算法交易is

⑴ 算法交易策略的五个常见的算法策略

算法交易策略

从字面上看，有成千上万种潜在的 算法交易策略 ，以下是几种最常见的快速入门策略：

趋势跟随算法：通过确定明显的订单流向确定您的优势。此优势可能超过几个月，也可能超过几分钟。该策略成功的关键是确定运行时间。挑一个点进入。时间范围越短，您交易的频率就越高，因为趋势会更快地变化并且您会收到更多的信号。

基于动量的算法策略：动量算法希望期货合约在高交易量上迅速向一个方向移动。该边缘试图在停顿时快速进入，获得动能，然后在下一个停顿时退出。这种算法不会赢得大赢家。有利的一面是，它也不应该有大输家。订单流方向上的动量策略通常被认为是明智的交易。

反趋势算法：该策略通常确定动量的饱和点，并“淡化”此举，而不是与动量进行交易。反趋势交易是一种特殊的分配资本形式，并非为胆小者而设。由于算法的原因，最后一条特别正确！在一段时间内，价格走势具有良好的前后波动性。如果您处于亏损交易中，则很有可能“以亏损仓位进行交易”。算法的变化很大。在当今的算法驱动世界中，将同时触发多个算法程序，并且价格在一个方向上爆炸运行。不要为反潮流的新手而有所缓和。

回归均值算法：想象一条橡皮筋通常会扩展到“ 10”。当到达该距离时，它会向后拉，或恢复为正常距离。这是回归到平均算法交易。当期货合约超出预期范围时，您的算法将剖析数据并下订单。这项交易的目标是在一个极端的价格点准时进入，以预期获利逆转。

剥头皮算法策略：某些市场提供跟踪大型买卖双方的机会。这里的策略是“Capture propagation”。这意味着在Bid上买入，然后在要约上卖出，赚了几tick。多年来，这种算法一直是许多day tradetr/floor trader的头等大事。价差收窄和计算机速度更快，这对手动交易者造成了挑战。一扇门关闭，一扇门打开，为精明的算法开发商和交易员提供了扩展机会。

HFT | 高频交易算法：这是获得所有宣传的算法。特权量子向导的感知货币机器。HFT程序会在一毫秒内执行，并且需要在交换机附近安装所谓的“共置”服务器。执行速度对于成功至关重要。

⑵ 杨剑波：量化交易应用的三大领域

全球范围内，量化交易的应用主要分为以下三大领域：

第一、选股、择时的工具。

传统的基于基本面的投资方法主要看财务指标及估值指标。研究方法主要是研究上市公司财务报表、实地调研、行业比较并结合宏观分析。通常的方法是自上而下或自下而上的选股。至于择时，则更多地依靠宏观、上市公司基本面、市场情绪，以及基金公司自身的排名等因素的考量。

基于量化的交易，选股和择时的指标完全不同。以最有名的两类策略——动量和反转为例。动量策略是说前一段时间强的股票会继续强；反转是指前一段时间表现弱的股票会在一段时间后走强。

这类理论都是基于“行为金融学”。行为金融学是和“有效市场假说”相对应的理论，以金融学、心理学等学科结合而形成的一门新兴子学科。它认为交易中的投资者短期有可能是理性的、但长期而言未必是理性的。因此会产生很多和有效市场相对立的“市场异象”。行为金融学正是描述和应用这些“市场异象”的学科。行为金融学在交易中的运用，就是用各种方法，包括但不限于动量和反转，来对股票的选择以及交易时机的选择运行研究和决策。

第二、套利类。

主要的套利策略有十几种。大概包括：

1）市场中性：即多空投资，净头寸为零。最纯正的市场中性，同时会力求多因子的净头寸为零。例如，行业净头寸为零，风格因子为零等等。

2）多空对冲：这是传统的对冲基金。多空投资，净头寸没有一个固定比率投资股票市场。不过现实中，这类投资风格，大多以净多头方式投资。净多头比率多数在10%到20%之间。

3）期权策略：以期权为主要投资驱动，捕捉波动率错估而造成的期权价格错位，运行交易。

4）统计套利：简单地说，就是以量化统计方法对市场中的交易产品运行研究，发现市场特性，设计算法，运行交易。

5）可转债套利：利用可转债的价格错位，特别是对内涵期权的估值不准时，运行套利交易。交易基本上是买入可转债，根据动态对冲的方法做空股票。如果需要市场动态中性，则要运行动态对冲。

