UP主自行翻译，严禁复制用于任何商业用途

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工作的十几年里管理了数十亿的全球宏观对冲基金，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。翻译会有出入点或者不到位的地方，有异议建议看原著确定含义。

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。

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

已翻译章节回顾：

人的主观认知缺陷；

金融行为学；

引出系统化交易的必要性；

市场历史数据表现的分布状态；

好的系统必备特征；

系统失效的特征（盈利的来源）；

交易风格在历史统计上的表现区别；

可实现的夏普率表现；

提高夏普率的方式；

拟合分类；

过拟合的危险；

当拟合开始走坏；

一些有效拟合的规则；

如何选择拟合规则；

优化变坏；

节省优化；

手动设定权重；

结合夏普率； 

举一个不好的例子：一个存在致命缺陷的交易系统；

为什么要做框架模块化：框架模块化对系统化交易策略的重大意义；

框架包含的元素：框架中各种模块的简要说明；

什么样的预测是好预测

带止损的主观交易

大类资产配置交易者的“无规则”的规则

系统化规则的两个例子（趋势跟踪，套利）

创建、调整规则

选择交易规则和规则变量

交易规则和预测的总结

第三大块——框架

第八章——组合预测

（大类资产配置、半自动化交易可以略过这一章）

    如果你有交易规则，生活是简单的。非常强烈的看多预期？买。负面信号？卖。如果你有多个交易信号但是他们不统一怎么办？向你在之前章节看到的，2009年和2010年我的交易规则之一（趋势跟踪）在美原油上给出看空信号，但是另外一个套利策列是看多信号，我该做什么，多，空，还是什么都不做？没有一致性的组合预测没有结论——你需要为每个标的品种建立单一的组合预测。

根据预测权重组合

    你如何让两个或更多的预测，变成一个针对每个标的品种的单一组合预测？在该框架中，你需要使用预测的加权权重，其中的权重是预测权重。这是一种投资组合权重，你的投资组合由交易规则变量组成，它们都应该是正的，加起来等于100%。

    比如你要在2009年中期交易原油，EWMAC的趋势变化预测为+15，套利Carry为-10，每个规则的预测权重为50%（50%+50%=100），那组合的预测结果为+2.5。

预测权重的选择和设定

    当组合预测时，你如何找到最好的权重？这是一个资产组合分配问题的例子，我们在第四章讨论过。但现在，你要选择的资产权重是对交易规则及其变量的预测权重，而不是选择拿股票的多头头寸或者债券的多头头寸。

    所有标的资产的预测权重可能相同，也可能不同。现在，我将向你展示如何使用我在第四章中描述的手工制作方法来找到这些权重，尽管你如果牛逼觉得舒服的画，也可以使用自举bootstrap。要找到手工制作的权重，你既需要相关性，也需要一种资产分组的方法。你可以对不同交易规则的表现进行回测，以获得相关性的历史估计。附录C中的表56和表57(从308页)给出了同一标的资产内交易规则的一些典型值。

    一旦有了相关性，手工制作方法的下一步就是对资产进行分组。最简单的方法是在特定的交易规则中对变量进行分组，然后跨交易规则进行分配。我们举个简单的例子。假设我们使用上一章的两个规则，趋势跟随(EWMAC)和Carry套利。现在假设EWMAC有三个变量，16、32、64日的移动平均线。套利规则只有一个变量。我是这样计算权重的。

    请注意，我没有向你展示如何在规则之间结合不同的表现、交易成本的影响，或者如何决定不同的标的品种是否应该具有不同的权重。如果你遵循了我在第三章中的建议，没有基于夏普比率来选择交易规则或是拟合，那么你的投资组合可能会存在一些表现比较糟糕的规则，你可能会希望对这些规则减少一些权重。频率高的规则也很可能比慢的规则具有更差的包含交易成本后的表现。我会在第十二章“速度与规模”中详细讨论这些问题。在第四部分的“坚定系统交易者”的例子中，还会有一个更现实的使用表现和成本评估的例子。

先把预测调整绝对值调整到10

    我在第六章中建议，你所有的独立预测都应该具有相同的预期可变性——相当于期望值的绝对值为10。但除非你的交易规则完全相关，否则合并后的预测结果很可能会更小。这与你将不完全相关的资产放入任何投资组合中得到的一般效果是一样的，即整体投资组合的风险总是低于其组成部分。标准差下降的幅度将取决于多样化的程度。

