《算法交易的主要类型与策略分析》由会员分享，可在线阅读，更多相关《算法交易的主要类型与策略分析（9页珍藏版）》请在装配图网上搜索。
1、算法交易的主要类型与策略分析历史上最早使用算法交易的例子可以追溯到 1949 年。 对冲基金之父阿尔弗雷德琼斯，利用空对多3 : 7的比例进 行配对交易，在1955年到1964年间，综合回报率高达 28% 到了上世纪 60 年代早期，投资者开始利用计算机通过分析 股票的周线和月线来预测价格运动方向。 配对交易逐渐成熟，发展成后来的算法交易。随后算法交易 策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非 常可观的盈利。原来在摩根士丹利从事配对交易的研究员， 后来逐渐成为如大卫肖、詹姆斯西蒙斯这类明星基金经理 手下的精英，算法交易的“黑盒子”便由此诞生。 随着计算机的广泛普及，华尔街各大交易平
2、台都开始执行算 法交易，对 IT 技术人员的需求不断攀升。各种数量化研究人 才进入到华尔街工作，改变了交易大厅传统的交易习惯，公 开喊价的交易员逐渐被算法交易员所取代，算法交易也从此 在华尔街开始蓬勃发展。现在，无论是股票、商品、期货以 及外汇市场，算法交易已成为市场中不可或缺的组成部分。 2009 年花旗集团的报告显示，超过 50%的股票交易都是通 过算法进行自动交易的。而其他银行的报告指出这一数字甚 至达到 75%。市场之所以青睐算法交易，其原因在于其能够 快速有效地降低交易成本，控制市场冲击成本和具有较高的 执行概率。除此之外，它还能提供隐藏交易意图等传统交易 方法不具有的交易方式。冲击
3、驱动型算法交易：降低对价格的影响冲击驱动型算法是 由简单的指令分割策略演化而来的。通过将大订单分拆成小 订单进行发送，试图降低交易对资产价格的影响，达到最小 化市场冲击成本的目的。基于平均价格的算法，代表了第一代冲击驱动型算法。这些 算法都是由带有预设目标的算法演化而来的，对价格或成交 量等条件无敏感性。它们通常按预定的步骤被执行，在给定 的时间内不管市场条件如何，只是单纯执行预先设置的指令 为了使交易算法更加灵活和适应市场环境，可以对这些静态 方法进行改进，或更多地采用动态算法。这就导致了算法逐 渐向机会导向算法倾斜。参与率算法（POV ）建立在真实市 场成交量上而不是依赖静态模型而形成交易
4、进度，随后逐渐 演化成为采用更隐藏的路径以达到零市场冲击的最小冲击 算法。时间加权平均价格（TWAP ）是一种基于时间变化的加权平 均价格，被称为 TWAP 算法，其仅以时间分割为基础，考虑 指令的设置或指令的执行，而不受市场价格或成交量等其他 方面因素的影响。用这种方法执行一系列指令，其平均执行 价格就是各执行时间点市场交易价格的加权平均。相对于TWAP策略而言，成交量加权平均价格（VWAP）交 易策略是指交易者利用市场成交量来试图实现使平均执行 价格等于VWAP基准价格的执行策略。它是最常用的交易策 略之一，具有简单易操作等特点，基本思想就是让算法的成 交量提交比例与市场成交量比例尽可能匹
5、配，在减少对市场 冲击的同时，获得市场成交加权的平均交易价格。因此， VWAP 策略一般不直接对交易的冲击成本建模，而是注重日 内成交量分布的预测。值得注意的是，如果订单量很大， VWAP 策略的冲击成本仍不可忽略。参与率算法是一种与市场成交量同步的算法，有时它们也被 称为目标成交量算法或跟随算法。与VWAP算法一样，参与 率算法的表现取决于它们所采用的追踪目标成交量的技术， 并且重点目标都是为了最小化市场冲击。在实践中，参与率 算法可能会考虑其他的因素，比如流动性等来帮助选择最优 的交易时机。一些参与率算法会包含成交量预测功能。一般来说，这些方 法是建立在对历史成交量分布、当前观测到的成交量
6、和数量 分析综合考虑基础之上的。另外，也有其他参与率算法允许 控制算法追踪目标参与率的进度，甚至可以显示算法能够提 前或之后目标参与率的程度。因此可以加快算法的执行度， 留下交易的余地，从而避免出现滞后。事实上，这成为目标 参与率的一个倾斜机制。对于那些允许对参与率做出更多动 态调整的算法来说，还需要附加变量来确定基准和确定参与 率如何根据基准或变量来变化的。由于参与率算法不会对价格产生依赖性，因此必须对其设定 严格的价格限制。参与率算法是追踪所有的成交量，但是， 一旦应用了限价指令，它必须忽略掉所有超出这个限制的交 易，否则每次当价格回落到限制之内时算法的表现就会差强 人意。成本驱动型算法交
