程序化、算法与高频交易的区别你知道嘛?

发布时间:2021-01-04 发表于话题:股票大数据分析 点击:18 当前位置:财神股票资讯网 > 综合 > 程序化、算法与高频交易的区别你知道嘛? 手机阅读

一、三大交易概念

关于程序化交易、算法交易以及高频交易,国际上学术界与产业界并没有统一的权威定义,并且这些概念及理解也是随着市场与交易技术的发展与时俱进的,目前国际市场上对这三者的通常理解如下:

1.程序化交易

根据纽约证券交易所(NYSE)的定义,程序化交易是指包含15只股票以上、成交额在100万美元以上的一篮子交易。在后来的市场实践中,程序化交易的对象通常包括在纽约证券交易所上市的股票、在芝加哥期权交易所(CBOE)和美国证券交易所(AMEX)交易的与这些股票或股票价格指数相对应的期权,以及在芝加哥商业交易所(CME)交易的标准普尔500股指期货合约等,这种交易方式完全是基于这些投资品种(标的资产以及相应的期货期权等衍生品)之间的相互定价关系。在交易执行方面,程序化交易是指从交易者的电脑下单指令直接进入市场的电脑系统并自动执行,主要被机构投资者用于大宗交易。

2.算法交易

算法交易是指使用计算机来确定订单最佳的执行路径、执行时间、执行价格及执行数量的交易方法。算法交易已在金融市场上得到广泛运用,养老基金、共同基金、对冲基金等机构投资者通常使用算法交易对大单指令进行分拆,寻找最佳路由和最有利的执行价格,以降低市场的冲击成本,提高执行效率和订单执行的隐蔽性。算法交易可运用于任何投资策略之中,如做市、场内价差交易、套利及趋势跟随交易等等。

3.高频交易

高频交易(HFT)是一类特殊的算法交易,它是利用超级计算机以极快的速度处理市场上最新出现的快速传递的信息流(包括行情信息、公布经济数据、政策发布等),并进行买卖交易。

二、程序化交易、算法交易在国际市场上的运用

程序化交易、算法交易在欧美发达国家的金融市场上运用较为广泛,在日本、中国香港、韩国等亚洲发达市场次之,在发展中国家的市场上使用则更少一些。

从2004年1月至2010年6月,纽约证券交易所中程序化交易在总成交量中的百分比:在这段时间内,程序化交易占总成交量百分比最大为48.8%,最小16.2%,平均28.6%。截至2010年6月11日,当周程序化交易成交量占比26.9%,用于指数套利的程序化交易占比仅为0.81%,非指数套利占比24.75%。最大的程序化交易者包括高盛、摩根士丹利、德意志银行、巴克莱资本、韦德布什·摩根、法兴美国、摩根大通、加拿大皇家银行资本等。

算法交易在交易中的作用主要体现在交易的执行方面,具体包括智能路由、降低冲击成本、提高执行效率、减少人力成本和增加投资组合收益等方面。国际市场上通常有四种主要类型的交易算法:一是时间表驱动算法,它遵循时间表,有固定的开始与结束时间,如VWAP、TWAP等;二是动态市场驱动算法,它实时监控市场波动并做出反应,如Implementation Shortfall、Price in line、Volume in line等;三是高自由度Alpha算法,如Float、Hidden、AtOpen、AtClose等;四是主动的流动性搜索捕捉算法,它可以智能地访问多个明池和暗池,如TAP等。截至2009年,高频交易公司的成交量占美国股票市场总交易量的73%。从事金融服务行业研究的TABB集团于2009年8月公布了一份报告,估计在2008年进行快速算法交易的300家证券公司和对冲基金共从中获利210亿美元左右。

在美国,总共大约有2万家交易商,其中采用高频交易的约占2.0%,也就是400家左右,但这2.0%的高频交易商在所有股票成交量中却占到了73.0%。从事高频交易的公司包括:少数大投行(如高盛、美林等)的自营席位、数百家最神秘的自营集团(如豹熊公司Wolverine、文艺复兴科技公司Renaissance Technologies、IMC公司和Getco公司)、不到100家最复杂的对冲基金等等。根据行业规则,他们往往倾向于秘密化、隐身化、智能化。

