时间：2023-06-30 17:22:32
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇期货量化交易策略，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
【关键词】量化投资；阿尔法策略；期货策略；做市商策略
一、背景介绍
量化投资是金融领域相对前沿的一门学科，它强调将数学、物理、统计、计算机等数量的方法与投资结合赚取收益。在国外，量化投资已经有几十年的发展历史，但是在国内由于市场因素等方方面面的限制，该领域处于朝阳期，发展的机会巨大。目前狭义的量化投资包括追求股票中性收益的阿尔法对冲策略，追求高收益的期货策略（包括股指期货和商品期货策略），以及在国内市场尚未成型的做市场策略等。
二、量化投资理论阐述
（一）经典量化投资理论
阿尔法对冲策略的理论模型来自于CAPM模型以及APT模型，其基本思想就是选出具有正阿尔法收益的股票：将来自市场的贝塔风险对冲，最终获取阿尔法收益。具有阿尔法收益的股票在生活中随处可见，在大牛市中，如果前期涨的比较好的股票在之后也会有很好地表现，这样的股票具有动量因子；在超跌的行情中，前期跌的过于凶猛的股票在后期有比较好的表现，这样的股票具有反转因子；诺比尔经济学奖得主法玛和弗兰奇曾经发现小市值成长因子具有显著超额收益，并提出了著名的法玛弗兰奇三因子模型。阿尔法策略的核心一方面在于选取合适的数学模型，另一方面在于从投资的经验中寻找能够带来超额收益的因子。
阿尔法对冲策略在大牛市当中不及股票纯多头策略。以2015年上半年大牛市为例，阿尔法策略基本跑不赢指数；反之，一些比较抢眼的股票纯多头策略取得了100%以上的收益。但是在接下来的几次黑天鹅事件中，股票纯多头产品纷纷清盘，其中不乏一些大牛；但是比较稳定的阿尔法产品在市场大跌时净值依然在稳步上升。目前阿尔法对冲策略的压力来自于两方面，一方面由于投资者对市场的悲观情绪导致股指期货持续贴水，另一方面监管层对于股指期货的限制使得阿尔法策略开发者变得更加谨慎。但是鉴于其科学的方法和可靠的控制风险的能力，阿尔法策略的未来非常光明。目前国内阿尔法对冲策略的顶级私募包括尊嘉资产、宁聚资产、金锝资产等；公募阿尔法的权威包括富国量化基金经理李笑薇女士等。
期货多空策略主要包括股指期货与商品期货策略。期货的T+0的交易机制使得程序交易可以更为方便的进行。最基本的期货策略就是穿越均线策略，例如当期货上穿60分钟均线则认为其上升势头已经形成，进而做多；如果期货下穿60分钟均线，则认为其下降势头已经形成，平多头同时做空头。主观投资者的亏损很大一部分原因来自于交易缺乏纪律性，但是程序化期货成功的克服了交易者的这一行为金融学弊端。最直接的例子仍然是这次股灾，由于股市期货在股灾期间存在着明显的下行趋势，多数成熟的期货多空策略均发现这一下行趋势并多空。股灾期间股指期货多空策略赚得盆满钵满，但是某种程度上程序化交易也加重了市场的趋势效应。目前国内期货策略的顶级私募包括淘利资产、黑翼投资等。
做市场算法在国外是一个高速发展的领域，最为杰出的代表就是西蒙斯的文艺复兴基金。索罗斯、巴菲特为大家所熟知，但是西蒙斯这个名字就要低调得多。在过去十几年，文艺复兴基金获得了年化35%的收益。文艺复兴基金雇用了大量数学、物理、统计学博士，通过机器学习算法等，对市场上的微观交易行为进行细致的分析，以‘薅羊毛’的方式不断吸取收益。我们传统投资者很难捕捉交易当中微观交易结构，但是高频交易者可以从一系列的买卖竞价单中挖掘市场中的交易动态，发觉我们肉眼难以发现的蛛丝马迹。
（二）广义量化投资理论
更为广义的量化金融包括一切基于数量理论对金融市场的研究。万物皆数，学科相通，无数的智慧可以应用于金融市场。股市泡沫对于广大散户而言是一个虚无缥缈的事物，但是物理学中的模型却可以将股票泡沫以一个数量的形式呈现。LPPL模型，就是地球物理系中的对数周期性幂律模型，其创始人Sornette曾多次成功预言股灾的产生；刘淳等将贝叶斯方法应用于股市的变结构研究，并得出具有参考价值的理论：重大金融事件的发生往往会带来股市内在结构的变化；人类的智慧是相通的，现在化学、物理学、生物学、计算机科学、数学等学科的跨学科领域研究已经取得了重大进步，相信在将来金融学这一社会科学领域的学科将会越来越多的出现自然科学的身影。
目前国内金融市场正在逐渐走向大资管时代，越来越多的投资者会通过专业的投资者将资金投入市场。量化投资与传统主动投资乃是武侠中的“剑宗”与“气宗”，两者各有长短。在大资管时代两大流派将会各霸江山。巴菲特般股神将会不断创造着财富神话，西蒙斯般的科学达人们也会不断将人类的智慧充分的应用于金融市场；并且随着市场竞争的加剧，成熟的投资者将管控着更多的财富。未来如何风云剧变？我们拭目以待。
参考文献：
[1]EUGENE，F.“The Cross-Section of Expected Stock Returns.”The Journal of Finance，47.2 （1992）：427-465
[2] Sornette，Didier，Ryan Woodard，and Wei-Xing Zhou.“The 2006C2008 oil bubble：Evidence of speculation，and prediction.”PhysicaA：Statistical Mechanics and its Applications，388.8 （2009）：1571-1576
[3] 刘淳，刘庆，张晗.使用 Bayes 方法识别股市变结构模型[J].清华大学学报：自然科学版，2011，51（2）：245-249
摘 要 程序化交易是将交易策略量化，以编码的形式写入计算机，当市场中的价量关系触发交易策略进行开平仓的方法。程序化交易策略有证券和期货两个领域之分，相对于证券程序化在期货中有着更大的发展，既有传统的日内交易策略、大趋势交易策略、组合策略和套利策略又有国外先进的高频交易策略，但是这些都避免不了“黑盒”的局限性。
关键词 程序化交易 期货交易策略 局限性
一、程序化简介
程序化交易、量化投资伴随着中国金融创新的步伐，越来越走近普通投资者。程序化交易是指策略开发人员将交易策略量化后，以编码的形式写入计算机。当市场中的价量关系触发交易策略时，交易系统自行发出多空讯号，并且有效控制量价的变化关系。
程序化交易最大的优点是克服人性的弱点，在实盘交易中，人一些情绪化因素，例如贪婪、恐惧和焦虑等都会被无限放大，而这些因素都会或多或少地影响既定交易策略的执行，正如很多投资者深刻地体会，做交易与其说是和市场博弈，倒不如说和自己的心魔斗争。而计算机则是在严格执行交易策略，靠模型的概率赢得市场的超额收益。同时，程序化交易在抢单，多策略执行等方面的表现也远远超过了人类自身的限制。
二、程序化的策略类型
程序化策略现在主要应用在证券和期货两个领域。根据这两个领域交易规则的差异策略方法又不尽相同。我国的二级市场主要是T+1的交易规则，故程序化交易具有很大的局限性。机构投资者在二级市场上主要使用ETF套利、定价套利、指数套利等策略方法。
ETF套利主要根据一二级市场的价差进行买卖的套利行为，主要分为两种方法：“溢价套利”是先在二级市场买入一篮子股票组合，然后从一级市场申购ETF，同时当日将申购的ETF份额当日卖出；“折价套利”是在一级市场买入ETF份额，然后申请赎回后将股票组合在二级市场卖出而赚取差价。根据一二级市场的价格偏差套取利润。
定价套利和指数套利则是利用市场价格的非理性，依据定价模型提前研判后续股价的走势，从而做出的买卖动作。
而在期货市场上，T+0的交易规则赋予了程序化交易新的活力，其中量价策略和模式识别策略更是大行其道。不管是哪种方法，都是基于技术分析，根据市场本身的运行特征，形成固定的交易策略模式，当量价关系触发到相应指标时，会第一时间发出买卖信号。目前国内比较成功的交易策略主要分为4类：日内交易策略、大趋势交易策略、组合策略和套利策略。
日内交易策略，就是在交易日内进行开平仓操作的策略，不留仓过夜，只做日内波段。该策略大部分基于1分钟、5分钟和15分钟的k线开发的，依据市场上已经存在的量价间关系，形成突破买入，日内止盈止损的方法。
大趋势交易策略，主要基于技术面和量化基本面，通过技术面和基本面的谐振，进行大规模的买入卖出，抓住主要波段。该策略建仓规模较大，留仓过夜，直到基本面发生变化时才出场。
组合策略，将资金严格分配到各个品种上，同时操作，对多个相关品种进行买入卖出，依据资金管理的GARCH模型和多个品种的相关联动性，采取智能的交易方式。
套利策略可以分为很多小类，例如期限套利，跨期套利，跨市场套利等，该策略主要利用价差的均值回归特性，在不同的合约上进行买卖，从而稳定地获取利润。比如IF1310合约，现价是2437，而其标的沪深300则是2432，到达交割日的时候，期货价格将以现货的价格进行交割，简而言之就是他们的价格将回归一致。此时若做空IF1310合约，做多沪深300指数，则可以在交割日套取5*300=1500元的利润。
随着金融市场的发展，新的程序化策略也在逐步进入国内市场，高频交易就是最近炒得很热的一个话题，其利用复杂的计算机技术和系统，以毫秒级的速度执行交易并日内短暂持仓。
其主流的交易策略有做市商策略和订单流策略，做市商策略试图通过为市场提供流动性来获取利润，不进行方向性的下单，多数是双向下单，通过提供不同买卖报价的订单而获得薄利。而订单流策略，通过分析市场中即时的盘口数据，根据短时间内买卖订单流的不平衡进行超短交易的策略。
〔关键词〕量化投资；沪深300股指期货；分形协整
中图分类号：F83091文献标识码：A文章编号：10084096（2015）05008506
一、引言
奥斯本的随机漫步理论和法玛[1]的有效市场假说认为，技术分析是无效的，在证券交易中，一个根据证券历史价格构造的投资策略，不会比一个消极的买入并持有策略取得更好的收益。然而，技术分析的支持者却认为，按照证券的历史信息进行交易会比仅仅跟随市场交易取得更高的收益。近年来，国内外出现了很多支持技术分析有效性的实证研究，为技术分析提供了理论支持。随着计算机技术的迅猛发展，技术分析通过与之结合，其应用范围与功效都得到了前所未有的进步，算法交易与量化投资作为市场上的新兴产物，得到了很多投资者的青睐。
量化投资在国外的发展已经有三四十年的历史，投资业绩稳定，市场份额不断扩大，得到越来越多投资者的认可。然而，国内的量化投资领域还处于发展起步阶段，量化投资占金融投资的比重不超过5%。随着中国2010年沪深300股指期货的出台，量化投资在国内市场的发展潜力逐渐显现，各大券商和机构投资者纷纷对量化交易展开深度研究。
随着2010年4月中国沪深300股指期货的推出，国内金融衍生产品市场逐渐完善，沪深300股指期货的上市交易宣告了中国股市不能做空的单边市场的结束，也为投资者提供了套期保值规避风险的工具。同时，股指期货的上市，提高了对国内投资者的投资要求，机构投资者在交易中面临着更大的考验，因而新兴的算法交易和量化投资等投资策略在此时显现出更大的优势和更好的发展前景。
