高頻交易(HFT)，顧名思義就是一種每次交易的時(shí)間間隔都極為精短，一般為幾分鐘甚至幾微秒。較早出現(xiàn)于上世紀(jì)90年代末，目前已經(jīng)發(fā)展成外匯交易市場(chǎng)的主要力量。但近年來(lái)高頻交易頗受爭(zhēng)議，銀行、交易商以及一些專家開始指責(zé)高頻交易的弊端，而另一些支持人士則大力支持高頻交易的發(fā)展，那么高頻交易為什么在外匯交易中如此的充滿爭(zhēng)議呢?
高頻交易的好處
先來(lái)說(shuō)說(shuō)高頻交易在外匯交易中各種好處，首先，高頻交易運(yùn)用復(fù)雜的算法交易，同時(shí)依靠超高速的程序交易軟件和相關(guān)硬件設(shè)施來(lái)達(dá)到在短暫的市場(chǎng)波動(dòng)中獲利的效果。這種交易模式對(duì)于交易者來(lái)說(shuō)優(yōu)勢(shì)巨大，因?yàn)樵诙潭痰膸酌氲綆孜⒚钪锌梢造`敏地捕捉到外匯市場(chǎng)的波動(dòng)從而達(dá)到比較穩(wěn)定的收益，理論上一天之內(nèi)可以進(jìn)行百萬(wàn)次的高頻交易，那么獲得的收益將是永無(wú)止境的。
其次，高頻交易處理信息的速度接近光速，目前紐約到倫敦光速65毫秒，納斯達(dá)克最快交易速度介于0.001毫秒到1毫秒之中，而人類的最快反應(yīng)速度也就1000毫秒，即1秒。因此，如此高效快捷的處理速度極大地為外匯交易市場(chǎng)注入充足的流動(dòng)性，降低買賣差價(jià)，從而進(jìn)一步降低點(diǎn)差成本，進(jìn)一步提升市場(chǎng)效率。
高頻交易的壞處
一般來(lái)說(shuō)，高頻交易需要通過(guò)程序交易，并且為了達(dá)到競(jìng)爭(zhēng)力需要更為專業(yè)的硬件設(shè)施，可以說(shuō)，高頻交易到最后拼的都是“誰(shuí)的網(wǎng)速快誰(shuí)厲害”，而這卻給外匯市場(chǎng)中的普通投資者帶來(lái)了不公平的競(jìng)爭(zhēng)環(huán)境。因?yàn)槠胀ㄍ顿Y者并不具備專業(yè)的硬件設(shè)施和繁雜的算法交易，高頻交易就是利用普通投資者交易速度慢的弱點(diǎn)，一天之內(nèi)高達(dá)百萬(wàn)次的交易是普通投資者怎么都無(wú)法企及的，擾亂了整個(gè)外匯交易市場(chǎng)，普通投資者很容易蒙受損失，特別是短線投資者。
除了速度上的影響外，高頻交易技術(shù)的不穩(wěn)定極大地加劇了外匯市場(chǎng)的波動(dòng)性，由于高頻交易需要精確的程序化算法交易，如果交易編碼中出現(xiàn)一個(gè)小小失誤，那么其帶來(lái)的結(jié)果將會(huì)是損失全部資金，同時(shí)大量的高頻交易可能會(huì)造成交易系統(tǒng)負(fù)擔(dān)，造成市場(chǎng)局部迅速崩盤。有數(shù)據(jù)表明，2006-2011年發(fā)生的超快速崩潰將近1.852萬(wàn)次，平均每天10次。
高頻交易的帶來(lái)的負(fù)面影響還不止于此，其真正受爭(zhēng)議的地方在于其監(jiān)管空白。高頻交易很容易被別有用心的人來(lái)操縱價(jià)格，往往會(huì)拋出不會(huì)執(zhí)行的訂單，造成需求的假象，引誘投資者或相關(guān)機(jī)構(gòu)下單，缺乏公平性和透明性。不僅對(duì)普通投資者還是交易商又或是大型銀行，高頻交易既排斥了普通投資者的參與，又不斷損害者各大機(jī)構(gòu)的利益，似乎是一只人人喊打的過(guò)街老鼠。
高頻交易將何去何從
如今，高頻交易已經(jīng)成為市場(chǎng)上無(wú)法忽視的力量，在為市場(chǎng)創(chuàng)造巨額交易量的同時(shí)卻一直游離于監(jiān)管之外。2014年，美國(guó)證券交易委員會(huì)(SEC)、聯(lián)邦調(diào)查局(FBI)、商品期貨和交易委員會(huì)(CFTC)和美國(guó)司法部(DOJ)紛紛開始著手調(diào)查高頻交易領(lǐng)域的內(nèi)幕交易行為。今年7月，對(duì)沖基金文藝復(fù)興科技(Renaissance Technologies)利用復(fù)雜的計(jì)算機(jī)算法，配合大量服務(wù)器以及原子鐘，能夠?qū)崿F(xiàn)在數(shù)十億分之一秒內(nèi)同步執(zhí)行交易指令，旨在消除高頻交易。
而今年瑞信策略師Ana Avramovic使用了瑞信獨(dú)有的ExPRT 交易數(shù)據(jù)。在10-12%的美股交易量數(shù)據(jù)支持下，得到了純非高頻交易者(包括買方、買方、零售和機(jī)構(gòu)交易者)執(zhí)行每筆交易所需時(shí)間的大數(shù)據(jù)。通過(guò)數(shù)據(jù)Avramovic認(rèn)為，市場(chǎng)的所有參與者不可能全部得到平等對(duì)待。對(duì)于那些風(fēng)險(xiǎn)偏好較低，并且對(duì)交易成交時(shí)間十分重視的投資者來(lái)說(shuō)，如果他不愿意承擔(dān)持倉(cāng)的風(fēng)險(xiǎn)，那他必須在其他方面做出一些讓步。
