量化交易的频谱分析与策略搭配规律

论坛 › 期权论坛 › 期权

 真格量化  2019-10-31 23:42  6357  0

量化交易频谱分析（Spectrum Analysis of Quantitative Trading），是指量化交易中的算法执行速度，限定了对信息获取的范围。投资者设计出来的算法，执行速度越快，对信息的要求越特殊。处理信息的要求的速度越快，对需要长时间处理的信息是不能看也不可能看。就像光谱一样，人的眼睛也是做信号处理，但是对红外线、紫外线都是看不到的。要看清楚红外线需要通过夜视镜，把人的眼睛的自然范围内获取不到的信号，通过机器获取到，转换到人眼处理范围之内。

量化交易频谱如下表所示：

交易的频谱也就是它的速度范围，一种分类方法是将其分为超高频、高频、次高频、次低频、低频、超低频、次长仓、长仓以及超长仓：

超高频主要看的信号就是价差，20毫秒能够看到价差已经很不容易，没有时间去看别的因素。这里的20毫秒不是指从交易所拿到信息，而是指拿到信号、看到交易机会、下单最后交易所告知成交回报，这样的一个来回是20毫秒。这个频率要求非常之高，许多国家的市场没有这类交易是因为没有这种技术环境，其硬件所能支持的传输交易指令的时间可能已经明显高于20毫秒。

高频的范围是20-100ms，这个时候不光要看价差还可以思考价格修正，也就是极短时间里的价格趋势变化是什么。对计算机来说，如果有80毫秒那么它可以想很多事情，投资者可以去让模型去识别价格修正信号，并按照一定的方法优化下单的方式。

次高频的范围是100-500ms，这个时候可以更多的时间来分析价格修正的微观因素。实际上，这个是中国市场目前普遍交易的频率，因为多个期货交易所行情切片的发布频率一般为500ms一次。

次低频的范围是1 s-10 m，这个时候可以做技术趋势分析、新闻验证（这是新闻验证第一次出现）。利用新闻量化来给策略添加更多的基本面因素，这一方法是从次低频开始的，因为在高频中，不是新闻处理不好而是算法太快没有时间去读取和分析新闻信息。

低频的范围是10 m–24h，这个24小时在期货中很重要，可以考虑日内交易。例如开盘一段时间进行交易，收盘时保持零持仓，这是一些日内策略的特点。

超低频的范围是24–48 h，一天到两天，在期货行业的隔夜仓。投资者多数认为没有进行恰当敞口对冲的隔夜仓风险是很大的。

次长仓的范围是48 h–1w，如果持仓一周的话，就有必要要进行行业趋势、产业动态的分析，而不光是一个价格趋势或公司基本面的分析。

长仓的范围是1 w–1 mo，在这个时间里需要更多地区考虑行业趋势以及各种宏观数据。

超长仓大于 1 mo，在期货行业里，一个月以上的话，在做策略时需要要加入移仓的操作，去处理将要进入交割月的合约。投资者需要研究宏观经济，利率、汇率走势以及政治因素等等不同信号。持仓超过一个月的，许多交易已经是套期保值。在传统的套期保值里还有来自现货市场的各种信号，不过根据信号的不同，评估算法和研究的重点是不一样的。

高频交易里，侧重的是优化算法，快速的反应完全靠算法本身的效率，在很有限的时间里来处理大量的不断推送而来的市场数据并进行模型运算。但是在次低频以下，就有更多的时间来用计算机分析技术图表，绘制价格走向图，判断曲线斜率，进行历史数据分析。而随着交易频率的降低，新闻量化的重要性不断提高，在低频策略中，模型有充裕的时间可以把各种能影响价格的新闻信号尽量收集分析。

不同的资产类别有其最佳的交易频率，下图详细罗列出了频率范围，分析了不同的市场是如何在从1秒到1年的频谱上进行分布。其中，横轴是产品的流动性，纵轴是交易频率。

对于不同交易频率的模型，交易者在长期的实践中发现了一些规律，例如：

规律1：算法容量随着速度的增加而减少。例如一个策略可投入的资金量，随着交易频率的提高一般是递减的，为了容纳更多的资金就需要更多的同频策略或迁移到更低的频率上。

规律2：模型的生命周期一般由更慢一级的变量来决定。

例如一个期货日内策略，可能受商品本身的季节性因素影响而在各个月份表现不同，比如农产品在播种期和生长期的价格变化就有各自的特点。

规律3：模型有效期内，各个频率的模型可以互不干扰。

虽然高频策略的有效性可能受到低频因素的影响，但在一定时间内，其表现又可以是独立的。

在策略有效期内，一个合约，在环境允许时可以同时采用不同频率的模型交易，不会自相产生冲突。比如投资者可以同时运作高频交易和低频交易数套模型，而这数套模型是互不干扰的。

规律4：低频模型的效率，可以通过高一级（或几级）模型的“策略组合”来提高。

例如低频算法的持仓，可以用超低频算法的持仓来修正价位；高频算法可以用超高频进行风险调整。然而，低频持仓，使用超高频修正一般就没有作用。投资者可以通过灵活调配不同频率的策略，达到策略之间仓位的风险对冲效果，使得不同频率、不同生命周期的策略互为补充，来改变整个投资组合的风险-收益属性。

