有很多好友是做投資的，苦尋ea，重金求購“金字塔”，“BT”，希望在智能交易中致富。其實在我看來，較好的交易策略一定是自己寫出來的。我國的外匯市場形成時間不長，所以基于實時匯率的外匯交易研究是一個新興方向。國內(nèi)大部分交易還是以人工手動操作，而西方國家通過機(jī)器交易的市場份額已經(jīng)高達(dá)60%。下面我列舉一些常用的交易算法：

　　加權(quán)平均價格算法(VMAP)：以每一次交易的成交量為權(quán)重，一段時間內(nèi)成交價格的加權(quán)平均值。該策略即利用歷史成交量數(shù)據(jù)，將大段時間內(nèi)的訂單分割，成為動態(tài)發(fā)生的較小訂單，目的是用接近成交量加權(quán)平均價格成交，從而以均價獲利。該策略理論是以低于VWAP的價格買入或在以高于VMAP的價格賣出，則為好的交易。

　　時間加權(quán)平均價格(TWAP)：本算法與VMAP很相像，計算定單在提交之時至獲得執(zhí)行之間的時間加權(quán)平均價格。平均價格是指輸入定單之時至市場收盤期間計算的平均價格，且該定單只有在條件被滿足的情況下才會被執(zhí)行。此方法可以應(yīng)對成本沖擊，拆分大額委托單，使得交易均價跟蹤TWAP。目的是為了減小對市場的一次性沖擊，如果一次的沖擊太大，對下一次交易的成本必然是會產(chǎn)生影響。

　　另一方面，真實市場的成交量是在波動變化的，將所有的訂單均勻分配到每個節(jié)點上顯然是不夠合理的。因為，建立了基于成交量變動預(yù)測的VWAP模型。不過，由于TWAP操作和理解起來非常簡單，因此其對于流動性較好的市場和訂單規(guī)模較小的交易仍然較為適用。

　　成交量加權(quán)平均價格算法(VWAP)：基于成交量變動預(yù)測的模型，同樣在做很多模型時，都以其為基礎(chǔ)，指的是一段時間內(nèi)證券價格按成交量加權(quán)的平均值，其中Pricet和Volumet分別是某個時點上證券的成交價格和成交量。

　　從TE的定義公式式可以看出兩點：

　　(1)跟蹤誤差與成交量預(yù)測的關(guān)系非常緊密，預(yù)測結(jié)果的好壞直接影響到VWAP算法交易的結(jié)果。

　　(2)當(dāng)某段時間的VPt超過市場真實VMt時，有可能造成訂單無法全部成交，這樣就會造成算法交易執(zhí)行效率的下降，因此，更為常用的是被稱為“帶反饋的”VWAP算法交易策略。

　　所謂帶反饋的VWAP算法交易策略，是指在原有VWAP跟蹤的基礎(chǔ)之上，將每個時段未成交的訂單按比例分?jǐn)傊梁竺娴臅r間段中，這樣可以有效提高成交比率。之前所討論的TWAP策略也可以采用該類反饋技術(shù)，使執(zhí)行效率大幅提升。

　　成交量加權(quán)平均價格優(yōu)化算法(MVWAP)：常見的一種對WMAP的改進(jìn)策略是根據(jù)市場實時價格和VWAP市場的關(guān)系，對下單量的大小進(jìn)行調(diào)整與控制，因此統(tǒng)一將這一類算法稱為MVWAP。

　　當(dāng)市場實時價格小于此時的VWAP市場時，在原有計劃交易量的基礎(chǔ)上進(jìn)行放大，如果能夠?qū)⒎糯蟮牟糠殖山换虿糠殖山唬瑒t有助于降低VWAP成交;反之，當(dāng)市場實時價格大于此時的VWAP市場時，在原有計劃交易量的基礎(chǔ)上進(jìn)行縮減，也有助于降低VWAP成交，從而達(dá)到控制交易成本的目的。

　　在MVWAP策略中，除了成交量的預(yù)測方式之外(通常也是按照歷史成交量加權(quán)平均進(jìn)行預(yù)測)，同樣很重要的是對于交易量放大或減小的定量控制。一種簡單的辦法是在市場實時價格低于或高于VWAP市場時，將下一時段的下單量按固定比例放大或縮小，那么這個比例參數(shù)就存在一個較優(yōu)解的問題。如果考慮得更為復(fù)雜和細(xì)致，這個比例還可以是一個隨價格偏差(市場實時價格與VWAP市場之差)變化的函數(shù)。

