者因为取样非随机而出现偏差。
在此基础上取得的相关性规律,一旦离开样本范围就可能失效,从而失去参考性。
策略共振
许多量化策略,和技术分析策略相似,一旦某个策略被证明有效,随着使用者增加,策略共振之下,它的有效性就减弱。
错误归因
在应用比较广泛的的多因子量化策略中,是从数据的结果来反推原因,只要构建足够多的因子,就很可能实现某个特定的已知结果。
然而,当基于这个多因子组合构建的量化策略,用于实际交易的时候,可能会因为错误归因的原因而失效。因为从结果来倒退原因,无法准确区别哪些是偶然因素,哪些是决定性的因果因素。
黑箱
各种量化策略,包括高频、对冲或套利等,往往都没有内在因果关系,其策略的有效性大多建立在历史数据的强相关性上。策略的逻辑在于,根据历史数据,如果55%或更大概率是有效的,那么只要重复数据足够多,胜算就会积累。
04、量化交易是怎么工作的?
收集数据
收集股票、币种、债券、期货等金融产品的历史数据,比如价格、成交量、公司财务报表等。
开发模型
根据数据发现规律,比如“某币在下午3点后经常涨、交易订单、挂单量、资金费率等等”。将这些规律转化成数学模型,比如某种公式或规则。
回测策略
用历史数据测试这些规则是否有效,看看按照这种方法过去能不能赚到钱。
执行交易
使用计算机程序来自动化执行交易,比如发现规则成立时自动下单。
05、构建策略有两种思路
一种是数据挖掘,在一堆数据中通过统计、归纳发现稳定的结构,常用的技术分析便是此类。由于价格数据是随机变动的,不太可能有持续稳定的结构,需要不断的迭代优化,但未来新产生的数据少,很难在少量数据里发现新的稳定结构,所以,当历史数据的统计规律一旦失效,策略也基本就丧失价值了。
这种策略的开发路径是先有数据,再挖掘规律,再不断的优化迭代。
第二种是逻辑论证,通过数学推导得出一个结论,例如平价套利理论,通过计算会得出一个套利边界,只要价格超过边界,就存在套利机会,无论价格是怎么变动的,只要超过套利边界,就有套利机会。
这种策略的开发路径是先逻辑推导出规律,再对基础条件选代,例如利率的变动、储藏成本的变动,会得出不同的计算结果,用新的计算结果等待价格触发的交易机会。
明天我会发布一期视频,看看华尔街顶级交易员是如何利用量化套利上百亿的!

@web2star 👈金融/投资/币圈