量化交易顶尖实践背后的数学:可借鉴并付诸实践的方法
从吉姆·西蒙斯、爱德华·索普到亚历克斯·格尔科:解析量化交易的数学原则,以及独立研究者如何审慎地应用这些方法。
从 Jim Simons 和 Edward Thorp 到 Alex Gerko:数学思维如何创造交易优势,以及独立定量研究人员如何应用相同的原理。
简介:数学能否持续战胜市场?
1988年起,Renaissance Technologies 的 Medallion 基金开启了一段非凡的业绩时期。据报道,在接下来的三十年里,该基金在费用前的年化回报率约为66%,在费用后的年化回报率为 39% ,使其成为金融史上最引人注目的投资记录之一。
创始人吉姆·西蒙斯最初并不是华尔街交易员。他是一位专门研究微分几何的数学家。
他的成就提出了一个有趣的问题:
数学方法能否系统地识别传统投资者忽视的有利可图的交易机会?
答案是肯定的,但需要满足重要的条件。
数学不能消除不确定性或保证利润。它可以做的是帮助识别统计优势,量化其可靠性,智能地分配资本,并控制可能破坏投资策略的风险。
西蒙斯并不孤单。爱德华·索普(Edward Thorp)开创了定量套利和数学头寸规模调整。 David E. Shaw 围绕计算研究建立了一个系统化的投资组织。克里夫·阿斯尼斯 (Cliff Asness) 开发了有影响力的因子投资方法。最近,Alex Gerko 使用机器学习和先进的计算基础设施将 XTX Markets 打造成一家主要的算法交易公司。
这些投资者代表了不同代的量化金融。他们的方法有很大不同,但他们的成就揭示了几个反复出现的原则。
本文探讨了他们的成就、其交易方法背后的数学方法,以及最重要的是如何利用现代机器学习、人工智能和相对容易获得的计算资源将这些原则转化为实用的量化交易系统。
1. 改变量化交易的五位先驱
1.1 Jim Simons:数千个小统计优势的力量
背景: 数学家,Renaissance Technologies创始人(1982年)。
成就: 据报道,Renaissance 的 Medallion 基金在1988年至2018年间实现了约66%的年化总回报率和39%的年化净回报率。
这些数字是广泛报道的历史估计,而不是完全公开的、独立可审计的回报系列。
他用了什么数学方法?
Medallion 的确切模型仍属专有信息。然而,对Renaissance 的研究过程的可靠描述表明了几个决定性的特征。
统计模式识别
Renaissance 的研究人员没有试图预测重大经济事件,而是在历史市场数据中搜索微小但可重复的统计关系。
简化的预测模型可能如下所示:
E[r_{t+1}\mid X_t]=f(X_t)
其中:
r_{t+1}是未来的资产收益。X_t包含时间 (t) 可用的市场功能。- (f) 是一个统计或机器学习模型。
特征可能包括近期回报、波动性、交易量、跨资产关系和其他市场信息。
如果这种优势足够可靠、能够承受交易成本并且可以重复利用,那么预测微小正回报的模型仍然具有经济价值。
集成建模
一个特别重要的原则是,许多弱预测变量可以共同产生更强的预测系统。
考虑 100 个预测信号:
\hat r_{t+1}=\sum_{i=1}^{100}w_i f_i(X_t)
每个信号可能单独较弱。但当它们的误差不完全相关时,将它们组合起来可以提高聚合预测的稳定性。
这并不意味着添加更多信号会自动提高性能。冗余信号、估计错误和过度拟合可能会使集成变得更糟。
真正的挑战是发现具有真正的样本外预测价值的互补信号。
系统执行、持续适配
随着市场的发展或竞争对手的发现,统计优势往往会消失。
因此,成功的量化交易需要持续的研究、验证、监控和执行成本分析。
独立交易者可以学到什么?
