分类
免费外汇模拟账户

今天学学外汇中的量化交易策略

今天学学外汇中的量化交易策略 我的最佳策略的实时表现(过去 9 个月的投资回报率为 175%)

从量化的角度做外汇交易

投行的代表有Morgan Stanly、高盛、BNP、法兴银行等等,自营交易商的代表是Citadel,KCG等等;Citadel城堡基金分成两个部门,一个是自营、做市部门Citadel Security,一个是资产管理部门 Citadel AssetManagement,这两个部门是完全不同的:外汇做市的部门是Citadel Security,Citadel Asset Management会采用一些宏观量化、CTA的策略来进行外汇交易。

IB自身是没有提供量化交易平台的,TWS(Trade Work Station)本身很强大,IB API也是通过TWS实现的,但是并没有自动化量化交易策略的支持。很多公司开发了特别的接口去支持IB的API接口,比如上述提到的Algo Trader,VN.PY等等。

第二家比较合适的公司是Oanda,从加拿大起家的公司后面把总部搬到了美国,他们在业内很特别,其实是一家外汇服务商,业务分为三条线,第一个部分是现汇兑换(Deliverable FX )业务,一个比银行的成本低的兑汇业务;第二个部分是为跨国企业提供外汇对冲的咨询服务,提供定价策略等等;最后一个部分才是OANDA的外汇交易部分,就是外汇杠杆保证金交易业务。

Oanda也是一个业内技术革新比较积极的公司,他们提供了自己的Web Rest API,基于HTTP协议的,几乎所有的支持HTTP发起的编程语言都支持他们的API,但是性能上有所牺牲。

我来分享一下我参与外汇的量化的过去经历,是时间比较久远、学生时代的故事,先说在IG,现在叫Digital 100,当年叫IG Index的做二元期权的经历。

大家应该都听说过二元期权是什么,也即是Binary Option,也叫作Digital Option,二元期权是一种盈利或全亏(asset or nothing)期权,交易者投入一定的金额博弈市场的价格,可以看多也可以看空,如果在约定期间后的市场价格符合交易者的判断,交易者可以得到70%-85%(取决于二元期权交易商或者期权合约内容)的收益;如果不符合交易者的判断,那么交易者将会亏损85%-100%。本质上是一个赔率1赔不到1的一个游戏,但是特点是时间非常短,可以赌一天、五个小时、甚至一个小时之后的情况。

为什么要用模特卡罗呢?这是因为未来的行情是很难预测的,我们只能根据概率、未来回报率和回报率波动来假设,模拟出不同的路径,然后把这些路径算上自己的路径概率和收益情况,再得到自己的预测价格,就算用计算机去跑这种数学预测方法也是非常慢的。IG只能用近似法去定价,这种方法是有很大缺陷的,我们交易者就可以建立一个叫做conditional volatility pricing module的模型。

第二个经历是我个人的经验,用EXCEL做自动化交易。对IB熟悉的话知道他们有两个API可以用来用EXCEL实现的量化交易,一个是EXCEL VBA,一个是EXCEL COM接口,通过EXCEL来实现自动下单、自动撤单这样比较简答的策略,这是我大学有基金工作经验的授课教授传授给我的。

回答:对于Dukascopy而言的话,我认为他们的level 2数据是没有意义的,因为这个数据是他们ECN平台上的数据,而真正有意义的数据掌握在Tier 今天学学外汇中的量化交易策略 1 Bank上,比如德银的外汇部门,Dukascopy的这个数据样本太少,并没有参考的价值。

回答:我可以讲几个策略的,比如有期权的波动率交易,期权离差交易,Low Latency交易,HTF Cross Market Arbitrage & Market making,这些Google上都可以搜到资料。这些东西可以直接说,因为这些策略背后的涉及的技术和东西非常的复杂,没办法用简单的MT4来做。社交交易的话,机构里面做量化交易员自己也有个小圈子,大家聊到过这个东西,比如把自己的策略卖出去到社交交易平台上,但是这种模式研究下来的效果是不可行的,效率很可能低于对冲基金自己的盈利率,所以是不可持续的。