本文对沪深300股指期货的日开盘价和收盘价数据进行研究，发现了二者之间的分形协整关系，通过建模、预测，构建一个基于最高价和最低价之间关系的量化投资反转策略。在理论意义上，本文将分形协整的概念应用于对证券价格的预测中，将局限于整数维差分的误差修正模型拓展到基于分数维差分的分整误差修正模型，提高了预测精度，为日后金融或其他领域的非平稳时间序列的研究和时间序列之间长期趋同性的研究拓宽了思路。在实用价值上，本文提出的基于证券最高价和最低价预测的反转策略会为市场上的投资者提供一种新的参考方法和新的投资思路，有利于推行量化投资在股指期货市场的发展。
二、文献综述
国外的一些研究在几年前已经开始着眼于最高价和最低价之间的协整关系，Brandt 和 Diebold[2]认为最高价和最低价之间的差价是股价波动率的一个重要的指标，Brunetti 和 Lildholdt[3]将差价这一变量加入到一些随机波动模型中来获得有用的信息。Murphy[4]通过对投资者心理的研究分析得出了技术分析中压力线和支撑线的存在。Cheung等[5]认为差价的两个组成部分最高价和最低价也是值得深入研究的，他根据二者之间长期均衡的关系，提出了用向量误差修正模型VECM对其建模并预测。1980 年前后，陆续有学者将长记忆模型引入到经济和金融问题的研究中来，Stakenas[6]针对一些存在长记忆性的时间序列，提出了分形协整的概念。Johansen和Nielsen[7]提供了分整向量误差修正模型的条件最大似然估计方法，将传统的滞后算子L改进为分形滞后算子，估计出协整阶数d、b，调整参数矩阵α等参数。Caporin等[8]以美国道琼斯工业指数中的成分股价日数据为样本，运用分整向量误差修正模型估计了最高价和最低价并且证明了二者之间的分形协整关系，实现了分整向量误差修正模型在股票市场上的应用。Brock等[9]发现大多数的基于技术分析指标的交易策略与买入并持有策略相比，会得到更高的收益和更低的波动率，Gradojevic和Gentay[10]讨论了交易的不确定性，并用基于模糊交易的指标解决了这一问题。
近年来国内的一些研究将时间序列之间的协整关系转移到了分形协整关系。孙青华和张世英[11]在一般的协整关系研究中加入了分形理论，解释了时间序列的长记忆性和分形协整之间的关系，提出可以据此建立相应的长记忆性协整系统的误差修正模型。吴大勤[12]将一般时间序列的整数阶差分扩展到长记忆性序列中的分数维差分，以沪深股市为例，提出了长记忆性下的分形协整，进而将协整建模的技术同FIGARCH结合，得出了二阶基础上长期均衡的一些性质。赵进文和庞杰[13]通过实证分析证明了中国等发展中国家的股市大多存在明显的长记忆性，对中国内地A股和香港地区H股两个分隔市场分别建立能够反映其收益率波动的FIGARCH模型，证明了两个市场的联动性。曹广喜[14]以中国股市的长记忆性和分形特征为基础，分析宏观经济政策对股市波动性的影响。以往的技术分析多是利用证券的日收盘价数据进行的，而王锦[15]证明了一个结合了最高价、最低价的股票预测方法比单纯的以收盘价为基础的预测方法有意义，因为它们分别代表了市场的支撑位与阻挡位，要比其他交易价格包含了更多的关于市场反转点的信息，并且通过VAR 模型分析了 最高价、最低价、收盘价三者之间存在着明显的协整关系。技术分析中一个重要的方法就是基于压力线和支撑线的反转策略。陈卓思和宋逢明[16]得到股票价格的局部极值点，结合Murphy的研究说明了基于压力线和支撑线的反转交易策略是可行的。谢丁[17]对六类压力支撑类股票技术分析指标进行了实证研究，通过计算股价波动与压力支撑类指标各分析量之间的相关关系，验证股价波动与该类技术指标的相关性，从而实证了压力支撑类指标的有效性。
从以上文献中可以看出，国内对分形协整研究的应用局限于不同市场间的收益率波动，而很少有研究单种证券日最高价和最低价之间的分形协整关系，而且一个结合了最高价、最低价的预测方法比单纯依靠收盘价更为可靠，因而本文将根据最高价和最低价的分形协整关系构造一个反转交易策略，并证明该策略的超额收益。
二、沪深300股指期货最高价和最低价的分形协整关系检验
（一）协整关系检验
协整过程是针对具有单位根的非平稳时间序列提出的。对于一个n维向量时间序列yt，如果每一个分量序列yit （i= 1，2， ，n ），均为一单变量单位根过程（即满足yit～I（1）），且存在非零的 n 维向量α ，使得各序列组成的线性组合α′yt为一稳定过程，即α′yt～I（0），则称向量时间序列yt是协整的，α为其协整向量。以两个变量y 和x 为例，设y 和x 都是一阶单整序列，则 EG 两步法的具体检验步骤为：第一步，利用最小二乘法估计模型，并计算相应的残差序列。第二步，检验残差序列的平稳性。
常用的单整检验有DF检验（Dickey Fuller检验）、ADF检验（Augmented Dickey Fuller检验）和PP检验（Phillips Perron）。如果经过 DF 检验（或 ADF 检验）拒绝了原假设残差序列是平稳序列，则意味着y 和x 存在着协整关系；如果接受了存在单位根的原假设，则残差序列是非平稳的，y 和x 之间不可能存在协整关系。
2沪深300股指期货最高价和最低价的协整关系检验
本文对沪深300股指期货最高价和最低价数据进行协整检验，选取日数据，样本区间从2010年4月16日到2014年12月31日。分别对沪深300股指期货最高价和最低价以及差价做ADF检验，结果如表1所示。
从表1可以看出，最高价和最低价都是一阶单整序列，对二者线性回归后的残差序列μ进行ADF检验，可以看出残差序列是平稳的，最高价和最低价之间存在协整关系。对二者线性组合后的序列R=H-L进行ADF检验，可以看出，差价R序列也是平稳的。
（二）长记忆性检验
Hurst最先提出了一种长记忆性的度量方法――重标极差分析法（Rescaled Ranger Statistic，简称R/S统计量），Mandelbrot对R/S统计量做进一步的研究。设时间序列Xt，则τ个时间序列观测点的极差为R（τ）=max y（i，τ）-min y（i，τ），标准差为S（τ）={1τ∑τi=1[xi-（Ex）τ]2}12，R/S统计量为Q0=Rτ/Sτ。
Hurst、Mandelbrot和Wallis分别证明了：
plimτ∞{τ-HR（τ）/S（τ）}=C（1）
其中，C为常数，H为Hurst指数。H的估计公式为 ：
H=log[R（τ）/S（τ）]/log（τ）（2）
当 H ≤05时，时间序列为短记忆性的；当H>05时，时间序列为长记忆性的。
用R/S分析法计算差价的Hurst指数，可得05
（三）分形协整检验
近年来的研究表明，如果将协整关系局限于整数维差分框架下来分析问题，则会造成分析结果的不准确，特别是高频的金融数据下，单整阶数为整数值的条件过于苛刻。Granger和Hosking给出了一个ARFIMA（Fractional Integrated Auto-Regressive Moving Average，分整自回归移动平均）模型。ARFIMA模型是一个前沿性的长记忆性模型，该模型是放宽ARIMA模型整数维差分到分数维差分后得到的。该模型表示，对一个时间序列{yt}，我们可以建立如下分整过程： yt=（1-L）tμt，其中，L是滞后因子，μt是一个均值为零、方差恒定的独立同分布过程，即白噪声过程，d = H-1/ 2是分整系数。如果引入 ARMA项，则该分整模型就可以变换成为一个更为一般性的模型：Φ（L）（1-L）d（Xt-μ）=θ（L）εt ，其中，d为分数维差分参数。0
从上文的研究中可以看出，沪深300股指期货最高价和最低价的线性组合，即二者的差价存在长记忆性特征。目前人们对金融向量时间序列协整的研究集中在整数维差分，而长记忆性时间序列的差分阶数往往是分数维的，因而本文针对差价序列的长记忆性特征，对协整阶数进行拓展，探讨最高价和最低价之间的分数维协整关系。
为了验证最高价和最低价的分形协整关系，本文对分形单整自回归滑动平均模型ARFIMA（1，d，1）中的分数维差分参数d进行估计，用SAS软件中的FARMAFIT函数，结果为dR=03878，dH=09685，dL=09651。可以看出对最高价和最低价线性组合后的差价序列的差分参数降低，dR
综上所述，差价的长记忆性以及最高价和最低价之间的分形协整关系，可以说明最高价和最低价都是可预测的。存在一种合适的模型可以对最高价和最低价进行建模和预测。
三、分形协整模型构建及模型预测能力分析
（一）分整误差修正模型介绍
本文使用Johansen改进后的向量误差修正模型（VECM），运用基于分数维差分的分整向量误差修正模型（FVECM）来拟合最高价和最低价之间的分形协整关系。模型形式如下：
ΔdXt=（1-Δb）Δd-bαβ'Xt+∑Kj=1ΓjΔdLjbXt+εt
（4）
其中，L为分形滞后算子，Lb=1-（1-L）b，本文中Xt=（pHt，pLt），εt=（εHt，εLt），α=（αH，αL）是调整系数矩阵，β=（1，γ）是协整向量。α的分量表示变量对短期背离的调整程度，本文对长期趋势的短期背离可用差价来表示。因此，此模型既拟合了证券最高价和最低价之间的长期趋同性，也包含了证券价格离散性的信息。我们通过这个模型可以研究差价的长记忆性，可以根据过去的历史价格对未来的最高价和最低价进行更准确的预测。
本文假设d=1，表示强分形协整；β=（1，-1），从而最高价和最低价之间的协整关系是基于差价，即二者相减后序列是平稳性的。如果b>05，差价平稳且为d-b阶单整。如果b
ΔPHt=αH（1-Δb）Δ1-bRt+γ11LbΔPHt+γ12LbΔPLt+εHt
（5）
ΔPLt=αL（1-Δb）Δ1-bRt+γ21LbΔPHt+γ22LbΔPLt+εLt（6）
对此模型的估计采用Johansen和Nielsen提出的条件极大似然估计方法，用matlab程序估计出模型中的α、γ、d、b等参数，估计结果如表2所示。
从表2可以看出，b =045
投资者会对任何影响股票价格波动的因素产生过度反应。这种现象也被称为“赢家―输家组合效应”。利用这种效应，投资者可以通过卖空过去表现得好的股票组合（赢家组合Winners），同时买进过去表现得差的股票组合（输家组合Losers）而获得超额收益。这种投资策略只是以过去的股票价格作为信息进行操作，通过这种反向操作的策略获得持续的超常收益与市场的有效性不一致，这就意味着市场的弱有效性并不成立。
（二）分整误差修正模型预测能力检验
Diebold和Mariano提出Diebold-Mariamo 检验法。假设两个模型的预测误差为e1，t和e2，t（t=1，2，3，…，T），g（e1，t）和g（e2，t）代表它们相关的损失函数，则两模型的相对损失函数可表示为d=g（e1，t）-g（e2，t）。定义零假设H0：E（dt）=0。
