38 KiB
doc_type, bookId, reviewCount, noteCount, author, cover, progress, readingTime, readingDate, isbn, lastReadDate, finishedDate
| doc_type | bookId | reviewCount | noteCount | author | cover | progress | readingTime | readingDate | isbn | lastReadDate | finishedDate |
|---|---|---|---|---|---|---|---|---|---|---|---|
| weread-highlights-reviews | 825886 | 2 | 94 | 里什·纳兰 | https://cdn.weread.qq.com/weread/cover/43/YueWen_825886/t6_YueWen_825886.jpg | 100% | 8小时23分钟 | 2022-12-03 | 9787111537298 | 2025-06-29 | 2025-06-29 |
元数据
[!abstract] 打开量化投资的黑箱（原书第2版）
- 书名： 打开量化投资的黑箱（原书第2版）
- 作者： 里什·纳兰
- 简介： 中国的发展使其更多地融入全球市场。中国政府不断开放更宽泛的经济要素范畴，充分提升中国市场的影响力。目前中国内地的投资者，或者借助中国香港市场的连接作用买卖证券，或者通过当地的分销商买卖基金，可以进入国际股票和信贷市场。正是由于放松管制的进度很快，中国投资者才能够接触到世界上一系列最先进的投资机会。身处国际投资界，我们希望见证这令人激动的时刻，也很高兴为中国市场提供最大限度的培训和支持。为达到这一目的，《打开量化投资的黑箱》一书将为中国投资者提供清晰的结构化观察，而这些观察已经在美国和其他很多国家为本书赢得盛誉。
- 出版时间： 2016-05-01 00:00:00
- ISBN： 9787111537298
- 分类： 经济理财-理财
- 出版社： 机械工业出版社
- PC地址：https://weread.qq.com/web/reader/f93329b05c9a1ef93ec760c
高亮划线
译者序
📌 量化投资是将投资思想转化为投资模型，借助于数据检验投资模型的有效性，进而利用有效的投资模型指导交易的过程。 ⏱ 2025-06-11 08:51:29 ^825886-5-669-722
前言
📌 量化交易者在系统化的道路上已经走了一段距离了，汽车制造仍是汽车制造，手工安装的齿轮还是机器安装的齿轮并没什么区别。驾驶飞机亦是如此，飞行员驾驶和无人机工作没有什么不同。换句话说，只是以不同的方式做着同样的工作。核心是技术的不同。 ⏱ 2025-06-13 22:11:24 ^825886-6-1140-1254
📌 阿尔法策略通过择时和调整持仓头寸进而获利；贝塔策略是复制或者稍微改进指数的表现，例如标普500指数。 ⏱ 2025-06-13 22:11:14 ^825886-6-3124-3174
第1章 关注量化交易的原因
📌 追求阿尔法回报的交易也是通过寻求市场错配而获利。 ⏱ 2025-06-13 22:11:21 ^825886-9-6290-6314
深度思考的益处
📌 我参加过无数场主观判断型交易者参加的会议，当问到他们如何决定持仓规模的时候，他们以“看上去合理”为理由回答了这个问题。这绝不是对主观判断型交易者的谴责。我仅仅是想指出对一些细节的精确和深入思考，以及更长远地考虑策略，是一件很好的事情 ⏱ 2025-06-13 22:11:19 ^825886-10-1413-1529
风险的正确度量和错误度量
📌 认为没有足够能力预测市场运行的方向的许多股票量化交易者，都会度量市场风险敞口程度（利用净头寸或者贝塔系数度量），通过平衡多头和空头组合以使得风险暴露处在较低的一个水平。另一方面，精度不准确、度量错误以及设置不正确的假设条件会使得风险度量和量化管理陷入困难。 ⏱ 2025-06-13 22:11:13 ^825886-11-581-709
遵守纪律
📌 一旦设计出交易策略并通过严格的检验验证了该策略可以获利并具有可行性，宽客都会让模型自动运行而不会进行非必要的任意干预。 ⏱ 2025-06-13 22:11:05 ^825886-12-411-470
第2章 量化交易简介
📌 通常地，在自然科学领域以及金融领域所提到的黑箱，是指提供输入变量就可以产生输出变量的一个系统，而我们往往并不清楚其内部运行机理。 ⏱ 2025-06-13 22:11:23 ^825886-14-2056-2120
