中國股市創立以來的二十多年間，股市從公開的投融資平臺，變成了許多股民一夜暴富的夢境。股市淪爲×××，散戶們被當作“韭菜”。拋開牛市的狂熱和股災的哀嚎，我們需要靜下心來想一想，是不是我們應該用更理性或是更科學的方法來對待股市投資這樣一件嚴肅的事情呢?新興的量化交易正在嘗試提供一種理性投資的解決方案，通過大量的計算建立科學的盈利模型，爲股民指引投資策略。最近alphago的成功更讓我們不禁期待人工智能未來在投資領域的廣闊應用空間。
你還在看電腦面前盯盤看K線嗎? 你還在爲一次虧損寢食難安，爲一次盈利欣喜若狂嗎? 如果是，那也許你就OUT了。隨着量化交易的蓬勃發展，一羣統計狗、程序猿們已經開始使用計算機模型進行交易了，這些程序用不休眠，無人值守，24小時爲你監控市場，產生利潤。真有那麼好的事嗎?這不就是印鈔機了嗎? 請看下面分解。
>>>點擊諮詢量化金融分析師AQF實訓項目
量化交易的獲利來源於市場的無效性。如果市場服從隨機遊走，那大部分金融機構都可以關門了，還炒什麼股啊。如果市場是有效的，那可能一個人一輩子都碰不到大牛市。持續不斷的上漲的K線排列，概率該有多小啊。一個比較現實的假設是，市場在一定程度上是無效的，單純的價格序列中存在大量的獲利機會。
量化交易是概率的遊戲，一個量化交易策略是否能夠盈利，關鍵看勝率和盈虧比。勝率是盈利次數佔總交易數的百分比，盈虧比是平均盈利和平均虧損的倍數關係。這兩者需要平衡，也很難兼顧。例如，玩×××盈虧比很高，勝率很低，所以總體是虧損的。
上圖是個高盈虧比低勝率策略的策略。雖然盈利的交易很稀疏，但是卻遠離零點，虧損交易很密集，但緊貼零點，所以從右邊的資金曲線上看，策略總體上是盈利的。所以，量化交易者會坦然的接受虧損，也會正確的看待盈利，它們只是交易系統的一個部分。
下面用一個例子來說明一個交易策略的生產過程。某交易員發現，價格突破了一些關鍵點位後，會向着突破的方向持續發展。於是我們設計一個簡單的突破策略:當價格突破近期高低點時，相應的做多或做空。
接下來，就要進行進一步細化，做成一個模型。需要回答這麼幾個問題：
時間框架是怎樣的? 小時線、日線還是周線?
如何定義高低點? 往回看幾跟K線?
進場後如何止損? 固定點位止損還是ATR(平均真實波動)止損?
將上述問題具體化以後，就用程序代碼將它們予以實現。國內比較普遍使用的是tradeblazer和multicharts。當然，技術實力較強的交易者也可以選擇自行開發交易平臺，用java,python等語言予以實現。
在策略構建的初期，一些參數是待定的。如均線的K線條數，止損點位，止盈點位等。這些參數都可以用遍歷的方法進行優化，也就是說，窮舉各種參數的組合，找到使盈利最大化的那一套參數。
這裏，我們對止盈點位和止損點位進行了優化，繪製了一副3D優化圖。X和Y軸分別代表被優化的參數，即止盈點和止損點，Z軸代表目標函數，即盈利。我們可以看到，盈利在不同的參數組合情況下高低起伏，呈現出了一個個山峯、平原和低谷。那麼，我們是否應該選擇那些山峯呢?其實不是。因爲選擇這些山峯可能會帶來一個問題，就是過度擬合。表現過好的參數組合滿足了過去市場的某種特殊情況，只要參數發生微小變化，策略表現就會急劇下降，這就是”山峯”的含義。相比而言，目標函數的“平原”區是更爲穩定的參數，因爲參數在這個範圍內變化，策略表現是穩定的。所以我們要選擇平原。下面這幅圖是參數經過優化後的策略表現，資金曲線圖表現出劇烈的波動，這反應了策略思路本身存在缺陷，高低點的突破並不能對價格起到很好的預測作用，參數優化並不能解決策略思路本身的問題。
如果我們找到了一個可行的策略，又選擇了合適的參數，策略回測表現讓人滿意，下一步就是樣本外測試了。樣本外測試的目的，是用新的數據對策略進行檢驗，考驗策略的盈利能力。在之前的測試中，我們已經使用了一部分的歷史數據。策略是在這些歷史數據中被“訓練”出來的，很容易出現過度擬合的問題。極端情況下，只要參數數量足夠多，我們是可以輕易的通過歷史數據訓練出100%勝率的策略。但這樣的策略並不具有通用性，如果用新的數據測試這樣的策略，結果一定是糟糕的。這就是我們進行樣本外測試的原因。樣本外數據也是歷史數據，只是我們在測試初期預留出來的，沒有碰過，是“乾淨”的數據。如果策略在新數據下的表現不好，那麼這樣的策略僅僅是過度擬合的結果。上圖就是一個過度擬合的例子，策略盈利在樣本外數據中急劇下降。
下一個測試是蒙特卡洛實驗。在試驗中，我們模擬未來市場可能出現的各種變化，考察策略是否足夠健壯。這些變化可能是價格的變化，也可能是參數的變化，還有可能是交易順序的重新排序，不一而足。藉助實驗軟件，我們可以進行上千次的重複實驗，看看策略是否還能生存下來。上圖是蒙特卡羅的實驗結果，紅線代表原市場條件的測試結果，綠色代表最惡劣的5%的市場條件，紫色代表實驗平均結果。可以看到，策略在最差的5%情況下，仍然能夠維持盈利，說明策略是健壯的。
下面分別介紹一下策略的種類。從策略的交易思路看，大致可分爲趨勢策略(動量策略)和逆勢策略(均值迴轉策略)。兩種策略分別適應於不同的品種和市場條件。趨勢策略的常見例子是均線交叉策略。短均向上突破長均做多，向下突破做空。趨勢策略捕捉了市場的衝動情緒，當價格上漲時，大量交易者非理性的跟進，價格下跌時，人們又急劇恐慌。趨勢策略者就可以“順應趨勢”，追漲殺跌，讓“趨勢成爲朋友”。
逆勢策略則相反，逢高賣出，逢低買入。在某些市場的某些時段中，價格確實存在這樣的高低震盪的情況，逆勢者容易利用這樣的價格屬性頻繁的積累微小利潤。但是，市場總是趨勢與震盪並存，我們很難判斷市場何時震盪，何時趨勢，有沒有解決辦法呢?
