(触手译)2/N_exAHL顶级对冲基金经理:系统化交易

经常白嫖的人会 1产生幻觉 2记忆力差 4不识数 6神志不清 这九点大家记牢

--------------------------------------------------------------------------------------

这个系列是全球顶级CTA对冲基金AHL的基金经理Robert Carver的Systematic Trading书籍（中文译）。

笔者在AHL的十几年里管理了超过百亿的全球宏观对冲基金。离开AHL后，运用这一套系统规则超过7年。其本人有Pyton写的开源回测框架及交易系统.https://qoppac.blogspot.com/

我抽空余时间把书籍按照自己的理解翻译出来。因为内容真的很多，所以见谅，更新的会比较慢。

本书作为入门书籍，仍旧有难度，因为有相当多的东西和实盘实战挂钩。框架建立于理论，但其它包括回测等等的很多细节问题都仍旧需要单独解决。

无论是主观交易、半自动交易、程序化交易，都推荐阅读的，从入门到放弃的书籍。

细节的备注和超级链接会在后续添加。

--------------------------------------------------------------------------------------  

系统化的交易规则

    交易规则是一种预测价格变动的系统方法（触手OS：可能有人会抵触预测这个词，听一下hedge fund manager的描述再思考一下）。交易规则是任何一个交易系统的核心，作为一个交易员，你怎样去挖掘出一个交易规则呢？挖出来的这个会有效么？为什么有效？运用了那些交易方式？最后，我应该期待这个交易规则优秀到一个什么程度？

    章节概述

A，促使交易规则有效的一些关键因素

B，为什么回测有效的交易规则在实盘中可能是失效的

C，解释为什么存在能够创造利润的规则，帮助你理解确定规则的盈利能力是否是可以重复的可复制的

D，吧交易规则分为不同的交易风格，以及每种风格的重要特征

E，现实的可靠的不花里胡哨的夏普率应该是多少

什么是好的交易规则

    好的交易规则根据数据或是某一种理念精心设计。

    系统交易假设未来会和历史相似，基于此，你应该设计在历史上有效的规则，并且期望它在未来继续有效。如同上述说的，至少有两种办法可以找到过去能够盈利的交易规则。

    一种常见的方法是先数据，就是分析一些数据，找到盈利的模式，创造交易规则并且使用；这个就是偶尔听到的数据挖掘；（数据优先）

    另一种方法是先有想法。先设计一种想法，然后根据想法创造规则，然后在数据上验证是否有效。（理念优先）

    理念优先的优点：

如果理念可行，那就不需要在历史上去做过拟合的工作；

拟合可以通过备选方案来解决完善；

首先倾向于设计出一些简单直观的交易规则；

可以构建具有直觉的规则，顺便给它按个故事；

更容易分类，很直观的看到利润到底是来源于哪里。

    数据优先的优点：

    对于理念优先，不管是基于市场认知还是学术研究，人都倾向于先测试自己本身认可的东西。这是隐式过拟合的一种形式；理念优先，人们很容易测试一大堆的想法，然后找出里面可行的。这也是过度拟合。但是数据优先，所有的拟合都是显性的，所以拟合的过程可控。给规则安个故事之类的，不能保证回报的来源可重复，可能是一种虚假的安全感，第一章里提到的叙述谬误。另外，数据优先，通过比较机智的特别的分析，可能会挖掘出以前不知道的策略。

    以笔者的经验，有效的可复制盈利的规则来自于非常细致的研究，需要有想法和有知识的人来做，这些人很清楚明白利润来自于哪里。有些数据优先的交易系统，仅仅是随意的挖掘数据，但并不知道为什么一条规则能盈利，利润来自哪里。未来可能就失效了。外加笔者自己对自己可以信任和理解的东西的偏好，笔者倾向于理念优先。

可以解释来源的利润

    理解交易规则为什么赚钱非常重要，如果你知道你的交易规则为什么过去能够盈利，那你同时也能知道利润是否会持续，或者规则在什么情况下会失效。通过理念优先，你可以很容易解释为什么一种规则能盈利，因为这些解释在最初设计规则的时候就存在。如果是数据优先，任何解释都得遵守拟合的过程，你得不停的试着解释规则运行的方式，推导是什么导致它的。数据驱动的交易规则越复杂，解释起来就越困难。可惜寻求解释本身就是刀尖上跳舞，因为叙述谬误本身就是一种认知偏差：人喜欢故事。好的交易规则就是既有故事，又有严格的回测数据。

直观理解规则的行为

    靠直觉的交易系统往往让人觉得很可信，比如看见利好消息就直观的买入。但是一个复杂的交易系统也可能在价格上涨时买入或者卖出，取决于规则的具体模式。从这个角度去想，规则的行为理由就不那么明显，难预测。

尽可能简单

    理念优先的规则应该是简单的，除非你一开始就有一个非常复杂的理念，或者为了更高的收益把理念复杂化，但这两者都不推荐。数据优先规则可以非常简单，也可以非常复杂。取决于你在数据处理过程拟合了多少参数。越多参数，越难解释，越容易出现过拟合。同时，复杂的数据处理可以运用特别的交易模式，但是简单的规则不行。

