演算法交易is

⑴ 演算法交易策略的五個常見的演算法策略

演算法交易策略

從字面上看，有成千上萬種潛在的 演算法交易策略 ，以下是幾種最常見的快速入門策略：

趨勢跟隨演算法：通過確定明顯的訂單流向確定您的優勢。此優勢可能超過幾個月，也可能超過幾分鍾。該策略成功的關鍵是確定運行時間。挑一個點進入。時間范圍越短，您交易的頻率就越高，因為趨勢會更快地變化並且您會收到更多的信號。

基於動量的演算法策略：動量演算法希望期貨合約在高交易量上迅速向一個方向移動。該邊緣試圖在停頓時快速進入，獲得動能，然後在下一個停頓時退出。這種演算法不會贏得大贏家。有利的一面是，它也不應該有大輸家。訂單流方向上的動量策略通常被認為是明智的交易。

反趨勢演算法：該策略通常確定動量的飽和點，並「淡化」此舉，而不是與動量進行交易。反趨勢交易是一種特殊的分配資本形式，並非為膽小者而設。由於演算法的原因，最後一條特別正確！在一段時間內，價格走勢具有良好的前後波動性。如果您處於虧損交易中，則很有可能「以虧損倉位進行交易」。演算法的變化很大。在當今的演算法驅動世界中，將同時觸發多個演算法程序，並且價格在一個方向上爆炸運行。不要為反潮流的新手而有所緩和。

回歸均值演算法：想像一條橡皮筋通常會擴展到「 10」。當到達該距離時，它會向後拉，或恢復為正常距離。這是回歸到平均演算法交易。當期貨合約超出預期范圍時，您的演算法將剖析數據並下訂單。這項交易的目標是在一個極端的價格點准時進入，以預期獲利逆轉。

剝頭皮演算法策略：某些市場提供跟蹤大型買賣雙方的機會。這里的策略是「Capture propagation」。這意味著在Bid上買入，然後在要約上賣出，賺了幾tick。多年來，這種演算法一直是許多day tradetr/floor trader的頭等大事。價差收窄和計算機速度更快，這對手動交易者造成了挑戰。一扇門關閉，一扇門打開，為精明的演算法開發商和交易員提供了擴展機會。

HFT | 高頻交易演算法：這是獲得所有宣傳的演算法。特權量子向導的感知貨幣機器。HFT程序會在一毫秒內執行，並且需要在交換機附近安裝所謂的「共置」伺服器。執行速度對於成功至關重要。

⑵ 楊劍波：量化交易應用的三大領域

全球范圍內，量化交易的應用主要分為以下三大領域：

第一、選股、擇時的工具。

傳統的基於基本面的投資方法主要看財務指標及估值指標。研究方法主要是研究上市公司財務報表、實地調研、行業比較並結合宏觀分析。通常的方法是自上而下或自下而上的選股。至於擇時，則更多地依靠宏觀、上市公司基本面、市場情緒，以及基金公司自身的排名等因素的考量。

基於量化的交易，選股和擇時的指標完全不同。以最有名的兩類策略——動量和反轉為例。動量策略是說前一段時間強的股票會繼續強；反轉是指前一段時間表現弱的股票會在一段時間後走強。

這類理論都是基於「行為金融學」。行為金融學是和「有效市場假說」相對應的理論，以金融學、心理學等學科結合而形成的一門新興子學科。它認為交易中的投資者短期有可能是理性的、但長期而言未必是理性的。因此會產生很多和有效市場相對立的「市場異象」。行為金融學正是描述和應用這些「市場異象」的學科。行為金融學在交易中的運用，就是用各種方法，包括但不限於動量和反轉，來對股票的選擇以及交易時機的選擇運行研究和決策。