如果{dt}是协方差平稳和短记忆性的数列，则根据中央极限定理，可用下列分配：
T（d-u）N（0，2πfd（0））（7）
其中，d为样本平均数，fd（0）为样本的零点谱密度。检验统计量为：
DM=2πd（0）T（8）
其中，d（0）是fd（0）的一致估计，经过标准化后，DM检验统计量是近似N（0，1）的标准正态分布，DM检验统计量为负数且显著时，则表明拒绝零假设H0：E（dt）=0。
根据FVECM模型的预测结果，我们构造一个基于最高价和最低价预测结果的反转投资策略，我们对2013年和2014年两年483个数据进行样本外预测，2010―2012年的数据估计出模型的参数后，用一步向前预测方法，预测出2013―2014年的最高价和最低价数据。
运用Diebold-Mariano检验（简写为D-M检验）将VECM、GARCH（1，1）、RW、MA5、MA22模型和FVECM的预测能力进行比较。D-M检验结果如表3所示。
从表3可以看出，FVECM的预测误差显著小于其他对比模型，MA5和MA22通常是用来观察股价走势的，而非用来估计和预测未来的股价。与随机游走模型RW比较时，统计量也是显著的，说明基于FVECM的预测结果好于基于强式有效市场的价格预测，说明技术分析是有效的。VECM局限于整数维差分，没有考虑到差价的长记忆性，说明本文对分数维差分和长记忆性的考虑可以提高模型的价格预测能力。
四、基于分形协整模型的反转交易策略分析
由于最高价和最低价是交易策略的核心组成部分，与压力线和支撑线的概念有紧密联系，我们利用上文模型的预测结果构造一个反转策略。
（一）反转交易策略分析
上文中对最高价和最低价的预测结果可以构造一个带状区间，我们将股价一日内的走势与基于差价的带状区间的交点作为买入和卖出的信号。在一个给定的交易日内，价格向上穿过上界，则为卖出的信号，向下穿过下界，则为买入的信号，这种策略称之为反转策略。这种策略也可以解释为从价格波动时的短期均值回复的流动性储备。从前文中可以看出，差价的上升会拉低第二日的最高价，提升第二日的最低价，因而降低第二日的差价。因此，选取反转交易策略是合理的。之所以选择日内交易，是为了避免隔夜市场操作带来的价格波动风险。
1模拟交易
本文中的反转策略为日内交易，通过FVECM对最高价和最低价的预测，计算出差价的估计值T，以日开盘价为基础，构造最高价和最低价形成的带状区间，作为买入或卖出的信号，区间的上下界分别为PU=POt+Rt和PL=POt-Rt。在某一交易日，如果股指点数向上穿过上界，就是卖出的信号，如果股指点数向下穿过下界，就是买入的信号。一旦买入，就会产生两条新的带，即获利带和止损带，SL=P+δRt和TP=P-δRt。如果股指点数穿过SL或TP，应该平仓；如果直到收盘时都没有穿过这两条带，就在收盘时将持有合约平仓。这种策略类似于Holmberg将差价作为开盘价到收盘价之间的分位数，根据差价的波动进行交易，只是他们的研究没有做像本文中的最高价和最低价的预测。
2反转策略超额收益的验证
为证明FVECM的预测结果对交易收益的提高，本文按照上述交易策略编写matlab程序对沪深300股指期货进行模拟交易，选取2013年1月1日至2013年12月31日作为样本区间，用1分钟分时数据进行模拟，δ取075。沪深300股指期货的报价单位为沪深300股指的指数点，合约乘数为每点300元，最少交易005合约数，最多交易100合约数。本文的模拟交易只对主力合约进行交易，为了简便起见，不考虑保证金交易和手续费问题，用点数×合约乘数×交易合约数作为价格，交易单位选择005个合约。每日收益为（卖出成交价-买入成交价）×300×005。期末收益为两年间每日收益之和。
比较期末几种模型的收益情况，结果如表4所示。
五、结语
本文主要的贡献是证明了证券最高价和最低价的可预测性，用分形协整向量误差修正模型FVECM对最高价和最低价之间的分形协整关系进行建模，符合最高价和最低价之间的分形协整关系和差价的长记忆性。为证明技术分析的有效性，我们将一个基于FVECM的预测结果的交易策略用于沪深300股指期货交易中，提供买入或卖出的信号。主要结论为最高价和最低价的预测可以提高交易的收益，降低交易时的风险。在未来的研究中，希望能进行最高价和最低价的预测能否提高风险分析能力和风险管理的研究。希望构建更灵活的模型，可以实现最高价、最低价、差价的分别估计和预测。可用于衍生产品定价等领域。
此外，由于本文中的交易策略是日内交易，中国股票市场T+1制度的限制使得无法将此研究策略扩展于股票市场，应用的广泛性还有待提高。希望今后的研究中能出现基于股票市场的对本文的改进，这样将会使本文更有实用价值。
参考文献：
[1]
Fama，EFEfficient Capital Markets： A Review of Theory and Empirical Work [J ]Journal of Finance， 1970，25（2）：383-417
[2]Brandt， MW， Diebold，FXA No-Arbitrage Approach to Range-Based Estimation of Return Covariances and Correlations [J ]Journal of Business， 2006，79（1）：61-73
[3 ]Brunetti，C，Lildholdt，PMRelative Efficiency of Return and Range-Based Volatility Estimators [J ]Johns Hopkins University，2005，33（7）：1890-1933
[3]Brunetti，C.，Lildholdt，P.M.Time Series Modeling of Daily Log-Price Ranges for CHF/USD and USD/GBP[J]Journal of Derivatives，2007，15（3）：39-59
[4 ]Murphy，JTechnical Analysis of the Financial Markets [M ]New York：Prentice Hall Press，1999132-259
[5 ]Cheung，YL， Cheung， YW， He， AW， Wan， ATA High-Low Model of Daily Stock Price Ranges [J ] Journal of Forecasting，2009，28（1）：103-119
[6 ]Stakenas，PFractional Integration and Cointegration in Financial Time Series [J ]The Institutional Repository of the University of Amsterdam，2010，33（2）：1890-1933
[7 ]Johansen，S， Nielsen， MLikelihood Inference for a Fractionally Cointegrated Vector Autoregressive Model [J ]Econometrica，2012，34（6）：2667-2732
[8 ]Caporin，M，Ranaldo，A，Magistris，PSOn the Predictability of Stock Prices： A Case for High and Low Prices [J ]Journal of Banking and Finance，2013，37（1）：5132-5146
[9 ]Brock，W，Lakonishok，J，LeBaron，BSimple Technical Trading Rules and Thestochastic Properties of Stock Returns [J ] Journal of Finance，1992，47（1）： 1731-1764
[10 ]Gradojevic， N， Gentay， RFuzzy Logic， Trading Uncertainty and Technical Trading [J ] Journal of Banking and Finance， 2013， 37 （2）：578-586
[11 ]孙青华，张世英长记忆向量时间序列的非线性协整关系研究 [J ]天津大学学报，2002，（3）：30-32
[12 ]吴大勤金融时间序列的长记忆性与分形协整关系研究 [J ]管理世界，2006，（3）： 30-32
[13 ]赵进文，庞杰中国A股与H股收益率波动的分形协整研究 [J ]财经问题研究，2009，（8）：30-32
[14 ]曹广喜基于分形分析的我国股市波动性研究 [M ]北京：经济科学出版社，2008152-157
[15 ]王锦探讨股票市场上技术分析的有效性：基于最高价、最低价、收盘价 [J ]华中科技大学学报，2009，（8）：30-32
[16 ]陈卓思，宋逢明技术分析中压力线与支撑线的存在性检验 [J ]统计与决策，2006，（22）：30-32
[17 ]谢丁压力支撑类股票技术分析指标的实证研究及评测 [J ]经济研究，2009，（3）： 30-32
Analysis of A Contratian Strategy based on the Predictability of High and Low Prices of Securities
――A Case for IF300 Index Futures
CHEN Qian
（Dongbei University of Finance and Economics，Dalian Liaoning 116025，China ）
尽管量化投资已经成为市场投资的发展趋势，但是大多数投资者并不是很熟悉量化投资。一方面是由于量化投资一定程度上依赖数学模型，而赚钱的投资模型都是机构的秘密武器，不会轻易披露。另一方面是由于量化投资采用计算机系统，设计各种交易手段，有着较为复杂的数学计算与技术要求，现在许多量化投资都是计算机自动执行的程序交易。另外，量化交易者，俗称宽客（quants）的交易和故事多多少少增加了量化投资的神秘感。所以，人们一般把量化投资称为“黑箱”。纳兰（Narang，R.，2012）描述了量化交易系统的典型构造，打开了量化投资的“黑箱”。纳兰认为阿尔法模型用来预测市场未来方向，风险控制模型用来限制风险暴露，交易成本模型用来分析为构建组合产生的各种成本，投资组合构建模型在追逐利润、限制风险与相关成本之间做出平衡，然后给出最优组合。最优目标组合与现有组合的差异就由执行模型来完成。数据和研究部分则是量化投资的基础：有了数据，就可以进行研究，通过测试、检验与仿真正确构建各个模型。预测市场并制定策略是量化投资的核心，即阿尔法模型在量化投资中处于核心地位。随着量化投资的不断发展，量化投资模型也在不断改进。简单的策略可能就是证券或组合的套利行为，如期现套利组合、市场异象研究中的差价组合等。统计套利策略是经典的量化投资策略，如匹配交易或携带交易。近年来，高频交易成为量化投资的重要内容，基于高速的计算机系统实施高频的程序交易已经是量化投资的重要利器。丁鹏（2012）将量化投资的主要内容分为以下几个方面：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、ETF/LOF套利和高频交易等。他认为量化投资的优势在于：纪律性、系统性、及时性、准确性和分散化。