交易规则需要可以系统化

    想法需要转化成系统化的规则，并不是所有的都可以转化。许多交易系统不能系统化是因为没办法写成相对简单，客观和通用的规则（比如某浪）。想把蜡烛图分析精确成一个个规则是非常非常难的。难以量化的因子只能通过主观的综合评估来分析。

数据的局限性

    简单说就是需要足够多的数据。（总不可能在一个刚刚上市的品种上做历史数据的回测）。数据最好覆盖不同的品种，板块，市场，国家。

当规则不起作用

    一个历史回测成功的规则实盘失效的原因有很多，比如：

它其实从来没有效过

    有些规则看似在历史行情中赚钱了，实际上在过去并不赚钱。这些规则可能是过拟合的，或者使用了未来数据；在所测试的品种中可能出现偏差；低估了交易成本；忽略了市场结构的一些因素，比如说对做空的限制；历史数据时间太短；（触手OS：影响回测结果的因素远远不止这些。包括软件本身为了美化结果而在细节计算上做的手脚。同时不同的市场阶段流动性的差异，不同的资金对市场也在产生不同的冲击成本，太多太多的实盘因素是回测中考虑不到的）

世界的变化

    你试图利用的行为或者市场模式不再存在，规则就有失效的可能。比如高频交易HFT几乎把手工短线取代；趋势追踪共同主导市场的时候乐于看到价格趋势得到加强但是价格反转的时候急忙退出。（触手OS：A股很多趋势股的一大特征，动量强势的股票在后期却走势平平，因为前期超额的Alpha已经提前透支了未来的收益率；机构主导的市场特征和散户比例较高的市场有不一样的特征，换句话说后者往前者变化的过程部分策略就会随之失效）

为什么有些规则能盈利

    这一节与所有读者有关，无论你是资产配置，主观，半自动还是程序化，你都需要了解你的回报来自哪里，你的优势是什么。

风险溢价

   持续的风险溢价

    有些风险溢价会持续很长时间，比如股票比债券收益高；

    时变风险溢价

    人们对风险的偏好随时间变化；在实盘中，我们不可能确切地说出什么是正确的”溢价价值“，推测中该买还是卖，市场可能在很长一段时间内偏离正确的价值；这其实就是收益来源之一（触手OS：类似趋势追踪，捕捉大的动量，潜在的，未知的动量）

偏态和不太可能的溢价

    传统金融理论中理性投资者只关心夏普率，这只有在所有资产的收益都是对称分布的情况下才有意义，但是实际中具有相同SR的资产却有不一样的分布。

概念：夏普比率（Sharpe Ratio）

    衡量一个交易策略或者一项资产过去或者预期的盈利能力。严格的说，你需要获得超过无风险利率的超额回报，虽然这跟交易衍生品没关系，现在的低利率时代，也没那么重要。

从公式上讲就是某一特定时期的平均收益率除以同一时期收益率的标准差；所以日SR就是平均日收益率除以日收益率标准差。通常使用年化SR。年化SR大约是日SR的16倍。

概念：偏态

    第一章讨论标准偏差的时候，说过对称的高斯正态分布，大的损失和大的收益是一样可能的。但许多资产并不是对称分布的，回报偏向左侧或是右侧（左偏态或是右偏态），一般情况下大亏损概率比大盈利概率要高（触手OS：左偏右偏不仅可以解释资产收益率，也可以解释不同交易风格的收益分布特征。）

（触手OS：这里长篇大论直接写总结，正偏态是比负偏态要好的，因为正偏态是趋势交易的收益分布特征，是一种现实的“圣杯分布”，具体的可以看我转载的石川写的量化小册子。负偏态严格来说是短线高频交易者的特征，期货砒霜的头寸风格分类有提到。可以仔细理解思考一下。）

股票通常具有轻微的负偏态，避险资产倾向于正偏态，和期权相比，这些资产偏的都不是很离谱。

杠杆

    杠杆的使用解读了很多交易者喜欢高风险高回报的资产，不喜欢高SR但是收益率很低的资产的现象。笔者备注，在危机阶段在投资组合配置中运用杠杆很容易陷进死亡螺旋，价格下跌，需要交保证金同时限制杠杆，交易者不得不砍仓或者强平，导致价格进一步下跌

流动性和资产大小

    资产的流动性指的是我们在不过度影响价格的情况下买入或者卖出的容易程度。大机构买卖都比较大，所以喜欢流动性比较好的资产，推高价格的时候那些流动性差的资产价差会更快的扩大。所以众所周知小盘股的收益看起来更好。（流动性溢价）拿流动性较差的品种有更大的机会获得更大的回报。

（触手OS：还有一些零零碎碎的就不翻译了。直接跳到交易风格的分类）

分类交易风格

静态和动态

    静态就是你投资你的投资组合，然后什么都不做。最典型最简单的就是买入并持有组合。假设微软和苹果每股价格相同，你在两者之间做不出选择，就苹果微软各买一半。另外一种静态策略是重新平衡组合，使得你在每家公司保持相同的现金流。（股价不同，持股金额相同）