6）信用套利：买入信用评级改善的债券，同时卖出信用评级恶化的债券。利用多空来对冲利率风险和债券市场风险。由于重要企业事件对信用评级的重大影响，信用套利的策略很多时候会和事件驱动策略和收购合并风险套利策略重叠。

7）事件驱动：在发生重要企业事件时，或预测将发生重要企业事件时，对企业的各类金融资产运行投资，包括股票、债券及其衍生物。

8）管理期货：投资期货市场，以求获得绝对收益。由于全球期货流动性好，品种多，市场容积大，使得这类对冲基金可以做到非常大的规模，例如元富Winton、曼氏Man和BlueCrest。另外，这类基金透明度高，容易被投资者理解。

9）坏账处理：买入折扣很大，市场不待见，流动性相对较差的资产。利用高风险折扣率造成的价格错位，运行投资配置，以获得高收益。

10）只做多：以只做多的单边方式，投资股票市场。最早期的投资公司，以及国内大多数私募，归属此类。

11）偏空策略：多空投资，但是以净空头的方式，投资股票市场。这类公司主要是满足机构投资者完善投资组合的需要。

12）混合策略：以公司为单位，结合公司内部的各种策略而推出的策略。相对于FoF（fund of fund，基金中的基金），这种策略有FoF的一些特点，同时相对来说投资者成本要低。

13）固定收益：以固定收益的债券和利率产品为交易产品，追求绝对收益。包括固定收益方向性交易和固定收益套利。

第三、算法交易。

算法交易又称程序化交易，是指通过程序发出的指令运行交易的方法。算法交易的产生和交易者将订单拆成若干小单以减少冲击成本、提高盈利率。同时，算法交易可以达到交易者隐蔽交易、避免把交易目标、交易量暴露给竞争者的目的。

国际上常用的算法交易包括以成交量加权平均价格运行成交，简称VWAP（Volume Weighted Average Price），以及时间加权平均成交，简称TWAP（Time Weighted Average Price）。前者主要是指交易者的交易量提交比例要与市场成交比例尽可能吻合，在最小化对市场冲击的同时，获得市场成交均价的价格。后者则是根据特定的时间间隔，在每个时间点上平均下单的算法。

在国际资本市场中，一般是大型投行的大宗经纪部门（Primary Brokerage）对基金公司以及投行内部的自营等部门供应算法交易的服务，并根据交易量运行收费。这也是大型投行最主要的盈利方式之一。

⑶ 算法交易属于产品销售领域吗

不是。算法交易是一种程序化交易方式，它将交易者和市场有机地联系起来。算法交易通常可以减少这两者之间的摩擦，或者说在一定程度上可以降低交易对市场造成的冲击。

⑷ 算法交易的交易类型

算法交易又称自动交易、黑盒交易或者机器交易，它指的是通过使用计算机程序来发出交易指令的方法。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格，甚至包括最后需要成交的证券数量。
《量化投资—策略与技术》中，根据各个算法交易中算法的主动程度不同，可以把算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。 综合型算法交易是前两者的结合。即包含既定的交易目标，具体实施交易的过程中也会对是否交易进行一定的判断。这类算法常见的方式是先把交易指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型交易算法进行判断。两者结合可以达到单独一种算法所无法达到的效果。
VWAP 策略是最常用的交易策略之一，具有简单易操作等特点，基本思想就是让自己的交易量提交比例与市场成交量比例尽可能匹配，在减少对市场冲击的同时，获得市场成交均价的交易价格。
标准的VWAP 策略是一种静态策略，即在交易开始之前，利用已有信息确定提交策略，交易开始之后按照此策略进行交易，而不考虑交易期间的信息。
改进型的VWAP策略的基本原理是：在市场价格高于市场均价的时候，根据市场价格的走势，不同程度地减少提交量，在保证高价位的低提交量的同时，能够防止出现价格的持续上涨而提交量过度向后聚集；在市场价格低于市场均价的时候，根据市场价格的走势，不同程度地增加提交量，在保证低价位的高提交量的同时，能够防止价格的持续走低而提交量过度提前完成。

⑸ 如何建立自己的算法交易

一、传统方法

在某些假设下的显式最优策略

• 【Bertsimas, Dimitris, and Andrew W. Lo. "Optimal control of execution costs."Journal of Financial Markets1.1 (1998): 1-50.】这里假设了不同的价格冲击函数，然后求解得到最优的交易执行方案。根据参数的不同，最优的策略要么是全部开头卖掉、均匀减仓、或者全部最后卖掉。https://stuff.mit.e/afs/athena.mit.e/user/d/b/dbertsim/www/papers/Finance/Optimal%20control%20of%20execution%20costs.pdf

