乾貨：高頻交易在怎麼掙錢？
2016年7月30日，交易門的主角，高頻交易員李奧應香港受交通大學香港校友總會之邀，做了一場題為《量化金融與高頻交易》的主題分享會。徵得李奧同意，交易門獨家首發這次分享會的內容。本講稿經過李奧修訂，謝謝李奧。
我講的內容會偏IT一點，因為一直都是在做IT。因為我沒有正規學過數學和統計，所以可能看起來不那麼正規，有一些小道消息和自己做交易以後的經驗。
我會講四個類型的交易策略，再大概講講數學和IT方面的東西。
Quantitative Trading，顧名思義可以分為兩個部分，一個是Quantitative，一個是Trading。
Quantitative跟傳統的手工交易相比，很多東西通過模型去量化，而不是靠直覺。Trading就是跟風險控制緊密關聯，不是手工交易，通過程序化來完成。
Quantitative Trading分很多類，講一周一個月都可以。Fundamental部分有一些Long/ Short Equity，有一些 Alpha Strategy。還有一類Pricing Quant，比如做Option Pricing，怎樣去定價。還有一個類型是純的Market Data的Quant。也就是說他只看Price和Volume，在Price和Volume上面做的技術分析，純的Market Data。
高頻交易基本上就用純的Market Data，因為它本身對數據要求高一點。Market Data是時刻在變的，但Fundamental啊，News啊，一般來說不會時時刻刻在變。
什麼是高頻交易？首先是自動化。高頻交易沒有可能用手去做，不在一個時間的水平上，要有很多計算能力，需要強大的計算機，然後是大量的下單，不會像人手一樣，可能每秒，每毫秒，都在交易。
當然這個單也包括很多撤單，大量的報撤單。有的策略撤單很多，可能報了100多萬單，只成交一萬多單。另外就是非常高的速度。還有定義說，需要複雜的演算法——我打個問號，因為有的演算法其實是比較簡單的，並不複雜，可能就是小學數學的水準。
在繼續談論之前，我先介紹幾個時間的概念。我們平時計時，小的單位可能都是以秒，甚至以分鐘記。在秒之下，還有毫秒：千分之一秒。人眨一下眼睛大概就是300毫秒的樣子。上海到深圳的數據傳輸，一個ping大概是30毫秒左右。再往下有微秒，千分之一毫秒，百萬分之一秒。在高頻交易裡面，做一個交易決定大概是10-20微秒，當然可以通過一些硬體的方式做到2個微秒左右。微秒下面還有一個納秒，千分之一微秒。這就太極速了。
比較下：
眨下眼睛，350毫秒；高頻交易做1000個Trade Decision，只用15個毫秒。
我們常說眨眼之間，眨眼之間高頻交易可以做超過一萬次交易決定。所以高頻交易的時間軸是不一樣的，對高頻交易來說，一秒鐘已經太久。
1、下面講講高頻交易的幾個主要策略類型。
做市策略
做市商策略主要目的在市場上提供流動性，去Bid/Ask掛單，讓Bid/Ask收窄，賺取中間的差價。聽起來很簡單，但是有很多模型啊，Risk Control啊，IT上面的軍備競賽啊。
就是說，這裡面的幾個大佬都做得比較好。
裡面有很多東西可以談，比如怎麼去控制你的持倉，你的風險。還要做很多 Prediction。怎樣去Ppredict Volatility和Price。這裡面IT問題非常重要，因為競爭非常激烈。怎麼提供更快的報價，怎樣更快的撤單，都是非常重要的問題。
IT的成本很高，因為大家都在競爭，大家都想更快，從Co- Location，到FPGA，現在微波都上了。競爭很激烈。正是因為門檻很高，所以剩下的幾家都做得不錯。
對於普通投資者來說，做市的存在，讓他買賣的差價更小，是有好處的。
這是去年8月12日我的一個策略在上證50股指期貨的表現。那天整個市場的交易量22.5萬手，我的策略佔到4.1%（9180手），P&L 也還行，Drawdown也比較小。Capital需求也很低，一整天只需要50萬本金，賺了21萬多，收益43.5%。
去年7月份，因為股災，中金所開始在股指期貨上對部分投資者進行限制。可以看到，7月份這幾天Bid/Ask Spread有拉大的跡象，到9月7日，中金所開始對投機戶進行限制，持倉保證金提高至40%，平倉手續費提高至萬分之二十三，單個品種單日開倉交易量不超過10手。市場的成交量降低到不足以前的1%。因為做市策略不好做了，10手做市策略根本沒法玩兒，有的被關掉了。大家可以看到Bid/Ask Spread的陡然變化。
所以做市策略可以增加市場流動性，讓Bid/Ask Spread收窄，買賣量大時不致於有很多滑點。
做市策略需要大概估計一下，什麼是更加合理的價格。股指期貨做市，有人會用一籃子股票去預測股指的合理價格。
