香港:
  • 纽约:
  • 伦敦:
  • 东京:
  • 悉尼:
  • 香港:
  • 新加坡:
首页> 学院> 学院 >正文

总结:金融科技与量化交易的中国实践!

近期,锐天资本徐晓波先生受邀参加了由量化投资与机器学习公众号主办的5周年量化嘉年华活动——这就是Quant。

近期,锐天资本徐晓波先生受邀参加了由量化投资与机器学习公众号主办的5周年量化嘉年华活动——这就是Quant。以下是简化整理讲话内容与记者问答内容:

 

什么是量化交易,量化交易的三种模式!

 

第一种:与高频交易的结合

就是量化自然而然会和高频交易结合在一起,高频交易其实也有很多做法,包括做市策略在海外,抢单交易等等,现在所谓的高频交易其实更多的是由Alpha本身驱动的。

第二种:统计套利

不管是在国外还是在国内,现在统计套利本身都占据了非常大的市场份额。统计套利也包括几大类策略,包括量价因子策略、基本面策略、另类数据策略。那么量价因子顾名思义也比较简单,就是根据市场上公开的交易信息,包括价格信息,成交量信息,订单信息等等综合而成,去预测股票资产价格涨跌的规律;基本面因子大家知道股票的很多的价格,包括商品期货价格,最终还是由基本面驱动的,给股票资产进行有效定价,好的公司价格会上涨,差的公司价格会下跌,那么基本面因子就是从公司的财报,或者是市场上分析师的一致预期的数据当中,获得对股票基本面信息进行汇总,并对其较长期的资产价格做出预测和判断,那这也是国内运用非常广泛的一个因子。第三类:另类数据因子。近年来因为数据越来越多,大家会关注更多非传统的股票信息数据,把它做成另类策略,比如说信用卡消费数据、网站爬取到的数据等,甚至包括一些订阅信息等类似这样的一类数据。在这些信息中多多少少都会影射出公司本身的一些预期收入变化。甚至包括该公司其他的一些供应相关的一些信息的变化,那么,大家就会不断的从这些另类数据当中提取与公司基本面有关的信息并用它来预测股价。说到统计套利,基本上可能我们可以先讲这些内容作为一个简单的介绍。

第三种:算法交易

它与前两者区别是卖方券商提供给买方的去执行交易策略 的一个算法的工具。在美国,大家提到量化交易占比可能会达到90%以上,这90%以上的交易量一半是由算法交易去完成。在美国,有很多主观投资经理,他们在形成自己的策略和仓位之后会交给机器交给这些算法平台去执行交易订单,机器的好处是同时在市场上各个交易所,寻找到最后一个报价,并通过总结市场的一些短期规律,不断优化算法从而寻找更优的一个执行价格并减少市场冲击的一个方法。

 

量化本身与主观投资未来的融合和关系!

目前在美国很多大型的对冲基金,尤其做主观对冲基金,他们也会使用一些量化的方法去做投资,在策略生成仓位之后,也会用算法交易去提供一些执行优化。,当然因为美国很多对冲基金,高杠杆运作对风控非常高的要求,他们也会用量化的手段去优化投资的组合,控制回撤,不断优化自己的收益回撤比。这些主管基金经理也会像量化一样不断挖掘更多的另类数据,用另类数据跟踪股票的一个基本面变化,比如说游戏公司在APPLE STORE的下载量,包括一个油田的卡车进出数目等类似这些信息本身,虽然量化是从更加系统化的角度去挖掘这些细节的规律,主观基金经理更多是对这些数据的一个主观总结,结合行业的先验知识,做出一个对资产价格本身的判断,基于少数数据点做出一个高维信息判断的一个决策。量化则基于大量系统化结构化的数据,在没有太多先验知识的情况下,对数据以及系统化地挖掘来总结出这个市场本身规律。这两种方法本质的区别也是人作为一种智能化的生物决策的流程和现代所谓的人智能在方法论上的差异。人经过多年进化,形成了社会知识,包括行业知识,包括对人对社会的判断,但是机器本身更多还是通过一些结构化的数据及大量的训练,以一个优化函数来得到一个所谓的不断逼近优化结果的目标,所以这两种方法论其实本质上还是人和机器的竞争。

 

量化交易的发展现状!