何为宽客
📌 宽客（quant）通常会基于高深的理论构造追求超额利润，并系统地加以实施。宽客之所以被称为宽客，就在于他们会刻苦钻研交易策略的产生和实施过程。 ⏱ 2025-06-13 22:11:23 ^825886-15-400-478
📌 宽客对其策略进行人工干预的最常见情形是，出现了影响市场行为的消息，而已有策略无法自动进行调整，为削弱其影响宽客不得不进行人工干涉。 ⏱ 2025-06-13 22:11:09 ^825886-15-1169-1234
📌 注意到，在这个例子中，合并的消息可能在宽客对交易策略系统进行了干预之前已经进行披露。有些激进型的交易组织，一旦听到具有一定可信度的并购流言就将其从交易名单剔除掉。相反地，有些宽客则从不轻易改变交易名单。 ⏱ 2025-06-13 22:11:18 ^825886-15-1541-1642
📌 随着量化交易规模的增加，逐渐出现了越来越多的伪宽客（quasi-quant traders），这是个很有趣的现象。例如，有些伪宽客利用自动化的系统进行扫描，寻找潜在的交易机会，将大量的备选对象减少到一个相对较少、更加可控的规模；这时再进行人工干预，采用一系列手段在筛选后的名单中选择值得进行投资的对象。还有两种不太常见的情形：一是将交易品种的选择完全由人工完成，而不是通过电脑来优化投资组合的具体配置并管理风险；更为不常见的情形是先使用电脑筛选出所有可进行交易的品种，然后人为地决定如何在这些品种间分配头寸的规模。这些伪宽客使用了宽客常用的一些工具，因此我们的研究也将他们所使用的技术涵盖在内。 ⏱ 2025-06-13 22:11:07 ^825886-15-2217-2540
量化交易系统的典型结构
📌 投资组合构建模型利用阿尔法模型、风险模型和交易成本模型的结果作为输入变量，主要在追求利润和控制风险、交易相关成本间进行平衡，从而确定最佳的投资组合。做出决策之后，该系统将目前的投资组合和目标投资组合加以比较，根据二者之间的差异来执行所需要的交易， ⏱ 2025-06-13 22:11:20 ^825886-16-1435-1558
小结
📌 量化策略通常模糊难懂，因而被投资者所忽视。即使是关注量化策略的人，也将主要精力放在量化策略的核心部分：阿尔法模型部分。我们想要着重指出的是，量化交易系统的其他很多部分值得进行深入理解和评估。例如，交易成本模型可以帮助确定交易的换手率，风险模型可以帮助我们避开错误的头寸敞口，投资组合模型可以在交易成本、风险管理、盈利等相互冲突的目标之间进行平衡，并将目标投资组合传输至执行模型，对投资组合模型执行策略。这些都是基于数据并经过研究才能完成。由远及近，我们开始对黑箱有了一定的了解 ⏱ 2025-06-13 22:11:16 ^825886-17-673-911
第3章 阿尔法模型：宽客如何盈利
📌 阿尔法模型是量化交易系统的第一个重要组成部分，主要是为了寻找盈利机会。目前对量化交易的研究重点大都集中在对阿尔法模型的研究上。阿尔法是希腊字母α的音译，常用于量化表述投资者的盈利能力，或投资者得到的与市场波动无关的回报。在通常的定义中，阿尔法是指扣除市场基准回报之后的投资回报率，或仅仅是由投资策略所带来的价值。由于市场因素带来的回报率称为贝塔，例如，某基金的回报率是12%，而同时期的市场基准回报率是10%，则该基金的阿尔法值就是2% ⏱ 2025-06-13 22:11:13 ^825886-19-558-783
📌 在趋势跟随策略中，阿尔法策略体现在识别趋势的技巧中，帮助趋势跟随策略的交易者判断买入或卖出的最佳时机。 ⏱ 2025-06-13 22:11:10 ^825886-19-1167-1218
两类阿尔法模型：理论驱动型和数据驱动型
📌 第二类科学家认为，通过对现实情况的经验观察和分析并进行总结，可以取代理论的地位。简言之，这类科学家认为，通过合理使用正确的技术性手段，人们可以识别出隐藏在数据中的模式或规律。仍以人类基因组计划为例。我们已经知道，某些基因片段对应着特定的人类行为，人类基因组计划的科学家认为，我们并不需要对此进行理论解释，不需要从理论上来解释为什么存在这种对应关系。 ⏱ 2025-06-13 22:11:11 ^825886-20-1299-1473
📌 经验型科学家有时被戏称为“数据矿工”（data miners），很多情形下的确如此，因为他们并不关注对自己的理论进行升华，而只是千方百计地利用数据分析方法去揭开并不显而易见的市场行为的面纱。 ⏱ 2025-06-13 22:11:08 ^825886-20-1539-1634
理论驱动型阿尔法模型