統計套利
這裡面每個都是很大的Topic。我只是大概討論下。
統計套利涉及到概率、數據挖掘、建模，交易執行，怎樣做Data Cleaning。
數據挖掘非常重要，這個處理不好有時候是非常頭疼的事情。有一句很經典的話叫做：Garbage in，Garbage out。很多Quant很多時間都花在數據處理上。有時候會發現非常激動人心的結果，回頭髮現數據搞錯了。
一個最簡單的套利模型就是歷史價格的波動率，在兩邊加上一些執行區間。比如奶粉，花100塊錢從香港買，到內地120塊錢賣掉。中間你花了10塊錢路費，最後掙了10塊錢。這就是你的套利空間。
又比如黃金，國內外市場都有標準合約，理論上價值是一樣的，拿出來都是兩塊金條。但是價格會有波動，我們去算這個價差，如果發現它偏離歷史統計區間，譬如Brexit的時候，會發現中國的黃金便宜了，美國的黃金貴了。那我們可以去買入價格偏低的，賣出價格偏高的進行套利。當然，實際操作中，會有流動性等因素造成的影響，這需要一些經驗。
預測
通過過去的市場數據和當前市場環境的比較，預測未來的價格走勢：Price=a+b+c。這個「未來」可以是下一秒，下一分鐘，下一個交易日，下一周，下個月。如果你的模型預測很準的話那就超NB了，不管是下一秒、下一分鐘還是下一周。只要你的模型很有效，就很NB。這不是一個很容易的工作，需要基礎，經驗。這個我也還在學習，沒有太多經驗。
這個基本的過程是先把數據搞好，再搞清楚，到底是哪些因素在影響市場。
你可以很快開始，拿個均線搞一下，可能很快出結果，但你模型的穩定性到底能穩定多久，這都需要去不停的Tuning，不停循環。你去Training、Evaluate這個Model，然後去Optimize你的Factor。
當然現在有很多Factor，有些人的做法就是，扔進去500個Factor。他的模型可以告訴他哪些Factor有用，哪些Factor沒有用，也可以把很高Correlation的Factor自己去除掉。但這個東西，我還在學，我沒有太多經驗。我只是知道有這些做法。
一個Super Simple的——並不是說簡單就不管用，最簡單的一個預測模型，就是價格會回到均線。均線是什麼周期的，自己去琢磨。這個中間的複雜性，大部分來自Data。Model的話，R裡面有很多Package，可以幫你做到還不錯的自動化。很多Indicator可以自動，圖也很有幫助。
Data和Factor都需要不停琢磨。再去套這些Model。
Micro Structure
這個就偏高頻了，一般的Quant可能不會用到。比如股票交易裡面經常聽說支撐位、壓力位，就是簡單的Micro Structure。可能看到這個是支持位，有很多單，很多Bid在那裡。
看一下去年美國的證監會做了一個調查。
Spoofer，在市場里Bluffing的一些Player。本來市場很正常，買單都是10，20，突然有個Player進來說我要買1000。大家都以為有個很大的買單，都去搶著買。股票的走勢從微觀角度來講都是供需關係。買的人多了就會漲上去。有人放個100萬的單，開始往上漲。然後他就開始賣。這個就是Spoofing。美國證監會嚴格定義為操控市場的行為，是違法的。
貼兩個很有意思的鏈接：
How to Catch a Spoofer
http://www.bloomberg.com/graphics/2015-spoofing/
Iceberg Orders
http://www.marketdelta.com/blog/2011/10/footprint-chart/iceberg-orders/
數學，從我的經驗來講，小學數學和PhD數學都會用到。不要小看小學數學，也會栽很多坑的。高級一點的，像Pricing是很專業的。怎樣去Price一個Interest Rate的Option。
還有Predictive Modelling，這個很廣，可以講很久，很多公司都在用。很多Quant都會做的事情。
高頻的短板就是，容量很小。就好比你給他50萬，他賺20萬。你給他500萬，他可能還是賺20萬。
2、IT
IT。大家都知道「光大烏龍指」事件。另外，騎士資本曾經半小時虧了4.4億美金。程序員升級系統，可能8台生產機，有一台沒有升級，導致有一個錯誤的指令執行了，就不停地交易。關鍵是還交易了30分鐘。我不知道它怎麼做到30分鐘沒有發現的。
這兩個案例就是說，IT很重要，可以讓你虧很多錢（「光大烏龍指」是賺錢了，但被罰了很多錢）。
IT System主要分為上面四個部分。