二、量化投资“黑箱”中的构造与证券投资学的差异
在传统的证券投资学中，投资组合理论、资本资产定价模型、套利定价理论和期权定价理论是现代金融理论的四块基石。前两者主要依靠均值-方差组合优化的思想，后两者则主要依靠市场的无套利条件。传统的投资方法主要是基本面分析和技术分析两大类，而量化投资则是“利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程”。从概念看，量化投资既不是基本面分析，也不是技术分析，但它可以采用基本面分析，也可以采用技术分析，关键在于依靠模型来实现投资理念与投资策略。为了分析量化投资对证券投资学的启示，本文从量化投资“黑箱”的各个构成来探讨量化投资与证券投资学中思路和观点的差异。
（一）资产定价与收益的预测
根据组合优化理论，投资者将持有无风险组合与市场风险资产组合，获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合，认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价，超过的部分就是超额收益，即投资组合管理所追求的阿尔法值。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中，法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说，在因素定价方面，量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择，证券投资学认为，对资产价格的影响，长期应主要关注基本面因素，而短期应主要关注市场的交易行为，即采用技术分析。在量化投资中，主要强调按照事先设定的规则进行投资，这在一定程度上与技术分析类似。但是，在技术分析中，不同的人会有不同的结论，而量化投资则强调投资的规则化和固定化，不会因人的差异而有较大的不同。另外，量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
（二）无套利条件与交易成本
在证券投资学里，流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券，投资者可以自由买卖证券。这主要是为了保证各种交易都能实现，如套利交易。根据套利定价理论，一旦市场出现无风险的套利机会，理性投资者会立即进行套利交易，当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中，对市场中套利限制与非流动性的关注较少，这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下，金融资产交易的过程及其结果，旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中，不同的市场微观结构对市场流动性的冲击是不同的。因而，从量化投资的角度看，为了降低交易带来的价格冲击，能实施量化投资策略的证券往往都应有较好的流动性，因为交易时非流动性直接影响投资策略的实施。从这个意义上讲，量化投资时的交易成本不仅包括交易费用，更主要的是要考虑市场交易冲击的流动性成本。
（三）风险控制与市场情绪
在证券市场中，高收益与高风险相匹配。量化投资在追求高收益的同时，不可避免地承担了一定的风险。在证券投资学中，系统性风险主要源于宏观经济因素，非系统性因素则主要源于行业、公司因素，并且不考虑市场交易行为的影响。在量化投资中，较多地使用因素定价模型，不仅会考虑市场经济因素，而且会考虑交易行为等因素，只是不同的模型有不同的侧重点，在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外，量化投资还有自身不可忽视的风险源。一方面，量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，隐藏着巨大的风险。另一方面，市场冲击的流动性成本也是量化投资的风险控制因素，理所当然地在图1的风险控制模型中体现出来。另外，在一般的投资过程中，市场情绪或多或少会成为风险控制的一个对象。然而，在量化投资中，更多的交易都是通过计算机来实现的，如程序交易等，这样以来，投资者情绪等因素对投资决策的影响相对较小。所以，在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪，主要是通过承担适度的风险来获得超额回报，因为毕竟减少风险也减少了超额回报。
（四）执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下，实现投资策略成为量化投资的重要执行步骤。为了达到投资目标，量化投资不断追求更快的速度来执行投资策略，这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里，技术分析认为股价趋势有长期、中期和短期趋势，其中，长期和中期趋势有参考作用，短期趋势的意义不大。然而，随着计算机信息科技的创新，量化投资策略之间的竞争越来越大，谁能运作更快的量化模型，谁就能最先找到并利用市场错误定价的瞬间，从而赚取高额利润。于是，就诞生了高频交易：利用计算机系统处理数据和进行量化分析，快速做出交易决策，并且隔夜持仓。高频交易的基本特点有：处理分笔交易数据、高资金周转率、日内开平仓和算法交易。高频交易有4类流行的策略：自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法：产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行，目前“算法交易”比较流行。算法交易优化买卖指令的执行方式，决定在给定市场环境下如何处理交易指令：是主动的执行还是被动的执行，是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
三、对量化投资在证券投资教学中应用的思考
从上述分析可以知道，量化投资的“黑箱”构造与证券投资学之间存在一定的差异，因此，在证券投资的教学中应当考虑量化投资发展的要求。
（一）市场微观结构与流动性冲击
在理性预期和市场有效假说下，市场价格会在相关信息披露后立即调整，在信息披露前后市场有着截然不同的表现。在证券投资学里，一般认为价格的调整是及时准确的，然而，现实的世界里，价格调整需要一个过程。在不同的频率下，这种价格形成过程的作用是不同的。在长期的投资中，短期的价格调整是瞬间的，影响不大。然而，在高频交易中，这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型：存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响，解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程，认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型，这些市场微观结构的研究加强了流动性与资产价格之间的联系，强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容，因而，为了加强证券投资学的实用性，应关注市场微观结构的内容与发展。
（二）业绩评价与高杠杆
对于证券组合而言，不仅要分析其超额收益和成本，还要考虑其风险与业绩。在组合业绩评价中，一方面要考虑风险的衡量，另一方面则要分析业绩的来源。在证券投资学中，组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言，市场时机和管理者的能力依然重要，然而，量化投资的业绩评价还应考虑另一个因素：高杠杆。量化交易中，部分交易是采用保证交易的期货、期权等衍生品交易，这种杠杆交易具有放大作用，在市场好的时候扩大收益，但在市场不好的时候会加速亏损，这些与传统的业绩评价就不太一样。在一般的证券投资学里，业绩评价主要考虑经风险调整的收益，很少考虑其杠杆的作用，这不仅忽略了杠杆的贡献，而且有可能夸大了投资者的技能水平。
（三）人为因素与模型风险
在量化投资中，非常注重计算机对数据和模型的分析，这突出了量化投资的规则性和固定性。然而，实际中，别看量化采用了各种数学、统计模型，但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究，并借助计算机实施策略，能够消除很多认为的随意性。但是，量化策略毕竟体现投资者的交易理念，这一部分依赖于投资者的经验，一部分依赖于投资者对市场的不断观察与更新。实际上，人始终处于交易之中，对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性：决策实施依赖于人的设定，而人的设定不仅依赖于经验，而且人还会犯错。人之所以会犯错，一方面是因为人们对市场的认知是不完全的，另一方面则是人们使用了错误的模型。经典的证券投资理论中，股票价格的变动被认为是随机的，小概率事件出现的机会比较小，但是经验研究表明股票收益率具有肥尾现象，小概率事件发生的机会超出了人们原先的认识，即市场还会出现“黑天鹅”。更为关键的是，量化投资更依赖数学和统计模型，这就使得量化投资存在较大的模型风险，即使用了错误的模型。为了防范模型风险，应采用更为稳健的模型，即模型的参数和函数应该适应多种市场环境。近年来，研究表明，证券收益及其与风险因素的关系存在较大的非线性，同时，市场中存在一定的“噪声”，采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
（四）2013年诺贝尔经济学奖的启示
在政策和基本面的博弈下，大盘指数开始震荡前行，纵观后市，经济基本面向好，紧缩政策依然会持续。CPI高企，把钱存在银行意味着绝对财富的缩水。佐卓表示，在当前的市场行情下，股指期货为投资者保值和获利提供了全新的思路。
问：股指期货推出的意义是什么?近期的发展如何?