第二、套利類。

主要的套利策略有十幾種。大概包括：

1）市場中性：即多空投資，凈頭寸為零。最純正的市場中性，同時會力求多因子的凈頭寸為零。例如，行業凈頭寸為零，風格因子為零等等。

2）多空對沖：這是傳統的對沖基金。多空投資，凈頭寸沒有一個固定比率投資股票市場。不過現實中，這類投資風格，大多以凈多頭方式投資。凈多頭比率多數在10%到20%之間。

3）期權策略：以期權為主要投資驅動，捕捉波動率錯估而造成的期權價格錯位，運行交易。

4）統計套利：簡單地說，就是以量化統計方法對市場中的交易產品運行研究，發現市場特性，設計演算法，運行交易。

5）可轉債套利：利用可轉債的價格錯位，特別是對內涵期權的估值不準時，運行套利交易。交易基本上是買入可轉債，根據動態對沖的方法做空股票。如果需要市場動態中性，則要運行動態對沖。

6）信用套利：買入信用評級改善的債券，同時賣出信用評級惡化的債券。利用多空來對沖利率風險和債券市場風險。由於重要企業事件對信用評級的重大影響，信用套利的策略很多時候會和事件驅動策略和收購合並風險套利策略重疊。

7）事件驅動：在發生重要企業事件時，或預測將發生重要企業事件時，對企業的各類金融資產運行投資，包括股票、債券及其衍生物。

8）管理期貨：投資期貨市場，以求獲得絕對收益。由於全球期貨流動性好，品種多，市場容積大，使得這類對沖基金可以做到非常大的規模，例如元富Winton、曼氏Man和BlueCrest。另外，這類基金透明度高，容易被投資者理解。

9）壞賬處理：買入折扣很大，市場不待見，流動性相對較差的資產。利用高風險折扣率造成的價格錯位，運行投資配置，以獲得高收益。

10）只做多：以只做多的單邊方式，投資股票市場。最早期的投資公司，以及國內大多數私募，歸屬此類。

11）偏空策略：多空投資，但是以凈空頭的方式，投資股票市場。這類公司主要是滿足機構投資者完善投資組合的需要。

12）混合策略：以公司為單位，結合公司內部的各種策略而推出的策略。相對於FoF（fund of fund，基金中的基金），這種策略有FoF的一些特點，同時相對來說投資者成本要低。

13）固定收益：以固定收益的債券和利率產品為交易產品，追求絕對收益。包括固定收益方向性交易和固定收益套利。

第三、演算法交易。

演算法交易又稱程序化交易，是指通過程序發出的指令運行交易的方法。演算法交易的產生和交易者將訂單拆成若干小單以減少沖擊成本、提高盈利率。同時，演算法交易可以達到交易者隱蔽交易、避免把交易目標、交易量暴露給競爭者的目的。

國際上常用的演算法交易包括以成交量加權平均價格運行成交，簡稱VWAP（Volume Weighted Average Price），以及時間加權平均成交，簡稱TWAP（Time Weighted Average Price）。前者主要是指交易者的交易量提交比例要與市場成交比例盡可能吻合，在最小化對市場沖擊的同時，獲得市場成交均價的價格。後者則是根據特定的時間間隔，在每個時間點上平均下單的演算法。

在國際資本市場中，一般是大型投行的大宗經紀部門（Primary Brokerage）對基金公司以及投行內部的自營等部門供應演算法交易的服務，並根據交易量運行收費。這也是大型投行最主要的盈利方式之一。