高频交易的特点是资金流动性很高,持仓时间极短,计算机不断地根据市场行情的变化做出极快的反应。典型的高频交易通常是每天都完成很多笔交易,每笔交易获取小额收益,极少情况下可能会有少量隔夜持仓。隔夜持仓对于高频交易者来说通常是不予考虑的,因为在如今高波动率的市场上,这样做的风险特别高,此外,隔夜持仓所占用的保证金还需支付利息,这会降低交易的收益率。高频交易策略的构成要素包括:

1.低延时

高频交易策略高度依赖于超低延时性。为了实现执行这些策略所带来的好处,高频交易公司必须拥有实时、与交易所同位的高频交易平台,通过这个平台来接受市场行情、生成交易指令、选择路由并执行指令,所有这些都是在不到1毫秒的时间内完成的。

2.多种资产类别和多个交易所

由于许多高频交易策略需要在一种以上的资产类别以及多个交易所之间进行交易,因此,需要配备适当的基础设施,以便在不同的数据中心之间进行远程连接。

3.有限的有效期

一个高频交易策略的竞争优势会随着时间的推移而削弱。尽管对于交易商而言,其高水平的交易策略可能会随着时间的推移保持前后一致的稳定性,但在微观层面上这些策略仍在动态调整,这样做有两个重要理由:第一,由于高频交易依赖于极其精确的市场互动以及证券之间的相关性,交易者需要时常调整算法的程序代码,以反映动态市场的微妙变化。第二,他们的交易策略信息可能被交易对手探测出来,这样容易受到对方反制,令他们最有利可图的想法成为最大的风险所在。

三、程序化交易、算法交易在国际市场上遇到的问题

程序化交易最引发争议的一个问题是,很多人认为程序化交易加剧了市场价格波动。由于机构投资者是程序化交易的主要市场参与者,因此,有人认为程序化交易更多地损害了中小投资者的利益。对于这种观点,诸多欧美金融经济学家进行了大量的理论和实证研究,经济学家的研究结果表明:程序化交易与市场价格波动之间没有必然的联系,同样,也没有证据显示指数套利加剧了市场价格的波动。

另外,美国证券交易委员会(SEC)曾对1997年10月27—28日美国股市经历的大动荡进行了调查,结果发现,包括指数套利、动态对冲以及指数期货等程序化交易在这两日内的交易行为均属正常,没有对市场振荡和价格巨幅下挫产生负面影响。

最近一两年,高频交易越来越受到欧美金融市场监管层的关注。在某些经纪商看来,有些高频交易方式例如闪电指令,属于“有毒”的下单方式。正是闪电指令这种有毒的交易方式,导致成交量激增,尤其是在纽约证券交易所上市的股票,同时报价变化也相应出现激增,短期的波动率剧烈上升。如今,纽约证券交易所的专业交易员所进行的交易只占总成交量的大约25%,这个数字在过去曾经是80%。有些高频交易者(如高盛)利用市场下单指令流的内幕信息来交易,从市场的其他参与者处提取数以十亿计的美元。鉴于所谓的闪电指令技术给予使用闪电般迅速的计算机的高频交易者不公平的优势,纳斯达克市场从2009年9月1日开始终止使用闪电指令。

四、程序化交易、算法交易在国际市场上的监管

纽约证券交易所对程序化交易所做的限制性规定包括Rule 80A和Rule 80B。Rule 80A主要包括三个方面的内容:(1)关于Collars的规定。纽约证券交易所于1988年2月规定了50个点位的Collars,即当道琼斯工业平均股价指数(DJIA)点位比上一个交易日收盘点位上涨或者下跌50点以上,S&P500指数成份股的套利交易就要受到限制。1998年10月5日,NYSE对Collars的上述规定进行了修改,取消了50个点位和25个点位的规定,代之使用DJIA的收盘点位的2%和1%为Collars的标准,每个季度对Collars进行重新计算,计算方法是以DJIA上一个季度最后一个月的平均收盘点位的2%和1%来取值。(2)关于Sidecar的规定。

