高频交易模型

一：高频交易和量化交易到底有什么区别

从历史上看，很多高频交易公司的创始人都是交易员出身，原来就从事衍生品的做市、套利等业务。一开始这些工作并不需要多高深的知识。随着计算机技术的发展，交易的自动化程度和频率也逐渐提高，这些公司逐渐聘请一些数学、统计、计算机背景较强的人员加入以适应形势的发展。当然，这个过程也出现了一些分化，有的公司还是保留了交易员在公司的主导地位，并且始终未放弃人工交易，最终形成了人机结合的半自动交易；而另外一些公司对新鲜技术的接受程度更高一些，往往采取全自动的交易模式。事实上，也没有证据表明全自动交易的公司就比半自动交易的公司更为优越，到目前为止，也只能说是各有利弊。

人工交易的最大弊端在于手动下单的地方离交易所较远，在行情剧变的时候往往抢不到单。在这一点上，全自动交易的公司可以通过托管机房来最大程度减少信号传输的时间，不过自动化交易往往因为程序过于复杂，加上很多公司人员流动较大，在程序的维护上会出现一些失误，最终程序出错酿成大祸，比如著名的骑士资本。

至于过度拟合无法抵御黑天鹅事件，那是人工交易和自动交易都无法避免的问题。一般来说，Getco、Jane Street、SIG、Virtu Financial等是半自动交易，Tower Research、Hudson River Trading、Jump Trading等是全自动交易。

量化投资公司跟高频交易公司则有很大的不同。首先，美国的量化投资公司基本上都是量化背景极强的人创办的，比如说文艺复兴的创始人西蒙斯是数学家出身，DE Shaw的创始人David Shaw是计算机教授出身，AQR的创始人Cliff Asness是金融学家出身，而高频交易公司则更多是传统交易员创办的；其次，量化投资一般依赖于复杂的模型，而高频交易一般依赖于运行高效的代码。

量化投资公司的持仓时间往往达到1—2个星期，要预测这么长时间的价格趋势需要处理的信息自然非常庞大，模型也因此更为复杂，对程序的运行速度反而没那么敏感；高频交易处理信息的时间极短（微秒或毫秒级），不可能分析很多的信息，因此模型也趋于简单，竞争优势更多依靠代码运行的效率，很多人甚至直接在硬件上写程序；而最后，量化投资的资金容量可达几百亿美元，而高频交易公司往往只有几千万至几亿美元，但由于高频交易的策略表现远比量化投资稳定，如Virtu Financial交易1238天只亏1天，因此一般都是自营交易，而量化投资基金一般来说都是帮客户投资。

二：高频交易和量化交易有何不同

量化投资公司和高频交易公司一般说来，既有区别又有联系。在美国，人们常说的量化投资公司一般都是对冲基金，包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等；而常说的高频交易公司一般都是自营交易公司，这些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外，既有量化投资业务，又有高频交易业务的公司有Two Sigma、Citadel等；还有许多公司向着更综合的方向发展，DE Shaw等公司，既有量化投资，又有非量化投资。

对于量化投资来说，除了行情信息，整理收集其他基本面的信息也相当重要，预测模型中要融入整理出的对应的时间序列。成功的模型是什么？重点在于它整合了多少不同来源的信息，而不是运用了多高深的数学理论。以简单的线性回归为例，想要模型的预测效果好，需要各个参数都有很强的预测能力，同时相关性很低；反之，如果选取的参数毫无意义，就算运用在复杂的深度学习理论，得出的模型也没有用。美国的一些公司，除了利用新闻等文本信息建模外，谷歌卫星拍摄到的港口集装箱的图像也会用来建模，商品价格走势如何，通过对商品集装箱的数目来预测，取得了很好的预测效果。