• 【Almgren, Robert, and Neil Chriss. "Optimal execution of portfolio transactions." Journal of Risk 3 (2001): 5-40. 】这篇文章我们专栏前面有讲过，很著名的 Almgren-Chriss 模型。https://www.smallake.kr/wp-content/uploads/2016/03/optliq.pdf张楚珩：【交易执行】Almgren-Chriss Model

• 【Guéant O, Lehalle C A, Fernandez-Tapia J. Optimal portfolio liquidation with limit orders[J]. SIAM Journal on Financial Mathematics, 2012, 3(1):740-764.】这篇文章我们专栏前面也有讲过；前面的 Almgren-Chriss 其实考虑的是使用市价单，而这里考虑使用限价单进行交易。https://arxiv.org/pdf/1106.3279.pdf张楚珩：【交易执行】限价单交易执行

• 【Guéant, Olivier, and Charles‐Albert Lehalle. "General intensity shapes in optimal liquidation." Mathematical Finance 25.3 (2015): 457-495.】这里也是考虑限价单进行交易，但是与前面不同的是：前一个假设限价单考虑的成交概率随着价格指数衰减，而这里考虑了一个更加一般的形式。https://arxiv.org/pdf/1204.0148.pdf

• 【Cartea A, Jaimungal S. Optimal execution with limit and market orders[J]. Quantitative Finance, 2015, 15(8): 1279-1291.】这里考虑同时使用限价单和市价单进行交易，从而能够完成 Almgren-Chriss 模型所规定的方案，或者找到一个更有的交易方案。https://sci-hub.se//https://www.tandfonline.com/doi/abs/10.1080/14697688.2015.1032543

• 【Bulthuis, Brian, et al. "Optimal execution of limit and market orders with trade director, speed limiter, and fill uncertainty." International Journal of Financial Engineering 4.02n03 (2017): 1750020.】也是考虑使用限价单和市价单一起交易。https://arxiv.org/pdf/1604.04963.pdf张楚珩：【交易执行】市价单+限价单 最优执行

• 【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】这里考虑市场所有交易者的订单都会产生线性的短期/长期市场冲击，因此可以估计未来一段时间的订单流向（买单总量和卖单总量的差），从而能够在 Almgren-Chriss 模型的基础上进行一定的调整，使得策略更优。https://sci-hub.se//https://link.springer.com/content/pdf/10.1007/s11579-016-0162-z.pdf

图书

• 【Cartea Á, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】讲交易执行的基础上，更侧重讲了一些数学工具。

• 【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】从 Almgren-Chriss 模型开始讲，一直到相应的拓展和实际的问题，十分推荐。

融合对于市场环境隐变量的估计

• 【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市场交易者会根据不同的市场挂单和价格走势而采取不同的反映，因此我们也可以根据历史数据学习到各种情况下的价格后验分布，从而更好地帮助我们进行交易执行或者套利。最后的结果可以看做在 Almgren-Chriss 模型的基础上外加了一个调控项，反映我们对于未来的预期。https://arxiv.org/pdf/1806.04472.pdf

如何实现以按量加权平均价格（VWAP）交易

• 【Kakade, Sham M., et al. "Competitive algorithms for VWAP and limit order trading." Proceedings of the 5th ACM conference on Electronic commerce. 2004.】从在线学习的角度提出了几个用于使得我们交易到 VWAP 价格的模型。为什么会关注 VWAP 的交易执行？当大的流通股股东需要减持的时候，为了避免直接出售引起的价格波动，一般是把需要减持的股票卖给券商，然后由券商来拆单出售，而交易价格一般为未来一段时间的 VWAP，因此券商需要尽量以 VWAP 来交易执行。https://sci-hub.se//https://dl.acm.org/doi/abs/10.1145/988772.988801

• 【Białkowski, Jędrzej, Serge Darolles, and Gaëlle Le Fol. "Improving VWAP strategies: A dynamic volume approach." Journal of Banking & Finance 32.9 (2008): 1709-1722.】改进对于交易量的建模，从而得到更好的 VWAP 交易算法。把交易量拆分为两个部分，一部分是市场整体的交易量变动，另一部分是特定股票上的交易量模式。https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S0378426607003226

以按时间加权平均价格（TWAP）交易

• 为了对称，可以介绍一下另一种加权平均的情形 TWAP，这种情形实现起来相对比较简单；如果不考虑市场冲击，就拆分到每个时间步上均匀出售即可实现。

• 可以证明 TWAP 交易在以下两种情形下最优：市场价格为布朗运动并且价格冲击为常数；对于晚交易没有惩罚（其实更晚交易意味着面临更大的风险），但是对于最后未完成交易的惩罚较大。