Price Data相對簡單一點，更多的像Fundamental Data、Unstructured Data就比較複雜一點，需要很多的程序員碼代碼，怎樣去收集、格式化、統一化、Access。作為一個Quant，我就想拿某天的數據去畫個圖出來。我們現在基本上就是這個狀況，很容易就可以拿一堆數據做一堆事情，另一端的Quant就寫很少的代碼。因為我們把很多的數據結構、數據介面都統一化。不管是用C++、C#，還是從Scala，拿這個數據都是同樣的格式，這樣就會很方便。
當然你不能錯，你的容錯和你檢查錯誤的能力也要非常高。之前我們就出現過這樣的情況，回測非常好，天天都賺錢，結果發現數據錯了。非常愚蠢的錯誤。經常發生，相信以後也會發生。不過以後再看到很NB的回測結果，我們會更加懷疑。
這個Execution就是各種API，各種market access，各種風控。在高頻領域，速度是非常重要的。因為很多數據都是公開的，很多人都看得到。當很多人都看到一個機會的時候，只有最快的人可以拿到它。每個市場都有不同的API，也有統一的協議，比如Fix協議，但不一定是每個交易所都支持，但是Fix協議本身也比較慢。高頻的話一般都是C++、FPGA的下單模塊，我們一般都是C++、FPGA。我們現在有小部分策略是放在FPGA上面的，不通過OS。
Back Testing，有時候Quant想出來的東西，可能你的回測系統還不支持，你需要去改回測的框架。
Visualization很重要的。你不能說，給我生成一堆數，看不來的嘛。看到圖更加一目了然。我們花了很多力氣在Scala裡面畫圖，在R裡面畫圖。因為一堆圖和一堆數據解釋是不一樣的。
回測的速度也很重要。比如回測一個策略，一年的數據，你需要一個星期。誰去等一個星期看你的結果啊！一分鐘可能還能接受一點。策略裡面的參數存在一個迭代的過程，比如參數，我想從1試到100看看怎麼樣。你每個測試用5分鐘，優化的時候我可能有10萬個參數需要測試，那就不能等了。
這裡面我們也做了很多優化，比如怎樣去拿數據，怎樣去緩存，在中間提高它的性能。以前，我在上一家公司還做了一些雲計算的嘗試，把一些回測的Engine全部Distribute到很多伺服器上。這樣的話，一個Request過去，有很多機器同時在跑。你可以把它做到互相不影響。每個參數都是獨立的。都可以並行地去計算。
還有一個就是Monitoring。這裡面很多自動化在裡面。又有很多策略。需要人工盯著不太現實。
怎樣去Monitor風險，怎麼樣去Alert，這也是一個很重要的環節。像我們現在的策略都是自動化運行，所有策略的監控，每個策略的風險水平不能超過多少，超過會報警。特別是我們還交易夜盤，讓程序員經常熬夜的話，也不太現實。所以如果有Critical Error，就會直接打電話到手機上。現在我們就會輕鬆很多。
當你交易的品種很多的時候，基本上沒有可能都是人在那裡盯著，所以要做很多監控。
Tick to Oder，我不知道有多少人知道。簡單來講，就是從你看到數據到下單，這中間需要的時間。Tick就是你的市場數據。你看到市場上有個數據，做出某個決策，下單，中間過的時間。這個可能是過於技術的東西了，我就不展開講了。
3、推薦閱讀：
Flash Boys
Quantitative Trading: How to Build Your Own Algorithmic Trading Business
The Quants: How a New Breed of Math Whizzes Conquered Wall Street and Nearly Destroyed It
The Problem of HFT - Collected Writings on High Frequency Trading & Stock Market Structure Reform
Inside the Black Box: A Simple Guide to Quantitative and High Frequency Trading
Algorithmic Trading: Winning Strategies and Their Rationale
Quantitative Trading with R: Understanding Mathematical and Computational Tools from a Quants Perspective
https://www.quantstart.com/articles/beginners-guide-to-quantitative-trading
https://www.zhihu.com/publications/nacl/19550372
推薦閱讀：