佐卓：作为金融期货之一，股指期货的推出，标志着我国金融衍生品市场迎来了发展的春天，也提供了更多的投资保值渠道和方式。在历次金融危机过程中，金融衍生品都充当了非常好的风险对冲工具。
对于中小投资者，程序化和系统交易将加速发展。对于衍生品交易，一个重要的问题是交易策略的制定，而量化的交易策略可由计算机系统程序实现，程序化交易在成熟衍生品市场占有非常大的比例。以中国台湾地区为例，2001～2009年程序化交易量不断增长，为市场提供了大量流动性，程序化交易打破了机构和中小散户之间的界限。
问：对于期货投资存在巨大风险，您怎么看?
佐卓：期货的风险完全掌握在投资者自己手中。如股指期货，为了方便讨论和计算，假设其杠杆率是10％。实际操作时，只要拿账户资金的10％就可实现对现货指数买卖，风险可控度要比买卖股票要低许多。商品期货也是这样，资金控制得好，比买卖现货风险还要低。以我经常关注的螺纹钢为例，近年来螺纹钢的金融属性越来越强，价格经常大起大落，许多贸易商和生产商开始利用期货规避风险，甚至有商家专门组织专业团队来操作期货，以求尽可能规避现货价格剧烈波动带来的风险。另外，由于期货交易采用T+O交易机制，风险更容易控制，日内可以随时出货，而现货在市场不好的情况下，只能眼睁睁看着资产缩水。
问：如何参与股指期货?
佐卓：参与股指期货的方式除套期保值外主要有两种。一是单边投机，这是最简单最直接的方式。参与者在满足股指期货交易条件的基础上，就可开户，这种交易分为短线和中长期趋势交易，能否获利取决于对市场短期或中长期价格走势的判断，预期价格上涨则买多，预期价格下跌则卖空。二是套利交易，对于稳健投资者而言，是比较稳妥的选择方式。我国金融期货品种比较单一，套利主要局限于期现和股指期货各合约间套利，需要有一定的专业知识。两个合约之间的差价会维持在合理区间，超出区间就会有套利机会，这个价差区间一般取决于资金持有成本和股票分红预期。以9月和10月合约为例，如果差价偏大，就可买9月抛10月，如果偏小，就可买10月抛9月。
问：股指期货到期交割的影响效应是什幺原理?
佐卓：交割日对股指期货结算价进行影响是导致“交割日效应”的一个重要原因。目前，沪深300指数每6秒钟取值一次，2小时得到约1.12万个数据，对这1.12万个沪深300指数的价格取算术平均值，即得到此合约的交割结算价。由于交割结算价采用的是算术平均，并不对成交量进行加权，每一笔交易的价格具有同样的权重，这使得通过最后时刻以较大的成交量来影响价格的方法难以奏效。
我国的股指期货合约采用现金交割方式，最后交易日收市后，交易所将以交割结算价为基准，划付持仓双方的盈亏，了结所有未平仓合约。在交割日，当月台约的走势并非是与现货走势同步，而是不断地拟合和接近现货最后2个小时算术平均价的过程。
自5月10日上海期货交易所白银期货上市以来，白银期货价格一路震荡下跌，5月18日收盘时主力9月合约收在5863元/千克，较6190元/千克开盘价仍然跌去近4%，其间最大跌幅更是达到6.5%。
而李辉原来的设想，是趁着国内白银投资火热，在白银期货上市交易日买涨获利。当天，李辉多次逢低买进多单抄底，结果总是出人意料地一致：止损出局。
“在白银期货市场，打新买涨获利的铁律，被打破了。”李辉无奈表示，他想把白银期货打新失败归罪于希腊政府与瞬息万变的欧债危机——正是5月15日当周希腊没有完成新一期政府组阁而面临重新选举，给希腊债务能否按期偿债及最终退出欧元区带来“新的变数”，迫使全球资金大手笔抛售黄金白银，涌向美元资产避险。
但他无法理解，同样是震荡下跌，上海期货交易所白银期货跌幅却高于白银（T+D）交易与COMEX白银期货。在5月10日至17日期间，白银期货价格较上海白银（T+D）存在近50元/千克贴水；较COMEX白银期货7月合约存在约150元/千克的贴水，即使扣除白银进口环节的增值税等因素，COMEX白银期货价格仍高于当期国内白银期货。
“也许是投资低门槛，让沽空国内白银期货来得更猛烈些。”一位国内期货分析师指出，相比黄金期货每手超3万元保证金，白银期货交易一手15千克白银的交易保证金仅仅需要约9000元，在投资者利用欧洲债务危机升级而沽空黄金白银套利时，很容易将资金转向操作成本更低的白银期货。
仅5月17日当天，白银期货成交量超过63.7万手，远远超过黄金、天胶等上期所其他交易品种的日交易量，后者成交量分别约为6.34万手和53.89万手。
然而，远在太平洋彼岸，一批对冲基金经理同样密切关注着上海期交所白银期货震荡下跌走势，尽管他们还没有与国内白银期货亲密接触。
“据我所知，仅有少数对冲基金参与国内白银期货沽空，而且沽空策略是以跨地套利为主。”一家欧洲商品投资型对冲基金经理张刚告诉记者。所谓跨地套利策略，主要是对冲基金利用国内关联投资公司沽空国内白银期货9月合约同时，在COMEX白银期货市场买涨9月合约进行跨地套保，但最终实现盈利的并不多，“其实他们还没有摸清国内外白银期货价格波动之间的价差套利时间，尽管做对了套保方向，但操作时间不正确，最后亏损的不在少数。”
不过，上述对冲基金很乐意为此支付“学费”。在张刚看来，他们有着长远的如意算盘，通过不断“试错”与“交学费”，最终找到量化测算国内白银期货与COMEX白银期货价格波动正相关性的正确数据，以此建立一系列足以左右境内外白银期货价格波动的投资模型，就能变成“常胜将军”。
“部分参与跨地套利的对冲基金，其实拥有汇丰控股、摩根大通等大型投资银行的背景。”张刚透露。而摩根大通和汇丰控股两家投资银行，被全球白银投资者视为长期操控白银期货价格走势的幕后推手。
“他们之所以热衷利用跨地套利交易研究中国白银期货价格波动特性，本身就是在向国际白银期货市场大鳄传递某种交易信号。”张刚分析说。在国外对冲基金界，围绕“中国概念”的博傻投资法则相当流行——即当中国白银现货或期货成交量大增时，有国际机构会认定中国白银需求增加，趁着白银价格高涨时反手沽空白银套利，而他们选择的沽空最佳时间，往往是节假日期间，各大交易所调高期货交易保证金期间便成为他们恶意沽空白银期货对赌的最大“掩护”。
让李辉印象最深刻的，是去年9月26日COMEX白银期货出现最大16%跌幅——当白银买涨投资者惨遭爆仓出局时，沽空投资者却赚得盆满钵满。
然而，李辉能否抓住这样的机会，却是未知数。
“上海期交所有着严格的白银期货仓位控制。”上述期货分析师表示，此前《关于印发上海期货交易所白银期货标准合约及相关实施细则的公告》等相关文件规定，白银期货合约保证金收取比例暂定为交易所保证金收取比例的基础上增加4%，正是为了避免国际白银期货价格大幅波动导致国内投资者瞬间爆仓出局。
“要避免中国白银期货投资者被国际投行狙击，关键是让中国中国白银交易价格具备国际影响力，拥有全球知名的白银做市商。”一位外资银行大宗商品交易主管透露，如参与伦敦黄金交易定盘价的五大黄金做市商，分别是德意志银行、洛希尔国际投资银行、瑞士信贷第一波士顿银行、加拿大枫叶银行、汇丰银行。而伦敦白银市场定盘价主要由三家大型投资银行组成，其中包括由于涉嫌操纵白银期货价格被诉讼的汇丰银行。
自股指期货2010年问世后，做空成为一种可能。但就像迈克尔.刘易斯在《大空头》所记录的那样，依赖疯狂做空赚到大笔利润的“绞肉机”必须极端聪明、敏锐、隐秘、富有洞见力，躲在市场阴暗的角落里。
大多数参与股指期货者，只是将其作为投资的一部分。各种“对冲”策略丰富了投资的内涵，成为时尚的弄潮儿，并渐渐将市场推入新的地带。
不得不承认，一切都在发生深刻的变化。做空机制的出现，令股市更容易回归价值本身。真正的对冲基金横空出世，带来全新的投资模式和策略。传统的主动型股票基金也正遭遇前所未有的挑战。市场正在加速与国际接轨，形式上变得更多元化。
这种变化不仅仅局限于股市。随着期货市场的扩容和发展，横跨商品期货和股指期货的对冲策略，以及各类期货管理基金（CTA）也迎来了春天。真正的对冲时代到来了。
对冲盛行
股指期货问世至今3年多，每日成交金额已达近2000亿元。各类机构的参与程度越来越高，其中多空仓策略，尤其是阿尔法策略近一年多来大量涌入市场。由于交易风险较低，公募基金专户、阳光私募以及券商自营资金，都开始成为这个领域的玩家。
一些私募产品高调宣称自己是“阿尔法策略”的践行者。这是一种市场中性策略，简单地说，如果一个股票组合不对冲，风险敞口暴露，其收益就是α+β，阿尔法是选股获取的超额收益，贝塔指市场的系统性风险。
A股市场的贝塔通常十分巨大，大盘波动常常令收益大起大落。基金经理可以通过做空工具，完全覆盖掉系统性风险。如果建立50%的多头头寸和50%的空头头寸，那么净头寸就恰好为零，投资组合的收益完全来自于阿尔法。也就是说，投资人的选股能力，决定了其所能获得的绝对收益水平。