　　成交量固定百分比算法(VP)：與VWAP策略類似，都是跟蹤市場真實成交量的變化，從而制定相應(yīng)的下單策略。所不同的是，VWAP是在確定某個交易日需要成交數(shù)量或成交金額的基礎(chǔ)上，對該訂單進(jìn)行拆分交易;而VP則是確定一個固定的跟蹤比例，根據(jù)市場真實的分段成交量，按照該固定比例進(jìn)行下單。

　　例如，將某個交易日均分為48段，每段5分鐘。根據(jù)預(yù)測成交量，按照10%的固定比例進(jìn)行下單。這樣的策略所帶來的結(jié)果是，當(dāng)所需要成交的訂單金額較小時，可能會在交易時間結(jié)束之前就完成所有交易，從而造成對市場均價跟蹤偏離的風(fēng)險。該策略適用于規(guī)模較大、計劃多個交易日完成的訂單交易，此時若能選擇合適的固定百分比，使得成交能夠有效完成，則VP是一種可以較好跟蹤市場均價的算法交易策略。

　　執(zhí)行落差交易策略(IS)：是以執(zhí)行落差為決策基礎(chǔ)的一種算法交易策略。執(zhí)行落差被定義為目標(biāo)交易資產(chǎn)組合與實際成交資產(chǎn)組合在交易金額上的差異。IS策略的目標(biāo)是執(zhí)行落差最小化，或者說是在綜合考慮沖擊成本和市場風(fēng)險后，通過需找尋找較優(yōu)解來跟蹤價格基準(zhǔn)的一種策略。假設(shè)目標(biāo)交易價格為P0，實際交易價格為P，則IS策略的最終目標(biāo)為了達(dá)到這個目的，IS的基本流程如下：

　　(1)確定目標(biāo)交易價格P0，作為交易基準(zhǔn)，這個價格可以是到達(dá)價、開盤價、一日收盤價等。再設(shè)定一個容忍價格Pr，作為交易的邊界條件。

　　(2)當(dāng)市場實際價格低于或高于P0時，按一定的策略下單進(jìn)行買入或賣出交易。

　　(3)當(dāng)市場實際價格高于或低于Pr時，不進(jìn)行買入或賣出交易。

　　(4)當(dāng)市場實際價格處于P0和Pr之間時，可以按照介于積極和消極交易策略之的策略進(jìn)行交易。

　　使用IS的優(yōu)點包括：

　　(1)IS策略較為全面地分析了交易成本的各個部分，在沖擊成本、時間風(fēng)險、價格增長等因素之間取得了較好的平衡，更加符合較優(yōu)交易操作的目標(biāo)。

　　(2)IS策略根據(jù)目標(biāo)價格對交易過程的優(yōu)化，更加符合投資決策的過程。

　　(3)IS策略多用于組合交易，而對于組合交易來說該算法能夠利用交易清單上股票間的相關(guān)性更好地控制風(fēng)險。

　　Step算法：實際是一種對價格進(jìn)行分層成交的策略，目標(biāo)是在買入(賣出)交易中盡可能地壓低(提升)成交均價。簡單來講，Step就是在不同的價格區(qū)間進(jìn)行不同成交量比例的配臵。例如在VWAP或TWAP策略中，通常按照預(yù)測成交量的一定比例k進(jìn)行實際下單。假設(shè)在開市前預(yù)計要買入某支前收盤價為20元的股票，則對其進(jìn)行成交量分層設(shè)定：

　　開盤后在VWAP或TWAP的基礎(chǔ)之上，當(dāng)價格在19至21元浮動時，按預(yù)測成交量的10%進(jìn)行成交;當(dāng)價格超過21元時則不做任何交易;當(dāng)價格小于等于19元時，按預(yù)測成交量的30%買入。

　　更為激進(jìn)的一種是稱為Aggressive Step的策略，這種策略在價格低于較優(yōu)交易區(qū)域邊界時會將所有市場上的訂單統(tǒng)統(tǒng)吃掉。

　　具體來說，Aggressive Step策略同樣在買入(賣出)交易中進(jìn)行分層，例如在上述交易方案中，前兩個區(qū)域的策略不變，當(dāng)價格小于等于19元時，不管市價跌到多少，都按19元的限價報單成交，直至價格回升至19元以上或擬交易訂單全部完成。不過這種策略不容易對交易量進(jìn)行控制，并且容易造成價格異動，增加證券交易的隱性成本。

　　Sniffers算法：Sniffers搜尋者算法是一類策略的統(tǒng)稱。通常該策略會開發(fā)一些較為復(fù)雜的算法去監(jiān)控盤口和成交數(shù)據(jù)，以發(fā)現(xiàn)市場參與者中是否存在其他的算法交易者。