早在1990年纽约证券交易所就规定,当S&P500指数期货合约的收盘价格比上一个交易日的收盘点位下跌12个点位以上,并且是在下午3∶25以前发生的,则有关S&P500指数成份股的程序化交易指令,包括限价指令、停止交易指令等都要受到限制。但该项规定已于1999年2月16日被取消。(3)关于熔断的规定。纽约证券交易所规则规定,当日DJIA点位比上一个交易日收盘点位上涨或者下跌160点以上,S&P500指数成份股的套利交易就要受到限制;如果DJIA点位比上一个交易日收盘点位上涨或者下跌80点以上,上述限制则取消;当DJIA点位再一次比上一个交易日收盘点位上涨或者下跌160点以上,则S&P500指数成份股的套利交易也要再一次受到限制。

Rule 80B规定了三个阶段的暂停交易情况:第一阶段,当日DJIA点位比上一个交易日收盘点位下跌800点时,则有三种暂停交易的情况:一是若点位下跌发生在下午2∶00以前,暂停交易1个小时;二是若点位下跌发生在下午2∶00—2∶30,暂停交易30分钟;三是若点位下跌发生在下午2∶30以后,除非进入第二阶段的暂停交易,否则交易继续进行。第二阶段,当日DJIA点位比上一个交易日收盘点位下跌1650点时,则暂停交易也分为三种情况:一是若点位下跌发生在下午1∶00以前,暂停交易2个小时;二是若点位下跌发生在下午1∶00—2∶00,则暂停交易1个小时;三是若点位下跌发生在2∶00以后,则暂停交易直至闭市。第三阶段,当日DJIA点位比上一个交易日收盘点位下跌2450点时,则立即暂停交易直至闭市。

五、程序化交易、算法交易在国内期货市场运用的可行性

首先,随着以股指期货为代表的金融衍生品的上市,国内金融市场将出现越来越多的对冲、期现套利、统计套利等较为复杂的交易策略,而这些策略的运用和实施对程序化交易、算法交易提出了更多的需求和更高的要求。

其次,程序化交易、算法交易的运用,与金融市场的微观结构密切相关。在国际市场上,随着交易电子化的迅猛发展,主要的成交量也是在交易所以外的电子盘上完成的。因为包括这些电子盘的交易场所非常多,所以才会需要智能路由等算法,也正是由于交易场所太多,市场受到一些轻微的扰动就可能出现大的波动。例如,2010年5月6日美国主要股票市场盘中大跌,监管部门至今仍在寻找明确的引发原因。而国内的证券和期货交易都是在指定的几个交易所内进行,因此,国际市场上的有些交易方式在国内市场并无多大的用武之地,因为国内交易场所比较少,整个市场系统的稳定性也相对较好。

再次,在监管方面,国内市场对程序化交易等交易方式非常重视,因此出现问题的可能性比较小,即使出现问题也能比较及时地发现并快速解决。例如,《中国金融期货交易所交易细则》中规定:“会员、客户使用或者会员向客户提供可以通过计算机程序实现自动批量下单或者快速下单等功能的交易软件的,会员应当事先报交易所备案。会员、客户采取可能影响交易所系统安全或者正常交易程序的方式下达交易指令的,交易所可以采取相关措施。”

程序化交易在国际市场上已有近40年的发展历史,具备了应用于不同市场和商品交易的可能性。与国际期货市场相比,国内的程序化交易起步较晚,但发展速度和势头非常迅猛。程序化交易最早由国内证券市场起步,近两年在期货市场开始被越来越多的投资者接受,特别是软件商推出程序化交易功能,为短线交易者提供了快捷的下单方式。此外,期货市场的程序化交易模型也正逐步由投资者编制自用,演变为有一定规模的投资咨询顾问组成的专业团队参与。

