量化交易入门书籍-Quantitative Trading how to Build Your Own Algorithmic Trading Business 06


(humidity) #1

本篇将是Quantitative Trading how to Build Your Own Algorithmic Trading Business的最后一篇的上篇。主要是讲了6个主要的交易策略方向,重点预告:下一本书我将带来Trading and Exchanges,这本书堪称是交易圣经吧,每一个做交易的人都需要深入的去理解市场,价格背后的真想。这本书目前还没有任何中文翻译版,非常精彩,特别是对于order book的理解,这本书的读法呢,我就会比较慢,很细致了,希望高度还原原版的精神。

均值回归策略VS趋势策略

交易策略能够赚钱是基于交易标的的价格形成了回归或者趋势,否则,就是随机游走,交易就不会有盈利。如果你相信股票价格是均值回复的,而现在的价格相对于大多数情况较低,那么你应该现在买入,然后当价格走高时卖出。然而,如果你相信价格是趋势的,如果他现在比较低,那么你就需要卖空,然后等价格走低时平仓。

学术研究表面股票价格的走势接近于随机游走,但是这并不意味着在一些特定条件下,不会存在均值回归或者趋势的表现。甚至,在不同的时间跨度下,股票价格可以同时表现为均值回归和趋势。开发策略很重要的一点就是判断股票在一个固定时间跨度下价格表现为趋势或者均值回复。

人们喜欢描述价格既有均值回复又有趋势的状态叫做“fractal”,技术分析者或图表分析者喜欢用Elliott Wave理论来分析这个现象,有一些其他人喜欢用机器学习(比如说隐马尔科夫链、卡尔曼滤波,神经网络等)来发现价格是处在均值回复状态还是趋势状态。我本人是未发现普适的理论来判断趋势或均值回复。但是,我发现一个很有用的假设,如果公司的期望收益不发生变化,股票价格都会处在均值回复状态。事实上,金融研究者(Khandani and Lo,2007)已经发现一个简单的短期均值回复模型是可以盈利的,当然,这个策略能否在加上交易成本后仍旧盈利是个问题。

尽管均值回复是一个流行的策略方向,但是针对此类策略进行回测时要非常的小心。

1、许多历史交易数据是不精准的

2、数据生存偏差依旧对均值回复策略的表现有很大影响。

信息的传播是有过程的,信息传播是逐渐的,这个过程中就会产生趋势,当越来越多的人知道确切的消息,更多的人就会决定买入或者卖出股票,因此让股票向同一方向运动。

有一个趋势策略就是:post earnings announcement drift。

这个策略就是当公司盈利大于预期时,就买入股票,反之亦然

趋势也可以在群体行为发生时产生:交易者都按照别人的决定来判断自己的交易方向。没有人可以有玩呗的信息来决定交易,每个人都必须对别人的决定做出反映,但是确很难判断别人做出的决定的质量高低。

但是悲剧的以上两种情况都很难量化。

最后一个均值回复和趋势策略不同点时值得深思的。

使用同一种交易策略的交易者们之间是怎么相互影响的?

对于均值回复策略,最典型的影响就是套利机会的交易机会,交易机会会逐渐将至0,比如说当价格过高,于是所有人都会卖出,价格将逐渐降低,回到正常水平,但是对于趋势策略来讲,越多的人使用趋势策略,趋势将会持续,当信息传递越快,交易者优势越大,均衡价格将会更快达到。当达到均衡价格后,交易者就没有盈利机会了。

REIGIME SWITCHING(市场转换)

如果我们的母的是预测市场从牛市到熊市的转折点,那么我们需要重点讨论这种市场转换类型。我已经发现了两种市场转换:(1)2003年股票价格以10进制表示 (2)2007年去除报升原则

这种市场转变是监管者的规则发生变化所造成的,但是这种情况是预测不了的,比如说期货市场过热时,我们的交易所提高交易手续费、最大手数,对股指期货的市场结构产生了重大影响。

通常情况下,主要的市场转换类型是:通涨VS通缩、高波动VS低波动、均值回复VS趋势,波动率模式的转换是学术研究工具最容易解释的,比如说GARCH模型。如果谁能够更准确的预测波动率,谁就能成为一个优秀的期权交易员。

学术上试图用模型去解释市场转换,但是会做很多的假设,比如说假设这两种情况发生时股票价格有不同的概率分布。最简单的模型就是假设log(Price)服从正态分布,这两种情况的价格有不同的均值和标准差。

Turning points models是一个数据挖掘过程,所有可能的变量都会影响预测转折点,变量包括现在的波动率、最近一段时间的市场转向,宏观数据、石油价格变化、债券价格变化等。

哇哦,突然已经很晚了,今天先更新这么多,明天更新最后的平稳和协整、价格模式。