量化策略开发的技术路线：私募CTA策略大拿讲座总结
由polll创建，最终由polll 被浏览 19 用户
【本文为原创文章，发表于vnpy/知乎/新生大学】
最近参加了一个知乎收费讲座，讲CTA策略的创新，尤其提到了策略开发的技术路线，包括机器学习在策略开放中使用的一些情况，收获很大，总结出来方便自己未来查阅，也为大家提供一些思路。另外，本文只是我的总结， 建议感兴趣的还是听知乎博主的课。
**备注：**CTA时量化策略的一个大类，主要是通过预测趋势来赚钱，跟其相对应的大类还有统计套利策略和高频策略
**知乎博主介绍：**博主付超，是国内一家私募公司CTA策略部门的负责人，从事CTA策略开发6年。由于策略的私密性，无法讲解细节，只能提供方向。
传统CTA的特点
**特点1：**β偏好性，主要利用趋势的肥尾特点，通过追随趋势获取利润。喜欢波动较大或者急涨急跌行情**特点2：**多策略多周期**特点3：**国内传统的CTA策略夏普一般在2以内，国外因为市场更成熟，一般在1.5以内**特点4：**以长周期为主（作者认为长周期一般指的是平均持仓周期是几天以上的），原因时长周期趋势肥尾的特点才比较明显。通过平时亏小钱，赚大钱
我自己的思考：包括我在内，业余的量化交易员常用的以技术指标为主的策略开发，应该就属于这种。但是如果将技术指标最为X，未来收益作为Y，放到机器学习的模型中进行训练，得到的一个新的指标或者说因子，则属于后面说的新型CTA策略。
新型CTA的特点
新型的CTA是传统CTA策略的包含关系，是对传统CTA策略的一个创新，比如利用高频策略的盘口预测和统计套利的多空对冲策略等。**特点1：**除了传统CTA策略的β策略外，还包含了α策略。
β策略的本质时利用投资者回避风险的特点，亏欠的人更容易回避风险或者犯错。而α策略本质上是一种预测，主要是概率统计来发现交易机会。无论时β策略还是α策略，在市场波动率较大的情况下，一般绩效也越高，因为波动大，大家犯错的可能业变大。
**特点2：**夏普一般在2以上，博主公司的策略基本都在3以上**特点3：**短中长期的策略都可以做，尤其时短周期策略，因为预测周期越短，相对数据量就越大，统计学习的算法预测精度就越高（α策略）
我自己的思考：新型CTA策略最大的特点是加入了机器学习进行预测，比如利用机器学习得到的有效信号或者说因子。即使使用现成的技术指标，也应该纳入到统计学习或者机器学习的框架来寻找映射函数
CTA的未来和创新
**1.横向的资源整合。**把不同的策略大类的特点结合起来，使用高频的逻辑处理CTA和统计套利的下单（作者指的是可以利用机器学习进行下单预测，减少滑点）。CTA可以参考统计套利的套利，做一些多空对冲。**2.纵向的资源整合。**对一个资产管理公司来说，已经包括策略研发，还有募资和IT的支持。IT支持作者举了一个例子，就是资金量较大后，需要利用高频下单的逻辑减少滑点，需要有IT的支持
**3.流水线作业。**例如策略研发，可以封装成单独做信号（因子）、单独做策略组合的、单独做下单的几个部门，每个部门都可以做到各自的极致。
**4.数据为王。**数据指的是2个方面，第一个是数据量越大越好，数据量越大，统计就越健壮。第二是预测周期越短越好，同样数据量的情况下，预测周期越短，样本数量就越大。**5.机器学习。**机器学习在CTA中的应用是由浅入深的过程。一谈到机器学习，大家都马上会想到深度学习，但是作者建议大家先从简单到复杂，不要一上来就深度学习。_
我自己的思考：_
作者说的未来和创新，结合上下文，其实时他自己已经在做的。对我来说最有价值的是，明确了后续的技术发展方向。还是要走统计学习的方向。当然，机器学习只是工具，还是需要人能够发现潜在的规律，然后利用机器学习，得到一个可能的盈利因子。
机器学习在量化交易领域的4个特点
特点1：从线性模型到非线性模型（前一项相对于后一项更复杂，但是可能会有更好的预测效果，下同）
线性模型相对比较简单，就是对一些因子进行多元线性回归等。
特点2：从无监督学习到有监督学习
有监督模型相对于无监督模型而言，需要挑选样本进行训练，而挑选样本需要本身对市场比较了解，有很大的经验性。作者认为初学者最好从无监督学习开始。
特点3：从分类的学习到回归的学习
分类实际上是最极端的回归，将回归分成2类或者3类，比如-1（预测正确）/1（预测错误）。为什么说先做分类再做回归，主要也是从易到难的一个过程。为什么要用回归，主要是回归做出来的策略效果更好
特点4：从决策树模型到神经网络模型（偏深度学习）
作者没有细说。只是说神经网络模型的坑特别多
我自己的思考：到最后，量化交易实际就是拼技术和智力，有同样交易经验的，是否精通统计学习或机器学习，对策略的研发能力会由天壤之别。
问答精选
问题1：量化策略开发的常识是啥
回答：交易任何时候都是一种预测，你在T时刻可以利用T时刻之前的所有数据来预测T+N期的收益率，而T+N期的收益可以看成Y，T时刻之前的所有量价数据都可以看成X，X可以采用各种量价的组合，世面上能够找到的技术指标，就是最简单的因子，可以作为X，然后通过统计学习/机器学习的思路找到一种X到Y的比较好的映射关系