读书笔记_打开量化投资的黑箱02

本文主要是介绍读书笔记_打开量化投资的黑箱02，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

第二部分　打开黑箱
第3章　阿尔法模型：宽客如何赚钱　/22
阿尔法定义：在交易中关于买卖时机把握和持有头寸选择的技巧。##什么时间买卖什么##
阿尔法模型局限性，在一定范围内可以对未来的情形有着精确的预测效果。

阿尔法模型的类别：理论驱动和数据驱动
理论驱动型的。他过观察市场行为，寻找可能用来解释这些行为的普适性理论，再依据市场数据来检验该理论是否可以有效解释市场行为。在量化交易中，这些理论中的绝大部分都是通俗易懂的
少数派地位的第二类科学家认为，通过对现实情况的经验观察和分析并进行总结，可以取代理论的地位。简言之，这类科家认为，通过合理使用正确的技术性手段，人们可以识别出隐藏在数据中的模式或规律。
但是，经验型科学家宁愿花费很大精力去发掘隐藏在数据中的繁芜丛杂的各种关系模式，也不愿总结一套理论去对数据进行统一的解释。
##个人认为，不是所有疑问都会有合理解释，合理的可能只成立于局部，即使总结出了规律也可能只是局部的真理，全局的谬论##

理论驱动模型
对于市场为何以现存方式运行，他们给出符合经济学理论的解释，并检验该理论是否可用于预测未来的市场行为。很多宽客认为其理论具有一定的独特性，这也是他们对自己的策略保密的一个重要原因。事实证明，这通常都是错觉。
绝大多数理论驱动型交易策略可以较为容易地划分为六类：趋势型（trend）、回复型（reversion）、技术情绪型（technicalsentiment）、价值型/收益型（value/yield）、成长型（growth）和品质型（quality）。
趋势跟随策略是基于以下基本假定：在一定时间内市场通常是朝着同一方向变化。据此对市场趋势做出判断就可以作为制定交易策略的依据。趋势法存在的经济学基本原理是市场均衡理论。
还存在另一种对趋势的解释，被亲切地称为博傻理论（greater fools theory）。博傻理论认为，人们因为相信趋势才会去追涨杀跌，这种行为反过来又促进了趋势的形成。
##我大A股感觉像博傻，小盘一飞冲天，大盘稳如磐石##
典型的趋势跟随者都试图寻找某种金融产品的价格在预期方向上的“显著”变化。他们认为，这种显著变化一旦出现便会持续一段时间。
##动量会持续一段时间，就是趋势性的隐含假设，假设的和市场一致了，就会挣钱##
趋势跟随策略的最典型例子出现在期货交易行业，称为期货管理者或者商品交易顾问（CTA）。
##CTA就是越波动越挣钱，dual Thrust，阿菲里四价，空中花园都是突破性策略，R-break就可以从均值回归中获取收益，突破形态下也能博得收益，赞一个##
简言之，趋势跟随策略的收益极其不稳定。这个问题并非只在趋势跟随策略中存在。事实上，本章所介绍的主流阿尔法模型，都可能存在长期低回报的现象。因为交易策略试图寻找的市场机会并不是总存在的，而是具有不稳定性和偶发性。
由于均值回复交易者都是在逆势交易，他们都给市场带来了流动性。
有趣的是，趋势跟随策略和均值回复策略并不一定是相互冲突的。趋势通常是长期的，而短期内围绕着趋势的小范围波动也是很常见的。事实上，一些宽客会组合使用这两种策略。
基于均值回复概念的最为著名的策略恐怕要算统计套利策略了。统计套利策略认为，价格出现背离的类似股票的价差终究会缩小到合理区间范围。
量化交易中很大一部分交易都是基于趋势跟随策略和均值回复策略展开的。毕竟，价格数据是源源不断并且不断变化的，带给宽客很多交易机会。趋势跟随和均值回复策略在理论上是相反的，但在现实中均能奏效，这是很有趣的一个现象。这是如何发生的呢？很大程度上，这主要归因于不同的时间框架。显然，在完全相同的时间段内，这两个截然相反的策略不可能同时获利。
##长期用趋势，短期用回归？##

