量化交易：美國究竟比中國領先多久？
量化投資領域，中國不僅是本行業的技術儲備不如歐美，而且實際上，量化交易經常運用各行各業的最先進科學模型來開發策略（eg. FBI用的人臉識別模型，NASA的空間物理模型、地質勘探的地心引力模型等)。這為量化交易提供支援的整個泛行業科研科技儲備也落後於歐美。曾面試中國量化交易基金經理，感覺在本土化上具備很強優勢，但研究水平和視野開闊度，比起外資同行還是稍遜一籌，這不光是能力問題，更多是技術環境問題。和其它交易策略不一樣，量化交易不是純粹靠交易天分市場直覺（但很重要，常能激發策略靈感）、而是很大程度靠科學研發能力（large scale research) 和技術水平（hardcore technologies）。
談到這裡，就簡單說下量化交易的策略研發方法。
第一類，傳統策略量化。很久前，交易員們就開始做趨勢策略、反轉策略、剝頭皮策略、造市策略等各種不同風格的策略，只不過那時是手工操作，或者半自動化。隨著市場發展技術成熟，量化交易把這些策略的研發和執行自動化了，從而提高了研發效率和水平、降低了交易成本，較大程度的排除了人的不穩定因素。這類交易，可以說是利用技術來提高原有策略的研發和執行，並在交易頻率和規模有了變化，但本質上並不算嶄新的策略類別，以前賺錢策略的也許能賺的多一些，虧錢的策略，量化也不能把他變成賺錢，這就是「思路錯了量化也救不了你」。
第二類，科學技術驅動策略。是純粹或很大程度上基於技術(technologies)差別的策略。這類也有一定歷史，但真正變成一個龐大引入注目的策略類別，則是近10年計算機技術的飛速發展過程中產生的。常見的情形是，某機構因為採用的演算法效率更高，計算機硬體更強大（超級計算機），產生了細微的速度和計算優勢，從而在交易上搶的先機，並運用自動化交易頻繁交易大量產品，用巨大的交易量產生穩定的收益。這類策略，IT技術和科學模型起了很關鍵的作用。這就是「技術就是你的思路」。
較早開始高頻交易的Tradebot 是這類策略的典型運用者，在2002年就達到了每天一億個訂單，差不多在那個時候很多傳統做市商被Tradebot 和 Getco 這樣的新型電子做市商擠出市場，後來Tradebot 和 Getco 一路用技術碾壓其它電子做市商競爭對手。在2005年,Tradebot 剝離了 BATS Global Markets，也就是現在美國第三大股票市場BATS。而1999年Tradebot 剛成立時，工作室地點是美國農村Kansas City的一間小地下室，裡面陰暗潮溼，只有5個交易員坐在電腦螢幕前監控交易，那時每臺電腦上都配備了一套叫著“Tradebot”的軟體。而Getco 對策略的運用更廣，野心更大。2012年，也是老牌做市商的 Knight 因技術故障，向紐交所傳送大量錯誤order，導致公司鉅虧4.4億美元，股價兩個交易日暴跌七成，被Getco以18億美元價格收購。
人們常對西蒙斯文藝復興的大獎章基金長期持續的高回報印象深刻，而實際上不太為媒體所知的是 Tradebot 常年保持每天（而不是每月或每年）盈利，not even one single losing day，原因是文藝復興有很多新基金要向外部投資者融資（賺錢的大獎章很早停止了外部融資，而實際新基金表現比大獎章差很多），需要做一定程度的IR，而 Tradebot 不對外部投資者開放，自己低調賺錢，這也是HFT很普遍的特點。 如果不是市場幾次出現大動盪，HFT被揪出來當替罪羊，媒體口誅筆伐，基本是沒有多少人知道這個低調的類別。
第三類，新型量化策略。則是得益於計算機技術的發展，慢慢發展起來的策略，它不完全是基於執行的技術優勢，更多是利用技術研發出新策略。例如統計套利，需要較多計算機計算資源進行資料探勘模式識別，這在以前僅僅靠人力是難以勝任的，IT技術的發展和成本的降低使得這些策略的研發得以可行。這就是「技術產生新策略」。
量化投資這個行業的科技含量之高，使得它不僅招聘了大量數學博士、物理博士、計算機博士來利用其它學科的最先進技術和科學模型，同時不少研發出的模型和促進的技術進步，也反哺其它傳統行業。最明顯的是顯示卡和GPU的飛速發展，一定程度上是受到高頻交易對巨大計算能力需求推動的。世界上有很大一部分超級計算機，除了呆在物理實驗室，還在對衝基金裡。
我們究竟落後在什麼地方呢？
1. 交易市場的落後：包括交易品種、交易的微觀資料、交易市場的不完善，具體舉例來說，交易品種我們連期權還沒有；交易的微觀資料國外交易所是可以達到分筆的級別，而我們是每0.5秒撮合完成後截面推送；交易市場本身是壟斷行業，除上海深圳股票交易所以及四家期貨交易所外沒有二級市場交易所，而且交易所間交易品種相互獨立，不存在競爭性；同時槓桿交易、做空等等交易機制也非常不完善；更不要提市場本身存在著的內幕交易行為。導致的直接後果是很多量化的思路根本無法實現。