　　例如通過少量的試探性下單，結(jié)合一定的算法和成交情況去判斷有沒有訂單是通過算法交易而成交的。如果有其他的算法交易參與者，則通過計算判斷，跟隨這些算法交易或通過相反的操作，能否以較大的概率獲取絕對收益。如果獲利概率較大，則通過有針對性的算法交易策略進(jìn)行下單。

　　>>>點擊AQF課程相關(guān)問題

（點擊上圖了解課程詳情）

　　該策略與傳統(tǒng)的算法交易不同，不以執(zhí)行訂單為主要目的，而是以獲利為主，屬于算法交易中較為高級的一種策略，適用于算法交易已經(jīng)大規(guī)模普及的市場。我國市場無論是從交易制度，還是從算法交易的普及程度來看，目前都還暫時難以運用該類策略。

　　盤口策略：國外目前很多較為高級的算法交易策略對數(shù)據(jù)的要求都已不僅僅限于成交量和成交價兩個指標(biāo)，而更多關(guān)注的是市場微觀結(jié)構(gòu)，特別是盤口中出現(xiàn)的一些重要信息。

　　舉一個最簡單的算法例子，稱之為盯住盤口策略(PEG)，該策略隨時根據(jù)目標(biāo)股票的盤口情況進(jìn)行下單。PEG首先會實時監(jiān)測盤口中的最低賣出價格或較高買入價格，并按照一定的策略(或比例)下達(dá)買入限價指令或賣出限價指令。

　　如果交易指令未能完成，并且市場價格開始偏離限價指令的價格，則對上述訂單進(jìn)行撤單，并且根據(jù)最新的盤口信息重新發(fā)出相應(yīng)的限價指令;如果交易指令全部完成，繼續(xù)按照上述策略(比例)發(fā)出買入限價指令或賣出限價指令，直至訂單全部完成或交易時間結(jié)束。該策略的優(yōu)點在于對市場的沖擊可以做出較好的定量控制，而缺點在于跟蹤市場均價容易出現(xiàn)偏離，并且每個交易日的成交量不可控。

　　W&P策略：Workand Pounce策略，簡稱W&P策略，是在一般算法交易策略的基礎(chǔ)之上，通過市場盤口及流動性情況對算法交易進(jìn)行進(jìn)一步優(yōu)化的一種策略。

　　具體來說，當(dāng)執(zhí)行某種算法交易策略時，系統(tǒng)會將拆分后的訂單在一定的時間按一定的價格進(jìn)行掛單。此時如果跟蹤盤口數(shù)據(jù)，會發(fā)現(xiàn)所提交的下單價格有可能是主動成交(例如在VWAP策略中就有出現(xiàn)這種機(jī)會)。在這種情況下，可以觀察相應(yīng)價格的盤口是否具有較大數(shù)額的掛單，即觀察市場在一定的價格范圍內(nèi)是否有多余的流動性存在。如果存在這種流動性，則可以放大交易數(shù)量，將市場流動性橫掃一空，或僅留存少量殘余流動性。

　　W&P策略適合于有大量訂單需要在短期內(nèi)完成的情況，使用該策略能夠有效提高執(zhí)行效率，但同樣對于價格的跟蹤可能將產(chǎn)生相對較大的偏差，增加了交易成本的不確定性。

　　Hidden策略：Hidden隱藏交易策略實際上是一種主動成交型算法交易策略。對于傳統(tǒng)的TWAP、VWAP等策略，由于下單時往往是按市價下單，因此可能會夾雜有主動成交和被動成交兩種交易。

　　但是當(dāng)被動掛單和撤單次數(shù)較多的時候，特別是在較為發(fā)達(dá)的金融市場中，算法交易者甚至算法交易策略本身容易被其他競爭對手觀察和監(jiān)測到，從而使得競爭對手可以針對算法本身開發(fā)出具有針對性的策略。

　　Hidden策略就是這樣一種反偵察的算法交易策略——當(dāng)市場盤口中出現(xiàn)了希望成交價位的委托單，并且達(dá)到一定數(shù)量時，則主動出擊將委托單吃掉;否則伺機(jī)而動，直到滿足條件的機(jī)會出現(xiàn)為止。

　　總體上來說，Hidden策略也是一種對原有算法交易策略進(jìn)行再優(yōu)化的策略，其主要運用在歐美等較為發(fā)達(dá)的金融市場上，在隱藏自己的行動的同時也付出一部分跟蹤市場均價準(zhǔn)確性的代價。