目前,单兵作战的个人投资者和有一定规模的专业团队构成了国内程序化交易模型的供给主体,其中个人投资者占了七成左右。从相关资料来看,目前程序化交易模型已经覆盖了日内交易、波段交易和长线交易的国内商品期货的所有品种。其中,日内交易模型占50%左右,波段交易占了模型的40%左右,适合机构操作的长线交易模型并不多见,而且目前绝大部分的期货交易模型基本上只针对国内的商品期货,应用于外盘的交易模型极少。

目前的程序化交易模型的供给可谓五花八门,特别是在某些期货论坛上几乎每天都有大量的新模型在展示,这些模型以个人编写为主,并且基本上都会把相应的测试结果公布出来。有一定规模的团队也会参与其中,但通常会建立独立的网站或博客每日公布系统的状况。综合来看,程序化交易供给主体虽然存在着无序、杂乱、缺乏组织的现象,但整体规模不可小视。随着专业化程序编制团队的加盟,这种局面将会改变,未来专业化的期货程序化交易公司或将出现。

随着期货市场的发展壮大,市场流动性将大大提高。在这种背景下,中国的程序化交易可能会出现绝对回报程序化交易、金融产品定价程序化交易与做市商程序化交易三种类型同时发展的现象。趋势上来讲,程序化交易会在中国得到更丰富的诠释,可见,程序化交易的大规模发展是建立于成熟的期货市场基础上的。不过,如果不能建立相关市场监管机制和配套措施,则程序化交易也可能产生负面效果。在制定相关政策之前,需要充分考虑当前的市场环境以及未来市场可能的发展前景,同时需要考虑恰当的技术手段,以及市场投资者组成。

六、程序化交易需要配套的市场机制

一个成熟的期货市场包括诸多方面,市场参与结构的成熟、相关制度建设的成熟、品种设计的成熟和监管措施的成熟等等。对于程序化交易而言,能够最大程度有效发挥程序化交易效率的前提是拥有一个相对成熟健康的期货市场,因此,需要在成熟市场建设方面配套相关措施。

首先,建立完善的自上而下的监控措施。目前,我国实行的监控措施包含多个层次:监管当局从政府层面,通过颁布各项法律法规来规范投资者行为,规范经纪商行为,从法律上杜绝违法违规行为的出现。行业协会从自律角度来规范市场参与各方的行为,达到监控目的。经纪商从风控角度来对投资者的交易行为进行一定程度的监控,一旦发现问题则及时提示风险,并积极采取应对措施。此外,还有市场参与的其他层面,比如期货保证金监控中心等。只要每个市场参与方都努力通过行为规范来参与和建立市场整体的监控体系,这些措施又尽可能地不要阻碍市场的健康平稳运行,那么,程序化交易就会在一个相对健康、公平的市场环境中发挥最大效率。

其次,提倡交易指令和报价系统的创新,积极推出有利于程序化交易的新机制。目前,我国的交易指令比较单一,投资者大多数情况下只能选择套保或者投机两种交易策略,虽然已有郑商所和大商所推出的跨期套利交易指令和跨品种套利交易指令,但依然缺乏与程序化交易相对应的更多交易指令。而在国外成熟市场,几乎都有专门用于程序化交易的指令,比如NASDAQ Level系列报价系统。国内期市整体步伐显然落后,这对于程序化交易的推广不利。

此外,由于程序化交易对于交易成本和交易时间都有较高要求,可以考虑在保证金单边收取、交易跑道的畅通等方面做出努力。

七、程序化交易需要大量机构投资者参与

在国际成熟期货市场,机构投资者是程序化交易的主体。目前,我国期货市场投资者结构不尽合理,个人占了绝大多数,法人机构和企业参与量较少,专业从事程序化交易的法人机构更是十分缺乏。在这样的情况下,市场整体的交易效率发挥存在一定障碍。程序化交易对于市场环境要求较高,越是成熟的市场,其发挥的效率越大。因此,引导和建立合理的投资者结构是当务之急,可以考虑通过立法等方式,让期货基金合法化,考虑在期货市场引入QFII等,大力培养合格机构投资者,使国内期货市场投资者结构趋于合理。反过来说,大力发展程序化交易可以培养期货市场机构投资者。两者相辅相成,可以令市场更快走向成熟。