最可移植的教训是:
不要专门搜索一种引人注目的策略。建立适度的、独立验证的优势组合。
例如,期货研究平台可以调查:
- 波动性扩大后的短期动能。
- 暂时价格错位后的均值回归。
- 跨资产超前-滞后关系。
- 公告后价格漂移。
- 波动率机制转换。
在组合信号之前,应独立测试每个假设。
互补策略的投资组合可能比针对最大历史利润而优化的单一策略更稳健。
然而,战略多元化必须在压力条件下进行衡量。在正常市场中看似独立的策略在危机期间可能会变得高度相关。
1.2 爱德华·索普:概率、套利和生存数学
背景: 数学家、概率论学家、Beat the Dealer 和 A Man for All Markets 的作者。
成就: Thorp的Princeton Newport Partners报告称,在其1969年至1988年的运营历史中,费用前年化回报率约为19.1%,费用后年化回报率约为15.1%。
索普的重要性不仅仅在于他的投资记录。他的数学推理异常透明,并且与独立的量化交易者仍然高度相关。
方法一:识别定价差异
索普将数学定价和对冲技术应用于期权、认股权证、可转换证券和其他工具。
考虑市场价格为 C_m 和估计理论价值为 C_f 的期权。
估计的错误定价为:
\alpha=C_f-C_m
正值可能表明期权被低估。
然而,利用这种差异需要考虑交易成本、模型不确定性、融资、波动性风险和对冲错误。
一种技术是 Delta 中性对冲:
\Pi=C-\Delta S
其中:
\Delta=\frac{\partial C}{\partial S}
对冲试图降低对标的资产小幅波动的敏感性。
它不能消除伽马风险、波动风险、跳跃或执行成本。
更广泛的原则是确定预期利润的具体来源,并在可行的情况下对冲不相关的风险。
方法二:统计套利
索普还制定了系统的多空股票策略。
一项记录在案的策略使用了数百个多头和空头头寸,旨在利用统计回报模式,同时减少广泛的市场风险。
简化的统计套利模型为:
r_{i,t}=\beta_i^\top F_t+\epsilon_{i,t}
其中:
F_t代表常见的市场因素。\beta_i衡量资产对这些因素的暴露程度。\epsilon_{i,t}代表剩余收益。
研究人员可能会调查某些残余运动是否可预测或均值回归。
重要的是,残差较大并不一定是定价错误。统计关系必须稳定、经济上合理且扣除成本后可交易。
方法 3:凯利准则
也许索普最可转移的贡献是头寸规模的数学。
对于具有获胜概率 (p)、每单位投注净收益 (b) 和失败概率 (1-p) 的二元投注,理想化假设下的最佳分数为:
f^*=\frac{bp-(1-p)}{b}
假设:
- 获胜概率:55%。
- 赢/输支付比:1:1。
- 每次不成功投注的损失:投注金额。
然后:
f^*=2(0.55)-1=0.10
理论上的全凯利分配是资金的 10%。
但这假设估计的概率是正确的,结果遵循指定的分布,并且头寸的损失不会超过假设的金额。
这些假设在杠杆金融市场中很少能完全成立。
对于实际交易,分数凯利法(例如四分之一或二分之一凯利法)通常更具防御性,但受到额外风险限制。
实际应用:防止毁坏
想象一下两个系统。
| 特性 | 策略 A | 策略 B |
|---|---|---|
| 年预期收益 | 40% | 25% |
| 典型回撤 | 20% | 10% |
| 极端应力损失 | 80% | 25% |
| 应力损失后恢复 | 需要 400% 增益 | 需要 33.3% 增益 |
这些都是假设情景,而不是对任何实际策略的估计。
根据预期回报,策略 A 看起来很有吸引力,但 80% 的损失需要 400% 的收益才能收回原始资本。
这说明了为什么生存很重要。
A策略的预期收益不足以评估其长期投资价值。
对于杠杆期货、差价合约和网格交易,清算风险可以主导所有其他考虑因素。
1.3 Alex Gerko:机器学习满足市场微观结构
背景: 数学博士,2015年XTX Markets创始人。
成就: 打造了全球著名的算法流动性提供商之一,跨货币、股票、固定收益和其他金融市场开展业务。
XTX 公开描述了机器学习、大规模计算基础设施和预测定价模型的广泛使用。
它的成功说明了与传统对冲基金投资不同的商业模式。
算法做市商可以通过提供流动性、短期价格预测和复杂的执行来寻求利润,而不是仅仅依赖长期方向预测。
数学基础:条件价格预测
假设一个模型估计预期的短期价格变化:
\mu_t=E[P_{t+\Delta}-P_t\mid X_t]
其中 X_t 包括近期价格变动、市场活动和订单簿特征等信息。
做市商在确定报价的积极程度时可以使用此预测。
概念性引用模型可能是:
\text{Bid}_t=P_t-\frac{s_t}{2}+\alpha\mu_t-\lambda q_t
\text{Ask}_t=P_t+\frac{s_t}{2}+\alpha\mu_t-\lambda q_t
其中:
s_t是目标点差。\mu_t是预测的价格变动。q_t是当前库存。\lambda控制库存风险敏感性。\alpha控制价格预测的影响。
这些方程说明了一般的做市概念;它们不是 XTX 公开的专有配方。
关键的见解是,预测模型即使不产生传统的买入并持有信号,也可以改善交易决策。
实践课:预测必须与执行相结合
假设模型预测下一分钟价格上涨 0.03%。
如果点差、滑点和费用的总和为 0.05%,则预测可能没有可利用的价值。
适当的决策规则更接近于:
\text{Trade if }E[\text{Gross P&L}\mid X_t > E[\text{Trading Costs}\mid X_t]+\text{Risk Buffer}]
风险缓冲应考虑预测的不确定性和不利结果。
对于独立交易者来说,这在短期期货策略中尤其重要。
模型可以比机会更好地预测方向,但扣除执行成本后仍然会亏损。
个人可以复制XTX吗?