⑶ 演算法交易屬於產品銷售領域嗎

不是。演算法交易是一種程序化交易方式，它將交易者和市場有機地聯系起來。演算法交易通常可以減少這兩者之間的摩擦，或者說在一定程度上可以降低交易對市場造成的沖擊。

⑷ 演算法交易的交易類型

演算法交易又稱自動交易、黑盒交易或者機器交易，它指的是通過使用計算機程序來發出交易指令的方法。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格，甚至包括最後需要成交的證券數量。
《量化投資—策略與技術》中，根據各個演算法交易中演算法的主動程度不同，可以把演算法交易分為被動型演算法交易、主動型演算法交易、綜合型演算法交易三大類。 綜合型演算法交易是前兩者的結合。即包含既定的交易目標，具體實施交易的過程中也會對是否交易進行一定的判斷。這類演算法常見的方式是先把交易指令拆開，分布到若干個時間段內，每個時間段內具體如何交易由主動型交易演算法進行判斷。兩者結合可以達到單獨一種演算法所無法達到的效果。
VWAP 策略是最常用的交易策略之一，具有簡單易操作等特點，基本思想就是讓自己的交易量提交比例與市場成交量比例盡可能匹配，在減少對市場沖擊的同時，獲得市場成交均價的交易價格。
標準的VWAP 策略是一種靜態策略，即在交易開始之前，利用已有信息確定提交策略，交易開始之後按照此策略進行交易，而不考慮交易期間的信息。
改進型的VWAP策略的基本原理是：在市場價格高於市場均價的時候，根據市場價格的走勢，不同程度地減少提交量，在保證高價位的低提交量的同時，能夠防止出現價格的持續上漲而提交量過度向後聚集；在市場價格低於市場均價的時候，根據市場價格的走勢，不同程度地增加提交量，在保證低價位的高提交量的同時，能夠防止價格的持續走低而提交量過度提前完成。

⑸ 如何建立自己的演算法交易

一、傳統方法

在某些假設下的顯式最優策略

• 【Bertsimas, Dimitris, and Andrew W. Lo. "Optimal control of execution costs."Journal of Financial Markets1.1 (1998): 1-50.】這里假設了不同的價格沖擊函數，然後求解得到最優的交易執行方案。根據參數的不同，最優的策略要麼是全部開頭賣掉、均勻減倉、或者全部最後賣掉。https://stuff.mit.e/afs/athena.mit.e/user/d/b/dbertsim/www/papers/Finance/Optimal%20control%20of%20execution%20costs.pdf

• 【Almgren, Robert, and Neil Chriss. "Optimal execution of portfolio transactions." Journal of Risk 3 (2001): 5-40. 】這篇文章我們專欄前面有講過，很著名的 Almgren-Chriss 模型。https://www.smallake.kr/wp-content/uploads/2016/03/optliq.pdf張楚珩：【交易執行】Almgren-Chriss Model

• 【Guéant O, Lehalle C A, Fernandez-Tapia J. Optimal portfolio liquidation with limit orders[J]. SIAM Journal on Financial Mathematics, 2012, 3(1):740-764.】這篇文章我們專欄前面也有講過；前面的 Almgren-Chriss 其實考慮的是使用市價單，而這里考慮使用限價單進行交易。https://arxiv.org/pdf/1106.3279.pdf張楚珩：【交易執行】限價單交易執行

• 【Guéant, Olivier, and Charles‐Albert Lehalle. "General intensity shapes in optimal liquidation." Mathematical Finance 25.3 (2015): 457-495.】這里也是考慮限價單進行交易，但是與前面不同的是：前一個假設限價單考慮的成交概率隨著價格指數衰減，而這里考慮了一個更加一般的形式。https://arxiv.org/pdf/1204.0148.pdf

• 【Cartea A, Jaimungal S. Optimal execution with limit and market orders[J]. Quantitative Finance, 2015, 15(8): 1279-1291.】這里考慮同時使用限價單和市價單進行交易，從而能夠完成 Almgren-Chriss 模型所規定的方案，或者找到一個更有的交易方案。https://sci-hub.se//https://www.tandfonline.com/doi/abs/10.1080/14697688.2015.1032543

• 【Bulthuis, Brian, et al. "Optimal execution of limit and market orders with trade director, speed limiter, and fill uncertainty." International Journal of Financial Engineering 4.02n03 (2017): 1750020.】也是考慮使用限價單和市價單一起交易。https://arxiv.org/pdf/1604.04963.pdf張楚珩：【交易執行】市價單+限價單 最優執行