说到量化交易不得不提的是它在美国的发展现状,因为量化交易本身起源于美国。90年代开始兴起,再到最近10~20年,在美国经历飞速的发展,到现在基本上已经形成了一个寡头垄断的格局。量化交易本身在美国市场份额占比是非常大的,百分之九十几的交易量是通过这个机器去完成当中可能有一半的对手方都是一些偏高频的策略,在市场上不停交易,当然还有一些交易量也是中低频策略,通过算法交易在执行。美国市场体量确实是全球最大的资本市场,未来中国可能现在在市场交易也确实在不断的接近,但美国有一个很显著的特点,就是美国本身的交易制度,除了灵活,他可以允许很多的信息的传播,包括交易所,每一个交易的信息的细节都会在市场行情当中得到披露,它是全世界可能信息最透明的一个交易场所,包括美国的交易制度也是非常的自由,他鼓励多个交易所和多个交易价值之间的竞争,像中国可能更加是一个中央化管控,一只股票在一只交易所的一个现状,美国非常高科技的一些发展,使得交易所在效用及数据处理的能力尚也会大幅提升,这是我想说的第二是因为他自有的这种灵活的制度和交易所的竞争,它的数据体量可以说是非常大,像美国一天一只股票在一个交易所这个数据上经常就可以达到1T,可想而知全市场的数据可能一天所有的股票,交易所相加之后,可能上千T的一个数量级,是非常庞大体量,所以处理大体量数据本身要花费非常大的精力、资历、人力、物力。美国在这方面是走的比较领先的,不管是在信息的处理能力上,交易所在处理基本信息的能力,包括交易数据落地后,构建分析框架对这套信息庞大信息的处理能力,包括实盘交易之后,不同的交易所进行实盘交易也需要大量的机器资源去提供稳定的市场上竞争,所以美国量化交易对基础设施的要求是在比较高的水平。

那么第三个是信息化程度,其实刚刚也提到过,不管是标准化的市场行情来说,美国在信息程度上做了大量的披露,包括比如说像基本面数据其他的关于资本市场的信息,美国的数据体量都是非常充分非常庞大,也包括大量的非结构化的数据和一些另类数据。可能很多对冲基金会使用几百种另类数据或者上千种去进行股票的信息的研究加总和预测。那么所以美国相对来说在信息维度上,也是走的比较领先。所以它的本身的自由度就是市场资本市场的一个策略,因为可被挖掘的信息自由度也是非常高的,所以它的竞争也是会非常充分。最后就谈到所谓的运算带宽,其实正因为它庞大的数据体量,非常高的信息维度就带来了市场化的科技的竞争,所以它的本身要消耗大量的计算资源,去实现历史回测也好数据分析也好还是实盘交易也好。所以各家大型的对冲基金,都会建立自己的私有云,去做这些技术架构并为量化交易的策略的迭代提供一个非常强大的后台的服务。

 

中国的量化发展三个阶段

第一个阶段:10~15年,一个野蛮生长的阶段

15年之前,最早其实是在10年股指期货刚刚开始交易的时候,开启了中国量化交易的一个阶段。因为那时候刚开始有是资本市场对冲的概念,股票的策略的盈利可以不只是来源于股票的涨,还同时来源于股票的跌。包括期货市场它的API的诞生,股票市场API诞生也为量化交易提供了可能,从10年到15年其实中国资本市场本身也经历了非常快速的变化,那个时候其实大量的资金开始涌入这个市场。然后制度进行大量创新,直到15年达到一个高峰的时候。那个时候由于市场大体量资金市非常疯狂的参与市场以至于最后15年诞生在这样的一个结局。所以其实在10~15年是一个野蛮生长的阶段,当时15年的时候也诞生了好几家超过50亿规模以上的量化私募基金。但是因为15年非常大的一个制度转折,股指期货交易被限制导致股指期货的贴水还是在非常高的位置上,所以以至于整个在15年之后,基本上50亿以上的量化私募基金都没有办法很好的健康运作。

第二个阶段:15年之后的困难时期

量化本身在15年之后,就开启了一个非常困难的时期。因为就是高贴水的环境,程序化被限制,以至于大家需要突破很多的规则或者条条框框去使量化交易变的可能。但正因为第二个阶段,从16年到18年结束的阶段,其实第二代量化私募基金客服了很多障碍,然后打破了程序化交易的一些接入的瓶颈,克服了高贴水的环境。然后包括客户的股指期货开仓这些限制的放开,股票量化交易的生态重新建立起来。