📌 对于市场为何以现存方式运行，他们给出符合经济学理论的解释，并检验该理论是否可用于预测未来的市场行为。很多宽客认为其理论具有一定的独特性，这也是他们对自己的策略保密的一个重要原因。事实证明，这通常都是错觉。此外，许多量化交易圈外的人士认为宽客们所使用的交易策略都基于复杂高深的数学公式。这种看法也通常是错误的。 ⏱ 2025-06-13 22:11:12 ^825886-21-401-555
📌 试图预测价格并从中获利的宽客，通常都是在分析以下两种现象之一：一是已有的趋势是否会延续，二是目前的趋势是否会反转。换句话说，价格是沿着目前的态势继续向前还是会反向波动。前者我们称为趋势跟随策略（trend following）或动量策略（momentum），后者称为反趋势策略（counter-trend）或均值回复策略（mean reversion）。 ⏱ 2025-06-13 22:11:16 ^825886-21-1627-1908
📌 趋势法存在的经济学基本原理是市场均衡理论。 ⏱ 2025-06-13 22:11:19 ^825886-21-2077-2098
📌 通常来说，成功的趋势跟随者冒着资产净值减少1%的风险换来的收益达不到1%。换言之，为了得到50%的年化收益率，投资者要做好可能至少损失50%的风险准备。简言之，趋势跟随策略的收益极其不稳定。 ⏱ 2025-06-13 22:11:15 ^825886-21-4824-4919
📌 并非只有宽客才钟情于趋势跟随策略。一直以来，趋势跟随策略都是交易者们广为使用的一种基本交易策略，未来这种情形很有可能仍将继续 ⏱ 2025-06-13 22:11:21 ^825886-21-5876-5938
📌 趋势跟随和均值回复策略在理论上是相反的，但在现实中均能奏效，这是很有趣的一个现象。这是如何发生的呢？很大程度上，这主要归因于不同的时间框架。显然，在完全相同的时间段内，这两个截然相反的策略不可能同时获利。但是，我们并不需要在同一投资期限内构建两个策略。趋势通常在较长的投资期限上延续，而均值回归通常适用于短期投资期限 ⏱ 2025-06-13 22:11:06 ^825886-21-8003-8161
📌 对于虚值期权或平值期权，慢涨快跌会造成认沽期权的波动率高于认购期权的波动率，反过来会造成认沽期权的卖方要价高于认购期权卖方的要价，同样对应的隐含波动率也要高一些。 ⏱ 2025-06-13 22:11:11 ^825886-21-9366-9447
📌 通常，人们认为价值型策略就是低价买入的策略，但我认为这个定义过于肤浅。实际上，价值型投资策略认为，市场倾向于高估高风险资产的风险，而低估低风险资产的风险。 ⏱ 2025-06-13 22:11:17 ^825886-21-12157-12234
📌 如果某项资产具有比同类产品更高的收益，必定存在投资者要求更高收益的理由。通常来说，理由就是这项产品与同类产品相比具有更高的风险。 ⏱ 2025-06-13 22:11:08 ^825886-21-13583-13647
📌 这一点从政府债券、AAA级的公司债券以及其他低级别的公司债券的收益排序也可以看出。这三类债券的风险依次增大，对应的收益也依次增加，以弥补投资者所承担的风险。 ⏱ 2025-06-13 22:11:22 ^825886-21-13647-13725
数据驱动型阿尔法模型
📌 数据驱动型策略可以分辨出一些市场行为，无论该行为目前是否可以用理论加以解释，从而即使不理解某些市场行为的成因依然可以发现它们。 ⏱ 2025-06-14 01:05:20 ^825886-22-762-825
📌 例如，在股票、期货或外汇市场，很多高频交易者喜欢使用纯粹经验主义的数据挖掘的方法去设计其短期交易策略。这类数据挖掘类策略在高频交易中的应用很成功。如果设计得当，这类策略可以分析出市场的运作规律，而不必担心背后的经济理论或理论解释。由于目前缺乏人工和电脑程序化高频交易的理论基础，基于经验的方法要比理论型方法大有优势。此外，在高频交易的时间尺度上数据资源非常丰富，经验主义者可以通过各种数据进行验证，最终找到具有统计学意义上的显著性的结果。 ⏱ 2025-06-14 01:07:46 ^825886-22-909-1128
📌 总之，尽管存在一些例外，仅使用数据挖掘技术去制定策略用于预测市场走向，通常并不可行。 ⏱ 2025-06-14 01:09:08 ^825886-22-1642-1684
📌 数据驱动型策略观察目前的市场环境，在历史数据中寻找类似的环境，根据历史来判断未来某一种可能情形出现的概率 ⏱ 2025-06-14 01:09:20 ^825886-22-1778-1830
实施策略
📌 在不同的投资期限上采用相同的策略，会产生截然不同甚至完全相反的结果。 ⏱ 2025-06-17 15:07:09 ^825886-23-1692-1726