二、强化学习方法

基于传统模型的强化学习方法

• 【Hendricks D, Wilcox D. A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution[C]//2014 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr). IEEE, 2014: 457-464.】本专栏有讲。https://arxiv.org/pdf/1403.2229.pdf

强化学习 + 交易执行（Paper/Article）

• 【Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 673-680.】比较经典的一篇，发在 ICML 上，本专栏前面有讲。使用 DQN 方法，实现形式接近 DP。http://smallake.kr/wp-content/uploads/2019/01/rlexec.pdf

• 【Dabérius K, Granat E, Karlsson P. Deep Execution-Value and Policy Based Reinforcement Learning for Trading and Beating Market Benchmarks[J]. Available at SSRN 3374766, 2019.】使用了 DDQN 和 PPO 方法，基于生成的价格序列来进行实验，使用特定的模型考虑短期和长期市场冲击。https://sci-hub.se//https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3374766

• 【Ning B, Lin F H T, Jaimungal S. Double deep q-learning for optimal execution[J]. arXiv preprint arXiv:1812.06600, 2018.】DDQN 的强化学习解法，在美股上实验。https://arxiv.org/pdf/1812.06600.pdf

• 【Lin S, Beling P A. An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization[C]//IJCAI. 2020: 4548-4554.】使用 PPO 的解法，比较有意思的是这里面的实验结果显示，使用 LSTM 和把历史数据全部堆叠起来用 MLP 效果差距不大。也是在美股上实验。https://www.ijcai.org/Proceedings/2020/0627.pdf

• 【Fang Y, Ren K, Liu W, et al. Universal Trading for Order Execution with Oracle Policy Distillation[J]. arXiv preprint arXiv:2103.10860, 2021.】在使用强化学习的基础上，引入了一个教师网络，教师网络学习一个基于未来数据的策略，并且用于训练学生网络。本专栏前面有讲。https://www.aaai.org/AAAI21Papers/AAAI-3650.FangY.pdf

• 【Vyetrenko S, Xu S. Risk-sensitive compact decision trees for autonomous execution in presence of simulated market response[J]. arXiv preprint arXiv:1906.02312, 2019.】ICML-19 的文章。构造了一个可以反映市价单市场冲击的模拟器；使用 tabular Q-learning 来学习基于决策树的模型；使用特征选择的方法来筛选特征。通过以上方式，能够学习到一个模型帮助决策什么时候应该下市价单、什么时候应该下限价单。https://arxiv.org/pdf/1906.02312.pdf

• 【Akbarzadeh N, Tekin C, van der Schaar M. Online learning in limit order book trade execution[J]. IEEE Transactions on Signal Processing, 2018, 66(17): 4626-4641.】从 online learning 的视角来解决这个问题，使用 DP 类的方法，分析 regret 。http://repository.bilkent.e.tr/bitstream/handle/11693/50289/Bilkent-research-paper.pdf?sequence=1

• 【Wei H, Wang Y, Mangu L, et al. Model-based reinforcement learning for predictions and control for limit order books[J]. arXiv preprint arXiv:1910.03743, 2019.】专栏刚刚讲了的一篇文章，使用 model-based 类的强化学习算法，直接学习一个世界模型，然后让强化学习策略通过和世界模型的交互进行学习。https://arxiv.org/pdf/1910.03743.pdf

• 【Karpe M, Fang J, Ma Z, et al. Multi-agent reinforcement learning in a realistic limit order book market simulation[J]. arXiv preprint arXiv:2006.05574, 2020.】这里的多智能体似乎适用于结合历史数据生成其他市场参与者的动作，而最优策略的学习仍然是使用单智能体 DDQN 方法来做。他们开源了一个考虑多智能体的模拟环境 ABIDES。https://arxiv.org/pdf/2006.05574.pdf

• 【Schnaubelt M. Deep reinforcement learning for the optimal placement of cryptocurrency limit orders[J]. European Journal of Operational Research, 2022, 296(3): 993-1006.】研究数字货币上如何下限价单。对比了 PPO 和 DDQN，发现 PPO 更好。探索出了一些重要的因子，比如 current liquidity cost，queue imbalance 等。https://www.econstor.eu/bitstream/10419/216206/1/1696077540.pdf