也有些私募使用的是多空仓策略。利用空头仓位覆盖一部分多头仓位，或者反过来。
重阳投资此前和国泰君安合作发行的“君享重阳阿尔法对冲一号”，自2012年12月底成立后，截至今年5月，收益率已近10%。而从6月中旬到6月底大盘快速下跌的几天中，净值快速上涨到1.2元，一个月不到，短期涨幅近10%。
一位业内人士表示：“重阳的策略可能并不是完全市场中性，在大盘下跌时它们净值快速上扬，显然还是有一部分风险敞口的，类似多空仓策略。”
业绩不错的还有朱雀阿尔法1号，这只产品从去年11月成立后，至今收益率超过15%。
人人爱“套利”
不过投资者近来最乐于追捧的，还是套利产品。还处于粗放型市场阶段，套利交易无疑是一门好生意。不论是基金管理人还是投资者，如果能以微乎其微的风险获得稳定持续收益，何乐而不为。但也正因为抱着这类想法的人越来越多，简单套利的机会正在渐渐丧失。时至今日，如果想在市场上通过套利赚到钱，必须拥有独门秘器和不断变换的策略。
套利市场的竞争非常激烈。大量的数学高手们正在涌入这个领域。大部分参与套利的机构投资者，包括各类基金和机构自营资金，正在使用数量化工具和程序化交易。
股指期货推出伊始，资金大举参与股指期货和现货之间的套利。“当时缺乏沪深300ETF，他们一般通过其他ETF，比如上证180ETF，或者深圳100ETF，或者杠杆基金来构建组合。不过套利资金显然太多，如今期现套利的空间已经非常非常低了。”一位券商自营的负责人说。
一些擅长统计套利的管理人于是开始寻找其他有效策略。数量化投资高手们根据历史数据，统计出某些资产之间的相互关系，一旦现实市场偏离了历史数据关系，就进行交易以套利。这些策略可能很复杂，组合涉及股票、股指期货、融资融券等工具，也涉及各种冲击成本和风险的计算。
早年于高盛浸多年的申毅，曾在欧洲负责ETF套利交易，如今在国内套利交易领域颇有知名度。他的申毅投资已经发行了3只套利产品。“通常我们的套利产品年收益率在8%（扣除了业绩提成）左右，最大回撤率控制在5%以内，风险实际上比债券基金更低。”申毅说。
与此同时，商品期货市场的套利也正渐渐兴起。财通基金去年8月成立了一只商品期货专户，采用数量化套利策略。截至目前，该产品已获得超20%的绝对正收益（未扣除业绩提成）。其历史表现回撤率极小。
当然，套利策略千变万化，统计套利、事件套利或是双向套利策略都在被各路人马充分挖掘之中。除了为投资者提供低风险投资的新渠道外，也间接增强了市场的有效性。
期货的蓝海
还有一个正在崛起的领域是期货管理基金（CTA）。随着各类政策放开，商品期货从去年开始被正式纳入基金专户、阳光私募的可投资范畴。经过多年发展，中国商品期货市场已经跃居为全球规模最大的商品市场之一。交易品种涉及能源、农产品、金属、化工等多个领域。对CTA来说，已经是适宜的土壤。
全球最大的CTA元盛投资（Winton Capital），已经低调进入国内市场。去年底，元盛和华宝兴业基金合作了一只基金专户产品，通过民生银行发行。截至7月末，这只产品单位净值达到1.268元。成立10个月获利26.8%（未扣除业绩提成）。
今年，元盛又协同华宝兴业发行了另两只产品。元盛在其旗舰的多元化策略基础上，开发了“中国多元化策略”。目前3只产品，投资标的覆盖能源、食品/纤维/软商品、谷物、金属、塑料和股指期货等板块，涉及20多种不同的期货品种。
和我们过去对期货风险的认识不同，期货市场的风险，实际上可以通过资金管理、止损等方法加以控制，但对管理人的要求非常高。一些CTA产品，在合理的风险控制后，风险基本等同于股票基金。
除了华宝兴业外，财通、国投瑞银、工银瑞信也发行了多只可投资于商品期货的产品，其中财通和永安期货合作的几只产品表现最佳。
不过值得注意的是，毕竟CTA在国内市场的历史颇短，大浪淘沙的过程不可避免。即使在如今产品数量并不多的情况下，CTA产品之间的分化已十分巨大。这类产品更适合作为资产配置的一部分。
名词解释
最大回撤率：在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤用来描述买入产品后可能出现的最糟糕的情况。
资料链接：
对冲基金发展历史
起步时期（1949-1986）
阿尔弗雷德·温斯洛·琼斯（1923年至1989年）被认为是对冲基金的创始人。琼斯不相信他有能力来预测市场走势，但他认为他有良好的选股能力。他的基本观点是，基金经理可以使用两种方法：用杠杆购买股票，并卖空其他股票。每一种技术都被认为具有高度投机性，但是适当地结合在一起，可以减少市场组合风险。琼斯在1949年，形成了4个朋友的普通合伙企业，成为合伙人，并开始了股票多空仓基金。为了吸引投资者，琼斯对冲基金投资自己的积蓄，并选择支付20%的基金收益，而不是固定费用。从此对冲基金诞生，同时这也是股票多空仓策略基金发展的起点。1966年，琼斯基金的巨大收益率被曝光，在其示范作用下美国对冲基金开始快速发展起来。据SEC调查，截至1968年底成立的215家投资合伙公司中有140家是对冲基金，其中股票多空仓基金占了大多数。
因为通过卖空来对冲投资组合风险不仅难度大、耗时，且成本高昂。为了扩大投资总收益率水平，许多基金开始求助于高额头寸放大股票多头的战略，采取融资杠杆，从此股票多空仓策略对冲基金类别向多元化发展。1970年的经济危机导致对冲基金大量倒闭，股票多空仓策略基金也遭受重创。
繁荣时期（1986-2000）
随着金融管制放松后金融创新工具的大量出现，特别是上世纪90年代，经济和金融全球化趋势的加剧，对冲基金迎来了大发展，开始在全球金融市场上叱咤风云。从1992年量子基金战胜英格兰银行到2000年老虎基金宣布停业，这标志着宏观对冲基金黄金时代的结束。其中最为著名的“价值型”股票投资者——老虎基金总资产曾达到230亿美元的高峰，一度成为美国最大的对冲基金。
同样，国内也有这样一位悠闲的物理系博士，用量化的模型在对冲基金的市场中搏杀，而淡定的他也在业余时间频频出镜，成为了央视、湖北卫视、第一财经的常客，当了好几回华尔街投资故事的“说书人”，他就是上海申毅投资咨询有限公司的CEO申毅。
在“无心插柳”中历经起伏
“谁是谁的谁，谁为谁憔悴；谁是谁的谁，谁为谁伤悲。铺天盖地的歌声，折射浮华世界的无奈和浮躁。”申毅的博客上这样写道。四十不惑的申毅，平静的神态中透着一种淡定，而在电视节目上对华尔街往事的嬉笑怒骂，正是他历经金融市场起起伏伏的心声。
说起申毅和投资的缘分，可用“无心插柳”来形容。毕业于美国俄克拉荷马州立大学并获流体物理学博士学位的申毅，由于专业是实验物理，大量的实验也意味着需要很多时间去等实验数据，而那时还没有智能手机可以消磨时间。“等一组数据可能需要十五分钟到半个小时，于是我就开了个期货账户，这样我在等待数据时可以炒期货解闷。”申毅告诉记者，“我记得很清楚，当时买了4手黄金期货，后来又加了3手，结果一星期赚了50%，当我最后平仓时，赚了10%。”之后，就有经纪人问申毅是否有兴趣做期货并帮他介绍了几家公司。于是，博士毕业后的申毅索性转行，在一家套利交易的基金公司开始了现货交易的工作。
不过，申毅并未将自己顺利进入高盛的原因归为流体物理学专业背景。“其实性格比学历重要，你看我们做的工作，高中的数学够了，但要是你没有高学历，又找不到大投行的工作机会。”进入高盛后的申毅先担任金融衍生产品交易员，负责S&P、RUSSEL、NYFE、CAC40和DAX指数套利及S&PS00指数的现金和期指的自动交易，之后申毅任公司芝加哥分部副总裁，主要负责公司ETF产品的开发管理和做市。此后，申毅被高盛委派担任欧洲交易部执行董事，创建了高盛欧洲EFT交易部，和管理全球性多币种ETF投资组合并以股指期货、期权和ETF组合交易身份直接参与欧洲大陆第一家复合ETF基金和英国富士100基金的设计和做市。
对知识的好奇很重要
强调性格比学历重要的申毅将自己的优点归为“Intellectual Curiosity”，即对知识的好奇。“Intellectual这个单词不单单只是‘知识’，而是一个比较大的概念，其实我对世界上的知识、智慧、新鲜的事物都充满了好奇心。当世界上出现了什么新事物，我就想知道这个新事物到底有什么名堂。”申毅表示，好奇心在交易上的体现就是当市场出现新产品时，就会想着去了解新产品到底是怎么回事，然后通过观察研究去发现其中的交易机会与交易方式。