    然而，如果组合预测有一个比较低而且不固定的比例，交易系统的框架就没办法一直保持有用。你需要你的组合预测保持期望值的绝对值为10，和你对独立预测的要求一样。为了解决这个问题，就用组合预测乘以预测多样化乘数。

概念：多样化乘数

    如果你有两支股票，每只都有10%的相同回报波动率，每只都有一半的钱，那么整个投资组合的波动率是多少?这取决于这两种资产的相关性。如果它们完全相关那么投资组合的收益率标准差为10%。但是如果两组资产的相关性是0.5，投资组合的波动率为8.66%。类似地，当相关性是零时，波动率为7.07%。越多样化的投资组合，越具有更低的波动率。

    在这个框架中，我们关注的是将具有相同收益预期平均标准偏差，且已经波动率标准化资产放在一起；要做到这一点，我们需要预测有相同的平均绝对值。

    这个乘数因子就是多样化乘数。如果在简单的两只股票的例子中，两种资产之间的相关性是1.0，那么由于投资组合和组成部分波动率相同(10%)，所以不需要调整，乘数是1。相关性为0.5的话，意味着乘数等于10%的目标波动率除以8.66%的投资组合波动率。所以乘数为10/ 8.66 = 1.15。最后，如果这两种资产完全不相关，投资组合波动率为7.07%，则乘数因子为10/7.07 = 1.44。负相关会得到更高的值，不过这个会导致权重偏移过大，所以我强烈建议你把最低的相关性值设为0。

    你可以使用两个可能的相关源来进行此计算。相关性可以通过回测数据或附录c表格中的经验值来估计。你可以用精确的公式进行实际的计算，或者表18给出的经验法则给的很好的近似值

    图20显示了对两个不相关的预测A和B的影响，我给A和B各50%的权重。它们的范围从-20到+20。但组合预测的变量比我想要的少得多，范围更小，只在-15到+12之间。所以用预测多样化乘数来扩大组合预测可以解决这个问题。

    现在我解释下怎么计算预测多样化乘数。如果你没有回测的预测值结果，那么你可以从附录C(308页)的表56和表57估计可能的相关性。同一规则的选定的变量之间的相关性往往很高，比如高达0.9，但平均约0.7。不同的交易规则但是交易风格一样的画，相关性约为0.5。使用不同风格的交易规则，一个标的品种内交易规则之间的相关性约为0.25。

    对于本章前面的四个规则变化的简单示例，我使用附录C中的信息填充了一个相关矩阵，如表19所示。

    你现在可以使用表18和表19找到四个规则变量的近似预测多样化乘数。表19中的矩阵的四舍五入平均相关系数为0.50，与表18中的四项资产的乘数为1.27。作为比较，使用上面计算的实际预测权重和311页的公式，精确值为1.31。

    最后，提醒一下。如表18所示，如果你的交易规则足够多样化，即使你将负相关性限制在零，也有可能获得非常高的乘数。你 将看到我建议结合预测20的最大价值是有限的,所以有高乘数将意味着有封顶预测大多数时候,和有效的行为,如果你有一个二进制交易规则是完全长或短。（上面内容部分没翻译，所以漏了表18，查阅原著吧，太啰嗦了）

    为了避免这种情况，我建议使用2.5的最大多样化乘数，不管你的实际估值是多少。

把组合预测值限制在20内

    在前一章中，我建议你将独立规则的预测限制在-20到+20之间。然而，在理论上，如果预测多样化乘数大于1，则组合预测有可能超过20，而且通常会这样。举个简单的例子，如果Carry规则的预测和单个EWMAC变量的预测都是+16，每个规则的预测权重为50%，多样化乘数为1.5，那么组合后的预测成了24.25。

    上一章提到的限制单个预测的所有原因同样适用于组合预测，所以我强烈建议你把组合预测的绝对值限制在20以内。

对组合预测的总结

    现在你可以预测某一特定标的品种的价格走势，并准备将其转化为实际的交易。这样做的第一步是决定你愿意冒多少风险投入多少头寸，就像你将在下一章看到的那样。