规模不具备可比性。
XTX 受益于庞大的数据集、大量的计算资源、专业基础设施和机构市场准入。
尽管如此,独立研究人员可以研究其基本原理的较小版本:
- 预测短期回报。
- 估计执行成本。
- 订单流不平衡建模。
- 测量逆向选择。
- 优化何时不进行交易。
最实际的目标不是复制工业做市商,而是确定市场微观结构特征是否改善具体的、切实可行的策略。
1.4 David E. Shaw:大规模科学假设检验
背景: 计算机科学家,1988 年 D. E. Shaw 集团创始人。
成就: 建立了最著名的系统化投资组织之一,将定量研究、计算方法和投资管理相结合。
Shaw 的贡献与使用自动化策略生成平台的研究人员尤其相关。
关键区别:假设驱动的研究与数据挖掘
考虑两种研究方法。
方法A:盲策略搜索
- 生成 100,000 个指标组合。
- 回测每个组合。
- 选择 100 名表现最佳的人。
- 优化其参数。
- 部署最强的历史结果。
这个过程可以产生令人印象深刻的回测,但没有发现任何真正的市场优势。
方法 B:科学假设检验
- 形成一个具有经济意义的假设。
- 定义其预期的可观察后果。
- 指定测试方法。
- 评估历史数据的假设。
- 通过样本外观察来挑战它。
- 测试结果是否能够承受实际的交易成本。
- 谨慎部署并监控恶化情况。
第二种方法更站得住脚,因为它减少了只有在发现模式后才解释模式的诱惑。
多重测试的数学
假设 10,000 个完全无效的策略在 5% 的统计显着性水平上进行独立测试。
即使每个策略的真实优势为零,名义上显着结果的预期数量为:
10,000\times0.05=500
这并不意味着 500 个策略是有利可图的。
这意味着大型搜索可能会偶然生成许多明显重要的结果。
有用的工具包括:
- 缩减夏普比率。
- 回测过拟合的概率。
- 白方的现实检验。
- 卓越的预测能力测试。
- 在标签重叠允许的情况下清除并禁止交叉验证。
- 步进测试和未触及的保留期。
这些方法解决了选择偏差和依赖性的不同方面;没有一个能够提供防止过度拟合的普遍保证。
自动化策略发现实践课
如果一个平台生成了数千个期货策略,那么研究系统不仅应该跟踪获胜者,还应该跟踪整个搜索过程。
这包括测试的候选人数量、参数变体、工具、时间框架和选择规则。
否则,获胜策略的明显统计意义可能会被大大夸大。
1.5 Cliff Asness:系统性因素和多元化
背景: 金融学博士,AQR资本管理公司联合创始人。
成就: 帮助建立系统的因子投资作为机构投资研究的主要领域。
阿斯尼斯和他的合作者发表了关于跨资产类别的价值、动量、质量和其他回报特征的有影响力的研究。
数学方法:因子模型
简化的因子模型是:
r_{i,t}=\alpha_i+\sum_{k=1}^{K}\beta_{i,k}F_{k,t}+\epsilon_{i,t}
其中:
F_{k,t}代表因子收益。\beta_{i,k}代表对每个因素的敏感度。\alpha_i是相对于指定因子模型的截距。\epsilon_{i,t}是残差。
核心问题是某些特征是否与预期回报的持续差异相关。
例如:
- 动量:最近表现出色的资产可能会在某些范围内继续表现出色。
- 价值:相对便宜的资产可能会赚取长期溢价。
- 质量:财务实力较强的公司可能表现出有利的风险调整特征。
这些关系是有条件的、不完美的,并且会长期表现不佳。
ETF配置的实际应用