當然有。我們要把思路打開，將目光從單個品種轉向多個品種的組合價差上，也就是常說的配對交易。例如不同到期日的期貨合約價差就存在高度的相關性。例如，我們將兩個不同到期日橡膠合約的價格序列放在一張圖上，就可以看到他們之間的高度相關性。雖然兩個合約各自的價格呈現出趨勢屬性，但它們的價差是穩定的震盪屬性。
我們通過震盪策略，交易兩者的價差，就可以獲得比較穩定的收益。價差組合的方式有很多，並不侷限於兩個品種，我們可以通過下列通用公式，配置出無數個可能盈利的價差組合。哪個組合式可以盈利的呢?自己去挖吧。
下面來講講倉位管理的問題。倉位管理，就是決定某一策略分配多少資金的問題，初學者往往過分執迷於策略思路本身的盈利，而忽略了倉位管理。實際上，倉位是量化交易最重要的環節。即使擁有了盈利的策略，如果倉位管理不當，完全可能爆倉出局。下面我們來探討一個有趣的倉位管理方法，叫martingale.這是一種死扛型的倉位管理機制，每經歷一次虧損，我們在下次交易時就把倉位放大一倍，一旦盈利，我們就把倉位恢復到初始值。例如，當經歷了3次連續虧損之後，倉位數分別是，1，2，4。如果第4次交易盈利了，我們就把倉位恢復到1.martingale的資金曲線很好看，幾乎是一條直線，因爲通過倉位的放大，只要獲得一次盈利，就可以把之前所有的虧損全部扳回。資金曲線迅速恢復。我們看看上面這幅圖，是不是很讓人興奮呢?
不幸的是，天下沒有免費的午餐。交易者的資金永遠是有限的，但martingale的虧損卻是無限的，假設連續虧損次數進一步放大，變成5次，10次，那麼倉位也會急劇放大，變成32和1024，最後，因爲交易者資金不足，而出現爆倉。上圖是10000次martingale後出現的爆倉現象。隨着交易頻率增高，爆倉的機率也逐漸增大。所以，martingale也是一直飽受詬病的一個倉位管理策略。
可是，萬事沒有絕對。Martingale好還是不好，完全取決於交易者的應用。影響爆倉概率的參數有這麼幾個：1、策略思路本身的勝率。2、策略的盈虧比。3、每次虧損後翻倍的倍數。4、盈虧交易的概率分佈。可以想見，勝率越高，連續虧損的概率越小;盈虧比越大，每次虧損的回撤就越小;翻倍數量越大，虧損分佈越集中，越容易爆倉;
我們將翻倍係數從2降低爲1.6後，用在一個勝率50%，盈虧比爲1.2的策略上之後，經過10000次交易。仍然沒有爆倉。
我們再來說說量化交易的新趨勢----人工智能。手工交易者的技術分析，甚至是基本面分析，未來都有可能被機器所取代。這在計算機領域，叫做模式識別，通俗的講，叫找規律。技術分析的本質就是尋找價格規律，基本面分析又何嘗不是呢?有了計算機的幫助，這些找規律的事情完全可以由計算機完成，人工神經網絡就是一個典型的應用案例。在上圖中，我們用一些簡單的數學函數，模擬出一個個的神經元。這些神經元能夠從外界接受價格信息和基本面數據，經過函數轉換變成輸出，反射到下一個神經元，最後從右邊輸出。這些轉換函數的初始參數是隨機的，但當我們進行成千上萬次訓練後，這些參數得到逐漸的優化，最後生成一個準確率較高的預測模型。模型的具體原理，是我們無法從參數的數值去理解的，這相當於一個黑盒。這樣的黑盒，可能可以找到我們人腦無法發現的一些數據規律，也許只是參數擬合的結果，需要一系列的測試去加以驗證。但它相比人腦而言，能夠更加細緻的發現一些隱祕的規律。
最後，再提幾點對量化交易職業的感受。量化交易是否能夠排除心理因素的干擾?其實未必。量化交易者承受着不一樣的心理壓力。當你嘗試了無數種指標後，還是無法設計出一套盈利的模型，你是否還會繼續堅持?或者乾脆放棄去做點別的?當策略做出來後，在實盤中連續虧損時，你是否應該繼續堅持策略?這都是考驗量化交易員意志的時候。
另外，量化交易這麼一個新興領域，未來的路在何方? 是否會被超級機器所取代?機構的參與是否會讓市場盈利空間縮水?這都是有待時間去回答的問題。>>>點擊諮詢量化投資前景