　　Guerrilla游擊隊策略：也是在一些原有算法交易策略的基礎(chǔ)之上進(jìn)行進(jìn)一步優(yōu)化的一種策略，其目的同 Hidden策略一樣，都是為了隱藏自己的策略和交易行為。

　　不同的是，Hidden是在主、被動成交及下單數(shù)量方面進(jìn)行考慮，而Guerrilla的出發(fā)點僅僅是下單數(shù)量。通過一定的隨機(jī)算法，Guerrilla策略會將每個時段應(yīng)該提交的訂單數(shù)量進(jìn)一步打散成為不同尺寸的部分，從而使得其他競爭對手在交易明細(xì)中不容易看出算法交易者和相應(yīng)算法的存在。

　　其他策略：除了上述介紹的一些常用算法交易策略以外，在國外市場上目前還存在非常多的策略，例如僅VWAP一種基礎(chǔ)的算法交易策略就可以衍生出幾十種甚至上百種策略;再例如在國外做市商制度的存在下，市場上還有一批基于該交易制度的常用算法交易策略，如Guaranteed VWAP、SOR策略等。

AQF量化金融分析師實訓(xùn)項目學(xué)習(xí)大綱 >>>點擊咨詢AQF考試

　　1.1.1. 第一部分：前導(dǎo)及課程介紹

1.AQF核心課程

2.量化策略的Python實現(xiàn)和回測

3.整體代碼介紹

　　1.1.2. 第二部分：量化投資基礎(chǔ)

1.量化投資背景及決策流程

2.量化擇時

3.動量及反轉(zhuǎn)策略

4.基金結(jié)構(gòu)套利

5.行業(yè)輪動與相對價值

6.市場中性和多因子

7.事件驅(qū)動

8.CTA_1（TD模型）

9.統(tǒng)計套利_低風(fēng)險套利

10.大數(shù)據(jù)和輿情分析

11.機(jī)器學(xué)習(xí)

12.高頻交易和期權(quán)交易

13.其他策略和策略注意點

　　1.1.3. 第三部分：Python編程知識

Python語言環(huán)境搭建	1.Python語言環(huán)境搭建
Python編程基礎(chǔ)	1.python數(shù)字運算和Jupyter notebook介紹
	2.字符串
	3.Python運算符
	4.Tuple和List
	5.字典
	6.字符串格式化
	7.控制結(jié)構(gòu)_1.For循環(huán)
	8.函數(shù)
	9.全局和局部變量
	10.模塊
	11.Python當(dāng)中的重要函數(shù)
Python編程進(jìn)階	1.Numpy數(shù)據(jù)分析精講
	2.Pandas數(shù)據(jù)分析詳解
數(shù)據(jù)可視化	1.Pandas內(nèi)置數(shù)據(jù)可視化
	2.Matplotlib基礎(chǔ)
	3.Seaborn
金融數(shù)據(jù)處理實戰(zhàn)	1.數(shù)據(jù)獲取_1.本地數(shù)據(jù)讀取
	1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_1
	1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_2.tushare
	1.數(shù)據(jù)獲取_2_網(wǎng)絡(luò)數(shù)據(jù)讀取_3.文件存儲
	2.金融數(shù)據(jù)處理_1.同時獲取多只股票
	2.金融數(shù)據(jù)處理_2.金融計算
	2.金融數(shù)據(jù)處理_3.檢驗分布和相關(guān)性
	3.金融時間序列分析_1.Python下的時間處理
	3.金融時間序列分析_2.Pandas時間格式
	3.金融時間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換
	4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例1
	4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_1
	4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_2

　　1.1.4. 第四部分：量化交易策略模塊

三大經(jīng)典策略	1.三大經(jīng)典策略_1.SMA
	1.三大經(jīng)典策略_2.動量Momentum
	1.三大經(jīng)典策略_3.均值回歸
配對交易策略	2.配對交易
技術(shù)分析相關(guān)策略	3.量化投資與技術(shù)分析_1.技術(shù)分析理論
	3.量化投資與技術(shù)分析_2.CCI策略的Python實現(xiàn)
	3.量化投資與技術(shù)分析_3.布林帶策略的Python實現(xiàn)_1
	3.量化投資與技術(shù)分析_4.SMA和CCI雙指標(biāo)交易系統(tǒng)
	3.量化投資與技術(shù)分析_5.形態(tài)識別和移動止損策略
大數(shù)據(jù)輿情分析策略	4.大數(shù)據(jù)輿情分析策略_基于谷歌搜索的大數(shù)據(jù)輿情分析
CTA交易策略	5.CTA交易策略_Aberration趨勢跟蹤系統(tǒng)
量化投資與機(jī)器學(xué)習(xí)	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_2_邏輯回歸原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_3_SVM算法原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_4_決策樹算法原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_5_KNN算法原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_6_神經(jīng)網(wǎng)絡(luò)算法了解
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_7_K-means算法原理和算法總結(jié)
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_1_數(shù)據(jù)集生成原理
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_2_數(shù)據(jù)集可視化
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_3_邏輯回歸算法的python實現(xiàn)
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_4_DT_KNN_NB算法的python實現(xiàn)
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_5_SVM算法的python實現(xiàn)
	6.量化投資與機(jī)器學(xué)習(xí)_3_機(jī)器學(xué)習(xí)算法實戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢預(yù)測

