如果你的量化策略不賺錢怎麼辦？可能你需要一些新思路

作者：何力

現在很多人都很困惑，因為他們發現現很多曾經有效的演算法已經無法再擊敗市場。這裡面的原因並非完全在於演算法本身，很大一部分原因在於他們不能通過數據和邏輯重新構建演算法與市場的關係。

在量化交易領域，大多數的投資回報都並非通過創建新策略新演算法得來的，而是通過把現有有效的演算法通過創新的方式應用於現有數據得來的。如果投資者能從統計數據和規律中重新構建演算法與市場的關係，那麼同樣的演算法一樣能獲得遠遠超越資本成本和交易成本的超額收益。

由於有太多的人在使用相同的策略。對於那些已經眾所周知的策略，目前已經很難再被用來穩定賺錢了。但是如果你把注意力從價格本身轉移到像波動性等其他一些因素上來，那麼古老的策略依然有機會煥發生機。那麼我們該怎麼做呢？

通過統計數據的可預測性，我們幾乎可以從任何目前在市場上交易的品種中獲利。舉個例子：我們可以首先獲取關於某隻股票新聞報道的簡單訊息聚合訂閱數量(Really Simple Syndication feed），訂閱數量的多少反應了人們關心的程度。然後我們通過文本處理技術提取新聞中的關鍵詞，然後設計演算法處理這些關鍵詞並預測該股票未來短時間的價格漲跌。關鍵詞處理可能涉及的技術層級太高，不是一般人能搞的定的。那麼我們閹割掉文本處理這一塊，還能否盈利呢？答案是肯定的。

讓我們從另外一個角度來分析。假設我通過某種方法知道最近針對某家上市公司的新聞報道特別特別多。這種新聞數量的異常增多表明這家上市公司的股票很有可能在最近幾天產生大幅度的波動（當然這裡面新聞數量的多少和股價的波動關係需要你提前就做回測確定統計關係）。這個時候你只知道股價會大幅度波動，但是不知道波動的方向怎麼辦呢？（如果學會文本處理就好了 ╮(╯_╰)╭）。不用著急，現在只需要通過做多蝶式期權套利策略你就可以提前鎖定利潤。

構建做多蝶式期權套利策略能獲利的條件是標的資產價格的未來隱含波動性大於目前的波動性。具體來講，包含如下的期權組合：

* 買入1份期權執行價格為(X − a)的看多期權

* 賣出2份期權執行價格為X的看多期權

* 買入1份期權執行價格為 (X + a)的看多期權

其中X是期權標的資產的現貨價格，同時a>0。包含的期權合約有相同的到期日。在到期日，如果期權標的資產價格小於X-a或者大於X+a，那麼該做多蝶式期權套利策略的收益為0；如果期權標的資產價格在X-a和X+a之間，那麼該做多蝶式期權套利策略的收益>0,且收益最大為X。所以只要未來標的資產的波動性比現在大，那您就等著數錢吧 ^o^。

通過組合使用各種衍生品的組合，我們可以利用市場某些極端深奧的統計學屬性。而更加複雜和更有效的交易策略會涉及到多種資產的統計關係。而這個時候，獲得第一手數據就顯得非常重要。

如果某個策略使用的是第一手獨家的數據，那麼毫無疑問這個策略的獲利能力將會顯著加強。

舉個例子，以前在冷戰時期，美國有公司曾經開發過數學模型用來處理從衛星上獲得的關於蘇聯玉米產量的數據並預測蘇聯的玉米產量。讓人驚訝的是，這種模型做出的預測比蘇聯人實地考察自己玉米地后做出的產量預估更加準確。現在這家美國公司開始用這些模型來預測美國自己的玉米和大豆產量。

通過衛星數據和模型演算法，這家公司預測的美國玉米總產量甚至比美國農業部的預測更加準確。顯然，如果你只能等到美國農業部公布玉米產量的時候才做買賣判斷，那大概率只能給人抬轎子了

╮(╯﹏╰）╭。而能提前從這家美國公司獲取第一手產量數據的投資者將大概率跑贏市場。後來這家美國公司被一家專門做大豆和玉米期貨的對沖基金高價收購了。這個公司厲害之處就在於，他們能產出別人所沒有的第一手資料。

總結一下，在投資領域，目前量化方法一般被應用到如下的地方：

• 構建模型並預測數據中的潛在變數或者關係；

• 構建模型並預測市場在一些核心變數如利率或者油價變化的時候，市場如何反應；

• 構建模型並預測當重要事件或者新聞報道出現的時候，資產價格和波動性如何變化。

目前有4類不同的量化方法：

決策形成類。這裡面包含了神經網路，基於規則的交易策略，決策樹，自適應學習，支持向量機等；

建模類。這裡面包含了資本資產定價模型，套利定價模型和布萊克--斯克爾斯期權定價模型；

資產配置類。這裡面比較典型的就是凱利公式和平均方差組合理論；

優化類。該類方法通過併入新的數據來源或從現有數據來源中提取信息來改進在其他模型中使用的潛在變數的估計值。比如，相比於只使用歷史股價波動率，我們可以通過同時使用隱含波動率，歷史波動率和實時提取公司新聞事件信息來優化估計股票價格在給定時間範圍內的波動率，顯然這種預測會更加準確。

最後要說明的一點就是，傳統的「寬客」需要應用統計學知識，蒙特卡洛模擬，偏微分方程等方法。而這些屬於純應用數學領域的方法已經不夠用來定義一個目前前沿的「寬客」了。現在的定量分析領域已經融入了更寬泛的學科理論，特別是機器學習。