citadel高頻交易

❶ 如何評價微軟研究院開發的AI量化投資平台Qlib

雞肋。
Quantopian當年那麼火，Point72給他投資，Steve Cohen的資源給他用，今年還是倒閉了。原因是量化平台的盈利模式是有問題的，第一，它不專業，第二，因為不專業，用它的人不賺錢。Point72旗下的Cubist很賺錢，但Cubist不會把infra給Quantopian用，因為能賺錢的infra是稀缺資源。所以Quantopian的框架在專業人士看來非常業余。也正是因為業余，專業的人不用，業余的人用Quantopian的賺不了錢，因此無法和平台分成，所以這樣的平台無法盈利。
微軟的高管去量化界也有先例，微軟前COO Kevin Turner曾到Citadel Securities擔任CEO，但是沒有太大建樹，最終Griffin任命趙鵬，是趙鵬將CitSec發揚光大。
所以說，程序員在不懂套路的情況下，直接跨界去做投資，難度極大。不是因為程序員技術不行，主要是他們不懂投研體系。好的程序員只有在培訓以後才能成為好的QR。打個比方，James Simons何等樣人，他很早就想做股票，一群科學家一直不得要領，摸索了好幾年沒什麼進展，當時PDT和DE Shaw股票都比RenTech做得好得多。最後RenTech是靠PDT的前雇員把統計套利的策略框架做好，然後另一個既懂架構，又懂股票的程序員，把策略細節調好，才有了這么牛比的大獎章。
拿統計套利來說，談談為什麼微軟的這個QLib平台註定不行。統計套利類策略的核心是信號。怎麼從各種數據源里挖掘有意義的信號，如何檢驗信號的有效性，這些都是統計學的范疇。A股簡單的量價信號目前仍然很好用，只要是懂套路的機構，近兩年超額30個點沒什麼問題。可是美股做統計套利可沒這么容易，大部分簡單的量價信號都是沒用的，大獎章return on GMV也做不到10個點。成熟市場里，不了解市場就想挖一些信號是很難的。
模型上，有機器學習的程序員在調參上的確有一些優勢，但是label怎麼處理，feature怎麼engineering這種問題，一般人可能就找不到北了。
其他方面，風格怎麼控，演算法怎麼下單，這些都需要實戰經驗。不了解市場，想靠機器學習里一些fancy的演算法搞個印鈔機，太難。現在好多家私募都說深度學習多麼有用，的確會有點用，但是絕對沒有那麼神，事實上大家做得都差不多，不算很深，深度學習真要那麼有用，誰會到處說？量化這行，真正有用的東西，雖然最終都會被同行知道，但很少有人會在公開場合大說特說的。
綜上，量化策略涉及到統計、數據挖掘、交易、市場理解、機器學習等各個方面，光靠一套機器學習演算法庫，再加上一個優化器，就想攪動市場，沒這么容易的。

❷ 高頻交易和量化交易有何不同

高頻交易和量化交易有3點不同：

一、兩者的概述不同：

1、高頻交易的概述：指從那些人們無法利用的極為短暫的市場變化中尋求獲利的計算機化交易。

2、量化交易的概述：指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略。

二、兩者的作用不同：

1、高頻交易的作用：這種交易的速度如此之快，以至於有些交易機構將自己的「伺服器群組」安置到了離交易所的計算機很近的地方，以縮短交易指令通過光纜以光速旅行的距離。

2、量化交易的作用：極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。

三、兩者的特點不同：

1、高頻交易的特點：

（1）高頻交易都是由計算機自動完成的程序化交易；

（2）高頻交易的交易量巨大；

（3）高頻交易的持倉時間很短，日內交易次數很多；

（4）高頻交易每筆收益率很低，但是總體收益穩定。

2、量化交易的特點：

（1）紀律性。根據模型的運行結果進行決策，而不是憑感覺。紀律性既可以剋制人性中貪婪、恐懼和僥幸心理等弱點，也可以克服認知偏差，且可跟蹤。

（2）系統性。具體表現為「三多」。一是多層次，包括在大類資產配置、行業選擇、精選具體資產三個層次上都有模型；二是多角度，定量投資的核心思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；三是多數據，即對海量數據的處理。