　　1.1.5. 第五部分：面向?qū)ο蠛蛯嵄P交易

1.模塊內(nèi)容整體介紹

2.面向?qū)ο?、類、實例、屬性和方?/p>

3.創(chuàng)建類、實例、方法

4._init_初始化方法

5.面向?qū)ο蟪绦驅(qū)嵗?/p>

6.繼承的概念及代碼實現(xiàn)

7.面向?qū)ο罄^承的實戰(zhàn)案例

8.多繼承和量化交易平臺的面向?qū)ο箝_發(fā)思路

9.用面向?qū)ο蠓椒▽崿F(xiàn)股債平衡策略

　　1.1.6. 第六部分 實盤模擬交易

基于優(yōu)礦平臺的面向?qū)ο蟛呗?/p>	1.優(yōu)礦平臺介紹
	2.優(yōu)礦平臺回測框架介紹
	3.優(yōu)礦框架之context對象、account和position對象
	4.優(yōu)礦其它重要操作
	5.優(yōu)礦之小市值因子策略
	6.優(yōu)礦之雙均線策略
	7.優(yōu)礦之均值回歸策略
	8.優(yōu)礦之單因子策略模板
	9.優(yōu)礦之多因子策略模板
	10.優(yōu)礦之因子數(shù)據(jù)處理：去極值和標(biāo)準(zhǔn)化
面向?qū)ο髮嵄P交易之Oanda	1.Oanda平臺介紹和賬戶配置
	2.Oanda賬戶密碼配置和交易框架原理
	3.Oanda鏈接賬戶并查看信息
	4.Oanda API獲取歷史數(shù)據(jù)
	5.Oanda市價單和交易狀態(tài)查詢
	6.Oanda高級交易訂單
	7. Oanda其它高級功能
	8. Oanda實戰(zhàn)ADX策略全講解：策略邏輯、數(shù)據(jù)讀取、歷史數(shù)據(jù)處理、可視化、實時數(shù)據(jù)和實時交易
	9. Oanda通過實時數(shù)據(jù)API調(diào)取實時數(shù)據(jù)、resample
面向?qū)ο髮嵄P交易之IB	1.IB實戰(zhàn)平臺介紹及API安裝調(diào)試
	2.IB實戰(zhàn)平臺請求和響應(yīng)遠(yuǎn)離、線程控制
	3.IB響應(yīng)函數(shù)wrapper講解
	4.IB請求函數(shù)及合約定義
	5.IB程序化下單、倉位及賬戶查詢
	6.IB三均線交易_金字塔倉位下單控制模型實盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應(yīng)函數(shù)、交易信號、策略展示等全講解。

　　1.1.7. 第七部分：基于優(yōu)礦的進(jìn)階學(xué)習(xí)

1.1回測與策略框架

1.2評價指標(biāo)

1.3.1量化策略設(shè)計流程簡介

1.3.2擇時策略舉例（雙均線）

1.3.3量化投資模板1.0選股和擇時

2.1基于技術(shù)分析的量化投資

2.2.1技術(shù)指標(biāo)簡介

2.2.2 MACD擇時策略

2.2.3 WVAD擇時策略

2.2.4 RSI擇時策略

2.2.5 MFI擇時策略

2.2.6 CCI擇時策略

2.2.7技術(shù)指標(biāo)總結(jié)

2.3通道技術(shù)

3.1.1日期效應(yīng)

3.1.2動量效應(yīng)

3.2.1格雷厄姆成長投資

3.2.2積極投資策略

3.2.3價值投資策略

3.2.4小型價值股投資策略

3.3.1交易系統(tǒng)設(shè)計的一般原理

3.3.2均線排列系統(tǒng)

3.3.3金肯納特交易系統(tǒng)

3.3.4海龜交易法系統(tǒng)

金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)構(gòu) AQF是什么意思

熱線電話：400-700-9596

AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號：量化金融分析師

　　>>>返回首頁