• 【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】這里考慮市場所有交易者的訂單都會產生線性的短期/長期市場沖擊，因此可以估計未來一段時間的訂單流向（買單總量和賣單總量的差），從而能夠在 Almgren-Chriss 模型的基礎上進行一定的調整，使得策略更優。https://sci-hub.se//https://link.springer.com/content/pdf/10.1007/s11579-016-0162-z.pdf

圖書

• 【Cartea Á, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】講交易執行的基礎上，更側重講了一些數學工具。

• 【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】從 Almgren-Chriss 模型開始講，一直到相應的拓展和實際的問題，十分推薦。

融合對於市場環境隱變數的估計

• 【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市場交易者會根據不同的市場掛單和價格走勢而採取不同的反映，因此我們也可以根據歷史數據學習到各種情況下的價格後驗分布，從而更好地幫助我們進行交易執行或者套利。最後的結果可以看做在 Almgren-Chriss 模型的基礎上外加了一個調控項，反映我們對於未來的預期。https://arxiv.org/pdf/1806.04472.pdf

如何實現以按量加權平均價格（VWAP）交易

• 【Kakade, Sham M., et al. "Competitive algorithms for VWAP and limit order trading." Proceedings of the 5th ACM conference on Electronic commerce. 2004.】從在線學習的角度提出了幾個用於使得我們交易到 VWAP 價格的模型。為什麼會關注 VWAP 的交易執行？當大的流通股股東需要減持的時候，為了避免直接出售引起的價格波動，一般是把需要減持的股票賣給券商，然後由券商來拆單出售，而交易價格一般為未來一段時間的 VWAP，因此券商需要盡量以 VWAP 來交易執行。https://sci-hub.se//https://dl.acm.org/doi/abs/10.1145/988772.988801

• 【Białkowski, Jędrzej, Serge Darolles, and Gaëlle Le Fol. "Improving VWAP strategies: A dynamic volume approach." Journal of Banking & Finance 32.9 (2008): 1709-1722.】改進對於交易量的建模，從而得到更好的 VWAP 交易演算法。把交易量拆分為兩個部分，一部分是市場整體的交易量變動，另一部分是特定股票上的交易量模式。https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S0378426607003226

以按時間加權平均價格（TWAP）交易

• 為了對稱，可以介紹一下另一種加權平均的情形 TWAP，這種情形實現起來相對比較簡單；如果不考慮市場沖擊，就拆分到每個時間步上均勻出售即可實現。

• 可以證明 TWAP 交易在以下兩種情形下最優：市場價格為布朗運動並且價格沖擊為常數；對於晚交易沒有懲罰（其實更晚交易意味著面臨更大的風險），但是對於最後未完成交易的懲罰較大。

二、強化學習方法

基於傳統模型的強化學習方法

• 【Hendricks D, Wilcox D. A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution[C]//2014 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr). IEEE, 2014: 457-464.】本專欄有講。https://arxiv.org/pdf/1403.2229.pdf

強化學習 + 交易執行（Paper/Article）

• 【Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 673-680.】比較經典的一篇，發在 ICML 上，本專欄前面有講。使用 DQN 方法，實現形式接近 DP。http://smallake.kr/wp-content/uploads/2019/01/rlexec.pdf

• 【Dabérius K, Granat E, Karlsson P. Deep Execution-Value and Policy Based Reinforcement Learning for Trading and Beating Market Benchmarks[J]. Available at SSRN 3374766, 2019.】使用了 DDQN 和 PPO 方法，基於生成的價格序列來進行實驗，使用特定的模型考慮短期和長期市場沖擊。https://sci-hub.se//https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3374766

• 【Ning B, Lin F H T, Jaimungal S. Double deep q-learning for optimal execution[J]. arXiv preprint arXiv:1812.06600, 2018.】DDQN 的強化學習解法，在美股上實驗。https://arxiv.org/pdf/1812.06600.pdf