求解模型其实与建模同样重要。比如说物理学上有很多能精确描述现实的模型，可还是难以求解，因为缺乏高效的科学计算方法，量化交易也一样的。伴随着巨大计算量的参数的计算、筛选、优化、回测等，怎样精妙求解是一门颇为高深的学问。著名的文艺复兴公司内部有着明确的分工——物理学家分析数据建立模型，数学家构建优化算法并求解模型等，计算机程序员从各个来源收集数据，西蒙斯这样透露。

三：如何看待高频交易与程序化交易

按照目前并不完全的分类方法，高频交易大概有如下几类：

1.赚取通道费或成交量回扣，国外大型交易商通过在不同的交易通道上挂单提供流动性，而各大电子交易所提供相应补偿，其特点有点类似做市商。不过从目 前国内情况来看，并不具备交易所竞争的态势，也不存在为吸引交易者而提供回扣的可能，可见此类高频交易在国内没有市场基础。

2.闪单交易或闪电交易。众所周知的高盛软件工程师阿列尼可夫事件，加速了闪单策略基本原理的普及，使闪单高频交易进入白炽化竞争阶段。闪单交易方式是美国期货交易所特有的闪单指令所导致的，而闪电交易方式主要依托于做市场制度，而这些在国内远未成形。

3.算法交易。利用计算机算法，将大单指令分割成众多小单指令的交易模式，这样可以使得交易商有效地控制大额建仓或平仓过程中的冲击成本，美其名为“幽灵单”。

4.“炒手”交易模式。国内炒手一天单个品种的成交量大概可以占到总体成交量的5%—20%不等，往往是500毫秒成交一次，通过频繁的挂撤单实现价差获取，且手续费相当低廉，一定程度上加速了期货市场博弈生态的恶化。

5.定量化交易模型。主要依据各种金融理论、统计实证或传统技术分析指标来实现自动交易。

第三、四、五种模式是国内目前较为流行的程序化交易方式，第三种模式大都运用在中大型私募机构中，第四种模式正在从传统手工操作转向计算机自动化，而 第五种模式主要由大量的“海龟”派主导。可以设想在不远的将来，随着股指期货市场的不断壮大，参与群体的多元化，机构占比的提高，这三种计算机交易模式将 会得到较大的发展空间。

从上述的分类，可以发现高频交易属于程序化交易中集计算机与策略优势的高阶模式，传统的程序化交易则更偏重于上述第五类中的短周期，另外，传统的 程序化交易更注重模型研究，其中定价模型、套利模型、动量模型等均起到了填补市场非理性漏洞、增强市场流动性的作用，与监管层诟病的高频交易具有较为明显 的区别。

四：什么是“量化高频交易”，相对其他交易有什么优点？

高频世界里，有一条永恒的建模准则值得铭记：先看数据再建模。如果你看了上面的介绍就开始天马行空的思考数学模型，那基本上是死路一条。我见过很多年轻人，特别有热情，一上来就开始做数学定义，然后推导偏微分方程，数学公式写满一摞纸，最后一接触数据才发现模型根本行不通，这是非常遗憾的。

而看了数据的人会怎么样呢？他很可能会发现，对于冰山订单的处理，交易所的规则是非常值得寻味的。有的交易所是这样做的：一个冰山订单包含两个参数，V表示订单总量，p表示公开显示的量。比如V=100，p=10的冰山单，实际上隐藏的量是90。如果有针对这个订单的交易发生，比如交易量10，交易所会顺序发出三条信息：

成交10

Order Book的Top bid size -10

新Bid +10

这三条信息一定会连续出现，并且第三条和第一条的时差dt很小。这样做的原因是尽管冰山订单存在隐藏量，但是每次的交易只能对显示出的量（p）发生，p被消耗掉以后，才会从剩余的隐藏量中翻新出一分新的p量。这样，每个人从交易所收到的信息仍然可以在逻辑上正确的更新Order Book，就好像冰山订单并不存在一样。