（3）套利思想。定量投資通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會，從而發現估值窪地，並通過買入低估資產、賣出高估資產而獲利。

（4）概率取勝。一是定量投資不斷從歷史數據中挖掘有望重復的規律並加以利用；二是依靠組合資產取勝，而不是單個資產取勝。

❸ 在投行內部做量化交易與獨立出去做量化交易有何不同

這里我們只說量化交易，不討論量化研究和量化定價這一塊的業務。
量化交易是分兩個階段的。第一個階段是2008年以前，或者說Dodd-Frank法案以前，投行內部林立著各樣的很多對沖基金或者類對沖基金的實體，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投資銀行的自營交易業務也很像對沖基金。在這一階段，這些類對沖基金的實體和外面的對沖基金是沒有啥區別的，業務很類似——賭方向、做部分對沖（Partial Hedging）、跨市場套利，也非常敢於承擔風險。
當時在投行內做對沖基金類型的量化交易有著非常大的優勢，因為兩點——第一是銀行有著非常良好的融資渠道，融資成本顯著地低於當時的對沖基金，如果你嘗試去組建過一個基金，你就知道資金成本對於一個對沖基金的影響多麼大——巴菲特這么多年的成功是離不開長期1.6倍的財務杠桿和其低於中央銀行存款准備金率的資金渠道的（詳細內容參見AQR的論文——Buffet's Alpha）。 炒股需要經常總結，積累，時間長了就什麼都會了。為了提升自身炒股經驗，新手前期可以私募風雲網那個直播平台去學習一下股票知識、操作技巧，對在今後股市中的贏利有一定的幫助。
第二是銀行有著一個灰色的信息流——客戶的交易記錄。這個交易信息，就是今天，也是非常有用的內部消息。幾周前Bill Gross從PIMCO離開時，所有投行的Sales都瘋了，不停地研究之前PIMCO在自己銀行的倉位，然後分析那些債券最有可能最先被清盤，從而給其它客戶交易建議。而當年文藝復興多次更迭合作的投行，就是因為其大獎章基金的交易記錄得不到妥善的保密，很多合作銀行的自營交易桌跟著交易。
這兩個優勢造成了當時的自營交易極其暴利，而且管理層為了做大業績，全力支持明星交易員放大杠桿——而實際上，金融危機期間很多的CEO都是靠著自營交易的暴利業績從交易大廳升職到管理層的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
這也造成了，為什麼很多高盛離職的自營交易員在金融危機後，當銀行不能做自營交易後出來自立門戶開設對沖基金，卻完全無法復制當年的業績——因為他們是因為整個組織的強大而獲得超額收益，當失去了資金優勢和信息優勢後，一切都成為了浮雲。
2008年，准確說是2009年後，一切都變了。
首先是政府明令規定自營交易不讓幹了，於是各種投行旗下的基金，放入資管部的放入資管部（比如Goldman Sachs Global Alpha進入GSAM），獨立營業的獨立營業（比如PDT從摩根斯坦利分離），要不直接就關門大吉了（比如UBS、德銀）。
還有一些碩果僅存的，一般是在股票交易部門，打著對沖為名，通過會計手法，維持著極小的自營規模，這種類似的團隊很多投行都有。但是不成氣候了，也不會造成任何系統性的風險——當然，各種馬路傳奇故事也銷聲匿跡了。
銀行內部還有沒有量化交易了，其實還有——那就是隨著計算機技術進步的自動化做市交易。做市在國內這個概念剛剛出現——因為期權做市商制度的引入。但是在美國這個是從華爾街開始就有的交易體系了。簡單來說，就是假設你經營一家買可樂的小店，你有兩個主要的交易——一是從總經銷商那裡拿貨，用的價格是Bid，二是分銷給街邊下象棋和夕陽下奔跑的孩子們，這是Ask。Bid是你的進價，Ask是你的出貨價格，Bid一般小於Ask（除非你是搞慈善的）。你持續的維持報出這兩個價格，同時根據你的存貨來調整報價或者對應報價的數量——比如你的存貨太多，大爺不出來下象棋了，你就降低Bid，這樣很難進到貨了，而保持Ask，等待有人來消耗你的庫存。
這個過程就是基本的做市商交易流程，在金融中，由於沒有實際的總經銷商供貨，你的報價（Bid-Ask）是基於你對於對應資產的Fair Price的估計來決定的，通常是你算出來的均衡價格加減一個值構造成Bid-Ask組合。在很長的時間內，這個報價都是靠人來完成，這個過程是枯燥的，而且很容易出錯——而對於期權類產品（非線性價格）也很難快速報價。我之前和期權交易員合作過很長時間，他們的工作不一定智力上很難，但是對於人得耐力絕對是一種挑戰——因為在開市後他們要注意力高度集中的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐，報價，報價，在這交易大廳報價... ...
於是，從簡單的資產起，從交易所級別開始支持API交易了。什麼是簡單的資產，就是Vanilla類別的，比如個股、指數、外匯、國債等等。因此投行由於本來就是大量資產的做市商，開始把原來這套過程通過計算機來完成。後面大家發現計算機是完美勝任這項工作的，因為計算機能夠高速計算庫存來調整報價，還能報出很多復雜的單類型。因此從2000年開始個股、指數開始逐步被自動化做市來包攬，2005年後個股期權自動化做市大熱，而2008年後外匯自動化做市也相當成熟了，2010年開始國債自動化做市也在美國興起——這也是我目前在工作的內容。
那麼對沖基金呢，除了傳統的量化Alpha，他們難道不能也做這個業務嗎？實際上，很多對沖基金的自動化做市業務比投行還要好——比如Citadel，比如KCG。但是區別何在？區別在於兩點，第一是很多對沖基金不是專屬做市商（Designated market maker）。DMM的特權是其有專屬席位——在美國這樣高度商業化的國家，DMM也是非常稀有的。原因在於，DMM是有責任的，那就是在各種大型金融危機中，當流動性極差的時候，DMM還是要持續的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐... ... 在流動很差的時候這是非常危險的，因為大家丟給你的都是不好的資產，比如大跌的時候，都在賣，你的Bid反復被Hit，然後又沒人來hit你的Ask，浮動虧損可以非常大。那麼DMM的特權呢，DMM可以獲得非常高比例的rebate，也就是說，傭金返點非常高。這是對於其承擔的義務的回報。

