开发更复杂的模型。
要理解算法交易，或许最好的起点是它要解决的问题本质：增加收益，降低风险。
虽然在随后的文章中我们会详细地讨论这两个概念，但有一点，问题的核心一直是优化，从数学的角度来看，算法交易必须依赖于科学！
整个量化投资流程都服从于优化原则，仔细想想，是不是任何一家企业都是如此？
问题的关键是如何预测收益和风险？
这就是量化交易员和研究人员要做的：预测收益和风险。量化的方式因地制宜，但目的一致。
预测风险和收益
Curve Finance发起关于添加renFIL/wFIL池和stETH/ETH池的新提案:据官方消息，Curve Finance发起新提案，以添加renFIL/wFIL池和stETH/ETH池。[2020/12/20 15:48:54]
交易员和研究人员如何做出他们的预测？有很多方法，一种是统计分析金融资产的价格，一种是分析替代数据集。
替代数据集的一个著名例子是大型零售商停车场的卫星图像。如果停车场停放很多车，大量人群购物，公司的利润将会更大！
上例属于消费者行为类别，还有许多其他类别。替代数据行业在过去十年蓬勃发展，截至本文撰写之时，已有近一半的对冲基金公司依靠此类数据进行投资。
替代数据行业增长的主要动力在于，它使基金经理对未来收益的预测优于市场共识。
基金经理还依赖其他一些优势来提高利润，优质数据只是其一。
面临的挑战
在实践中，预测风险和收益是一项颇具挑战的任务，因为获取的数据量非常大，而且数据非常繁杂。
而且，如果一个人能够以一定的准确性预测收益，根据自己的预测进行交易，但随着时间的推移，他预测的准确性会降低。
的确，假设有人预测某只股票会在某一事件发生时增值，那么交易策略就是每次发生这种事件时买进这只股票，等赚到钱后再把它卖回市场。
这种策略的后果之一是，通过购买股票，他会推高股票价格，从而要支付花费更多的资金回购股票——因此获得的利润比他理论上应得的要少。
如果这个人只买了小部分股票，那么就不会推高股票的价格。用金融行话来说，他对市场没有影响。因此，如果他要按照自己的预测进行交易，那么他必须在低影响和尽可能多地买入股票获利之间取得平衡。
让我们继续这个例子，并假设其他市场参与者也对该股票有良好的预测。这些其他的市场参与者最终也会购买股票，他们累积的市场影响最终会推高股票，从而减少交易者本能获得的更高利润。
这是量化交易的一个关键因素，策略在长时间内的收益往往是递减的，因此交易者必须重新校准他们的策略，并应用新的策略。
向零赛跑
另一种优势是更好的技术基础设施。如果一家公司能够比市场上的其他公司更快交易，那么他们将比基于相同信息进行交易的竞争对手获得更好的收益。
这导致了高频交易的发展，其特点是高处理和高执行速度、高周转率（某项资产的头寸变化快）和高订单交易率（发送到市场的订单很少找到交易对手）。这种特殊类型的交易严重依赖高频金融数据和电子交易工具。
随着高频交易的出现，意味永远会出现更快的交易机器，首先通过代码优化，然后通过其他方法，从在GPU（图形卡）而不是CPU上运行模型到可编程门阵列（FPGA，一种集成电路，可以由程序员配置）上运行。
金融机构（主要是量化对冲基金）寻求获得速度优势的另一种方法是，通过提高服务器与不同交易场所之间的通信速度。
一个著名的例子是连接芝加哥商品交易所和新泽西纳斯达克的光缆，它于2010年落成，总成本为3亿美元。这条电缆允许信息在6.5毫秒内穿越800英里，相当于每秒12.5万英里的速度。
为了适应那些希望更快交易的交易者，不同的交易场所创建了共同位置空间，不同的市场参与者可以将他们的交易服务器放置在匹配引擎附近。
其他类型的算法交易
还有许多其他类型的算法交易策略，我们将在后续的文章中介绍。举几个例子：
· 造市：连续地令限价买单的价格低于现在最高的限价买单（最低出价），令限价卖单高于当前的最高限价卖单（最高问价），从出价与问价的差价中获利（最高问价与最低出价之间的差价）。
· 统计套利：利用偏离正常的统计关系的价格套利。
· 事件套利：利用诸如并购、注册审批和法院裁决等影响公司股价的事件套利。
· 套利：利用多个市场一些证券的价格差异套利。例如，如果一只股票在某一交易所的价格是100美元，在另一交易所的价格是101美元。在第一个交易所买入股票，在第二个交易所卖出，在不承担任何风险的情况下获得1美元的利润。
· 对价交易：指建立一个由两种证券（买进一种证券，卖空另一种证券）组成的多空投资组合，这两种证券是相似的替代品（例如同一行业的股票），投资者从它们相对价值的价格差异中获利。
· 执行：在一定的价格上买入或卖出大量的某种证券。它的策略有将一个大订单拆分成小订单发到市场。比如VWAP（成交量加权平均价），VWAP算法寻求一个执行价格等于某段时间内的量加权平均价格，TWAP代表时间加权平均价格。
结论
本篇文章介绍了算法交易背后的主要思想，探讨了其发展背后的主要动因、目标、挑战，并简要介绍了最受欢迎的交易形式。
原文链接：
https://medium.com/the-capital/a-brief-introduction-to-algorithmic-trading-3b35ff012d72
译者：Aslan
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。