“现在我招聘人员时，很重要的一点是看这个人到底有没有很大的好奇心，因为没有一个量化模型可以一直活下去，每个模型都可能会死的。”申毅笑着说，大浪淘沙的私募基金行业中，只有保持很强的好奇心，才能随着市场的发展，不断寻找新的机会。“很多从华尔街回来的资产管理人在国内做得并不是很理想，而他们正是缺少了好奇心。没有好奇心的人不会考虑国内外市场的区别，不会在区别中寻找机会。”
用“冷”字提醒平常心
“在我年轻时，对冲基金可能仅占个人资金配置的1%到2%，而现在已上升到5%甚至是10%，这恰是因为对冲基金的回报和风险组合远超公募基金、指数或投资债券、黄金、商业期货。”申毅表示，对冲基金目前有望成为养老金、保险金的组成甚至个人资产配置的必备部分，而对冲基金的操作离不开“聚沙成塔”的平常心。
2012年6月，申毅推出了自己名字命名的国内首个信托对冲基金交易账户产品“申毅对冲一号”，该产品以量化投资程式化交易为投资平台，进行股票、ETF、LOF、封闭式基金、分级基金和股指期货套利交易。“从理论上来讲，产品风险极低，且持仓时间相对较短，平均一周不到的时间，用小利润实现‘短平快的累积’。”申毅表示，“我的投资风格定位于‘多/空仓策略’，基本思想是买人能够跑赢比较基准，如沪深300的股票，相对比较灵活。通过调整组合中股票的种类，调节组合所面临的风险程度及种类。”
“一个人不可能两次踏入同一条河流。”申毅似乎颇为赞同古希腊哲人赫拉克利特的话，“我是一秒钟的投资者，投资一秒钟，下一秒我可能就改变投资方向了。所以每当很多媒体问我股市行情怎么样，某某股票后市会如何等问题，我就开始头痛，因为即使我现在告诉你我最真实的想法，也许话刚说完我就变了主意或是股市就出现了黑天鹅。”
[关键词]EMD；SVM；量化交易
doi：10.3969/j.issn.1673 - 0194.2016.20.043
[中图分类号]F224 [文献标识码]A [文章编号]1673-0194（2016）20-00-01
0 引 言
随着计算机技术的快速发展，人们对复杂事物的处理方法也更加高效。量化投资就是随之而发展起来的交易方法，主要理论来自于数量金融学。从20世纪50年代至20世纪末，数量化金融从马克维茨的均值-方差模型到CAPM（资本资产定价）模型、ATP（套利定价）模型，再到ARCH、GARCH等计量经济学模型都取得了惊人的成绩。21世纪至今，非线性的研究方法取得了重大突破，极大地丰富了金融研究的手段和方法。在前人理论的基础上，本文利用EMD（经验模态分解）算法对原始价格信号去噪，再利用SVM（支持向量机）对价格涨跌进行预测确定交易。
1 理论与模型
1.1 EMD
经验模态分解（EMD）是由NASA院士黄锷提出的一种处理非平稳和非线性信号的分析方法。与其他信号处理方法不同的是，EMD是一种自适应的分析方法，在不同的工程领域得到了成功应用。EMD假设任一复杂的信号都由本征模态函数（IMF）和趋势项（r）构成，其数学表达式如式（1）。IMF的提取关键步骤是获得原信号的上下包络线并求得其均值，最后再将原始信号减去其均值即可获得IMF。其中包络线一般采取插值法来获得。
1.2 SVM
支持向量机（SVM）是一种基于统计学习理论的模式识别方法，其在生物信息学、文本和语音识别等领域取得成功。算法的核心思想是：确定一个最优的分类超平面使分类误差最小同时类别间隔最大，对于线性不可分问题通过核函数（本文采用高斯径向基函数）映射到高维空间再进行求解。SVM的本质是最优化问题，式（2）即为问题表达式，其中超平面分类为：WTφ（x）+b=0，松弛变量为。对于式（2）的求解笔者采用拉格朗日乘子法并根据KKT条件得到最优解，从而找到最优分类超平面。
1.3 交易策略构建
首先，笔者将原始2天共46个10分钟级的价格进行EMD分析，从而得到趋势项数据。笔者将趋势项信号的标准差除以原始信号减去趋势项信号的标准差所得值取对数，得到第一个特征――波动信噪比，该值越大表明趋势越明显。其次，三个特征是对分解后低频部分的IMF的最后5个和10个数据做OLS回归，所得的回归系数即为特征值。第四个特征是上述两个回归直线夹角的cosine值。第五个特征则是成交量，由于该数据与其他数据数量级不同，笔者采取归一化处理。
本文所构建的SVM训练滑动窗口为500，约一个月的数据量。数据的标签笔者定义为当价格涨幅大于0.04%时为+1，小于0.04%时为-1，其余为0，然后将5个特征值带入，滚动训练出SVM模型，并预测下一期价格是涨是跌，预期价格上涨及标签为+1做多，反之做空。
2 交易回测
2.1 交易样本选择
本文选择上海期货交易所的螺纹钢期货的活力合约作为交易品种（数据来源Wind，品种代码RB.SHF），数据为2015年1月5号至2016年1月29号的日盘10分钟级数据。螺纹钢因其交易量较大所以选为测试品种。开仓、平仓交易费用万分之四，不考虑杠杆和滑点。
2.2 回测结果展示
图1展示了该策略累积收益率曲线图，在测试期内实现累计收益46.24%，年化收益达43.32%，夏普比率为1.89（设无风险利率为3%）。
3 结 语
本文应用信号处理的EMD算法作趋势分解，从分解后的趋势项及高频IMF，并结合使用网格法进行参数寻优的SVM作价格涨跌分类预测。回测结果表明该方法能够获得超额收益，具有一定的应用价值，今后可进一步对标签阈值、数据窗口进行改进优化。
另外，2月期货私募排名前十的产品收益均超过18%，系统化交易产品占多数，表现最好的是主观趋势产品“凯泽一号”。同时，2月份组合基金排行榜已经出炉，弘酬投资担任投资顾问的两只产品分别位列第二、六名，而格上理财旗下亦有两只产品“外贸信托一格上创富1”、“外贸信托一格上创富2期”入围前十名。
二月近七成定增产品实现正收益
数据显示，截止2014年2月底，具有业绩记录的事件驱动策略产品共计42只，其中参与定向增发的产品37只，大宗交易产品仅1只，复合策略产品（既参与定增又参与大宗交易）4只。从收益情况来看，2月份事件驱动策略产品整体收益为1.78%（同期沪深300指数收益率1.14%），其中实现正收益的产品28只，占比66.67%，14只产品出现亏损，占比33.33%。
从排行榜来看，“中海信托一联创光电（1期）”以12.49%的收益高居榜首，大幅领先同策略的其它产品，排名第二的是以华夏基金旗下“外贸信托一华基丰泽1期”为代表的系列定增产品，收益均为5.10%，唯一的一只参与大宗交易的产品岳志斌管理的“中融信托一思考一号”以3.93%的收益位列第三名。（具体排名参见，表1）
来源：私募排排网数据中心（截止2014年2月底）
排名前十的产品还包括“兴业信托-恒阳1期”、“外贸信托一盛世景1期”、“外贸信托一人合安泰1号1期”、“中诚信托一证大金龙3号”、“国泰君安君得增”、“国元定增1号”和“东方红一新睿2号”，分别以3.11%、2.70%、2.64%、2.18名、2.00%、1.19%和0.81%的收益依次位列第四到十名。
期货私募2月整体收益3.4%
记者了解到，2月份期货私募收益排行榜整体收益为3.40%，排名前十的产品收益均超过18%，其中毛泽红管理的“凯泽一号”成绩遥遥领先，以43.52%的收益居榜首。赵英英管理的“文英基金”排名第二，收益为27.29%。姜昆管理的“多策略多周期多品种趋势1号”紧随其后，以26.31%的收益位列第三名。
另外5只排名前十的系统化策略产品包括黄永剑管理的“乐丁量化1号”、万为杰管理的“天和量化股指1号”、刘岩松管理的“鼎昌盛”、蒋昌颖管理的“普洱茶一号”和刘磊管理的“国泰君安一青骓衍生品高频一期”，依次以25.59%、25.08%、19.54%、19.52%和18.73%的收益位列第四、第五、第七、第八和第九名。
位列第十的是孔为民和吴中仪共同管理的复合策略产品“双隆量化基金1期”收益为18.07%。
二月份出现亏损的产品仅32只，占比18.18%，3只产品亏损超过20%，其中2只系统化交易策略产品，-表现最差的是卢宏峰管理的系统化趋势产品“凌波二号”收益为25.46%，“凌波二号”从去年8月份运作至今累计亏损43.16%。
另外两只亏损超过20%的产品是系统化趋势产品“芝麻开门”和复合策略产品“新博鑫稳健策略1号”，分别亏损23.99%和21.07%。其中孙盛云管理的“新博鑫稳健策略1号”从去年4月份运作至今累计净值仅剩0.096092，亏损之大令人乍舌。
弘酬、格上两产品入围组合基金榜前十
2月份组合基金策略排名前十的产品中，有6只TOT产品、3只券商理财产品、1只MOM产品。每个产品类型的收益差距并不明显，首尾收益相差5.07%，除“东吴财富2号”、“陕国投-弘酬优选5期”、“方正金泉友2号”、“财通金色钱塘基金优选”之外，其他产品累计净值都处于单位净值之上。