八、技术创新和加大投入是程序化交易成功的前提

技术是程序化交易发展之本。加大技术创新和投入,不仅可以提高市场整体的效率,而且可以令程序化交易效率提高更快。而目前国内普遍存在的状况是,期货公司受成本投入限制,在技术方面投入不够,国内在程序化交易方面的技术创新步伐仍有待提高。不过,随着股指期货的推出,国内期货行业重新洗牌,预计今后在技术投入和创新方面会有更多的动作。从管理层角度讲,也应该积极鼓励期货公司技术创新,并在全行业推广先进的技术手段和管理经验。

九、强化协会自律管理职能

程序化交易需要相关的市场配套机制,而在监管层面,行业协会的自律管理是非常重要的一部分。自律不仅包括监管的目的,还应该包含在未来的方向指引和法律法规的颁布中。比如,在国外培育CTA是非常普遍的现象。所谓CTA,最初代指交易商品期货的投资顾问和商品投资基金,而今在期货投资领域,已经全面代指交易商品或交易金融衍生产品的投资顾问,以及以商品期货或金融衍生产品为投资对象的期货投资基金,即管理型期货。他们实际上属于期货基金范畴,通过管理一定规模的资产来进行专业理财,交易方式绝大多数采用程序化交易方式,并通过计算机的程序化运作来达到自律监管的目的。

在我国,CTA的功能已经为市场所熟知,但关于CTA制度的建设却一直没有太大进展。大力培育中国的CTA队伍对于程序化交易效率的发挥也将带来积极有效的作用。我们可以通过建立合理有效的法律法规制度来规范CTA的行为,然后通过CTA来引导投资者理性投资,进而达到市场效率充分发挥的目的。

我们认为,程序化交易对于发挥期货市场的效率是非常有效的,尽管其中也存在一些问题,但只要在制度建设以及市场机制建设等方面做好充分准备,避免人为因素的出现,程序化交易的负面影响就可以降低。从全球期货市场发展规律来看,程序化交易必将成为未来投资的主流。

AQF:量化金融分析师(简称AQF ,Analyst of Finance)由量化金融标准委员会(Standard Committee of Finance,SCQF)主考并颁证,是代表量化金融领域的专业水平证书。

金程量化金融分析师AQF实训项目

AQF量化金融分析师实训项目学习大纲

1.1.1. 第一部分:前导及课程介绍

1.AQF核心课程

2.量化策略的Python实现和回测

3.整体代码介绍

1.1.2. 第二部分:量化投资基础

1.量化投资背景及决策流程

2.量化择时

3.动量及反转策略

4.基金结构套利

5.行业轮动与相对价值

6.市场中性和多因子

7.事件驱动

8.CTA_1(TD模型)