📌 依据市场板块对股票进行分组，很大程度上就是为了消除整个板块波动的影响而专注于板块内部股票价格的相对变化情况。 ⏱ 2025-06-17 15:07:03 ^825886-23-3576-3630
📌 一个策略可以被用在各种金融产品上，宽客必须决定其适用于哪些金融产品。宽客对投资范围做出的第一个重要选择是地理范围（geography）。一个适用于美国股市的相对均值回复短线策略用到中国香港股市时，可能表现会差别很大。分析人员必须做出判断，在哪里使用这个策略。关于投资范围，宽客必须做出的第二个重要选择是资产种类（asset class）。外汇市场上的成长型策略用到股指上去，表现可能会大为不同。宽客必须决定每个策略所适用的资产种类。第三个重要决定是产品类别（instrument class）。股指类产品一般在期货市场交易，完全不同于单只股票，尽管它们都属于股票类资产。此外，在市场上，不同产品类别的参与者性质和流动性特征都各不相同，因此交易什么类型的产品也是宽客必须认真研究的内容。税务因素也必须考虑在内。最后，在某些情形下，由于种种原因，宽客可能会包含或排除某一类产品。 ⏱ 2025-06-17 15:06:57 ^825886-23-5002-5467
📌 投资范围的选择很大程度上取决于宽客的个人偏好。第一，宽客倾向于流动性好的产品，因为其交易成本是可以预计的。第二，宽客一般需要大量的优质数据。通常这种数据在具有高流动性的比较成熟的市场上更易获取。第三，宽客更喜欢那些易于使用体系化的模型进行预测的金融产品。返回到生物科技公司股票的例子，一些宽客根本不考虑它们，因为政府部门批准或拒绝了其研发的新药之类的事件会造成其股价快速而剧烈的波动，这具有很强的偶发性因而难以系统地加以预测。 ⏱ 2025-06-17 15:06:58 ^825886-23-5496-5709
📌 由于这些偏好，宽客参与的典型资产类别和产品主要集中在股票市场、期货市场（尤其是债券和股指）和外汇市场 ⏱ 2025-06-17 15:07:04 ^825886-23-5753-5803
📌 对于缺乏流动性的金融产品市场，或者交易公司债券或可转债的场外市场，基本看不到宽客的身影，在新兴市场上也较为少见。 ⏱ 2025-06-17 15:07:15 ^825886-23-5909-5965
📌 使用数学语言精确地给出策略的具体表达，是宽客工作中很重要的一部分内容。这是值得从事量化交易的投资者认真研究的领域，因为对宽客而言，这是体现差异性和潜在比较优势的根源所在 ⏱ 2025-06-17 15:07:16 ^825886-23-6578-6662
📌 考虑到投资期限的重要性，有助于理解投资策略中使用不同的定义会产生不同的交易行为。 ⏱ 2025-06-17 15:07:06 ^825886-23-6741-6781
📌 模型设定很重要的一个方面是模型参数设定。 ⏱ 2025-06-17 15:07:02 ^825886-23-6925-6945
📌 很多宽客在设定参数时借助于机器学习或数据挖掘类的方法。在“数据驱动型阿尔法模型”中，我们已经提到选择模型拟合数据和参数设定问题。对于这类问题，机器学习方法更加适合并且被广泛使用。本质上，机器学习方法可用于判断量化交易模型中参数的最优设定。机器学习类算法旨在提供一种理论上可行的智能化途径，在不出现过度拟合的前提下去测试参数的许多潜在组合（以选择最优组合） ⏱ 2025-06-17 15:06:51 ^825886-23-7010-7187
📌 很多有经验的操盘手都承认，如果没有“资金管理”或“风险管理”规则，他们的策略基本上不具有可投资性。 ⏱ 2025-06-17 15:06:53 ^825886-23-7754-7803
📌 止损，通常是在策略中使用了大量“错误”信号时使用，而不是在“好的”信号带来很多收益时使用。即便如此，很多方向型趋势跟随策略只在很少数交易中能够盈利（通常少于40%），但是它们在盈利的交易中所获得的收益要远远高于在亏损时付出的损失（由于止损规则的存在）。 ⏱ 2025-06-17 15:07:01 ^825886-23-7952-8078
📌 当宽客认为尽管当前价位还处于盈利中但风险已经越来越大时，就会使用止盈策略 ⏱ 2025-06-17 15:06:54 ^825886-23-8107-8143
📌 这是个很合理的概念：市场几乎不可能沿着同一个方向无限期走下去，所以在同一方向上交易策略已经获得足够多的盈利时应该见好就收。 ⏱ 2025-06-17 15:07:12 ^825886-23-8144-8205
📌 模型运行频率高，投资组合是基于并不包含有用信息的噪声数据进行决策的可能性会更大。这反过来意味着交易成本的增加并没有带来交易策略的阿尔法收益显著增加，从而降低了策略的总体盈利水平。 ⏱ 2025-06-17 15:07:02 ^825886-23-9090-9179