概念：风险

    风险是一个难以定义的概念。笔者把风险定义为可预测风险，和不可预测风险（触手OS：石川博士同样用这种方法定义风险）

    对于一个交易标的或者一个投资组合，很难预测未来几周每天的回报率是多少。但是你可以建模并且估计回报率的变化可能是什么。然而你总有那么几次没有正确的估计潜在的变化，或者变化的水平改变，因为你市场收益的模型有缺陷，（偏差等等，因为收益就不是正态高斯分布），这些都是不可预测风险的来源。

    我将可预测风险定义为：价格日变化百分比的标准差在最近一个阶段的水平。这个方法可以很简化但是会忽视风险的不可预测的因素。

    假设你买了一个组合有四只股票，每只股票的收益率标准差都相等，你给他们分配了相等的资金。然后某一家出了黑天鹅，价格爆跌，第二天辟谣，价格回去了，虽然价格没变，但是这只股票近期的收益率标准差翻番，如果你啥都不做，你的投资组合的风险就有很大一部分偏向这只股票。所以你需要重新平衡权益来控制风险。

概念：波动性标准化

    笔者的系统框架中使用的最强大的技术之一是波动性标准化。这是在调整不同资产的回报，使他们有相同的预期风险。如上所述，笔者对预期风险的标准定义是近期标准差预估。

    波动性标准化有很多好处，它允许你动态的调整投资组合，每个标的都承担想等的风险，此外，你会在本书后面看到，这个意味着你可以用相同的规则交易不同的标的品种，只要你的交易规则适用于波动率标准化。而且它也意味着你可以轻松的组合不同的交易规则，为你的一篮子执行一个策略组合。

又偏态了

    策略最容易被忽视的特征就是预期收益的偏态，就是它的对称性。正偏态和负偏态交易的不同特征决定了你应该承受多大的风险，如果你运用系统化交易，你就可以进行历史数据回测，看看你的规则和系统是正偏态还是负偏态。如果你不是系统化交易，就只能根据自己的交易风格做判断。

    负偏态的特征是：几乎每天都在交易，大部分交易都盈利，但是都是小盈。如果你这样，那你就是负偏态的，如果你觉得你没亏损，只不过你还没遇到大型的亏损罢了。

（触手OS：中间有些段落略过，讲重点）

可实现的夏普率

    对可实现的夏普率水平有一个正确的认知非常重要（笔者用了非常多的内容来解释合理的夏普率是什么样的）。

    我们从最简单的投资组合开始，买了一只票。未来超额收益可能每年约3%，如果年化标准差是20%，那SR就是3% / 20% = 0.15。0.15是比较现实的。

    利用主动管理法则所表明的结果说明，如果是做了一个投资组合的话，收益会更好一些。如果有20只股票在同一个国家不同的板块，SR可以提升到0.2左右，如果是全球组合的话，SR可以提升到0.25左右。

    要做的更好，配置上股票，债券，大宗商品，因为这些资产相关性很低。这样的一个配置，SR可以达到0.4左右。0.4已经超出原来的0.15两倍了。SR0.4是静态策略能够实现的最大值，类似大类资产配置的投资者。

    动态交易的话，就很难说了，笔者自己认为，类似那些完全执行系统规则的交易者，一个合理的商品期货外汇CFD差价合约等等的单一品种平均SR约为0.4。如果是跨多种资产类别，可以达到0.8左右。

    许多人对回测结果里面给到的SR拥有不切实际的期望，认为会达到2.0，3.0甚至更高。而且只是交易单个品种。这些都过于乐观，因为是过度拟合的，即便是经验丰富的机构交易员，也很少有能够达到SR保持1.0以上的。系统性对冲基金的回报分析表明，没有一家基金能够将夏普率维持在1.0以上超几年（触手OS：去年国内某一线产品回撤超大，但回撤之前收益是名列前茅的，类似的道理。）

    那对于半自动交易员来说，SR多少是现实的？这个就更难说了，普遍观点认为只有少数人盈利，最可能输掉裤衩的正是短线交易和CFD合约交易员。（触手OS：国内主观半自动交易员很多都有非常变态的收益，但是几乎都是职业交易员，七八年的沉浮。当然，幸存者偏差，噶的更多）

有两种办法可以提高SR，但是都很危险。

1，用负偏态。非常高的SR都是负偏态的结果。

2，从日线提高交易频率，日内，短波，高频。如果在单一品种上0.4是正常的，每天交易一次可以从0.4提高到1.8，如果持仓时间就1个小时这样，每天交易8次，SR可以提高到5.2。这里假设的是我们可以忽略交易成本等等的东西。

总结

    笔者并不是看不起或者不喜欢这些投资风格，恰恰相反，笔者自己的交易系统有三分之一都是属于负偏态。笔者认为一个平衡的投资组合，在不同环境下使用不同风格，比任何单一的选择都要好。重要的是你了解并且能够应对你的交易系统的风险。下一章：工具。