2.交易理念的落後：大多數量化交易人員的思路還是K線如何走出形態後追趨勢的階段，本質上來說，還是處於用量化方法驅動主觀交易邏輯的層次，量化的意義只是讓交易更客觀、更少受到人為影響；真正的用較大演算法難度的統計模型驅動的高等級策略市場上其實很少很少，大多都是國外回來的團隊在操作。
3. 交易經驗的不足：國內量化交易的起點可以視為股指期貨的上市，現在量化交易的主要陣地也是這裡。但股指期貨只有短短不到4年的時間，本身樣本也太少了。
不停閃爍的超級電腦自動進行著高速交易，熒幕上滾動著通過高速網路提前獲取的最新市場訊息，加上通過槓桿放大的頭寸，賬戶的盈利不斷上跳...很多趨勢投資者把量化交易視為一樣“可以躺著賺錢的”形式。但現實真有這麼美好麼？
美國投資公司ConvergEx的首席策略師Nick Colas在參加了一次量化交易大會後頗為感慨，為我們提出了做量化交易的十大難題。
1. 量化交易員（寬客）與基本面投資者一樣會遭遇虧損
我在量化交易大會那天本想聽到廣泛成功的演算法及量化處理過程、可以輸出完美的回溯測試結果並且在最小的風險上獲得最大收益的策略，我還希望聽到電腦科技、執行速度、或者資料探勘方面的新進展。
但聽了一圈下來，我發現量化投資其實相對來說還處在初級發展階段，比如你經常可以聽到關於“新聞對於股價的真實影響有多少？”的爭論，而此時基本面投資者只需簡單的基於預測特定事件、比如超過或差於預期的財報做交易即可。而量化交易者則需要搞清楚具體此類訊息對股價的平均影響程度，這不是件容易的事，你的研究物件時刻在變化著。
2. 想在不同的股票/市場/產品中研究出一套通用交易規則很難
如果你想研究出一套只基於公司財報的交易系統這不難，比如基於超出預期的營收或股息來買入。但是供給面的情況如何？消費者層面的情緒如何？事實證明，財報的影響不及後兩者的大，但是你若想把後兩者納入交易模型中，這相當費力費時。
3. 股票、基本面、新聞訊息之間的關係不停變化著
記得2009年美股到達低點的時候，很多“低質”公司的回報**高於“優質”公司的回報。很多3塊錢的“垃圾股”可以在很短時間內漲到10塊錢，而高價的優質公司的股票想要翻一倍都要花上很久很久。對於基本面投資者來說，這是掘金的好時候，但對於量化投資者來說卻是噩夢，因為大多數模型此時都會顯示做多“優質股”做空“垃圾股”，後果則可想而知。
4. 數學有時幫你解決問題有時又會成為障礙
寬客們要在浩如煙海的金融資料中“尋寶”，但是他們與普通人一樣，一天只有24個小時，經常會碰到因一個分析無法推進而其他分析也陷入停頓的狀況。
5. 好材料卻並不容易使用
Twitter（美國的微博）是市場突發訊息和傳聞的最大出處，所有投資者都不會無視這裡傳出的訊息。但是這裡的訊息格式往往不規範，語法也千奇百怪，你無法讓計算機程式挑選出有效資訊並運用於自動交易中。
6. 並非100%有效
不管是量化還是基本面投資者，大家都是在玩數字遊戲。如果你的交易生涯中能有66%的勝率就已經算乾的很好了。不過量化交易與後者的不同點在於持倉時間，量化交易一般只做穩而快的短線交易，不像基本面投資可以等上相當長的一段時間，在一隻股票上獲取甚至100%的收益率。
7. 一切都從回溯測試開始
多數時候，回溯測試可以證明的你的設計交易策略在過去的表現，這是量化交易世界中非常重要的一塊內容，不過並不是所有寬客都能意識到，過去不代表未來。
8. 交易訊號就在那裡，也不在那裡
現在的資訊社會到處都是資料，科學家們甚至可以做到預測每家沃爾瑪超市上空的天氣如何。Google的統計為我們展示著每天全世界網民都在搜尋哪些內容。包括你想在市場中搜索上升動能最強的股票，如今都不難做到。面對茫茫多的資料，你該把時間精力放在哪一塊呢？這是個難題。
9. 量化交易正被監管機構瞄上
巴菲特決定讓旗下Business Wire終止向高頻交易公司提供特許直投新聞的服務。這是巴菲特為保護自己公司聲譽而高調與高頻交易撇清關係的行為。雖然量化投資≠高頻交易，但是不能否認，量化投資的主要優點之一便是“快”！如今量化投資者們獲取資訊的速度問題，已然被監管者們划進了重點監視區。下回監管者們又會關注哪個點呢？難說。
10. 愈發激烈的競爭
很顯然，量化交易在發展了20多個年頭後，依然非常流行，但這背後也就意味著同行內的競爭十分激烈，越來越快的電腦與網路，越來越複雜的演算法和資料庫，入行門檻也不斷提高。
來源：投基家
--------------------------------------------------------------------------------------------------
拓展閱讀：
1.高頻交易：為了0.07毫秒的比拼，竟然花費了1400萬美金