假设投资系统在股票、债券、商品和防御性 ETF 之间分配资本。
它可以估计多个信号,而不是依赖单个动量指标:
w_mM_{i,t}
+w_vV_{i,t}
+w_qQ_{i,t}
+w_rR_{i,t}
其中:
- (M) 衡量动量。
- (V) 衡量具有经济意义的价值。
- (Q) 衡量质量(如果适用)。
- (R) 衡量宏观经济或市场体制特征。
然后可以在波动性、集中度、换手率和回撤约束下优化投资组合权重。
对于跨资产 ETF 投资组合,必须仔细调整因子定义。股票质量和估值指标不能简单地原封不动地转移到期货或国债 ETF。
更广泛的教训是结合经济上可解释的预期回报来源,而不是依赖单一的预测机制。
2. 成功量化交易背后的数学工具包
在这些先驱者中,有几个数学学科反复出现。
| 数学学科 | 典型技术 | 交易应用 |
|---|---|---|
| 概率与统计 | 贝叶斯推理、假设检验、引导 | 确定交易优势是否可信 |
| 时间序列分析 | ARIMA、GARCH、协整 | 模型收益、波动性和关系 |
| 机器学习 | 梯度提升、神经网络、集成 | 发现非线性预测关系 |
| 随机过程 | 布朗运动、跳跃过程、随机波动 | 模型不确定价格动态 |
| 优化 | 均值方差、稳健优化、CVaR | 分配资本和控制风险暴露 |
| 动态规划 | 马尔可夫决策过程,最优停止 | 确定一段时间内的行动 |
| 信息论 | 熵、互信息、散度 | 检测分布变化 |
| 极值理论 | 广义帕累托分布,尾部估计 | 估计极端损失 |
| 市场微观结构 | 订单流模型、库存控制 | 改善执行和流动性决策 |
| 统计学习理论 | 多重测试修正、交叉验证 | 减少错误发现 |
重要的观察是,这些数学方法解决了不同的问题 。
机器学习可以估计预期回报。
贝叶斯推理可以量化不确定性。
优化可以决定头寸规模。
动态规划可以决定是否交易、持有或退出。
极值理论可以估计尾部风险。
没有任何一种技术可以取代其他技术。
成熟的定量系统将它们整合到一个连贯的决策过程中。
3.从数学预测到数学决策
量化交易中最常见的错误之一是假设更好的预测模型会自动产生更好的交易策略。
考虑一个以 60% 的准确率预测第二天市场方向的模型。
听起来令人印象深刻。
但盈利能力不仅仅取决于方向准确性:
- 收益和损失的大小。
- 信心与实现结果之间的关系。
- 交易成本和滑点。
- 头寸规模。
- 尾部风险。
- 市场制度变化。
- 交易频率。
如果模型的错误预测与异常大的不利变动同时发生,则模型可以实现很高的方向精度,但仍然会亏损。
相反,趋势跟踪策略可能会赢得不到一半的交易,但如果成功的交易产生足够大的收益,则仍然有利可图。
更合适的目标是:
\max_{\pi}
E[U(W_T)]
受:
P(\text{Ruin})\leq\epsilon
\operatorname{CVaR}{\alpha}(L)\leq L{\max}
\text{Leverage}\leq L_{\text{limit}}
其中:
\pi为交易政策。W_T是终端财富。- (U) 是投资者的效用函数。
\epsilon是可接受的破产概率。 -(L)代表损失。
该公式将交易从预测问题转变为约束随机决策问题。
这种区别对于杠杆期货和期权尤其重要。
4. 人工智能驱动的量化交易系统的实用架构
如何将这些数学原理组装成一个独立研究人员可以实际构建的系统?
