深度解读量化投资策略：从规则型到高频交易
深度解读量化投资策略：从规则型到高频交易
量化投资策略是将模型预测、风险控制以及下单规则结合起来形成的一系列投资决策。本文将深度解读量化投资策略，包括规则型策略、带预测模型的策略、Alpha策略、CTA策略和高频策略等。
量化投资中的策略，就是把模型预测、风险控制以及下单规则结合起来，形成的一系列的投资决策。对量化策略来说，最重要的是，在什么时间、把什么标的、以怎样的价格和形式下单，才能达到预先设定的目标。
按大类看，量化策略分为规则型策略、带预测模型的策略，即简单直接的规则是策略，复杂一些的带预测模型的规则也是策略。
规则型策略
海龟交易法则（参考《“像新加坡培养海龟那样培养交易员”》）是最早、最简单的规则型策略之一。
与之类似的有网格交易——将投资资金分为多份，根据市场价格的波动在预设的网格区间进行买卖操作：下跌时买入，上涨时卖出，通过反复操作赚取价差。
网格交易优点是规则简明易懂，容易执行，在下跌时摊平成本，在上涨时合理卖出，比较适合指数、ETF等；缺点是在单边行情中比较被动（单边下跌可能过早满仓，无法精准抄底；快速上涨时又可能卖太早，少盈利）。因此，网格交易更适合震荡市场。
带预测模型的策略
完整的带预测模型的策略核心工作有两部分：预测（Alpha挖掘）、组合优化。现代量化机构通常用Alpha模型预测——得到预测值后进行组合优化，转化为一个数学问题，即如何选择截面权重，以最大化收益或者最小化风险。
预测（Alpha挖掘）环节
宽客通过做Alpha因子挖掘（参考《量化投资中的因子》）和Alpha因子组合（也就是模型）（参考《如何从零开始搭建Alpha模型》），构建模型的预测能力。
数据质量和预测性，对Alpha挖掘起决定性作用。
组合优化环节
宽客的主要任务是综合模型预测、目前已有的仓位、风险以及交易者自身的偏好或者约束。
首先，对风险建模时，需要寻找合适的风险度量和风险建模方法，业内最常见的方法是用风险模型来对系统性风险进行建模。
其次，宽客还需要定义目标函数——是最大化收益、最小化风险、夏普比率或信息比率最大化，还是用其他的效用函数，业内最常见的做法是用风险厌恶来表示。
有时候，需要考虑交易磨损，比如对手续费、滑点，甚至管理费等等实际交易可能遇到的问题进行建模。
最后，对投资组合加一些其他约束，如对空约束、行业头寸约束、换手率约束等，有时候产品本身有风格和持仓的限制也要考虑在内，以满足不同投资者的投资偏好和投资机构的风控要求。
组合优化依赖于数理理论的发展，为了更精准地优化投资组合，很多数学家、经济学家进行了严谨的理论创新和大量计算。
组合优化的前身：马科维茨问题
马科维茨用均值-方差模型（Mean-Variance Model）初步解决了这个问题。马科维茨将风险定义为收益率的波动率，首次把数理的方法运用到投资组合中，使收益和风险的多目标优化实现最佳平衡。
这种方式确立了证券组合预期收益、风险的计算方法和有效边界理论，用可量化的方式实现了分散投资、降低风险。
实践中，均值-方差模型暴露出参数估计误差大、结果对参数输入非常敏感、优化结果可能过于集中、容易得到极端的分配结果等问题。
为此，宽客们尝试了很多办法，如使用Black-Litterman模型（BL模型）等。
BL模型
BL模型由Black、Litterman提出，尝试从预期收益率的角度进行优化，将投资者的主观观点考虑进来，以减少预期收益率的估计误差。
假设投资者对组合内一个或多个证券收益率具有一定的预测能力，通过贝叶斯方法将这些主观的预期收益率和先验分布下均衡收益率进行加权平均，形成一个新的后验收益率估计值，使用后验收益率进行均值方差优化，即可得到蕴含投资者观点的解。
2005年，经济学家托马斯·M·伊德佐雷克介绍了BL模型的计算步骤和细节：