第三个阶段:19年开始,多资本多竞争阶段

19年开始,其实整个中国资本市场又经历一个大的转向。政策再一次大幅开放,包括对外资也好。包括自己中国本身的资本市场自由化的发展很多制度开始又重新回到创新的周期。量化本身也开始开启了一个新的时代,这个时代更多资本开始涌入到量化,资本会发现量化策略在这个市场上是一个非常好的资产的补充。它具有高流动性高收益回撤比,且能不断的净化。所以从19年开始,大量资本开始涌入量化,量化又开始了非常大的竞争。

 

量化在中国的竞争和制度的变化

现在中国的量化的发展也是处在一个完全新的周期,19年开始之后整个制度开始大幅放开,不管是从资金面上,银行大体量资金或者国家大体量的资金都希望配置到更多的标准化资产。

股票和债券在中国又是一个非常重要的募资手段,所以现在来说国家的整个引导也是希望把大量资金引入股市,包括科创板推出,还是创业板注册制推出,包括外资引入,包括公募转融通的一个制度允许。所以都是为了不断的有更多的资本市场参与者,去更加自由的参与市场进行交易,进行博弈,然后来充分通过博弈的过程来发现资产本身的内生的价值。正因为这样一个大的环境,引入了大量的自由的资本,产生了自由的制度和自由的交易规则。所以在这个过程当中会诞生大量的发展量化交易的机会。

但是同时,引入了巨量资本的时候,也会引入巨量的竞争。那么大家会发现原有的有效的策略会不断的进行衰减,是因为越来越多的资本发现这些超额收益的机会,会不断的进入市场,把资本超额收益的收益率不断的压低。监管本身对量化的交易也是非常放开的态度,还记得当时18年的时候,我们经常也会遇到突然某一个时刻就开始被暴炒的股票。

但自从19年之后,这样的事情就再也没有发生过,所以可见监管本身资本市场的监管态度也进行了大的转变当然刚刚提到的所谓的这些政策大幅的放开,也是鼓励的资本市场本身更多向美国的一些制度去学习。因为这样大的环境背景在,所以金融科技本身在中国的未来,尤其是在量化领域的未来,是具有比较大的前景。不管是资本引入,还是更多参与者引入,还是更多科技技术本身给这些新的交易环境,都会在这个行业带来不一样的效果。

我觉得任何新的行业的发展,包括最后的格局形成,都需要蓬勃的竞争,尤其是科技行业,其实它最本质的竞争点就是在于人才。因为科技创新最后还是需要人才去推动,所以量化这个领域最后的竞争一定是人才的竞争。其实量化的人才大多来自于非传统的金融,比如数学、物理及计算机这些基础科学的领域,他们把一些统计的方法及理科的思维方法带到了金融社会实践的领域当中。

 

主持人提问环节

 

主持人:博士如何转行做量化?

徐晓波:我觉得其实这个行业,PHD候选人非常非常多,美国其实有很多Qaunt Fund会优先选择PHD来作为候选人,所以我觉得PHD反倒是是个优势,因为PHD具有很科研经历。当然,其实我觉得这个行业它并不是一个纯理论的行业,它更多还是一个偏工程的行业,所以我们需要把这些好的理论研究方法,更多的去结合实际工作来做。举一个简单的例子,如果你需要花三天时间去研究一个规律,但可能这个规律随着市场的变动已经改变了,所以我们也需要兼顾创新与速度两者的平衡,所以在实际工作当中,也许你可能花了80分的精力。做出了一个60分的创新,那么就需要你立马把它推到市场执行,来确保这个策略可以进行有效的验证,所以研究本身的经历是重要的,但是我觉得更重要的是如何把这样一个研究去运用到实际当中去。

 

主持人:如何看待目前中国的金融市场水平对于Quant的发展?

徐晓波:其实,中国本身也在一个大的,新的资本市场发展的周期,那么这个周期当中会有非常多的公司上市,非常多的资金开始参与这个市场,不管中资也好外资也好,把资产定价变得越来越有效,当然在这个过程当中,很多资产交易方就会扮演非常重要的角色去推动价格变动的效应。我觉得量化作为基金交易方起这方面也起到了重要作用,所以说量化在中国现在处于一个非常重要的时间节点,它配合了整个政策变化,去推动整个行业的发展。那么,在美国这个行业其实相对来说已经进非常成熟,所以大的格局已经形成,但对中国来说,其实格局还没有完全固定下来,所以在这当中会有非常多的机会可以给到新加入的年轻人去发展。

 

 

主持人:如何看待量化策略的同质化现象,国内和国外量化策略的差距在哪里?