一个有用的架构有六层。
第 1 层:市场数据和事件摄取
收集:
- 历史和实时 OHLCV 数据。
- 买卖价差和执行信息。
- 相关订单簿数据(如果有)。
- 经济公告和宏观经济指标。
- 新闻和活动信息。
- 合约规格和展期信息。
对于期货,仔细处理合约展期、时间戳、时区、交易时段和时间点可用性至关重要。
在不正确对齐的数据上训练的模型可以出于完全人为的原因产生出色的回测。
第二层:统计特征工程
构建代表不同市场机制的特征。
示例包括:
动量
M_t=\frac{P_t}{P_{t-k}}-1
实现波动率
RV_t=\sqrt{\sum_{i=1}^{n}r_{t-i}^{2}}
标准化价格偏差
Z_t=\frac{P_t-\mu_t}{\sigma_t}
跨资产关系
衡量滚动相关性、利差和因子暴露。
活动特色
代表宏观经济意外、公告类型、情绪变化和估计的事件重要性。
目标不是生成尽可能多的特征。
它是构建捕获合理且可区分的市场行为来源的特征。
第三层:市场状况检测
市场在不同条件下表现出不同的行为。
趋势跟踪策略可能在持续的定向运动中表现良好,但在区间波动的市场中表现不佳。
均值回归策略可能在稳定波动期间表现良好,但在突然的市场状态转变期间遭受严重损失。
概率机制模型可以估计:
P(S_t=k\mid X_{1})
其中 S_t 是隐藏的市场状态。
可能的方法包括:
- 隐马尔可夫模型。
- 马尔可夫切换模型。
- 贝叶斯变点检测。
- 波动状态分类。
- 监督机制分类器。
一个有用的设计可以将市场分为趋势、波动和类似危机的情况。
然而,这些标签必须根据未来的策略结果进行验证,而不是纯粹通过视觉解释来分配。
特别重要的区别是过滤概率(使用时间 (t) 时可用的信息)和平滑概率(可能使用未来的观察结果)。
只有前者直接适合实时决策的历史模拟。
第4层:策略选择和预测
可以针对不同的交易机制开发不同的预测模型。
例如:
潮流款
估计动量和波动性扩张后的持续概率。
均值回归模型
估计异常大的偏差在指定范围内逆转的概率。
事件驱动模型
估计经济公告后的条件回报分布。
波动模型
估计未来的波动性和价格大幅波动的可能性。
只要可行,这些模型应输出校准概率或回报分布。
系统不仅可以预测“买入”或“卖出”,还可以估计:
P(r_{t+h}>0\mid X_t)
E[r_{t+h}\mid X_t]
\operatorname{Var}(r_{t+h}\mid X_t)
然后,这些估计可以提供给一个单独的决策引擎。
第 5 层:投资组合和头寸优化
下一个问题是决定分配多少资本。
一个简单的公式是:
\max_w
\left[
w^\top\mu-\lambda w^\top\Sigma w
\right]
受杠杆、保证金、集中度和头寸限制。
对于具有不对称或重尾损失的策略,基于场景的 CVaR 公式可能更可取。
头寸规模应考虑:
- 预测不确定性。
- 波动性。
- 合约乘数。
- 保证金要求。
- 策略之间的相关性。
- 尾部风险暴露。
- 流动性。
- 现有投资组合回撤。
期货系统应该以美元计算风险,而不是将每种工具的一份合约视为等价的。
第 6 层:监控和自适应风险控制
最后,系统需要机制来检测其假设何时不再有效。
监控:
- 预测校准。
- 已实现波动率与预期波动率。
- 交易费用。
- 策略回撤。
- 制度分类稳定性。
- 特征分布漂移。
- 相关性发生变化。
- 执行失败。
当违反预定义的风险限制时,系统应根据确定性控制减少风险敞口或暂停交易。
人工智能智能体可以通过解释异常、调查可能的原因并提出研究实验来提供帮助。
然而,语言模型输出不应独立地超越硬风险限制或在没有适当控制的情况下授权更大的实时头寸。
5. 工作示例:具有市场状态意识的期货交易系统
考虑一个交易三个期货市场的研究系统:
- E-迷你 S&P 500 (ES)。
- 纳斯达克 100 (NQ)。
- 黄金 (GC)。
该系统包含两个策略系列:
- 趋势跟踪。
- 均值回归。
第三种可能的行动是保留现金。
第 1 步:估计市场状态
市场状态分类器估计:
| 市场状态 | 概率 |
|---|---|
| 趋势 | 65% |
| 测距 | 25% |