五：股指期货残匪掠夺式高频交易的杀伤力有多凶险

股指期货残匪掠夺式高频交易的杀伤力有多凶险？

------ 为什么救市大军屡战屡败？ 魏雅华

从6月下旬到今天，中国股市，救市大军屡战屡败，问题仍然出在股指期货。股指期货对于股市大盘，有着颠覆性的杀伤力，每天下午两点之后，股指期货如群狼一般涌出，股市大盘兵败如山倒。

为什么残匪股指期货会仍有如此之大的杀伤力？

目前被引入中国市场的，除了高频交易策略，还有CTA、市场中性、期现套利、阿尔法策略等各类量化投资模型，其中某些量化交易模型在欧美国家已经被禁止。

让我们来看一起案例，11月1日，公安机关查处了伊世顿国际贸易有限公司，伊世顿公司通过高频程序化交易软件自动批量、快速下单交易，以不足700万人民币的本金，非法获利高达20多亿元人民币。暴利30000%。

伊世顿通过高频程序化交易软件自动批量下单、闪电下单，申报价格明显偏离市场最新价格，其平均下单速度达每0.03秒一笔，一秒内可下单达31笔。

买方通过程序追踪指数基准变动进行报单，从而进行低买高卖的高频交易；由于期货市场实施T+0，买方可用该策略进行反复下单交易，并通过提高交易笔数，来实现短时期内的高回报收益率。

你可以算一下，100万的本金，假如两次交易的收益是1‰，那么2000次交易的收益率就是100%。而交易是以毫秒计算的，假设1秒钟能有1笔交易，那么一天四个小时就能交易14400次，收益率就是720%。

股指期货高频交易让救市大军成为一场羊入狼口的盛宴。

解决这个问题很简单，对股指期货开征证券交易印花税，看看他们还敢不敢高频交易？凭什么股指期货可以不征收证券交易印花税？

六：hftag高频交易，是骗人的吗？谢谢了

首先要知道：

1、宣传固定投资一笔钱，即可源源不断获取高息；

2、强制或高收入引诱你拉人头，并且获得提成；

3、特别突出复利概念；

4、强调网站经过HTTPS等认证，非常安全；

符合上述四个条件，建议大家严重谨慎啊。

七：hftAG高频交易是骗子吗

骗人的，是传销。把后面进入的人的交钱分出一部分返给前面进去的人作为福利，让后面的人看到希望，让前面的人去发展更多的人，并且把门槛逐渐提高，让前面的人把赚回去的那一部分重新进行更高额度的投资，你如果不发展下线，你拿回成本的时间会相当长相当长。当然，任何传销都是开始的人赚到下线的钱，否则传销怎么能发展呢。 问题的关键是，当组织者感觉到危险逼近而跑路或者被抓的时候，你能不能保证你不是金字塔的最底层。能不能保证你的投入都已经拿回到手里！ 所以，他们都是宣传没有冒险就没有回报的，就是不希望你完全撤离（否则就是在给你干了，呵呵）， 最底层都是做贡献的人。呵呵。

首先要知道：

1、宣传固定投资一笔钱，即可源源不断获取高息；

2、强制或高收入引诱你拉人头，并且获得提成；

3、特别突出复利概念；

4、强调网站经过HTTPS等认证，非常安全；

符合上述四个条件，建议大家严重谨慎啊。

八：“量化高频交易”是怎样的一种概念？如何去简单理解这个交易技术？

#银心分享#量化投资是通过综合运用金融、数学和计算机知识，发现市场规律、寻找大概率事件，发现投资机会。 “量化投资简单地说，就是先通过电脑来计算：时间、价格、经济指标、市场消息等，当它们达到模型要求时，就自动买卖。”计算机根据每秒数次更新的报价不停计算，确定要不要加仓、减仓，算算用了多少钱，赚了还是亏了，赚了多少或者亏了多少。 以量化投资里面具有代表性的一种模式———统计套利为例：成都市两大菜市场都在卖大白菜，实时监控两个市场的价格，如果发现一个市场大白菜价格为八毛一斤，另一个市场大白菜价格为七毛一斤，两个市场之间的运费是每斤五分，这个时候我就可以在一个市场买入大白菜，拿到另外一个市场去卖掉，每一斤可以赚到五分钱，如果规模大，一天很多次这样做生意，那么累计的利润就很可观。“这就是统计套利基本原理的简化案例。”他说。