📌 运行频率低的模型会导致数量小但规模较大的交易发生。这样的交易会对整个市场造成较大的影响，从这一层面看这样的交易代价很高。如果模型运行过于不频繁，当模型运行时会对目前所持有的投资组合造成很大的变动。这也意味着大宗交易会对市场既有结构造成很大冲击。运行频率低的模型容易错失市场机会。 ⏱ 2025-06-17 15:07:10 ^825886-23-9213-9352
📌 最后，绝大部分宽客运行他们的模型不少于一周一次，很多甚至是整天连续运行。显然地，策略运行频率越低，留有的余地越大，但短期策略倾向于以连续实时的方式运行。 ⏱ 2025-06-17 15:07:05 ^825886-23-9507-9583
📌 成功的宽客都具有以下特征：令人难以置信地注重细节，不知疲倦地提出恰当的问题并找到最佳解决方案。 ⏱ 2025-06-17 15:06:59 ^825886-23-9714-9761
混合型阿尔法模型
📌 宽客并不局限于为给定的阿尔法模型选择一种实施方法。相反，他们具有选择多种阿尔法模型的自由。对这些阿尔法模型进行组合的方法就像充满了不确定性的竞技场。最高深也通常最为成功的宽客倾向于同时使用几种阿尔法策略，包括趋势跟随法、均值回复法以及各种基本面方法，并考虑不同的投资期限、不同的投资结构、不同的金融产品以及不同的地域等。 ⏱ 2025-06-17 15:06:56 ^825886-24-450-610
📌 在决定最优参数时，与预测市场行为本身相比，机器学习方法在混合阿尔法模型中的使用更为常见，效果也更好。这些方法使用算法来计算出能对历史数据具有最强解释能力的最优混合，并假设在历史数据上表现良好的混合模型在未来的表现也会较好。 ⏱ 2025-06-17 15:07:00 ^825886-24-4384-4495
📌 不同于使用机器学习方法生成阿尔法信号，使用机器学习方法决定不同阿尔法模型的权重更为常见，效果也明显更好。 ⏱ 2025-06-17 15:07:06 ^825886-24-4557-4609
📌 我们对混合信号（mixing signals）或组合阿尔法预测的常用方法进行了简要总结。关于量化交易的这部分内容，无论是在学术著作还是交易报告中都很少引人重视，但我个人认为这是量化交易或任何交易中最为迷人的部分。当面临大量信息和各种意见时，决策者都会面临着相同的问题：如何将这些可以得到的相关信息加工整合，形成一个审时度势的决策？ ⏱ 2025-06-17 15:06:52 ^825886-24-4689-4880
第4章 风险模型
📌 要深入理解和量化交易策略相关的风险敞口，关键就是要明白，那些宽客在阿尔法模型中努力去预测的目标之外，并不会被特意去寻找的那些敞口。如果说阿尔法模型是乐观派，风险模型就像悲观派。风险模型存在的主要目的就是控制敞口规模并处理不希望出现的敞口。风险模型的目的是破坏可能带来损失或不确定的事情，尤其是那些无目的的投注或阿尔法模型带来的附加产品。风险模型试图清除投资组合中不希望出现的敞口。 ⏱ 2025-06-17 15:07:09 ^825886-26-1388-1607
📌 一般来说，风险模型会降低量化策略的盈利，但很多宽客都愿意接受这个折中方案。风险管理可以降低策略收益的波动性，但其最大的成效还是在于可以降低重大损失发生的可能性。 ⏱ 2025-06-17 15:06:56 ^825886-26-1742-1822
控制风险规模
📌 很少有确定无疑的事情，所以控制交易规模最好的途径当然是“不要把鸡蛋放到一个篮子里”。否则很有可能发生的情况是，当投资者把所有的资金都投入进去，在某个时刻投资者将会破产。 ⏱ 2025-06-17 15:07:08 ^825886-27-485-569
📌 量化研究员刚开始时设定的风险临界值可能是5%，因为依据他的经验，5%是个合理的水平。但是通过对历史数据进行模拟和验证，宽客可能逐渐意识到3%才是更加合理的水平，因为这个水平更好地兼顾了在更具吸引力的机会出现时的投注规模和识别交易犯错的必要性。 ⏱ 2025-06-17 15:06:53 ^825886-27-1403-1524
📌 对风险的度量有两种被广为认可的方式。第一种是通过纵向方式来度量不确定性，计算不同时期各个产品收益的标准差来度量风险。在金融业中，这个概念通常称为波动率。波动率越高，说明目前的市场风险越大[插图]。 ⏱ 2025-06-17 15:07:11 ^825886-27-1698-1926