由此可見(jiàn)，支持與不支持高頻交易的各方都有各自合理的道理和數(shù)據(jù)，爭(zhēng)議或許還將繼續(xù)爭(zhēng)論下去。
AQF：量化金融分析師（簡(jiǎn)稱AQF ，Analyst of Quantitative Finance）由量化金融標(biāo)準(zhǔn)委員會(huì)（Standard Committee of Quantitative Finance，SCQF）主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。>>>點(diǎn)擊咨詢AQF含金量
AQF量化金融分析師實(shí)訓(xùn)項(xiàng)目學(xué)習(xí)大綱 >>>點(diǎn)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(shí)現(xiàn)和回測(cè) |
|
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(shí) |
|
3.動(dòng)量及反轉(zhuǎn)策略 |
|
4.基金結(jié)構(gòu)套利 |
|
5.行業(yè)輪動(dòng)與相對(duì)價(jià)值 |
|
6.市場(chǎng)中性和多因子 |
|
7.事件驅(qū)動(dòng) |
|
8.CTA_1（TD模型） |
|
9.統(tǒng)計(jì)套利_低風(fēng)險(xiǎn)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(diǎn) |
1.1.3. 第三部分：Python編程知識(shí)
|
Python語(yǔ)言環(huán)境搭建 |
1.Python語(yǔ)言環(huán)境搭建 |
|
Python編程基礎(chǔ) |
1.python數(shù)字運(yùn)算和Jupyter notebook介紹 |
|
2.字符串 |
|
|
3.Python運(yùn)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(shí)戰(zhàn) |
1.數(shù)據(jù)獲取_1.本地?cái)?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(chǔ) |
|
|
2.金融數(shù)據(jù)處理_1.同時(shí)獲取多只股票 |
|
|
2.金融數(shù)據(jù)處理_2.金融計(jì)算 |
|
|
2.金融數(shù)據(jù)處理_3.檢驗(yàn)分布和相關(guān)性 |
|
|
3.金融時(shí)間序列分析_1.Python下的時(shí)間處理 |
|
|
3.金融時(shí)間序列分析_2.Pandas時(shí)間格式 |
|
|
3.金融時(shí)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(shí)戰(zhàn)案例_案例1 |
|
|
4.金融數(shù)據(jù)處理分析實(shí)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(shí)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(dòng)量Momentum |
|
|
1.三大經(jīng)典策略_3.均值回歸 |
|
|
配對(duì)交易策略 |
2.配對(duì)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(shí)現(xiàn) |
|
|
3.量化投資與技術(shù)分析_3.布林帶策略的Python實(shí)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(shí)別和移動(dòng)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(shì)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(shí)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(shí)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(shí)現(xiàn)_3_邏輯