曲折的量化之路
量哲创始人魏明岚先生很早就与量化结缘，但由于种种原因他的量化之路并不平坦，中间甚至一度中断。
魏明岚，台湾人，具有深厚的专业教育背景，本科就读财政专业计量组，MBA毕业于美国Emory大学商学院，主修金融工程方向，获金融管理硕士学位。Emory大学是美国十大老牌名校之一，培养了终端政商界杰出人士，如前美国总统吉米？卡特、前韩国总理李洪九、第十届人大副委员长及九三学社中央主席韩启德等，其商学院在美国排名前十。魏明岚在金融工程领域有深厚的功底，对期权期货等金融衍生品有独到的见解。
回到中国之前，魏明岚先在美国ING做过金融产品研究，2000年左右，为了爱情，他远渡重洋来到上海。“当时中国经济发展得很好，心想回来应该也有不错的发展，但回来后才发现，金融行业还比较稚嫩，根本没有做对冲的条件。”魏明岚如此描述当时的情景。后经人引荐到当时还是周鸿祎控制的3721做财务总监，直到3721公司卖给雅虎，期间做了大量PE相关工作，和IDG等PE界人士亦非常熟悉。
对于这段时间量化生涯的中断，魏明岚坦言“大环境所限迫不得已，但实业的经验时期对企业的价值有更清晰的认识，对日后的投资是有一定帮助的”。尽管如此，他的量化投资之路却没有中断过，这期间他一直在用自己的资金做量化交易，逐渐形成一套完整的模型，就是现在“优势”系列，后面在产品模块中将做详细介绍。
之后，随着中国金融行业的发展，期货、期指、融资融券等衍生品工具的一步步放开，魏明岚的量化之路逐渐走上正轨。2012年5月，他成立了上海量哲投资管理有限公司，骨干人员主要是来自高校的金融工程或数学系教授，除了深厚的学术背景，都具备丰富的投资经验。
魏明岚说，“我们的核心竞争力就是行之有效的策略和完善的模型，这来源于团队深厚的数学以及金融工程功底，以及丰富的投资经验。只要辅以合适的平台，实现我们的策略，一定可以获得让投资人满意的回报。”
多层次的产品组合
传统的观念中量化交易会有效地分散、降低风险，但其收益率也是相对较低的。魏明岚认为这是市场对量化的误解，他认为“好的量化应当是风险和收益的组合，既可以是低风险低收益的，也可以是高风险高收益的，应满足不同的投资需求和偏好”。
量哲的产品组合很好地体现了他的观点。从量哲的产品介绍表格可以看出，量哲的产品层次清晰，组合很丰富，既有高收益的，也有相对低收益，但风险也相对较低的产品。这样一来就可以满足不同客户的需求，有些客户如高净值人群或机构投资者更看重长期的回报，就可以选择优势或优渥系列，而一些对资金流动性要求较高或一些不愿承担太高风险的公司专户就可以选择优安或优利系列。
谈到产品的发行和运营情况，魏明岚说，“经过这几年的培育，国内投资者改变了以往只看收益的做法，越来越多的开始关注风险状况。总的来说，国内的客户不太愿意承担过高的风险，即使有获得高收益的可能。出发点是在保值的基础上再想办法增值，所以优渥、优安比较受欢迎，一只优渥产品已于4月正式启动，5月启动了一只优安产品。而优势系列主要是自己和朋友的资金一直在做，收益不错。”
为了实现不同系列产品的投资目标，量哲团队制定了不同的量化模型，“为实现较高收益，优势系列保留了相对较大的对冲敞口，而优安及优利的基本没有敞口，除非是特殊情况下会留一点点”，同时在模型设计时，预留了能容纳较大的资金规模，也就是说其产品的资金容量是足够大的。
总体而言，量哲的投资策略主要是基于α套利，通过模型进行因子分析，选出具有潜在超额收益的股票，通常股票池的量都比较大，能够很好地分散风险，同时通过对冲交易规避系统性风险。魏明岚透露，“今年10～11月份，高频交易模型将投入使用，成为公司投资组合中的一个策略群，到时整体的风险系数将会进一步降低。”
面临的发展问题
和所有量化基金一样，魏明岚也面临着这样那样的问题。尽管已经过了最艰难的时期，但仍然有各种各样的问题亟待解决。
首先是观念问题，券商是量化基金发行和交易过程中的重要环节，很多的券商还在沿用固有思维，对于量化基金的理解比较浅，有时甚至抱怀疑态度。这使得基金在发行和交易之前要花大量的时间和精力去做调研工作，降低了工作效率。
其次券商的支持能力有限，对接平台等IT问题尚需自己解决。另外券商的交易佣金制度缺乏灵活性，对量化交易，尤其是高频交易来说，应当有更合理的佣金制度。
关键词：期货 程序化交易系统 建设 应用
一、引言
程序化交易最早是由美国70年的证券市场上的系统化交易发展演变出来的，美国NYSE曾对程序化交易做出规定：对于任何含有标普500指数、15只股票以上，或者是一百万美元以上的交易都属于程序化交易。
伴随着我国期货市场的不断完善和成熟，很多期货产品都具有良好的流动性。同时，期货投资者的数量也在逐年增加，并且投资的结构也日趋合理化，我国的期货市场有效性也越来越强。这些好的势头都为期货市场中程序化交易的应用提供了良好的基础。期货市场程序化交易的迅猛发展，必将使那些提前掌握这一先进交易方式的投资者，在我国不断发展的期货市场中取得极大的优势。
二、程序化交易概述
1、概述
我国证监会于2010年3月印发了《关于同意中国金融期货交易所上市沪深300股票指数期货合约的批复》中同意中金所上市沪深300股票指数的期货合约。首批一共4个期货合约在2010年4月16日正式上市交易。这标志着我国期货市场理财时代已经来临。随之而来的是在金融市场上衍生出很多产品，那么相应的金融风险也被不断放大。程序化交易是一种防范风险、提高风险的可控性的有效手段，逐渐被越来越多的投资人所接受和喜爱。程序化交易主要是利用行情分析软件和已经编制好的电脑程序，并借助于期货市场的技术指标，由计算机程序来计算出买卖点，并依据电脑发出的信号对产品进行买卖操作。
2、国内外程序化交易的发展状况
程序交易化最早是产生于美国，上世纪70年代出现的“股票组合转让交易”。当时的专业投资经理人和经纪人通过电脑可以直接与股票交易所联机，最终是为了实现股票组合的一次性买卖交易。伴随着科技的进步、电脑技术突飞猛进的发展，以及几年来指数基金、数量化投资的产生和发展，程序化交易也逐渐发展并被广泛应用。到目前为止，程序交易化已经遍布美国及欧洲的各金融市场。据调查数据统计显示，在目前的全球期权期货交易市场中，程序化交易已经占到30%的比重，而在套利交易中则高达80%以上的比重。
相对于国外的程序化交易而言，我国的程序化交易知识处于刚刚起步阶段，应用的范围也比较小。但是，随着中国期权期货市场的不断完善和成熟，我们将像其他成熟的市场运行规律一样，程序化交易在不远的将来一定会成为我国交易技术发展的主要方向和必然的趋势。
三、程序化交易的优点
在期货市场中实行程序化交易具有以下优点：速度快、交易的效率高；能最大程度的克服人性的弱点；便于对交易中的风险进行控制；便于交易成本的管理；能精细化的把握市场的机会。
期货市场中程序化交易具有十分快捷的实现方式，能够以最快的速度根据指令来完成下单，提高了交易的效率。贪婪和恐惧是人类的天性，很多时候人在发现错误时不愿意纠正，通常抱有侥幸的心理，而计算机则只是会按照已经既定的规则去进行处理错误信号发出的指令。所以，计算机可以克服人类的弱点。另外，在程序化交易过程中，可以提前设计好风险管理和资金管理的具体模型条件，帮助期货投资者建立有效地的风险控制系统，例如：可以在系统中设置好盈余率、亏损率；在交易过程中，系统可以对市场状态进行监测，如保证金量、市场的流动性、下单的频率等。通过组合下单和佣金、对冲击成本的精确计算，实施盘中动态交易的成本控制。通过实践证明，程序化交易的核心就在于它的模型的复杂而精准的计算，通过计算机对交易条件的研究和判断，可以对市场上额投资机会进行精细化的把握。
程序化交易也是存在一定的缺点的。大部分的程序化交易系统是在跟随发展趋势而编写的，在技术分析方面比较看重，但是技术上的分析往往是落后于市场价格变化的。所以，由技术指标编写的模型所发出的交易指令也同样是滞后的，如果在区间震荡行情中出现频繁的交易就有可能出现连续的亏损。另外，程序交易很难对头寸规模的大小进行确定，也就是对资金管理很难进行科学的确定。
四、期货程序化交易系统的建设分析
一套优秀的期货程序化交易系统要从以下四方面进行考虑：
1、合理设计程序化交易系统软件
一套优秀的程序化交易系统必须依靠一个稳定、高效的载体来实现，这个载体为程序化交易提供了一个平台。为了使程序化交易的优点得到充分发挥，这个平台载体必须具备：及时稳定的行情数据接收端，稳定的程序化交易的指令下单交易端，稳定的行情及下单交易数据处理分析编辑平台，即模型的编辑平台，以及方便投资者正常使用的图形界面系统。