| 危机类 | 10% |
这些是说明性的概率,而不是当前的市场估计。
步骤 2:按状态估算策略回报
假设估计正常交易成本后的假设一期预期回报如下:
| 策略 | 趋势 | 测距 | 危机类 |
|---|---|---|---|
| 趋势跟踪 | +1.2% | −0.4% | −1.0% |
| 均值回归 | −0.8% | +0.9% | −4.0% |
| 现金 | 0% | 0% | 0% |
这些数字代表一致定义的策略资本配置的回报,而不是期货名义价值的回报。
步骤 3:计算概率加权预期收益
对于趋势跟踪:
E[R_T]
=0.65(1.2)+0.25(-0.4)+0.10(-1.0)
E[R_T]=0.58%
对于均值回归:
E[R_M]
=0.65(-0.8)+0.25(0.9)+0.10(-4.0)
E[R_M]=-0.695%
在这些假设下,趋势跟踪具有更高的预期回报。
但这还不足以确定应该激活趋势策略。
该系统还必须考虑:
- 估计不确定性。
- 策略切换成本。
- 当前持仓。
- 保证金要求。
- 超出建模场景的可能损失。
- 预测优势是否超过最小置信度阈值。
步骤 4:应用风险约束
假设趋势策略的建议头寸违反了投资组合的最大压力损失约束。
正确的行动可能是减少头寸或保留现金,尽管预期回报为正。
这就是数学优化比简单地选择具有最高预测回报的策略更有价值的地方。
第 5 步:评估系统
将市场状态感知系统与以下对象进行比较:
- 始终在线的趋势跟踪。
- 始终开启均值回归。
- 策略之间的固定分配。
- 以波动性为目标的基准。
- 使用简单的预定义规则的现金感知策略。
对根据决策时实际可用的信息生成的所有预测进行前瞻测试。
评估盈利能力和风险。
主要问题不是制度分类器是否达到最高的分类精度。
而是由此产生的交易决策是否会改善扣除成本后的样本外经济绩效。
6.网格的特殊问题和均值回归策略
一些交易系统通过在价格走势不利时增加头寸来频繁产生小额利润。
在正常市场条件下,这些系统看起来异常一致。
但他们的风险状况可能高度不对称。
网格策略可能会收集许多小的收益,同时在持续的定向移动期间积累风险。
累积头寸风险的简单表示是:
Q_t=\sum_{i=1}^{N_t}q_i
其中 q_i 是每个未平仓头寸的大小。
按市值计算的损失取决于头寸数量及其入场价格。
对于长网格:
L_t=M\sum_{i=1}^{N_t}q_i(P_i-P_t)
其中 (M) 是合约乘数,P_i 是每个入场价格。
该表达式假定通用合同规范,不包括融资、佣金和其他成本。
随着市场持续下行,头寸数量和累计损失可能会增加。
因此,即使每笔交易看起来很小,系统也会经历非线性损失增长。
为什么传统回测可能低估危险
涵盖两三年的回测可能不会包括足够极端的不利价格变动。
即使确实如此,模拟也可能无法重现:
- 盘中追加保证金通知。
- 点差扩大。
- 强平期间滑点。
- 隔夜缺口。
- 流动性短缺。
- 保证金要求的变化。
极值理论和蒙特卡罗模拟可以帮助研究这些风险,但当尾部分布知之甚少时,它们无法确定确切的破产概率。
对于网格交易来说,更有用的压力测试是模拟一系列不利的价格路径并计算由此产生的净值、保证金利用率和强制平仓条件。
从未经历过灾难性事件,并不意味着策略的灾难性风险就低。
7. 独立量化交易者的实用研究路线图
复杂的定量研究项目不需要从数千个 GPU 或机构交易平台开始。
它可以从严格的实验过程开始。
第一阶段:建立值得信赖的研究环境
目标: 消除可避免的数据和回测错误。
推荐工具:
- Python、NumPy、pandas 和 SciPy。
- 用于历史数据的 DuckDB 或 Parquet。
- 用于实验元数据的 PostgreSQL 或 SQLite。
- 一个可重现的回测框架。
- Git 和实验跟踪。
重要交付成果:
- 时间点数据约定。
- 一致的时间戳。
- 合同卷处理。
- 现实的交易成本假设。
- 确定性回测结果。
- 训练、验证和最终保留期的明确分离。
如果没有这个基础,更高级的数学只会产生更复杂的过度拟合。
第 2 阶段:发现并验证个体交易机制
目标: 识别统计上合理的预期回报来源。
从有限数量的假设开始:
