今天学学外汇中的量化交易策略，初学者的期权交易

註：與Matlab較為相似的平台，如「R」、「Python」也是一般常見的使用工具，各有其優缺點。

量化交易的发展之路

由于索普在赌场无往不胜，终于被列入“禁入者”黑名单。于是他转战华尔街新生的股票权证市场，将数学公式编成电脑程序来寻找市场定价失常。他用量化模型精确计算出权证的合理价格，一旦偏离就抢筹下单。1969年索普辞职下海，首创全球量化交易对冲基金。索普运作“Princeton-Newport Partners”和“ Ridgeline Partners”两只对冲基金近30年，基金年均收益稳定在19%至20%，无一年亏损。索普的对冲基金标志着资管行业向定量化和程序化转型升级。他总结并出版了《战胜市场》一书，但为了合伙人的利益，书中对量化模型和数学公式严格保密。退休后索普将基金权杖交给了22岁的华尔街奇才格里芬。

著名投资大师乔治·索罗斯（George Soros）盛赞索普“善于利用数学知识，抓住证券市场日常波动机会”。安联债券基金公司和太平洋投资管理公司（Pimco）董事总经理比尔·格罗斯（Bill Gross）大学期间利用车祸住院之机熟读索普的《战胜庄家》，完成了关于可转债和《战胜市场》的毕业论文。格罗斯带着200美元到赌城拉斯维加斯成功赢回10000美元，而后受雇于Pimco，现管理资金规模近万亿美元，成为全美公认的“债券天王”。

C优势与风险：詹姆斯·西蒙斯的故事

D发展趋势：具有广阔的成长空间

量化团队集约化。2017年8月有消息称，大小摩根和高盛筹划共建大数据公司，合力提供证券产品参考数据（Securities Product Reference Data）。

從《QUANTITATIVE TRADING》讀書心得學量化交易入門

展開

隨著網路資源搜索的盛行，我們不難在許多學術文章（SSRN）或是相關網頁論壇（Yahoo Finance, Elite Trader）裡，找尋到許多適合自己偏好取向的交易策略。因此我們關心的是如何分辨這些交易策略的好壞，以及避免在這過程中犯下一些常見的錯誤，例如存活偏誤（survivorship bias）、前視偏誤（look–ahead bias）、資料窺探偏誤（Data-snooping bias）以及對交易成本的考量等，以下一一為大家介紹。

計量交易的流程

關於回測的各種知識

第一個常用的回測平台是 Excel
資料的輸入、輸出都可在同一張表格上完成，交易人可以輕易地做比較與判讀，但 Excel 的缺點就是只適合用來處理較簡單的模型。

第二個常見的交易平台為 Matlab
Matlab 的優點如以下這張圖所示，它可以輕易的從外部的資料庫匯入資料，並有豐富的數學及統計工具幫助投資者建立較複雜的策略和處理大量資料，但 Matlab 的缺點是測試完策略後，至少到目前在一些的情形下，必須從另外的交易平台做下單。

註：與Matlab較為相似的平台，如「R」、「Python」也是一般常見的使用工具，各有其優缺點。

第三個是在國內較為常見的交易平台 Multicharts
除了適用多種標的資產的交易如股票、期貨、外匯等項目外，簡易的操作方式與其所具備的許多服務功能，像是圖表交易、下單匣、交易追蹤視窗、市場深度視窗、自動化進場/出場與商品代碼轉換等特色所著稱。

選定交易平台後，接著是尋找及使用歷史資料

交易人可以在網路上尋找到大量的免費資料來源，如 yahoo finance、CSI、Chicago Booth 的 CRSP、qanda.com 等，但在使用上述資料時，必須注意幾個要點，避免錯誤觸發交易信號。

以（IGE）ETF 做個例子，下表為 2005／6／7～10 的資料，在 8～9 間，該 ETF 做了一次 2 ：1 的股票分割，表格中可以發現兩天的收盤價差將近一倍，這時就需對分割前的收盤價做調整。也就是必須將收盤價除以二。

而下面表格則是 2005～07 年發放股利的狀況，必須針對每一次股利發放計算調整的乘數。乘數計算方式為 ( Prev. Close – Dividend ) / Prev. Close。

而如何公平比較不同的策略和不同交易人的結果，Sharpe Ratio 是一個公認較為適合的指標，Sharpe Ratio 衡量的是承擔每單位風險所得到的超額報酬。

我們使用交易完成之後的資訊會導致前視偏誤，比如以在「當日最低價的 1% 之內買入股票」的策略就有前視偏誤，因為在收盤之前是無法得知當日股票的最低價格，使用有落後期數的歷史數據可以避免這一偏誤的產生。我們能依下列方式檢驗是否存在前視偏誤：

第一步驟是使用標的物的所有歷史數據運行程式，將推薦買賣倉位存入一個文件 A。
第二步驟是移除最近 N 天(10 天或 100 天)的歷史數據後，再次運行程式，將推薦買賣的倉位存入另一個文件 B。
第三步驟是不考慮文件 A 的最後 N 行，比對文件 A 和文件 B 的買賣倉位是否相同？如果倉位不一致，則說明移除的 N 天數據參與了文件 A 的運算，故回測程式有前視偏誤的存在。

第一種最常見的方法是增加我們的樣本量。
第二種是樣本外回測，樣本外回測指的是將歷史數據分成兩部分，用第一部分來優化參數，我們稱為訓練集（training set），用第二部分來做樣本外測試，我們稱為測試集（test set）。

從測試集的損益圖可以看出策略的績效很好，這個配對交易策略在訓練集和測試集上的 Sharpe ratio 都很高，因此，可認為此策略不存在數據窺探偏誤。如果把進場門檻值改為 1 倍標準差，出場門檻值改為 0.5 倍標準差，即在組合價值向下跌破 1 倍標準差時，購買該價差組合，當組合價值上升超過 0.5 倍標準差時，做空該價差組合。在訓練集上的 Sharpe ratio 會上升至 2.9，測試集的 Sharpe ratio 會上升至 2.1。

第三種降低數據窺探偏誤的方法為敏感度分析。敏感度分析是指我們在模型參數優化、通過測試集的檢驗之後，透過改變這些參數，來觀察模型在訓練集和測試集上的績效變化。如果績效變化很大，或者說在參數取任何其它值時績效都不佳，模型很可能具有數據窺探偏誤。

一個簡單的交易策略：以 1995 年到 2006 年這段期間，我們以收盤價買入前一交易日日收益最差的股票，賣空前一交易日日收益最好的股票。若不考慮交易成本，策略的 Sharpe ratio 等於 0.2510，而考慮交易成本的 Sharpe ratio 等於 -3.1884。因此這個策略是無利可圖的。

例 2：對例 1 策略的微小改動

對策略進行如下改動：在市場開盤而非收盤時進行交易，不考慮交易成本的 Sharpe ratio 會增加到 4.43；而考慮交易成本的 Sharpe ratio 會變為 0.78，可以發現這個策略仍有利可圖。

這篇文章主要是以 Quantitative Trading 這本書前三章內容為主，再加上與時下較為常見的交易平台作介紹，希望能讓讀書能對計量交易有初步的了解與認知，後續章節的部份會再陸續與大家分享。