第二就是絕大多是對沖基金不是Broker，也是你一般想買股票不會去找他們報價。在外匯和債券這類市場中，有兩級市場，一個是B2C市場，也就是零售市場，裡面基本都是Broker-Client，而第二級就是B2B市場，都是Broker-Broker。一般來說，B2B市場的Bid Ask Spread要低一些。一個形象的例子就是，我小時候去批發書的商店買書，一個商店有本習題集沒有，於是老闆去隔壁家拿了一本，賣給我，最後肯定這個老闆要把一部分價格還給隔壁家，我付的價格和老闆付給隔壁家的價格就是B2C到B2B市場的差價。
這里投行又耍流氓了，他們有著B2C市場的接入優勢，因此只要客戶量夠大，基本都能把自動化做市實現盈利——因為根據大數法則，一定時間內，買賣雙方的交易量應該是均衡的。
那麼對沖基金靠什麼——靠更好的策略。對沖基金如果要做高頻做市的，基本在B2B市場參與，他們不是DMM，但是也自己去報價，然後靠著對於價格走向的准確判斷，來調整報價，實現拿到多數對自己有利的單，或者持有更久符合預測方向的單，來達到盈利。這種不是DMM卻自發去做做市商的行為，叫做Open Market Making。
Citadel是期權自動化做市的王者，頂峰時期一年的利潤可以到1 Billion（2009），而整個市場那年的利潤也就是7 Billion左右。因此如果策略逆天，沒有客戶流，也能靠做市賺錢的。
此外，做市業務之外，對沖基金還多了很多機會。因為很多業務銀行做起來不劃算——比如商品。考慮一個金融類公司，不能光討論交易策略，宏觀上你一定要思考資金成本等問題，這才是投資之道在投資之外。商品這些之前銀行幹了很多壞事的業務（詳細參加高盛的銅交易和JP的風電交易）都被監管方克以了極高的資本罰金。這是Basel III裡面的規定，也就是你拿著1元的股票和1元的監管資產過夜受到的處罰是完全不同的，具體演算法參見Basel對於RWA（Risk Weighted Asset）計算的細則。這一系列監管，造成了對沖基金有了大量的新業務——因為投行退出。而大量銀行的人才也流向了對沖基金。
現在門徑這么清晰，那麼投行和對沖基金做量化交易的工作差別就很明顯了——投行主要以自動化做市為中心的高頻信號、客戶流分析、報價博弈論等研究為主。而對沖基金主要是傳統的量化Alpha、量化資產配置為主——當然還有公開市場自動化做市了。
希望可以幫助到你，祝投資愉快！