计算组合所有证券的先验均衡收益率。假设其服从正态分布，预期收益率向量为π，由风险厌恶系数、历史协方差矩阵和初始权重向量计算而成。这里初始权重向量可以为任何指定权重，如市值加权或最小方差组合权重；成分间预期协方差等于某个常数r乘以历史协方差。
估计主观收益率的分布。假设其服从正态分布，其预期收益率向量为Q，如果投资者对k个证券具有预测观点，那么Q即这k个收益率预测的看法向量；预期协方差矩阵为Ω，即观点的误差矩阵，代表预测观点的信心水平，可以有多种构造方式，如Satchell和Scowcroft。
将先验均衡收益率和主观收益率按照一定比例进行加权，得到新的后验收益率预测收益向量及其协方差矩阵。接下来的做法和均值方差优化一模一样，把新的参数代入优化器，得到马科维茨最优解。
以上就是组合优化的原理。在《量化投资——策略与技术》一书中，作者按细分策略和算法实现的不同，将量化策略分成趋势判断型和判断波动型。
当前，国内量化机构运用的策略有Alpha策略、CTA策略和高频策略。
Alpha策略
这是最常见的一种量化策略，宽客通过运用复杂的量化方法从技术面、基本面角度分析未来价格变动趋势以及不同股票间的相关性，进而买入低估值股票同时卖出高估值股票，或者通过股指期货对现有投资组合头寸进行完全（或部分）对冲，隔离系统风险，获取Alpha收益。
实践中，宽客们在Alpha策略的基础上，衍生出了很多细分策略。
量化指增策略
即常见的指数增强策略，这是国内量化策略最基础的产品之一。所谓指数增强，就是对标股票指数原本权重进行优化，将不好的股票仓位调低或剔除，将看好的股票加大仓位，以此实现在指数收益的增厚。
量化指增策略一般是没有空头头寸，所以进攻性很强，防守型稍弱。
量化对冲策略
即市场中性策略，就是在指增策略基础上，多了对冲（股指期货/期权/融券对冲），希望将大盘风险Beta对冲掉，这样无论市场涨跌，投资者都能获得稳健收益。常见的对冲做法是在做多股票组合同时做空股指期货。
量化对冲策略的投资范围可以是全市场，也可以专注于某些特定行业、主题。不同的基金在净风险敞口、融资杠杆、持有期、持股集中和持有股票价格范围方面有很大的差异。
一般来说，基金经理先进行选股，在选定的标的池中，进一步决策做是只做指增，还是在指增基础上对冲的操作。此外，在投资组合中，如果宽客比较看好市场长期发展，通常会降低中性产品，增加指增策略产品的比重。
假如宽客拿3000元做投资。有A、B两只美股股票，通过使用量化模型，宽客从技术面（股价波动等）、基本面（上市公司财报数据等）综合分析，模型测出A、B股票的预测值（即未来收益率）分别为-1、2。
因此，宽客判断A股票趋势向下（收益率小于0），适合做空；B股票趋势向上（收益率大于0），适合做多。
最终，宽客发出1000块钱做空A，2000块钱做多B的指令。
量化选股策略
就是宽客采用数量方法判断某个标的是否值得买入的行为：满足某条件，就纳入范围；不满足某条件，就剔除出选股池。
同样，我们用简单的例子来理解量化选股策略：
宽客拿3000元投资。为此，构建了多因子选股模型，用因子筛选股票：
- 价值因子：市盈率（PE）较低，表明估值具有吸引力
- 成长因子：净利润增长率较高，显示企业的成长性
- 质量因子：资产回报率（ROE）较高，代表盈利能力强
- 动量因子：近3个月涨幅居前，表明趋势向上
在沪深300成分股中，按综合得分选出排名前三的股票A、B、C，分别配置1000元。
常见的“空气指增”，就是一种特殊的量化选股策略，产品基于量化模型在全市场范围内进行选股操作，像空气一样，不跟踪任何指数或不受任何指数成分股、行业、市值等方面约束的全市场量化模型选股基金。