- 波动扩大后的动量。
- 短期极值后的均值回归。
- 跨资产超前-滞后关系。
- 重大经济公告后的价格行为。
- 波动率机制转换。
对于每个假设,在广泛优化之前定义机制、进入条件、预期持有期限、退出条件和失败场景。
使用前瞻性评估和实际成本。
避免仅仅因为达到历史最高夏普比率而选择策略。
第 3 阶段:构建概率预测模型
目标: 估计条件回报和不确定性。
从可解释的模型开始:
- 正则化线性回归。
- 逻辑回归。
- 梯度增强树。
- 隐马尔可夫模型。
- GARCH型波动率模型。
当更复杂的神经网络表现出可测量的增量价值时,应该引入它们。
将模型与简单基线进行比较。
扣除成本后无法超越直接基准的模型不应仅仅因为它使用了更高级的数学而得到推广。
第 4 阶段:构建投资组合决策引擎
目标: 将预测转换为风险可控的头寸。
实施:
- 波动率目标。
- 暴露限制。
- 相关性感知分配。
- 场景压力测试。
- CVaR 感知优化。
- 策略激活和暂停规则。
决策引擎应与预测模型分开评估。
这使得研究人员能够确定改进是否来自更好的预测或更好的资本配置。
第 5 阶段:添加自适应市场状态控制
目标: 系统地响应市场行为的变化。
估计制度概率并使用它们来修改策略选择或风险预算。
避免基于不稳定分类的突然切换。
潜在的保障措施包括:
- 最小置信度阈值。
- 迟滞。
- 最小持有期限。
- 转换成本惩罚。
- 市场状态不确定性下的保守行为。
根据更简单的替代方案评估整个系统。
第六阶段:逐步部署并持续监控
目标: 确定研究结果是否能在实际执行中幸存下来。
从纸面交易或少量实时分配开始。
将实际结果与建模预期进行比较。
监控执行成本、预测校准、运营故障和风险限制合规性。
仅当系统在有意义的市场条件下表现出足够的稳定性时才增加资本。
有利可图的回测是进一步测试的证据,而不是持久交易优势的证明。
8. 连接最成功量化交易者的七个原则
尽管西蒙斯、索普、格尔科、肖和阿斯内斯的方法不同,但他们的职业生涯提出了一些持久的原则。
原则 1:寻找可衡量的优势,而不是引人注目的故事
有吸引力的市场叙述并不是交易优势,除非它能带来可检验的预测。
原则 2:优先选择多种经过验证的机会,而不是一种脆弱的策略
真正不同机制的多元化可以减少对单一市场条件的依赖。
原则 3:明确测量不确定性
当交易决策依赖于不对称损失和不确定概率时,点预测是不够的。
原则四:优化资金配置,而不仅仅是预测准确性
适度的预测改进可能不如更好的头寸规模或更低的交易成本有价值。
原则 5:将灾难性风险视为一流的数学问题
频繁获得小额利润的策略可以掩盖大量的尾部风险。
原则 6:用科学纪律对抗过度拟合
测试的假设越多,必须验证的明显发现就越仔细。
原则 7:构建能够检测自身恶化的系统
市场关系发生变化。一个强大的定量平台需要监控、适应和预定义的机制来降低风险。
9. 人工智能和大型语言模型的适用范围
现代人工智能创造了前几代定量研究人员所没有的机会。
大型语言模型可以帮助处理非结构化信息,例如:
- 央行报表。
- 财报电话会议。
- 经济评论。
- 监管公告。
- 地缘政治发展。
- 财经新闻。
基于 LLM 的系统可能会提取结构化事件特征:
(event type, surprise, sentiment, confidence)
这些功能可以与传统的市场变量相结合:
X_t=(X_t^{market},X_t^{macro},X_t^{event})
然后,预测模型可以估计条件回报分布或市场体制的变化。
然而,大语言模型解释事件的能力并不能证明其解释具有预测交易价值。
系统必须评估大语言模型衍生的特征是否可以改善样本外的表现,使其超越价格、波动性和传统的宏观经济基线。
它还必须通过使用当时可用的历史信息来防止前瞻偏差。
人工智能智能体可以进一步协助实验生成、回测审查、异常调查和监控。
它们最强大的作用可能是加速科学研究进程,而不是直接取代数学风险控制。
因此,有前景的架构并不是一个可以做出不受约束的交易决策的自主语言模型。
它是一个由数学控制的**交易系统,通过基于人工智能的信息提取、研究自动化和监控来增强。
10.最终观点:真正的秘密是研究系统
吉姆·西蒙斯展示了系统统计研究的非凡潜力。