回歸算法的python實(shí)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(shí)現(xiàn)_4_DT_KNN_NB算法的python實(shí)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(shí)現(xiàn)_5_SVM算法的python實(shí)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(shí)戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢(shì)預(yù)測(cè) |
1.1.5. 第五部分：面向?qū)ο蠛蛯?shí)盤交易
|
1.模塊內(nèi)容整體介紹 |
|
2.面向?qū)ο蟆㈩?、?shí)例、屬性和方法 |
|
3.創(chuàng)建類、實(shí)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(shí)現(xiàn) |
|
7.面向?qū)ο罄^承的實(shí)戰(zhàn)案例 |
|
8.多繼承和量化交易平臺(tái)的面向?qū)ο箝_發(fā)思路 |
|
9.用面向?qū)ο蠓椒▽?shí)現(xiàn)股債平衡策略 |
1.1.6. 第六部分 實(shí)盤模擬交易
|
基于優(yōu)礦平臺(tái)的面向?qū)ο蟛呗?/p> |
1.優(yōu)礦平臺(tái)介紹 |
|
2.優(yōu)礦平臺(tái)回測(cè)框架介紹 |
|
|
3.優(yōu)礦框架之context對(duì)象、account和position對(duì)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?shí)盤交易之Oanda |
1.Oanda平臺(tái)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(jià)單和交易狀態(tài)查詢 |
|
|
6.Oanda高級(jí)交易訂單 |
|
|
7. Oanda其它高級(jí)功能 |
|
|
8. Oanda實(shí)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(shí)時(shí)數(shù)據(jù)和實(shí)時(shí)交易 |
|
|
9. Oanda通過(guò)實(shí)時(shí)數(shù)據(jù)API調(diào)取實(shí)時(shí)數(shù)據(jù)、resample |
|
|
面向?qū)ο髮?shí)盤交易之IB |
1.IB實(shí)戰(zhàn)平臺(tái)介紹及API安裝調(diào)試 |
|
2.IB實(shí)戰(zhàn)平臺(tái)請(qǐng)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(qǐng)求函數(shù)及合約定義 |
|
|
5.IB程序化下單、倉(cāng)位及賬戶查詢 |
|
|
6.IB三均線交易_金字塔倉(cāng)位下單控制模型實(shí)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(hào)、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(cè)與策略框架 |
|
1.2評(píng)價(jià)指標(biāo) |
|
1.3.1量化策略設(shè)計(jì)流程簡(jiǎn)介 |
|
1.3.2擇時(shí)策略舉例（雙均線） |
|
1.3.3量化投資模板1.0選股和擇時(shí) |
|
2.1基于技術(shù)分析的量化投資 |
|
2.2.1技術(shù)指標(biāo)簡(jiǎn)介 |
|
2.2.2 MACD擇時(shí)策略 |
|
2.2.3 WVAD擇時(shí)策略 |
|
2.2.4 RSI擇時(shí)策略 |
|
2.2.5 MFI擇時(shí)策略 |
|
2.2.6 CCI擇時(shí)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(dòng)量效應(yīng) |
|
3.2.1格雷厄姆成長(zhǎng)投資 |
|
3.2.2積極投資策略 |
|
3.2.3價(jià)值投資策略 |
|
3.2.4小型價(jià)值股投資策略 |
|
3.3.1交易系統(tǒng)設(shè)計(jì)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) |
.png)
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(hào)：量化金融分析師