强化学习 + 交易执行 （Thesis）

• 【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH （瑞典）工程学院硕士论文。算法直接是基于价值函数的动态规划。不过提供了比较详细的模拟环境和算法伪代码。https://www.diva-portal.org/smash/get/diva2:963057/FULLTEXT01.pdf

• 【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利尔高等商学院硕士论文。使用 TD3 和 DDPG 算法，不过实验是基于人工生成的数据的（skew-normal Brownian motion）。https://biblos.hec.ca/biblio/memoires/m2019a628776.pdf

• 【Reiter M B. An Application of Deep Reinforcement Learning for Order Execution[D]. School of Engineering Science, Osaka University, 2020.】多伦多大学本科毕业论文。在使用 A3C 算法的基础上，考虑了使用教师学生网络的方式进行迁移学习，并且考虑了短期市场冲击。https://mbreiter.github.io/doc/thesis.pdf

强化学习 + 风险偏好

• Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets

• Deep equal risk pricing of financial derivatives with non-translation invariant risk measures

强化学习 + 做市策略

• Optimal Market Making by Reinforcement Learning

• Optimizing Market Making using Multi-Agent Reinforcement Learning

• Deep Reinforcement Learning for Market Making

• Deep Recurrent Q-Networks for Market Making

• Robust Market Making via Adversarial Reinforcement Learning

• Market making via reinforcement learning

强化学习 + 资产组合

• Deep Stock Trading: A Hierarchical Reinforcement Learning Framework for Portfolio Optimization and Order Execution

• Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning

• Large Scale Continuous-Time Mean-Variance Portfolio Allocation via Reinforcement Learning

⑹ 算法交易的机遇挑战

在亚洲金融市场，采用算法交易的主要有东京证券交易所、香港联交所和新加坡交易回所。与欧美市场相比，答亚洲市场的股票价差更大、流动性更差、更难成交，因此算法交易的价值也更为突出。2006年，亚洲股票交易中接近1/10是通过算法交易完成的，最近的三年中大约有50%的衍生品交易变成了电子交易，其中约75%采用了算法交易。
随着中国股指期货的渐行渐近，机构投资者在考虑期现套利交易时，必须考虑如何避免大额下单给市场造成价格大幅波动所引发的冲击成本问题，而算法交易可以有效地降低市场冲击成本。随着股指期货的推出，包括算法交易在内的创新交易方式将大有用武之地，中国内地将成为算法交易的下一个最具吸引力的市场。也许是有鉴于此，FIX协议组织2008年年度大会也将于上海举行。算法交易在国内的兴起也将给包括证券公司与期货公司在内的中国金融业带来新的机遇和挑战，能在这一创新技术与业务领域取得先机者将在股指期货等金融衍生品给金融市场带来的洗牌中获得极为有利的竞争优势。

⑺ 在自主权限内什么通过交易系统向交易室下达交易指令

在自主权限内基金经理通过交易系统向交易室下达交易指令。交易系统或相关负责人员审核投资指令的合法合规性，违规指令将被拦截，反馈给基金经理。其他指令被分发给交易员。交易员接收到指令后有权根据自身对市场的判断选择合适时机完成交易。基金公司投资交易包括形成投资策略、构建投资组合、执行交易指令、绩效评估与组合调整、风险控制等环节。
拓展资料:
1、算法交易是通过数学建模将常用交易理念同化为自动化的交易模型，并借助计算机强大的存储与计算功能实现交易自动化（或半自动化）的一种交易方式。 交易算法的核心是其背后的量化交易模型，而模型的优劣取决于人的交易理念和基于数据的量化分析，以及两者的有效结合。
2、算法与人（交易员）的互动是至关重要的，两者之间互为补充：人（交易员）教授“算法”交易理念，反过来被训练过的算法可以帮助人（交易员）实现快速的交易执行。
3、常见的算法交易策略简介如下： （1）成交量加权平均价格算法（VWAP），是最基本的交易算法之一，旨在下单时以尽可能接近市场按成交量加权的均价进行，以尽量降低该交易对市场的冲击。 （2）时间加权平均价格算法（TwAP），是根据特定的时间间隔，在每个时间点上平均下单的算法。 （3）跟量算法（TVOL），旨在帮助投资者跟上市场交易量。若交易量放大则同样放大这段时间内的下单成交量，反之则相应降低这段时间内的下单成交量。交易时间主要依赖交易 期间市场的活跃程度。 （4）执行偏差算法（Is），是在尽量不造成大的市场冲击的情况下，尽快以接近客户委托时的市场成交价格来完成交易的最优化算法。