❹ 高頻交易和量化交易有何不同

量化投資公司和高頻交易公司一般說來，既有區別又有聯系。在美國，人們常說的量化投資公司一般都是對沖基金，包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等；而常說的高頻交易公司一般都是自營交易公司，這些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外，既有量化投資業務，又有高頻交易業務的公司有Two Sigma、Citadel等；還有許多公司向著更綜合的方向發展，DE Shaw等公司，既有量化投資，又有非量化投資。
對於量化投資來說，除了行情信息，整理收集其他基本面的信息也相當重要，預測模型中要融入整理出的對應的時間序列。成功的模型是什麼？重點在於它整合了多少不同來源的信息，而不是運用了多高深的數學理論。以簡單的線性回歸為例，想要模型的預測效果好，需要各個參數都有很強的預測能力，同時相關性很低；反之，如果選取的參數毫無意義，就算運用在復雜的深度學習理論，得出的模型也沒有用。美國的一些公司，除了利用新聞等文本信息建模外，谷歌衛星拍攝到的港口集裝箱的圖像也會用來建模，商品價格走勢如何，通過對商品集裝箱的數目來預測，取得了很好的預測效果。

求解模型其實與建模同樣重要。比如說物理學上有很多能精確描述現實的模型，可還是難以求解，因為缺乏高效的科學計算方法，量化交易也一樣的。伴隨著巨大計算量的參數的計算、篩選、優化、回測等，怎樣精妙求解是一門頗為高深的學問。著名的文藝復興公司內部有著明確的分工——物理學家分析數據建立模型，數學家構建優化演算法並求解模型等，計算機程序員從各個來源收集數據，西蒙斯這樣透露。

❺ 最大對沖基金Citadel總部如何做高頻交易

量化對沖基金產品居多，這類產品多會採用程序交易。程序化交易具有頻繁申報等特徵，產生助漲助跌作用，特別是在近期股市大幅波動期間對市場的影響更為明顯。

在專業人士看來，雖然對沖基金的程序化交易可能會產生上述情況，但硬幣具有兩面性，其同樣給市場上帶來了大量的流動性。並且從市場的長期發展來看，對沖基金能夠滿足多元化的投資需求，為一些長期資金平滑風險、獲取絕對收益，對中國市場具有現實意義。

❻ 在Two Sigma 做量化研究是怎樣一番體驗

人很多 全部員工大概六七百人 這個在街上絕對是巨無霸級別的對沖基金了 只有citadel比他們多 但是citadel無論是aum還是業務線都多於two sigma 所以從人數上來看 two sigma還是太多了

人多的問題就是大家薪水偏低 比同等水平的quant fund要低 比高頻交易要低不少 究其原因是fund里養了一堆亂七八糟的人也不怎麼產生有用的alpha 每天就胡亂測試一些稀奇古怪的數據集 然而並沒有什麼卵用

quant業務里股票和期貨都是強項 尤其是期貨 其旗艦期貨compass去年回報接近50%

公司里的snack不錯還有乒乓球室 工作穩定幾乎不裁人 當然有兩類人會自覺離開 一類是做的不好收入很低的人（低到自己不好意思再混下去了沒人待見沒有重要的ty） 另一類是做的很好收入卻很低的人（沒錯人多大鍋飯就這毛病 所以gao kang才會有跳槽的心 結果你懂的）