利用各种量化策略研究工具，投资者可以自行去发掘更多的规律，来不断优化投资组合表现。

— — — — — — E N D — — — — — —

真格量化可访问：
https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887

往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法
如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统
Python调用C++
如何选择数据库代理
统计套利揭秘

[h1]一个Call搅动市场？让我们温习一下波动率策略[/h1][h1]如何用真格量化设计持仓排名跟踪策略[/h1][h1]还不理解真格量化API设计？我们不妨参考一下CTP平台[/h1][h1]理解同步、异步、阻塞与非阻塞[/h1][h1]隐波相关系数和偏度——高维风险的守望者[/h1]Delta中性还不够？——看看如何设计Gamma中性期权策略

[h1]Python的多线程和多进程——从一个爬虫任务谈起[/h1]线程与进程的区别
 皮尔逊相关系数与历史K线匹配

Python2和Python3的兼容写法
 Python代码优化技巧

理解Python的上下文管理器

如何写出更好的Python代码？这是Python软件基金会的建议
评估程序化模型时我们容易忽视的指标

看看如何定位Python程序性能瓶颈

什么是Python的GIL

投资研究中的大数据分析趋势及应用

理解CTP中的回调函数

如何围绕隐含波动率设计期权交易策略
看看如何用Python进行英文文本的情感分析
算法交易的分类

Python编码的最佳实践总结

什么是波动率锥？如何用波动率锥设计期权策略？
期权的波动率策略与时间价值收集策略对比

期权用于套期保值和无风险套利

隐含波动率对期权策略的影响

卖出期权交易的风险管理原则和技巧
期权交易中的“大头针”风险
期权做市商策略简介

精细化您的交易——交易成本评估与交易执行策略
海外市场交易执行策略的实践
设计期权套期保值方案时应注意的问题
美式期权、欧式期权比较分析——定价与风险管理
构建您的AI时代武器库——常用的机器学习相关Python库
期权波动率“微笑曲线”之谜
运算任务愈发繁重，如何加速Python程序运行？
证券市场微观结构理论模型是什么

是瞬间成交还是漫长等待？——如何衡量市场流动性
波动率指数及其衍生品介绍

Python的异常处理技巧

Python中的阻塞、异步与协程

"香草"之外的更多选择——几种常见的路径依赖奇异期权
什么是CTP？——了解上期所CTP快速交易系统
了解季节性——以谷物和油籽为例
是前因还是后果?——在真格量化中进行格兰杰因果检验

Python导入模块的技巧
Python程序员常犯的十个错误

搜索数据泄露天机？——舆情指数与期货行情关联性分析思路

机器学习常见算法分类汇总

如何使用Data Pipeline 自动化数据处理工作？
CTP API的委托介绍和在真格量化中的订单流控制
高频交易对市场的影响
期货行情及其组织形式——以上期所为例
理解并行与并发
郑商所和大商所套利指令及在真格量化的实现
机器学习用于金融市场预测面临的挑战
高频交易中风险控制的常用措施
查询结果偏离预期？来了解CTP的报单函数及委托状态查询
Python中的ftplib模块

理解真格量化的Python编程范式
需要处理大量市场数据？来了解一下MySQL、HBase、ES的特点和应用场景

NumPy中的ndarray与Pandas的Series和DataFrame之间的区别与转换
Python中的scikit-learn机器学习功能库
什么是程序设计中的高内聚、低耦合？
Python的内存管理与垃圾回收机制
云服务中的容器技术
什么是“面向对象”程序设计-以Python为例
波动率介绍及其在资产定价中的应用
发现策略中的孪生兄弟——期权交易中的等价或相似策略解析

如何利用期权改进指数投资表现——借鉴海外市场经验
如何用期权进行“哑铃型”资产配置——“90/10”策略介绍
国外著名商品指数编制方法比较
FPGA技术在金融行业的应用——以沪深行情加速为例
美国市场对部分高频交易行为的监管

报价驱动制度与指令驱动制度比较
理解动量投资策略和逆向投资策略——通过行为金融学视角

期权做市商面临的风险及其对做市业务的影响

商品期权在现货企业中的应用
期权进行套期保值的优势与策略分类

COT报告揭秘——如何解读CFTC的持仓报告
什么是“零拷贝”技术

跨市场套利——策略简介与风险因素
什么是期权市场的PCR指标？

回复

分享到 :

0 人收藏

6级职业

积分:870

帖子:180

精华:0

+ 关注私信

期权论坛

期权论坛

期权网络科技版权所有: 关于我们; 联系我们; 加入我们; 反馈问题; 免责声明; 积分充值

统一社会信用代码: 积分规则; 网站地图; 爱文库; 下属网站

官方: 新浪微博; 微信公众号
◆

下载: 表情包; App下载

期权论坛

期权论坛

QQ咨询|关于我们|Archiver|手机版|小黑屋|( 辽ICP备15012455号-4 ) Powered by 期权论坛 X3.2 © 2001-2016 期权工具网&期权论坛 Inc.