九：matlab中是1分钟的高频交易怎么计算收益率

具体的议题包括：

数据采集的选择，包括历史数据，每天，盘中和实时数据

在MATLAB里建模型和设计算法原型

调用现存函数库和软件

后台测试和标定优化模型

在各种环境下部署最终的算法程序包括 .NET, JAVA, 和 Excel

高频交易的工具包括并行计算，GPU和从MATLAB生成C代码

十：如何开发量化投资模型

4.如何进行量化投资

一个量化投资的交易系统主要包括三个部分，阿尔法模型、风险模型和交易成本模型。

阿尔法模型旨在预测宽客所考虑金融产品的未来趋势；

风险模型旨在帮助宽客投资不太能带来收益但会造成损失的敞口规模；

交易成本模型用于帮助确定从目前的投资组合到新的投资组合的交易成本。

目前对于量化交易的研究重点大都集中在对阿尔法模型的研究上。

阿尔法模型

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。

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。

阿尔法模型分为：

趋势形、回复型、技术情绪型、价值型/收益型、成长型和品质型

趋势型和均值回复型交易策略都依赖价格数据；纯技术情绪型的策略比较少见通常都只作为一个辅助因子；而价值型/收益型、成长型和品质型策略都基于基本面数据

趋势跟随策略

趋势跟随策略是基于以下基本的假定：在一定时间内市场通常朝着同一方向变化，据此对市场趋势做出判断就可以作为制定交易策略的依据。常见于期货市场，最常用移动平均线交叉来定义趋势。

均值回复策略

均值回复策略的基本理论认为，价格围绕其价值中枢而上下波动，判断出这个中枢以及波动的方向便足以捕捉到交易机会。统计套利是用的最多的均值回复策略，认为价格出现背离类似股票的价值终究会缩小到合理的区间范围。

技术情绪型策略

这一类策略没有明确的经济理论支撑，主要通过追踪投资者情绪相关指标来判断预期回报，如交易价格、交易量以及波动性指标等。比如观察期权市场的认沽认购量和隐含波动率做现货的择时，再者就是高频交易通过限价指令簿的形态来判断近期市场情绪。

价值型/收益型策略

价值型策略主要用于股票交易。这类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。因此，在适当的时间买入高风险资产和卖出低风险资产，就可以获得收益。常用的指标有PE（市盈率）、PB（市净率）等，常应用于股票多空。

成长型策略

成长型策略试图通过对所考虑资产以往的增长水平进而对未来的走势进行预测。他认为价格上涨通常都是存在趋势的，价格上涨最快的产品通常比同类产品更具有优势，他要求投资者能尽早判断公司的股价处于增长期，从而捕捉到公司的股价未来更大的上涨幅度。宏观上常见于外汇市场，例如持有经济迅速增长的国家的外汇，这些国家的利率比经济增长缓慢或处于复苏期的经济体要高；股票市场通常用EPS等指标度量。

品质型策略

这类策略的支持者认为，在其他条件相同的条件下最好买入或持有高品质的产品而做空或减少持有低品质的资产。这类策略比较看重资金的安全，受宏观市场影响比较大，常用的指标有杠杆比率、收入波动比、管理团队水平和欺诈风险。

不管是什么类型的策略最终受益都体现在交易中关于买卖时机的把握和持有头寸选择的技巧。

uqer.io/community/list 这个社区里面有很多关于量化的策略，也有很多牛人，可以和他们多讨论讨论的。