9.统计套利_低风险套利

10.大数据和舆情分析

11.机器学习

12.高频交易和期权交易

13.其他策略和策略注意点

1.1.3. 第三部分:Python编程知识

Python语言环境搭建

1.Python语言环境搭建

Python编程基础

1.python数字运算和Jupyter notebook介绍

2.字符串

3.Python运算符

4.Tuple和List

5.字典

6.字符串格式化

7.控制结构_1.For循环

8.函数

9.全局和局部变量

10.模块

11.Python当中的重要函数

Python编程进阶

1.Numpy数据分析精讲

2.Pandas数据分析详解

金程AQF实训项目https://www.zhihu.com/video/1119265077408235520

数据可视化

1.Pandas内置数据可视化

2.Matplotlib基础

3.Seaborn

金融数据处理实战

1.数据获取_1.本地数据读取

1.数据获取_2.网络数据读取_1

1.数据获取_2.网络数据读取_2.tushare

1.数据获取_2_网络数据读取_3.文件存储

2.金融数据处理_1.同时获取多只股票

2.金融数据处理_2.金融计算

2.金融数据处理_3.检验分布和相关性

3.金融时间序列分析_1.Python下的时间处理

3.金融时间序列分析_2.Pandas时间格式

3.金融时间序列分析_3.金融数据频率的转换

4.金融数据处理分析实战案例_案例1

4.金融数据处理分析实战案例_案例2_多指标条件选股分析_1

4.金融数据处理分析实战案例_案例2_多指标条件选股分析_2

1.1.4. 第四部分:量化交易策略模块

三大经典策略

1.三大经典策略_1.SMA

1.三大经典策略_2.动量Momentum

1.三大经典策略_3.均值回归

配对交易策略

2.配对交易

技术分析相关策略

3.量化投资与技术分析_1.技术分析理论

3.量化投资与技术分析_2.CCI策略的Python实现

3.量化投资与技术分析_3.布林带策略的Python实现_1

3.量化投资与技术分析_4.SMA和CCI双指标交易系统

3.量化投资与技术分析_5.形态识别和移动止损策略

大数据舆情分析策略

4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析

CTA交易策略

5.CTA交易策略_Aberration趋势跟踪系统

量化投资与机器学习

6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理

6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理

6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理

6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理

6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解

6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结

6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理

6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化

6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现

6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现

6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现

6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测

1.1.5. 第五部分:面向对象和实盘交易

1.模块内容整体介绍

2.面向对象、类、实例、属性和方法

3.创建类、实例、方法

4._init_初始化方法

5.面向对象程序实例

6.继承的概念及代码实现

7.面向对象继承的实战案例

8.多继承和量化交易平台的面向对象开发思路

9.用面向对象方法实现股债平衡策略

1.1.6. 第六部分 实盘模拟交易

基于优矿平台的面向对象策略

1.优矿平台介绍

2.优矿平台回测框架介绍

3.优矿框架之context对象、account和position对象

4.优矿其它重要操作

5.优矿之小市值因子策略

6.优矿之双均线策略

7.优矿之均值回归策略

8.优矿之单因子策略模板

9.优矿之多因子策略模板

10.优矿之因子数据处理:去极值和标准化

面向对象实盘交易之Oanda

1.Oanda平台介绍和账户配置

2.Oanda账户密码配置和交易框架原理

3.Oanda链接账户并查看信息

4.Oanda API获取历史数据

5.Oanda市价单和交易状态查询

6.Oanda高级交易订单

7. Oanda其它高级功能

8. Oanda实战ADX策略全讲解:策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易

9. Oanda通过实时数据API调取实时数据、resample

面向对象实盘交易之IB

1.IB实战平台介绍及API安装调试

2.IB实战平台请求和响应远离、线程控制

3.IB响应函数wrapper讲解

4.IB请求函数及合约定义

5.IB程序化下单、仓位及账户查询

6.IB三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。

1.1.7. 第七部分:基于优矿的进阶学习

1.1回测与策略框架

1.2评价指标

1.3.1量化策略设计流程简介

1.3.2择时策略举例(双均线)

1.3.3量化投资模板1.0选股和择时

2.1基于技术分析的量化投资

2.2.1技术指标简介

2.2.2 MACD择时策略

2.2.3 WVAD择时策略

2.2.4 RSI择时策略

2.2.5 MFI择时策略

2.2.6 CCI择时策略

2.2.7技术指标总结

2.3通道技术

3.1.1日期效应

3.1.2动量效应

3.2.1格雷厄姆成长投资

3.2.2积极投资策略

3.2.3价值投资策略

3.2.4小型价值股投资策略

3.3.1交易系统设计的一般原理

3.3.2均线排列系统

3.3.3金肯纳特交易系统

3.3.4海龟交易法系统

本文来源:https://www.thyysj.com/info/201528.html

标签组:[期货] [市场策略] [量化投资策略] [机器学习] [量化交易] [期货市场] [算法交易] [高频交易] [量化模型] [oanda] [程序化交易

相关APP下载

热门话题

综合推荐文章

综合热门文章