通常情况下，量化选股策略不受基准指数的限制，这是一把双刃剑，优点是能适应多种市场风格，缺点也显而易见，其净值波动比指数增强策略的更大。
实践中，宽客们通常将量化对冲策略与量化选股策略综合，取长补短，构建复合策略。
量化择时策略
即宽客利用数量化分析方法，通过技术指标（如均线、MDCD、RSI等）组合，对交易标的进行低买高卖的操作，希望获得稳健超额收益的方法。
量化择时策略的核心是，运用技术分析寻找买卖的时机。这种方法可传授性和复制性都比较强，简单易懂，容易掌握。
通过量化对冲策略，宽客保证了超额收益具有超越牛市和熊市的稳健；通过量化选股策略，宽客确保了资金分配到高质量标的；通过量化择时策略，宽客合理调整仓位，规避了市场短期波动风险。
最终，宽客实现了资金的高效利用，既提升了收益潜力，又降低了大幅亏损的可能性。
Alpha策略的成功取决于量化选股模型的有效性、对冲的覆盖程度，选股模型越有效、系统风险对冲得越好，策略效果越好。
一个成熟的策略要考虑到各方面，宽客一般会对最终的产品净值负责，比如选择合适模型、敞口、选股范围，甚至极端情况的择时等。
CTA策略
即Commodity Trading Advisor（大宗商品交易顾问），主要通过期货及期权市场进行交易，基于价格趋势、波动率等信号设计多头或空头头寸。其核心目标是利用资产价格的趋势性或波动性特征获取收益。
相比股票策略，期货市场容量较小，有效性高，产品通常追求绝对收益，可单独进行投资；在多策略产品中加入CTA策略，可以平滑净值、减小回撤。
由于CTA策略投资标的和策略的特异性，与其他策略相关性较低，大多数资产配置组合中都会加入CTA策略，来规避下行风险。
各类型资产相关性
高频策略
即HighFrequencyTrading，由计算机系统或程序所主导、执行的交易，在短时间内自动完成大量买、卖以及取消指令。
高频交易者通常分为taker和maker两种，前者消耗流动性（挂单），后者提供流动性（以挂单为主）。taker以捕捉市场的趋势来获得利润，maker以买卖spread以及交易所手续费优惠等获得利润。
一般来说，高频交易策略有以下特点：
- 持仓时间短（通常不隔夜，一天结束后没有净头寸）
- 通常预测周期短，所以确定性较大
- 单笔收益率低，总体收益稳定
- 应用范围广泛，股票、期货等多种标的均有应用
- 一般通过分析微观交易情况来获得价格的不合理性，包括订单流/订单薄/成交情况等
- 对于订单能否执行成功以及手续费比较敏感。当市场上出现不合理的价格时，可能有很多参与者都想来修正它以获得收益，因此，速度格外重要
高频交易订单簿
目前，高频交易策略模型基本都是C/C++/rust等计算机语言构建或者硬件程序FPGA来实现。
根据海通证券《高频交易策略报告——解密高频交易策略“黑匣子”》的报告，一个典型的高频交易系统通常有六个固定模块：
- A模块接受并保存所关注证券的实时分笔数据
- B模块应用经过回测测试的高频模型来处理A模块中接收到分笔数据
- C模块发出交易指令并记录持仓大小的盈亏值
- D模块监视实时交易行为，与预先设定的参数对比，并利用观察结果来管理实时交易风险
- E模块用于将预先设定的基准对交易表现进行评估
- F模块确保执行交易中所发生的费用在可接受范围内
高频交易系统示意图，资料来源：海通证券研究所
实践中，单一量化策略往往难以全面应对复杂多变的市场环境。市场的动态特性、非线性关系以及多重不确定性，要求宽客要充分注意到各种策略的适用性和特点。同时，不同策略间并非泾渭分明，而是存在着大量的交叉、融合。基本面与技术面分析可以相辅相成，高频与低频策略可相互补充，因子模型与机器学习算法常被结合以提升预测能力。因此，优秀的宽客不会囿于特定的策略形式，而是基于数据驱动，持续优化策略组合，动态适应市场变化，获取更稳健的收益。