• 【Lin S, Beling P A. An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization[C]//IJCAI. 2020: 4548-4554.】使用 PPO 的解法，比較有意思的是這裡面的實驗結果顯示，使用 LSTM 和把歷史數據全部堆疊起來用 MLP 效果差距不大。也是在美股上實驗。https://www.ijcai.org/Proceedings/2020/0627.pdf

• 【Fang Y, Ren K, Liu W, et al. Universal Trading for Order Execution with Oracle Policy Distillation[J]. arXiv preprint arXiv:2103.10860, 2021.】在使用強化學習的基礎上，引入了一個教師網路，教師網路學習一個基於未來數據的策略，並且用於訓練學生網路。本專欄前面有講。https://www.aaai.org/AAAI21Papers/AAAI-3650.FangY.pdf

• 【Vyetrenko S, Xu S. Risk-sensitive compact decision trees for autonomous execution in presence of simulated market response[J]. arXiv preprint arXiv:1906.02312, 2019.】ICML-19 的文章。構造了一個可以反映市價單市場沖擊的模擬器；使用 tabular Q-learning 來學習基於決策樹的模型；使用特徵選擇的方法來篩選特徵。通過以上方式，能夠學習到一個模型幫助決策什麼時候應該下市價單、什麼時候應該下限價單。https://arxiv.org/pdf/1906.02312.pdf

• 【Akbarzadeh N, Tekin C, van der Schaar M. Online learning in limit order book trade execution[J]. IEEE Transactions on Signal Processing, 2018, 66(17): 4626-4641.】從 online learning 的視角來解決這個問題，使用 DP 類的方法，分析 regret 。http://repository.bilkent.e.tr/bitstream/handle/11693/50289/Bilkent-research-paper.pdf?sequence=1

• 【Wei H, Wang Y, Mangu L, et al. Model-based reinforcement learning for predictions and control for limit order books[J]. arXiv preprint arXiv:1910.03743, 2019.】專欄剛剛講了的一篇文章，使用 model-based 類的強化學習演算法，直接學習一個世界模型，然後讓強化學習策略通過和世界模型的交互進行學習。https://arxiv.org/pdf/1910.03743.pdf

• 【Karpe M, Fang J, Ma Z, et al. Multi-agent reinforcement learning in a realistic limit order book market simulation[J]. arXiv preprint arXiv:2006.05574, 2020.】這里的多智能體似乎適用於結合歷史數據生成其他市場參與者的動作，而最優策略的學習仍然是使用單智能體 DDQN 方法來做。他們開源了一個考慮多智能體的模擬環境 ABIDES。https://arxiv.org/pdf/2006.05574.pdf

• 【Schnaubelt M. Deep reinforcement learning for the optimal placement of cryptocurrency limit orders[J]. European Journal of Operational Research, 2022, 296(3): 993-1006.】研究數字貨幣上如何下限價單。對比了 PPO 和 DDQN，發現 PPO 更好。探索出了一些重要的因子，比如 current liquidity cost，queue imbalance 等。https://www.econstor.eu/bitstream/10419/216206/1/1696077540.pdf

強化學習 + 交易執行 （Thesis）

• 【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH （瑞典）工程學院碩士論文。演算法直接是基於價值函數的動態規劃。不過提供了比較詳細的模擬環境和演算法偽代碼。https://www.diva-portal.org/smash/get/diva2:963057/FULLTEXT01.pdf

• 【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利爾高等商學院碩士論文。使用 TD3 和 DDPG 演算法，不過實驗是基於人工生成的數據的（skew-normal Brownian motion）。https://biblos.hec.ca/biblio/memoires/m2019a628776.pdf

• 【Reiter M B. An Application of Deep Reinforcement Learning for Order Execution[D]. School of Engineering Science, Osaka University, 2020.】多倫多大學本科畢業論文。在使用 A3C 演算法的基礎上，考慮了使用教師學生網路的方式進行遷移學習，並且考慮了短期市場沖擊。https://mbreiter.github.io/doc/thesis.pdf