Man Group主要是做CTA方面的策略的,AHL Alpha是Trend Following;AHL Currency多策略可能有Trend-Following,可能有Relative Stress,可能有Carry Trade;AHL Evolution除了Trend-Following之外,还有交易很多小国家的货币,AHL是这些交易的专家。

还有AHL TRAGET RISK,说是balanced Long Only,也就是个多头策略,用比较复杂的量化模型获得更好的风险收益比,但是市场的风险是没法控制的,这个Beta Risk是次贷危机后十年对冲基金跑不过ETF的主要原因,所以AHL推出了这样一个策略目标是跑赢大盘。

量化交易我学到的 21 个心得

我的最佳策略的实时表现(过去 9 个月的投资回报率为 175%)

战略性地选择您的市场

学习规则并接受它们

了解您的优先事项

量化交易有很多事情要做:策略开发、优化、回测、执行和风险管理。不要一开始就关注错误的事情——比如优化参数。相反,为方程式中的每个部分构建非常基本的 MVP 版本,并在生产过程中通过迭代进行优化。如果执行部分不能正常工作,再完美优化的策略将无济于事。

做好第一年会输的准备

不急于扩大资产,急于执行

不要使用价格止损

我发现有两种方法下可以使用价格止损:要么完全不使用,要么防止黑天鹅事件。使用时间止损和适当的头寸规模,而不是价格止损。

了解进入和退出策略

知道你交易中的那些重要数字

对于每个策略,您必须知道预期值、命中率、预期回撤、最长回撤、预期波动率、方差、夏普比率、回报标准差、回报偏度和风险价值。此外,应根据策略在回测期间的表现,有策略地选择适当的下注规模、破产风险、凯利分数和最佳投资回报比。

将风险管理放在首位

使用较少且有用的参数

我表现最好的策略只使用了 3 个参数。这些易于优化且易于测试稳健性。确切了解您的参数的作用以及使用它们的原因。我之前遇到很糟糕的事就是过度优化脚本生成不同参数组合,例如,多个移动平均线组合的慢/快周期。肯定会有一些在回测中看起来不错的东西,但同样的策略是否能在真实交易中发挥作用是需要质疑的。

创建一个好的回测并了解来龙去脉

您必须了解滑点、费用、执行事件顺序和不同订单类型的影响。我写了很多回测脚本,前几个非常复杂。我的最新版本运行了 12 行代码(主要是并行计算),这再次证明了简单的重要性。

找到一个好的优化和评估指标

知道在战略中寻找什么

专注于功能,而不是优化

深度学习被高估

机器学习很棒,深度学习也很棒(也就是神经网络)。优化 10,000 个参数可能只会导致过度拟合。如果没有像 Tensorflow 这样的强大的库,这个策略就不起作用,它可能无法在实际中运行(即使回测很棒)。简而言之,该策略应该需要已经通过线性回归之类的简单方法实现了盈利。

专注于更好的数据

不要只根据价格指标进行交易

双倍您的时间框架

选择更高的时间框架几乎总是会带来更好的结果。如果您优化了 15 分钟时间框架的策略,那么将持有时间增加到30 分钟可能就会产生更好的回报和更低的风险。

更高风险的市场,更小的头寸

在波动较大的市场交易,请注意风险并相应地调整头寸规模。在拥有 1/10 头寸的情况下,交易波动性为 10 倍的市场可能会更有利可图。投资回报曲线并不像我想象的那么线性,比如比特币。

熟悉您的交易环境

交易费用有很大的不同

根据策略(特别是对于更高频率的交易),费用占回报的 50% 以上。这意味着优化费用应该是最高优先级之一,无论这意味着使用更少的市场订单,或使用更低交易成本的经纪商。