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。
黑山法院重新接受了Do Kwon支付40万欧元保释金并被保释的请求:6月5日消息，黑山法院重新接受了 Do Kwon 支付 40 万欧元保释金并被保释的请求。此前上级法院拒绝保释的原因在于其认为第一次批准保释并未基于具体证据对 Do Kwon 财产进行合理评估。
本次法院再度批准其保释请求是因为法院接受了 Do Kwon 等对其拥有的财产价值的陈述。Do Kwon 将于6月16日再次出庭，检方仍有三天时间对保释决定提出上诉。[2023/6/5 21:16:31]
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。
IPFS发布可将推文存档到IPFS的浏览器插件“Pin Tweet to IPFS”:1月12日消息，IPFS发布浏览器插件“Pin Tweet to IPFS”，支持用户将推文存档到IPFS，以帮助用户以可验证的方式存储推文。目前IPFS正在使用Web Recorder团队的工具来创建可验证的Web Ar Chive Zip推文文件，以协助用户通过这些文件上传到IPFS网络，并通过自己的IPFS节点或其他固定服务访问它们。该插件现已上线Chrome和Edge浏览器插件商店，后续IPFS将继续进行迭代，以加快存档速度并添加更多验证功能。[2023/1/12 11:07:56]
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？
The Sandbox投资区块链媒体与合作公司Cosmo Media Labs:9月16日消息，元宇宙平台The Sandbox宣布对区块链媒体与合作公司Cosmo Media Labs进行投资，具体投资金额暂未披露。Cosmo Media Labs希望利用其品牌内容策略来弥合新旧媒体之间的差距，后续还将在The Sandbox内构建元宇宙社交和数字体验中心。
The Sandbox首席执行官Sebastien Borget表示，投资Cosmo Media Labs可以让他们在媒体之间架起一座桥梁，更好地利用Web3力量来塑造元宇宙文化。（list23）[2022/9/16 7:01:02]
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。
Move to Earn应用STEPN过去24小时新铸造鞋子830双:金色财经消息，据Dune链上数据显示，Move to Earn应用STEPN过去24小时新铸造鞋子830双，过去7日新铸造鞋子6576双；过去7日活跃用户32340。[2022/8/3 2:55:02]
预测风险和收益
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。
欧盟监管机构：许多加密资产能否在崩盘中幸存是一个问题:金色财经报道，欧洲证券及市场管理局（ESMA）主席Verena Ross表示，加密货币投资者应该将市场崩盘视为“警示教训”，并且不能指望任何形式的救助。她说：“我认为许多加密资产是否能够生存一个真正的问题。我希望一些投资者能看到这一点，并至少吸取教训，想想他们将多少资金投资于这类资产。”
过去一年，全球加密市场下跌了70%以上，Ross表示她担心这对普通投资者的影响。（英国金融时报）[2022/7/14 2:12:31]
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。