強化學習 + 風險偏好

• Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets

• Deep equal risk pricing of financial derivatives with non-translation invariant risk measures

強化學習 + 做市策略

• Optimal Market Making by Reinforcement Learning

• Optimizing Market Making using Multi-Agent Reinforcement Learning

• Deep Reinforcement Learning for Market Making

• Deep Recurrent Q-Networks for Market Making

• Robust Market Making via Adversarial Reinforcement Learning

• Market making via reinforcement learning

強化學習 + 資產組合

• Deep Stock Trading: A Hierarchical Reinforcement Learning Framework for Portfolio Optimization and Order Execution

• Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning

• Large Scale Continuous-Time Mean-Variance Portfolio Allocation via Reinforcement Learning

⑹ 演算法交易的機遇挑戰

在亞洲金融市場，採用演算法交易的主要有東京證券交易所、香港聯交所和新加坡交易回所。與歐美市場相比，答亞洲市場的股票價差更大、流動性更差、更難成交，因此演算法交易的價值也更為突出。2006年，亞洲股票交易中接近1/10是通過演算法交易完成的，最近的三年中大約有50%的衍生品交易變成了電子交易，其中約75%採用了演算法交易。
隨著中國股指期貨的漸行漸近，機構投資者在考慮期現套利交易時，必須考慮如何避免大額下單給市場造成價格大幅波動所引發的沖擊成本問題，而演算法交易可以有效地降低市場沖擊成本。隨著股指期貨的推出，包括演算法交易在內的創新交易方式將大有用武之地，中國內地將成為演算法交易的下一個最具吸引力的市場。也許是有鑒於此，FIX協議組織2008年年度大會也將於上海舉行。演算法交易在國內的興起也將給包括證券公司與期貨公司在內的中國金融業帶來新的機遇和挑戰，能在這一創新技術與業務領域取得先機者將在股指期貨等金融衍生品給金融市場帶來的洗牌中獲得極為有利的競爭優勢。

⑺ 在自主許可權內什麼通過交易系統向交易室下達交易指令

在自主許可權內基金經理通過交易系統向交易室下達交易指令。交易系統或相關負責人員審核投資指令的合法合規性，違規指令將被攔截，反饋給基金經理。其他指令被分發給交易員。交易員接收到指令後有權根據自身對市場的判斷選擇合適時機完成交易。基金公司投資交易包括形成投資策略、構建投資組合、執行交易指令、績效評估與組合調整、風險控制等環節。
拓展資料:
1、演算法交易是通過數學建模將常用交易理念同化為自動化的交易模型，並藉助計算機強大的存儲與計算功能實現交易自動化（或半自動化）的一種交易方式。 交易演算法的核心是其背後的量化交易模型，而模型的優劣取決於人的交易理念和基於數據的量化分析，以及兩者的有效結合。
2、演算法與人（交易員）的互動是至關重要的，兩者之間互為補充：人（交易員）教授「演算法」交易理念，反過來被訓練過的演算法可以幫助人（交易員）實現快速的交易執行。
3、常見的演算法交易策略簡介如下： （1）成交量加權平均價格演算法（VWAP），是最基本的交易演算法之一，旨在下單時以盡可能接近市場按成交量加權的均價進行，以盡量降低該交易對市場的沖擊。 （2）時間加權平均價格演算法（TwAP），是根據特定的時間間隔，在每個時間點上平均下單的演算法。 （3）跟量演算法（TVOL），旨在幫助投資者跟上市場交易量。若交易量放大則同樣放大這段時間內的下單成交量，反之則相應降低這段時間內的下單成交量。交易時間主要依賴交易 期間市場的活躍程度。 （4）執行偏差演算法（Is），是在盡量不造成大的市場沖擊的情況下，盡快以接近客戶委託時的市場成交價格來完成交易的最優化演算法。