爱德华·索普展示了概率、对冲和严格的资本配置如何创造持久的投资优势。
Alex Gerko 阐释了现代机器学习和计算基础设施的力量。
David E. Shaw 证明了严格的、假设驱动的研究的重要性。
Cliff Asness 展示了如何跨资产类别研究、组合和部署系统性因素。
他们的成就不应被解释为复杂的数学自动产生非凡投资回报的证据。
每一个都在特定的制度、技术和竞争环境中运作。有些受益于独立研究人员无法轻易复制的规模、专业数据、市场准入或专有基础设施。
尽管如此,他们的工作为量化交易提供了一个连贯的框架:
\boxed{
\text{Data}
\rightarrow
\text{Hypothesis}
\rightarrow
\text{Statistical Evidence}
\rightarrow
\text{Prediction}
\rightarrow
\text{Optimization}
\rightarrow
\text{Execution}
\rightarrow
\text{Risk Feedback}
}
目标不仅仅是预测明天的价格。
它是建立一个系统,反复识别机会、评估不确定性、选择适当的位置、在不利条件下生存并在假设失效时进行调整。
世界上成功的数学交易者最重要的教训不是他们发现了一个神奇的公式。正是他们将交易转变为科学发现、概率决策和风险控制执行的严格过程。
对于现代独立研究人员来说,这个过程比以往任何时候都更容易实现。
数学是可用的。该软件可用。有许多有用的数据集可供使用。
困难的部分——也是任何可持续竞争优势的来源——是将它们结合到一个在回测之外仍然可靠的研究和交易过程中。
延伸阅读
参考文献
书籍
- 祖克曼,G.(2019)。 解决市场的人:吉姆·西蒙斯如何发起量化革命。文件夹。
- 索普,E.O.(2017)。 A 适用于所有市场的人:从拉斯维加斯到华尔街,我如何击败庄家和市场。兰登书屋。
- 洛佩斯·德普拉多,M. (2018)。 金融机器学习的进展。威利。
- Grinold, R. C. 和 Kahn, R. N. (1999)。 主动投资组合管理。麦格劳-希尔。
- Cartea, Á.、Jaimungal, S. 和 Penalva, J. (2015)。 算法和高频交易。剑桥大学出版社。
研究论文
- 索普,E.O. (2003)。 A 华尔街数学家。威尔莫特。
- Moskowitz, T. J.、Ooi, Y. H. 和 Pedersen, L. H. (2012)。 时间系列动量。金融经济学杂志,104(2), 228–250。
- Asness, C. S.、Moskowitz, T. J. 和 Pedersen, L. H. (2013)。 价值和动量无处不在。金融杂志,68(3), 929–985。
- Bailey, D. H. 和 López de Prado, M. (2014)。 缩减夏普比率:纠正选择偏差、回测过度拟合和非正态性。投资组合管理杂志,40(5), 94–107。
- Bailey, D. H.、Borwein, J. M.、López de Prado, M. 和 Zhu, Q. J. (2017)。 回测过拟合的概率。计算金融杂志,20(4), 39–69。
- 怀特,H.(2000)。 A 数据侦听的现实检查。计量经济学,68(5),1097–1126。
- Rockafellar, R. T. 和 Uryasev, S. (2000)。 条件风险价值优化。风险杂志,2(3),21-41。
- Avellaneda, M. 和 Stoikov, S. (2008)。 限价订单簿中的高频交易。量化金融,8(3), 217–224。
公共资源
- Edward Thorp's research and publications
- AQR Research
- XTX Markets
- D. E. Shaw Group
- Renaissance Technologies
免责声明:本文具有教育意义,不构成个性化投资建议。历史结果并不能保证未来表现。所有说明性交易回报、概率和情景均为假设,除非明确归因于历史报告。