7、易：降低总体交易成本成本驱动型算法的 主要目的是降低总体交易成本，除了佣金和价差之外，冲击 成本和时机风险等隐性成本都是成本的重要组成部分。虽然 将大订单进行分割并将其分散到相当长的一段时间内进行 交易可以最小化市场冲击，然而这样做会把订单暴露在更大 的时机风险下，对波动性大的资产尤其如此。因此，成本驱 动型算法也需要同时降低时机成本。过于主动的交易会导致相当大的市场冲击，而过于被动的交 易会引起时机风险。为了最小化总的交易成本，我们需要在 冲击成本和时机风险这两者之间寻找一个平衡点。为了找到 这样一个平衡点需要考虑到投资者的风险厌恶程度。早期的 成本驱动型算法是由冲击驱动算法吸收了时机风险等
8、要素 演化而来的，现在成本驱动型算法越来越多地使用复杂市场 模型，去预测潜在的交易成本和。决定指令的最优交易策略，主要的类型包括：执行落差算法 代表了纯粹的成本驱动型算法。它试图最小化平均交易价格 和反映投资者决定价格的分配基准之间的落差。适应性落差 算法是执行落差的一个机会导向型的版本，一般来说对价格更加敏感。执行落差指 投资者决定交易的价格与实际实现的平均执行价格之间的 差额。投资者决定的价格相当于算法的参考基准，一般用指 令到达交易商时的中间价格作为替代。而执行落差算法的目 的是实现一个能够最小化缺口的平均执行价格。实现这类算 法的关键就是在市场影响和时机风险这两者之间寻找一个 平衡点。
9、通常这意味着算法只能在不产生显著市场冲击的时 间范围内执行。由于实现这个目的的过程很复杂，于是许多情况下人们选择 利用更简单的算法去实现。这些算法中有一部分实际上是成 交量加权平均价格算法或参与率算法的增强版。它们使用成 本模型去决定最优交易周期，这个交易周期应该包含由模型 决定的结束时间或最优参与率。适应性落差是从执行缺口算法中演化而来的新算法。该算法 所具有的适应性特点主要体现在对市场价格的适应或反应。 价格适应性落差算法实际上是一种更加倾向于机会导向的 算法。一个主动实值(AIM )策略是指当价格有利时交易更加主动，而 当价格变得不利时交易变得被动。对于一个买入指令，有利 的价格条件等价
10、于市场价格下降到基准价格以下；而对于卖 出指令情况则是相反。因此只有当市场价格显著下降到基准 价格以下，主动实值策略的交易率才会上升。而被动实值策 略（PIM ）则是相反的，且当价格有利时它会变得更加被动， 而当价格不利时它会变得更加主动。因此，交易率只有当市 场价格显著地高于基准时，才会上升。收盘价格通常用作盯市，以便计算每日的资产净值和盈亏状 况。因此不少机构会把收市价作为一个参考基准。一般来说， 在收市前进行交易会增加交易成本，而且交易价格对于指令 会变得更加敏感。同时，流动性溢价在收市前也会更明显。 收盘算法（MOC ）的主要问题在于，其基准只有在市场收盘 价格确定下来后才能得知。所以
11、，该算法并不能把交易日内 的交易进行平均，然后把订单进行简单切割去匹配基准。若 执行交易的时间较早，收盘价的波动性会给交易者带来时机 风险；若交易时间较晚，则会对市场产生较大的冲击。 机会导向型算法交易：利用有利的市场条件机会导向型算法 是从一系列交易算法中演化而来的，其本质都是利用有利的 市场条件，包括价格、流动性或其他因素。其中盯住价格算 法是以成交量加权平均价格算法、参与率算法等策略为基础， 与它们所不同的是添加了对价格的敏感指标，并且能够基于 当前市场价格是否有利来修正算法的交易风格。因此许多看 重市场冲击成本的算法都会更多采用机会导向型策略。 对于每一类机会导向算法，价格都是一个重要
12、的变量。目标 基准提供了一个允许算法去判断市场条件是否有利的基准 线。由于具有动态性特征，机会导向型算法比其他类型的算 法能更精确地执行目标策略。盯住价格算法是把交易与市场价格联系在一起的方式，与参 与率算法根据市场成交量进行调整的方式类似，先定义一个 基准价格，然后用市场价格与其比较的结果调整成交量。如 果事先没有设定基准价格，那么通常就会使用指令下达时的 中间价格。所以，对于买入而言，低于基准价格即为有利的 买入价格；对于卖出而言，高于基准价格即为有利的卖出价 格。盯住价格算法包括一个基本的交易机制，同时附加价格调整 的功能。因此，它可以建立在静态成交量加权平均价格算法 或更动态的成交量百分比方法的基础上，实际的价格调整策 略可以直接追踪市场价格和其基准的差异，或者包含其他的 变量。
算法交易的主要类型与策略分析