📌 第二种方式是，在给定产品范围内对各种金融产品表现的相似水平进行测量，通常是计算在给定时间所有相关金融产品的横截面标准差（cross-sectional standard deviation） ⏱ 2025-06-17 15:07:11 ^825886-27-1960-2055
📌 宽客称（标准差）这个概念为离散（dispersion）。离散也可以使用给定范围内金融产品的相关系数或协方差来度量。同样地，产品之间的相似度越高，市场风险越大。 ⏱ 2025-06-17 15:07:13 ^825886-27-2178-2283
📌 现在只是简单指出，这些风险模型的核心目标是有缺陷的。其他类型的投资，如股票、债券、共同基金、私募基金，并不需要波动率保持在固定水平。为什么宽客会以或被要求以这种方式（保持波动率稳定）管理风险？此外，如果一个宽客善于预测波动率或离散，将会有更加有趣和有效率的途径（例如，在期权市场）去利用这些预测，而不是在风险模型中控制杠杆率。这类模型通常会使得交易者在市场平静时承担过小的风险，在市场动荡时承担过多的风险，但当下这些模型是最为流行的。 ⏱ 2025-06-17 15:07:14 ^825886-27-3050-3267
限制风险种类
📌 这是因为投资者暴露于市场方向性风险（或原油板块风险）中，虽然他并未对市场或原油板块的方向做出任何预判。如果投资者买入雪佛龙的同时卖出等额的埃克森美孚，就可以在很大程度上避免这种无意或偶发性的市场方向风险。如果采用这种方式，无论市场是涨是跌还是横盘，他都无须关心。只有雪佛龙公司的市场表现是否强于埃克森美孚公司的判断才会对其产生影响。 ⏱ 2025-06-17 15:06:55 ^825886-28-549-715
📌 如果宽客设计的相对阿尔法策略是为了预测股票收益，他不认为自己有能力预测该股票所处板块的收益情况。在这种情形下，宽客可以设计策略的投注结构，预测股票相对其所在板块的收益，这意味着他不会在板块的方向性波动上投注，而只是关心哪些股票表现优于所处板块，哪些股票的表现劣于所处板块。这样反过来就可以帮助宽客规避板块风险，这明显是种阿尔法模型中的风险管理方法。 ⏱ 2025-06-17 15:07:07 ^825886-28-957-1131
📌 由于理论驱动型风险模型所使用的概念用起来比较方便，很多宽客最终会选择理论驱动型风险模型，而舍弃了经验型风险模型。需要指出的是，这两类风险模型并不是完全相互排斥的。宽客会在他们认为恰当时对两种模型进行合理组合 ⏱ 2025-06-20 16:25:02 ^825886-28-4442-4545
第5章 交易成本模型
📌 交易成本模型的基本理念是：交易是有成本的，除非有足够的理由，否则便不应该进行交易。这并不是对交易成本的严格定义。很多非常成功的宽客估计他们的交易成本侵蚀了收益的20%~50%。 ⏱ 2025-06-20 16:24:59 ^825886-30-599-687
📌 在量化交易界，进行交易只有两个原因：第一，可以增加盈利的概率或量（比如阿尔法模型）；第二，可以降低亏损的概率或量（例如风险模型）。但这两个原因都会收到一条警告：投资组合收益或风险的一点改进，可能并不足以支付交易成本。换言之，计算交易收益应该充分考虑交易成本。 ⏱ 2025-06-20 16:25:04 ^825886-30-716-845
定义交易成本
📌 市场瞬息万变，而交易决策都是在某一时点做出的。在做出交易决策到执行交易这段时间内，金融产品的价格可能已经偏离预测时的价格。 ⏱ 2025-06-20 16:24:59 ^825886-31-1966-2027
第6章 投资组合构建模型
📌 投资组合构建模型是个很有意义的研究领域。此外，投资组合构建是投资过程中极为重要的一步。如果投资者具有不同资质的多种投资选择，但如果把最多的钱投资到资质最差的产品，而在资质最好的产品上投了最少的钱，不难想象其收益会一塌糊涂 ⏱ 2025-06-20 16:25:01 ^825886-34-1144-1254
基于规则的投资组合构建模型
📌 相等头寸加权模型的基本前提是，对不同的头寸加以区分（给予不同权重）可能会具有两种负面结果，最终会超过非等权重加权所带来的好处。换言之，使用等权重模型是因为他们注意到了非等权重加权方法的很多缺陷。 ⏱ 2025-06-20 16:25:03 ^825886-35-844-941
📌 例如，我们可以限制单个头寸不能超过投资组合的3%，每个板块的头寸不能超过投资组合的20%。还需要建立预测收益大小与头寸规模之间的函数关系，这类函数可以很简单， ⏱ 2025-06-20 16:24:56 ^825886-35-3661-3740
订单执行算法
📌 最高的优先级给予具有最佳价格的订单（对卖单而言是最高买入价，对卖单而言是最低卖出价）， ⏱ 2025-06-20 16:25:02 ^825886-41-2256-2299
