1.0Fortune Insighthttps://prime.fortuneinsight.com/web錢琛https://prime.fortuneinsight.com/web/posts/author/chinshunrich600338<blockquote class="wp-embedded-content"><a href="https://prime.fortuneinsight.com/web/posts/522169">《策略思維》怎樣構思量化策略最穩定？</a></blockquote> <script type='text/javascript'> <!--//--><![CDATA[//><!-- !function(c,d){"use strict";var e=!1,n=!1;if(d.querySelector)if(c.addEventListener)e=!0;if(c.wp=c.wp||{},!c.wp.receiveEmbedMessage)if(c.wp.receiveEmbedMessage=function(e){var t=e.data;if(t)if(t.secret||t.message||t.value)if(!/[^a-zA-Z0-9]/.test(t.secret)){for(var r,a,i,s=d.querySelectorAll('iframe[data-secret="'+t.secret+'"]'),n=d.querySelectorAll('blockquote[data-secret="'+t.secret+'"]'),o=0;o<n.length;o++)n[o].style.display="none";for(o=0;o<s.length;o++)if(r=s[o],e.source===r.contentWindow){if(r.removeAttribute("style"),"height"===t.message){if(1e3<(i=parseInt(t.value,10)))i=1e3;else if(~~i<200)i=200;r.height=i}if("link"===t.message)if(a=d.createElement("a"),i=d.createElement("a"),a.href=r.getAttribute("src"),i.href=t.value,i.host===a.host)if(d.activeElement===r)c.top.location.href=t.value}}},e)c.addEventListener("message",c.wp.receiveEmbedMessage,!1),d.addEventListener("DOMContentLoaded",t,!1),c.addEventListener("load",t,!1);function t(){if(!n){n=!0;for(var e,t,r=-1!==navigator.appVersion.indexOf("MSIE 10"),a=!!navigator.userAgent.match(/Trident.*rv:11\./),i=d.querySelectorAll("iframe.wp-embedded-content"),s=0;s<i.length;s++){if(!(e=i[s]).getAttribute("data-secret"))t=Math.random().toString(36).substr(2,10),e.src+="#?secret="+t,e.setAttribute("data-secret",t);if(r||a)(t=e.cloneNode(!0)).removeAttribute("security"),e.parentNode.replaceChild(t,e)}}}}(window,document); //--><!]]> </script><iframe sandbox="allow-scripts" security="restricted" src="https://prime.fortuneinsight.com/web/posts/522169/embed" width="600" height="338" title="“《策略思維》怎樣構思量化策略最穩定？” — Fortune Insight" frameborder="0" marginwidth="0" marginheight="0" scrolling="no" class="wp-embedded-content"></iframe>https://prime.fortuneinsight.com/web/wp-content/uploads/2021/03/cpnl_201908-202102.jpg558308以往做了不少較quant的分析，這次想抽離一點，談談怎樣地quant最好。 認識不同對沖基金及自型交易的行家，就算只談量化策略，光譜也很闊。 從只使用簡單金融數據、到採用機器學習模型時間序列、再到應用另類數據，不同的量化交易員會有不同的return driver。 不過，在云云交易策略中，個人最prefer邏輯簡單的策略。策略越簡單，參數（parameter）越少，甚至沒有參數，令策略在歷史數據中出現數據挖掘的風險（data mining risk）減低，從而令策略可更易長期被應用，在未來的穩定性更高。這個道理，在以前的課堂上有提過，以下會舉出不同例子，刺激大家思考。 先由一個最淺、但非常可延伸的（scalable）的策略類別說起。這種策略就是日曆異常（calendar anomaly）。你可能會說，在很多高市場效率的工具上，交易機會不會多，但這可能只是在低頻數據（日/月數據）的現像。在較高頻的情況下，如採用資產的1 minute/5 minute bar timeframe進行觀察，你就會有新的發現。 例如在10年/20年數據中，平均而言，每交易日內的某幾小時的資產回報特別容易預測，每天只在那幾小時交易，風險調節回報已很可觀。更好的消息是，這種策略在學界很流行，Google Scholar有很多相關paper。 再者，聽起來很複雜的統計套戥策略，邏輯也可以很簡單。你當然可以採用複雜的金融指標為一籃子資產進行排序，但計算方法簡單的指標也可以很有用。以前試過用新書中提及的CLHL指標（資產每天的close-low，除以high-low）爲美股排序，作爲量化股價太高/低的指標。 CLHL比例越低，代表股價越被低估，相反CLHL比例越高，代表股價越被高估。以此將不同股票排序，long最被低估的約5%股票，適時以期指對沖，效果也不差。不回測，也不知道可以這樣簡化統計套戥。 最後一個相關的討論，是long only策略。在適當的注碼控制下，long一些高爆發力的資產，也能令整體倉位利潤提升。小弟早前已有小注long Bitcoin，邏輯是博此decentralised貨幣會被廣泛應用，小注暴露在此策略的升勢中。雖然這些都並非量化策略，但也算是邏輯簡單的trade。 緊記一點，邏輯越複雜的策略，數據挖掘風險越高，穩定性也會越低。同時，回測時要的computing power也高，你要花的時間也相對較多。希望各位讀完這篇專欄後，會找到發展策略的新方向。