徐晓波:其实大家会发现,任何有盈利机会得到频段,其实大家都会去研究所,你很难说在大的框架上大的方法论上大家有什么本质的不同,因为大家同时在看这些交易,去挖掘这其中的 规律,也会看这些数据,所以它的源头都是一样的,或者它的 竞争领域都是类似的。但是从另外一个角度来说任何资产他的Alpha都有比较大的体量,那么这并不是说一家已经垄断了整个市场,所以 总体来说在很多细节的方法论上或者一些因子挖掘迭代的方法上 ,其实各家还是有自己的一些区别的,可能这些区别比较细节 ,所以并不能说这个本身是非常同质化的,而且刚刚也提到这是一个科技创新的领域,所以你需要不停的创新在这个市场上生存。

 

主持人:Quant数据分析是不是趋向高频化,那么低频交易是否还能取得较高的绝对收益。高频数据和低频数据之间如何互相指导?

徐晓波:我觉得其实在中国任何资产的周期都是有交易机会的,都是有Alpha的空间的。不同频段可能它的优势会不一样,可能偏高频策略他的收益会更高,但是它衰减的也可能更快,所以它的容量可能不会非常大,中频期的策略它的稳定性还不错,它的市场体量会更大一些,但它的竞争也会更加激烈。那么再到低频的领域,其实它的容量会更大,但是它的收益率相对中频可能没有那么稳定,它竞争的可能更多的是和主观的进行竞争。所以我觉得其实不同的频段都是有他自身机会的。

 

主持人:当前国内当衍生品的活跃度是否支持量化交易?

徐晓波:现在衍生品可能更多是在期货、期权。期货本身是一个非常成熟的品种,股指期货之前有一些限制,现在也在逐步放开。大家都会去考虑。期权确实是一个刚刚兴起的品种,所以市场上承载的资金量还并不是特别大,但如果未来通过资本市场衍生品进一步打开的话,其实像美国一样是会带来更大的交易机会的。

 

主持人:另类数据再挖掘A股的Alpha前景如何?

徐晓波:我觉得其实这个点在美国的应用确实非常广泛,刚才提到大的对冲基金可能会有成百上千的数据,但在中国据我所知,大家可能对另类数据不管是因为数据本身的成熟程度也好,还是说大家对数据敏感性的的管控也好,其实在中国的应用没有广泛,那么未来的这些趋势也不好讲,长期当然是看好这块发展的,但是至于他有什么样的结构,和美国去靠拢,我觉得这也是一方面的因素。

 

主持人:深度学习在国内量化交易中的有效性如何?

徐晓波:我觉得深度学习也是一个方法论的框架,它里面涵盖的内容非常多,包括网络结构的设计参数的调整,包括各个方法互相集合与嵌套。同时深度学习也提供了一种非常好的思维方式供大家选择使用,并且去更好的挖掘数据。

 

主持人:如何看待高频因子模型拥挤度越来越高的问题?

徐晓波:其实我觉得从各个周期来说都是拥挤度越来越高,所以你需要在这个行业不断的快速的创新,去用一些更好的、新的方法论去挖掘市场本身的交易归规律。

 

主持人:今天问最后一个问题。如何看待量本投资?

徐晓波:我觉得量化基本面很大程度上在未来是可以进行高度融合的,就好像科技创新一样,并没有一个确定性的结论。就像Mask想把人类带去火星,至于能不能成功这是另外一回事,但是这个想法是十分好的,我觉得是值得去做的。这也是锐天本身未来发展的的方向。

 

 

【免责声明】123财经导航所发布的信息内容仅供交易投资者参考,并不构成投资建议“据此操作,风险自担”。网站上部分信息内容及图片来自于网络/注册作者/投稿人,版权归原作者所有,如有侵权,请您与我们联系关闭,邮箱:938123@qq.com。
第三方账号登录
第三方账号登录
第三方账号登录
  • *站点:
  • *网址:
  • 类型:
  • 联系方式:
  • 简介:

  • RRH123欢迎您的加入!如有问题请添加咨询管理员【微信号:938123】
  • *类型:
  • *问题:
  • 图片说明:
  • 联系方式:

  • RRH123感谢您的反馈!如有问题请添加咨询管理员【微信号:938123】