第8章 数据
📌 服务器与多个数据源连接在一起，数据通过服务器到达黑箱。接收到这些数据后，黑箱通过阿尔法模型、风险模型、交易成本模型、投资组合构建模型、执行模型等量化交易系统内部的模型对其进行加工处理 ⏱ 2025-06-20 16:24:57 ^825886-44-867-958
数据的重要性
📌 毕竟，当你对结果进行仔细检查时，结果通常是带着很多小数的一串精确数字，但这只是虚假精确（false precision）。所以，面对一个带有很多位小数的精确数字时，我们并不可以完全信赖这一数字 ⏱ 2025-06-20 16:24:56 ^825886-45-1718-1840
📌 很多量化交易公司在经营过程中都意识到了这一点。因此绝大部分顶级的公司都是自己从源头直接搜集数据，而不是从数据供应商那里购买。这些公司在快速得到数据、清洗数据甚至在以更好的方式去存储数据等方面都投入了大量的资源。一些公司有几十个甚至上百个员工专职负责数据抓取、清洗以及最优化存储等工作。 ⏱ 2025-06-20 16:25:00 ^825886-45-2261-2403
数据类型
📌 聪明的研究人员总是在不断地寻找未被其他市场参与者使用的创新性的数据来源。市场上所使用技术工具的进步促进了这种活动的开展。例如，一些公司（以及一些数据供应商）对英文的新闻报道进行量化分析，宽客们对这些报道进行系统的句法分析提取量化信息，并依据这些数据建立交易策略。但是，这仅仅是为了得到更加快速且稳健的情绪指标（并非其他基本面数据）而进行的一种尝试，所以我们认为这种数据来源本质上仍是基本面数据。我们还知道有一家公司试图利用卫星定位（GPS）数据来判断各种经济活动的水平，这一做法比利用政府公布的指标更加迅速准确。但这看起来也不过是在搜集数据手段上的改进（或变革），基本面数据的属性并没有发生任何改变。这样说并不是否定想出这些方法的人的创造性，只是指出我们的分类框架已经能够很好地对已有数据的种类进行划分。 ⏱ 2025-06-23 14:40:42 ^825886-46-1351-1703
检验
📌 我们来回想量化交易模型的目的，类似于寻找阿尔法的交易者的目的，是预测未来，而不是解释过去。虽然我们期望过去对未来提供一些指导，但我们也必须理解过去最多是未来的不完美指南。而这意味着能够完美地解释过去，在预测未来时并不一定起作用。 ⏱ 2025-06-21 16:44:20 ^825886-54-11004-11118
📌 在预测方面对相对简单模型的渴望以“节约”（parsimony）著称。“节约”来自拉丁语单词“parsimonia”，意思是“节俭”（sparingness）和“俭省”（frugality）。对于宽客，节约意味着做出假设时保持谨慎。在量化交易中，这处在研究过程的绝对中心位置。节约型模型使用较少的假设条件，尽可能简洁地解释未来。正因如此，对有许多参数或因子的模型通常要持怀疑的态度，尤其要考虑过度拟合的风险。 ⏱ 2025-06-21 16:45:22 ^825886-54-11447-11650
📌 量化研究员工作的一个重要部分是在尽力过于完美地解释过去和尽力简单地解释过去之间进行权衡。倾向于任何一边都是失败，因为这样模型会过于复杂化或过于简单化。 ^825886-54-12313-12388
- 💭 偏左偏右都不行。克制过多参数过度拟合已有感触，再挖因子，再量化，本质也是交易而不是完全的数据分析工作，市场、交易与底层逻辑仍是核心。现在要警惕自己总想简化的冲动，大道至简但也不会极简。 - ⏱ 2025-06-21 16:46:31
📌 通常情况下，基于科学研究的假设条件，所有的量化交易（确切地，包含科学）隐含地假设过去发生的事情有助于我们理解未来。这就是为什么科学的方法开始于对世界的观察，这些观察能够形成一种理论。但是思考过去最合适的方式是作为未来的一般性指引（general guide），而不是完全复制过去。我们建立的模型本身就是对未来的一般性指引的概括性描述，当以这种方式进行表述，很清楚我们宁愿模型更谨慎一些，不要犯错。 ⏱ 2025-06-21 16:50:35 ^825886-54-14012-14236
📌 一般而言，过高估计交易成本会使得宽客持有头寸时间长于可能的最佳值。然而低估交易成本将使得宽客太频繁地更换投资组合，产生额外的交易成本。如果我们在这方面不得不犯错的话，过高估计比过低估计更有意义，但能够近似正确估计成本仍是更受欢迎的事情。 ⏱ 2025-06-21 16:56:35 ^825886-54-17864-17982
模型风险
📌 模型风险就是策略不能精确表述、匹配或者预测它所能探索的现实世界现象的风险。 ⏱ 2025-06-21 17:04:30 ^825886-58-509-546
