期货手续，期货开户，期货咨询，弘业期货开户专员联系方式：18912929558

1、高频交易公司和量化投资公司的区别

　　量化投资公司和高频交易公司一般说来，既有区别又有联系。在美国，人们常说的量化投资公司一般都是对冲基金，包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等;而常说的高频交易公司一般都是自营交易公司，这些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外，既有量化投资业务，又有高频交易业务的公司有Two Sigma、Citadel等;还有许多公司向着更综合的方向发展，DE Shaw等公司，既有量化投资，又有非量化投资。

　　高频交易公司的创始人，很多从历史上看，原来都是从事套利、衍生品的做市等业务的交易员。此类工作在初始并不需要渊博的知识。交易的自动化程度和频率将随着计算机技术的发展而提高，逐渐的这些公司会聘请一些计算机、数学、统计背景较强的人员加入，用来适应形势的发展。但是，有些分化也在这个过程中产生，有的公司往往采取全自动的交易模式，这些公司对新鲜技术的接受程度更高一些;有些公司主导地位还是保留给了交易员，而且始终没放弃人工交易，最终形成了人机结合的半自动交易。目前来看，双方各有利弊，半自动交易的公司与全自动交易的公司相比，并不存谁更优越的说法。

　　通过托管机房的全自动交易公司，可以在最大程度减少信号传输的时间，但是很多公司人员流动较大，而且自动化交易程序过于复杂， 在程序维护时出现一些失误，最后都会酿成大祸，比如著名的骑士资本。人工交易的最大弊端又是什么?在行情剧变的时候，手动下单的地方离交易所较远，常常导致抢不到单。

　　全自动交易是Hudson River Trading、Tower Research、Jump Trading等，半自动交易是Virtu Financial、Getco、SIG、Jane等。至于过度拟合无法抵御黑天鹅事件事件，则是自动交易和人工交易都无法避免的问题。

　　高频交易公司和量化投资公司有很多不同之处。高频交易一般依赖于高效运行的代码，而量化投资一般依赖于复杂的模型。其次，美国的高频交易公司的创办传统交易员居多，而量化投资公司创办者大多是量化背景极强的人，比如计算机教授出身的David Shaw是DE Shaw的创始人，金融学家出身的Cliff Asness是AQR的创始人，数学家出身的西蒙斯是文艺复兴的创始人。

　　量化投资公司往往能达到1—2个星期的持仓时间，模型也因要预测如此庞大价格趋势的信息量而更为复杂，反而对程序的运行速度没那么敏感;高频交易的模型与之相比更为简单，因为处理信息的时间极短(微秒或毫秒级)，不可能分析太多信息，因为更多竞争优势是依靠代码运行，甚至很多人的程序直接写在硬件上;可达几百亿美元资金容量的量化投资，一般来说都是帮客户投资，而往往高频交易公司只有几千万至几亿美元，可是量化投资却远没有高频交易策略表现的稳定，如1238天只亏1天的Virtu Financial交易，所以一般都是自营交易。

　　2、量化交易的模型

　　下面从简单到复杂的介绍一下量化交易的模型：

　　以最简单的约翰·墨菲《期货市场技术分析》为例，适合主观交易且通俗易懂，用到最多的是指数、对数等高中层面的数学知识，或者半自动交易，计算机计算并发出交易信号，之后由人手动下单。

　　丹尼斯的《海龟交易法则》是层次高一点的代表，使用了大学低年级的数学内容，如均值、方差、正态分布，提出了可靠的资金管理办法，策略的测试也更具科学性，可是，进行交易时依靠交易规则的排列组合，依旧没有摆脱传统思路是其最大的缺点。但是，如果行情出大趋势同时策略设计得好，效果还是会不错的。

　　交易信号的整合方面是更高一级层次的体现，在对传统的技术指标进行有机整合时，运用更现代的统计方法——神经网络、回归分析、支持向量机等，进行变量的筛选及测试时会使用更严格的统计方法。考虑到金融数据的时间特征，如要得出的模型也更为稳健，获取样本外的测试结果常常需要使用滚动优化，