第一个例子是观察期权市场判断市场基本情绪。
另一种技术情绪型策略的做法是，把交易量、公开市场利率或其他相关指标等作为未来价格的风向标。

在其阿尔法模型中使用基本面数据的很多交易策略都可以被归为以下三类中的一种：价值型/收益型、成长型和品质型。

数据驱动模型
实业界很少有人使用这类策略；其中一个重要原因是这类策略都特别难以理解，并且所使用的数据工具也极其复杂。
与理论型策略相比，数据挖掘明显更具有技术挑战性，并且在实业界使用很少。这意味着市场上少有竞争者，这是大有裨益的其次，数据驱动型策略可以分辨出一些市场行为，无论该行为目前是否可以用理论加以解释，从而即使不理解某些市场行为的成因依然可以发现它们
##发现的是关联关系，而非因果关系，不可解释的也有可能凑巧导致的过拟合##
例如，在股票、期货或外汇市场，很多高频交易者喜欢使用纯粹经验主义的数据挖掘的方法去设计其短期交易策略。这类数据挖掘类策略在高频交易中的应用很成功。
## 还不晓得有这种操作##
数据挖掘型策略也有很多缺陷。首先，研究人员必须决定用什么数据去建模。如果他所使用的数据和想要预测的东西根本没有联系或者联系甚微，他可能得到看似显著实际很荒谬的结果。
另一个问题是，仅仅根据数据挖掘算法设计的阿尔法模型，会让人觉得有些靠不住。如果输入变量中噪声信息过大，包含着很多错误的信号，会误导数据分析人员，干扰其判断

策略的实施
一套实施策略值得深入探讨的有很多方面,包括预测目标、投资期限、投注结构、投资范围、模型设定和运行频率等。
模型可用于预测方向、幅度、运动的持续时间,进一步可以包括预测目标的概率或置信度。
很多模型只预测波动方向,期货市场上绝大部分趋势跟随策略便是如此。

高频交易策略(high-frequency strategy)是最快的,预测期限不超过当前交易日。第二类是短线交易策略(short-term strategy),倾向于持仓一天到两周。中线策略(medium-term strategy)预测的期限是几周到几个月。长线策略(long-term strategy)通常是持仓几个月或更长时

模型既可以预测金融产品自身的信息,也可以预测其相对于其他金融产品的信息。间。不同类别策略间的差异具有一定的随意性,但这种粗略划分有助于理解各种量化交易策略相互间的差别。比如：配对交易，不足：配对法当然也有不足之处。很少有资产可以精确地直接进行比较

投资范围：地理，资产种类，产品类别
在市场上,不同产品类别的参与者性质和流动性特征都各不相同,因此交易什么类型的产品也是宽客必须认真研究的内容

上文所描述的最简单分类,这里有两种预测目标(方向和振幅),四种投资期限(高频、短线、中线和长线)、两种投注结构(绝对型和相对型),四种资产类型(股票、债券、货币和商品),这样就可以得到64种不同的价型模型(2×4×2×4=64种组合)。这还不包括定义价值的方法,如何利用其他变量上定义价值以及寻找到价值的频率等方面。

混合型模型
混合预测的3种最常用量化方法分别是线性模型、非线性模型和机器学习模型。第4种重要流派认为,阿尔法模型根本不应该进行混合,而是应该基于每一种阿尔法模型构建一个投资组合,之后构建一系列的投资组合。
阿尔法模型进行组合的最好方法还是依赖于模型本身。一般来说,就像单个阿尔法模型的情形一样,对阿尔法模型进行混合的目的是找到模型的一个组合,使其对未来有最佳的预测效果。如果其他条件都相同,阿尔法模型的任意有效组合都会比单个阿尔法模型的效果要好。
线性模型是迄今为止最为常用的方法。线性模型是人们对于因果关系的常见认知途径的理性复制版。
非线性模型假设:用于预测目的的变量之间是不独立的或变量间的关系是随时间变化的。条件模型(conditional models)和旋转模型(rotation models)是两类主要的非线性模型。条件模型赋予某一阿尔法模型的权重,取决于该模型对其他模型的解释能力。
机器学习模型来决定各种阿尔法模型的最优权重。在决定最优参数时,与预测市场行为本身相比,机器学习方法在混合阿尔法模型中的使用更为常见,效果也更好。这些方法使用算法来计算出能对历史数据具有最强解释能力的最优混合

小结