📌 模型风险来自许多方面，最常见的是模型的不适宜性、模型的错误设定以及执行错误。值得一提的是，所有类型的模型风险不仅会出现在阿尔法模型中，而且可能来自策略的其他部分的任何一个错误。回测软件、数据吸收处理器、阿尔法模型、风险模型、交易成本模型、组合构建模型以及执行算法都存在着模型风险。 ⏱ 2025-06-21 17:05:11 ^825886-58-626-766
📌 例如，对一个音乐家的素质进行建模，从一开始就是错误的想法。人们可能会考虑音乐技巧相关的因素，诸如训练资源和持久性。但是最终，音乐家是否优秀这个问题并不是数学或者计算机模型所能回答的。这本身是一个主观问题，应用计算机模型本身就是一个错误。 ⏱ 2025-06-21 17:06:09 ^825886-58-880-998
📌 正态分布假设条件导致频率增加了118倍。 ⏱ 2025-06-21 17:07:53 ^825886-58-1703-1749
📌 利用大量的代码来表达量化交易策略，很不幸的是，一些软件和架构错误是最常见的，但通常也是伤害较小的错误类型。 ⏱ 2025-06-21 17:12:35 ^825886-58-4219-4272
蔓延风险和同质投资者风险
📌 量化特有的风险新成员是蔓延风险（contagion）或者同质投资者（common investor）风险。这类风险不是因为策略本身，而是因为其他投资者持有同样的策略。 ⏱ 2025-06-21 17:31:10 ^825886-61-389-524
宽客如何适应投资组合
📌 相比之下，短期策略倾向于有持续性的表现，但是它们没有能力管理大量的资本，这些策略也远非无懈可击。 ⏱ 2025-06-23 09:08:44 ^825886-78-1672-1720
📌 当一个人发现优秀的短期交易者然后进行投资，并不清楚这个交易者是否能够保持足够有效的小规模小周期的投资 ⏱ 2025-06-23 14:40:42 ^825886-78-1797-1847
📌 投资者必须认识到宽客最终与主观判断型交易者没有什么不同，因此，列出的几件事情对建立投资组合是重要的，其中包含宽客的情形和不包括宽客的情形没有太多不同点 ⏱ 2025-06-23 14:40:43 ^825886-78-1967-2042
速度的重要性
📌 例如，对于股票XYZ的最低报价是100股100.01美元，交易者提供的限价订单是100美元或者以更低的价格购买100股，这就是被动订单，因为订单不能立即成交。在大多数市场，被动订单积聚成交易所的“限价订单簿”，显示了交易所某一特定时间给定的股票价格收报机的所有被动订单。 ⏱ 2025-06-25 13:06:03 ^825886-83-681-816
📌 进取型的订单（aggressive orders）是一个可以立即执行的订单，其有两种主要形式。市场订单总是进取型的，因为它们不考虑价格，购买（或者卖出）一定数量的指令。 ⏱ 2025-06-25 13:06:03 ^825886-83-1083-1174
延迟根源
📌 如果你知道标准普尔500指数是由500只股票及500个权重组成，你应该能够计算出标准普尔500指数自下而上的估计值。然而，如果你发现，在去除费用比率以及其他类似于ETF和一篮子股票的结构不同等因素之外，标准普尔500ETF的实际交易值是另外一个不同的值，这时理论上可以买入低估的、卖空高估的，从而免费获得收益。 ⏱ 2025-06-25 13:17:34 ^825886-84-8509-8664
第17章 量化交易的展望
📌 很容易想象分析师将自己的想法输入计算机系统，并允许系统确定投资者组合。换句话说，并不是使用计算机支持人类决策，而是人类输入信息支持系统决策。至少一个非常突出的有自由决定权的资本交易公司在这个领域已经做出努力，初期结果显示非常有前景。 ⏱ 2025-06-29 00:25:27 ^825886-100-1491-1607
读书笔记
第3章 阿尔法模型：宽客如何盈利
划线评论
📌 这里我们给出阿尔法的一种非常规定义：在交易中关于买卖时机把握和持有头寸选择的技巧 ^258378356-80SD5PipQ - 💭 选股与择时。 - ⏱ 2025-06-13 22:11:13
检验
划线评论
📌 量化研究员工作的一个重要部分是在尽力过于完美地解释过去和尽力简单地解释过去之间进行权衡。倾向于任何一边都是失败，因为这样模型会过于复杂化或过于简单化。 ^258378356-814unaq46 - 💭 偏左偏右都不行。克制过多参数过度拟合已有感触，再挖因子，再量化，本质也是交易而不是完全的数据分析工作，市场、交易与底层逻辑仍是核心。现在要警惕自己总想简化的冲动，大道至简但也不会极简。 - ⏱ 2025-06-21 17:18:07