　　不过，要实现这些功能，需要自己用更通用的编程语言，程序化交易系统难以做到。

　　对于量化投资来说，除了行情信息，整理收集其他基本面的信息也相当重要，预测模型中要融入整理出的对应的时间序列。成功的模型是什么?重点在于它整合了多少不同来源的信息，而不是运用了多高深的数学理论。以简单的线性回归为例，想要模型的预测效果好，需要各个参数都有很强的预测能力，同时相关性很低;反之，如果选取的参数毫无意义，就算运用在复杂的深度学习理论，得出的模型也没有用。美国的一些公司，除了利用新闻等文本信息建模外，谷歌卫星拍摄到的港口集装箱的图像也会用来建模，商品价格走势如何，通过对商品集装箱的数目来预测，取得了很好的预测效果。

　　求解模型其实与建模同样重要。比如说物理学上有很多能精确描述现实的模型，可还是难以求解，因为缺乏高效的科学计算方法，量化交易也一样的。伴随着巨大计算量的参数的计算、筛选、优化、回测等，怎样精妙求解是一门颇为高深的学问。著名的文艺复兴公司内部有着明确的分工——物理学家分析数据建立模型，数学家构建优化算法并求解模型等，计算机程序员从各个来源收集数据，西蒙斯这样透露。

　　3、高频、量化领域常见的误区

　　量化模型无法战胜黑天鹅事件

　　实际上，所有投资方法预测未来都是依靠历史，黑天鹅事件大家都怕，回撤也都是会有的。把最新的情况纳入模型，争取在最短的时间内扭转损失，及时调整，重新回测、优化、模拟，是遇到回撤之后量化的好处。2007年8月，文艺复兴遭遇历史上罕见的9%回撤之后，果断采取措施的西蒙斯，重新建模，“我们新的模型已经发现了3个很强的交易信号”同时在致投资者的信中这样宣称，在接下来的日子西蒙斯很快扳回损失，当年有80%的收益率。

　　长期资本管理公司(LTCM)就是因为用了量化模型而破产的。LTCM事实上是一个多策略基金，在1998年它的纯量化交易策略还是赚了1亿美元，交易流动性极差的柜台衍生品才是它亏损最多的策略，甚至许多产品设计是来跟投行对赌，遭遇黑天鹅事件无法及时理清头绪。这些产品的具体产品设计、交易执行、销售等都跟量化无关，只是在定价时用量化模型辅助一下，LTCM的破产跟模型关系并不大，流动性风险才是其根本原因。

　　高频交易损害投资者利益

　　《Flash Boys》等书籍的作者文笔都极佳，且极富煽动性的叙事手法，吸引了众多眼球，其实书籍中的观点极富争议性。目前，美国那些当年的传统交易员，都强烈要求禁止高频交易，媒体除外。因为他们并不甘心被新兴的、依靠先进技术的高频交易公司打败，所以才组织更多的力量来进行反击。其实这些人对市场颇为熟悉，各个都是老手，某些观点还是有可取之处。

　　现在国内市场，股票很可能开放T+0，期权也准备上市。国外高频交易商早就对这两块“肥肉”垂涎三尺。虽然我们依靠在程序化交易上的丰富经验，与国外在期货高频领域可以一较高下，但是我们在期权和股票高频领域的实践经验为零，与国外还是有较大差距。对此，笔者认为，一方面也不能急功近利，妄想一年半载就可以取得很大的成绩;另一方面也不要觉得外资太厉害就干脆不做了，不要妄自菲薄。很多外国的高手要稳定盈利，需要在国内市场中研究一年，国内的人基础较薄，研究周期放长，凡事本着谦虚谨慎的态度，戒骄戒躁，比如第一年做准备工作开发系统，在逐渐打平手续费的第二年后开始盈利，也许更合理。策略研究不能急于求成，慢工才能出细活，研究方向的频繁改变也许最后是竹篮打水。