高频交易策略

前言

算法交易起源于上世纪中叶的配对交易

历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。

配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。

随着计算机的广泛普及，华尔街各大

消息在股票交易中有很大的影响力，如果没有对消息的处理会导致策略经常中雷，怎么办呢？

在本讲中，我会给大家介绍隐马尔可夫模型（HMM）的基本原理。HMM是一种非常重要的机器学习算法，在自然语言处理和语音识别中有着极其广泛的应用。HMM涉及到的内容非常的多，本次讲解无法面面俱到，希望大家能抽出时间更加系统地学习这个模型。

一个进入HMM世界的简单例子是：在赌场内有一个赌徒玩得一手好骰子，战无不胜，赌场老板怀疑赌徒偷换了骰子（不均匀的），于是通过摄像头把每次骰子出现的点数都记录了下来，现在问题是通过这一串点数你能判断赌徒是否偷换了骰子吗？如果偷换了那么用了几个作弊的骰子？这几个作弊的骰子每个点数出现的概率是多大？（该例子来源于[小小鸟小小 - 博客频道 - CSDN.NET](h

我们在之前的文章中，了解了什么是短期利率期货。我在文中指出，利率期货具备天然的“高频交易”内容。盘口信息对于交易利率期货非常重要，但是由于交易标的是利率，因此波动较慢，可以说是肉眼可以见的高频。但是从盘口交易中，获取的知识和经验，是对于任何品种的高频交易都非常有帮助的。

当年的伊士顿公司，通过高频交易，在国内用几百万赚了好几个亿，实际上，这个公司提供交易策略的人，在十年前，就是从利率期货做市交易起家的。

那我们今天就来了解一下，一个在短期利率期货上，最经典的类高频交易策略。

我们使用的例子，是澳大利亚悉尼期货交易所，推出的90天银行票据期货。

![](/community/uploa

本报告导读：机器学习寻找的是适宜交易异象的稳定周期频率，并不是寻找特定参数组下的高收益曲线（即参数过拟合）。

摘要

目前获取战胜基准指数的主要途径是从多因子模型角度来考虑的，其本质上都是通过股票间的横向比较来获取超额收益，这也是我们提出T0系列策略的初衷，希望将==个股择时与多因子模型结合==起来，给投资者带来更多思路。

深度学习在图像处理领域更加成熟，其类似于一种图像降维技术，通过提取图像中的特征值对类似图像进行匹配。本文通过深度学习的方法对参数组及胜率的多维空间进行降维，并对其分布形态进行评估，从而确定模型泛化能力。

自2015年5月至2019年5月，相对上证50指数（股票采

摘要

高频交易同传统买入持有策略的相关性较低，起到分散风险的作用。高频交易策略作为量化投资策略的一个重要分支，是基于对交易品种的日内短期判断形成的交易策略，通过每次交易的微小盈利进行累积来获取收益。高频交易和传统买入持有策略的低相关性，对传统买入持有策略形成有益补充和分散风险

高频交易策略较其他量化策略可靠性更胜一筹。高频交易策略其理论基础同其他量化交易策略是完全一致的，即为概率统计中的大数定律。从统计学的意义上讲，大数定律要求的样本的基本条件是独立同分布，也就是说如果我们在实验过程中，样本分布的同质性越强，大数定律能够实现的可能性越大。而高频交易相对量化选股而言，其样本的噪音数据

{{membership}}

https://bigquant.com/experimentshare/78b2cb544e1b4f108ed767acf490c133

\

https://bigquant.com/experimentshare/3a997dfaacdc4323a0fc4be8fa1089d8

\

摘要

机器学习是订单簿动态建模的前沿方法订单簿的动态建模，主要有两种方法，一种是经典的计量经济学方法，另一种是前沿的机器学习方法。机器学习通过对己知数据的学习，找到数据内在的相互依赖关系，从而对未知数据进行预测和判断，最终使得机器具有良好的推广能力。支持向量机(SVM,Support Vector Machine)是目前较为先进的机器学习方法。

可以从订单簿提炼指标库来刻画其特征订单簿主要包括买一价、卖一价、买一量、卖一量等基础指标，并可以衍生出深度、斜率、相对价差等指标，其他指标包括持仓量、成交量、基差等，共计17个指标。还可以引入常见的技术分析指标如RSI、KDJ、MA、EMA等

策略案例

https://bigquant.com/experimentshare/6b6e8b882da34005bdecdc24c2a00178

\

/wiki/static/upload/7e/7e6629bc-ac8d-42ad-85a0-c74ecff7229b.pdf

\

随着时间序列系列讲到协整部分，我们会陆续讲一些经典的量化策略。在今天的讲解中，我将简单地介绍一下量化投资中的常用策略算法思想。由于是概览，因此不会对策略的细节进行深度分析。

动量策略

动量策略是抓住市场某一个方向的显著趋势而获利的算法。由于人性的因素，股票市场存在某种“惯性”。当某些题材的热股被热炒时，其价格会快速并且持续地上升。上升的初期可能是由市场上的某个讯息或者热点引起，而后越来越多的投资者在听到之后都会跟风追逐。一个简单的动量策略应用是当前的价格低于MA时买入股票高于MA时卖出股票。

均值回复

均值策略假设虽然市场会出现追涨杀跌的短暂疯狂状态，但从长期趋势来看市

我们一般只发原创，今天看到一篇很棒的文章就转过来和大家分享，已获得作者授权。

作者：郑明 首发于 对冲笔记，ID:HedgeFundNotes

深度学习简介

关于深度学习的话题，目前讨论的很火，各种学习资源也充斥网络，这里只是做一个简单介绍。

Deep Learning 本身算是 Machine Learning 的一个分支，简单可以理解为Neural Network的发展。大约二三十年前，Neural Network曾经是ML领域特别火热的一个方向，但是后来确慢慢淡出了，原因包括以下几个方面：

1）比较容易过拟合，参数比较难tune，而且需要不少trick；

2）训

2021年7月8日Meetup模板：

https://bigquant.com/experimentshare/4fa50659ea5340188b574e288c0f9903

\