加密数字货币的量化交易概览

（一）量化交易的定义及架构

量化交易的基本定义，是利用统计学和数学的方法形成交易策略，通过计算机技术与程序进行交易的自动化实现，以获得稳定、超额回报的一种交易手法。

1.量化开发

从流程上而言，量化交易的开发可以分成以下几个步骤：

（1）数据收集

对于目标市场上的所有数据进行收集和统计性分析的过程，这些数据主要包括量价数据和基本面数据，在数字货币领域又可以分为链上交易数据和链下交易数据，或者说交易所数据。这个步骤的主要目的是为之后策略的识别、分析、建模提供基础的数据池。

（2）分析建模

首先需要根据可得数据的情况确定策略的方向和目的，诸如使用趋势追踪类型的CTA策略或者风险中性的套利型策略。根据收益的风险偏好程度对策略进行筛选，以符合自身的收益预期，同时根据所得数据和当前的市场情况来对各个策略的有效性进行判别，最后选出既符合风险收益预期又适应当前市场状态的策略组。

在确定策略方向和逻辑之后寻找合适的模型，根据模型的需求来对数据进行清洗和标准化处理，将数学模型和市场规律进行结合，明确策略逻辑框架，建立并设定好策略的触发条件、交易的执行逻辑和内嵌的风控机制。

（3）策略开发

将上述策略进行代码化实现，优化策略的运行逻辑，保证策略实际运转的高效和可行性，形成一套完备完善的自动化程序。

（4）回测和模拟运行

使用历史数据对开发出来的交易程序进行回测，根据回测结果调整参数，实现最优收益；同时要注意避免对过去数据的过度调优，使得策略在未来的市场环境中失效。

对调参之后的程序进行模拟盘测试，保证在模拟期间能够稳定运行，并根据结果再次调优。

（5）实盘交易

由于深度和滑点的问题，模拟交易与实盘交易仍然会存在较大差别，因此在考虑资金对市场的冲击成本之后，策略需要根据实盘交易的情况再次调整，最终形成一套能够在当前市场有效运行的量化交易策略。

2.风控系统

除了策略的形成以外，量化交易还需要一套严密的风控系统架构对策略端进行监控和限制，以减少最大回撤和极端风险。风控系统主要分为事前风控、过程风控和汇报总结三个部分：

（1）事前风控

①标的审核。

开仓标的是否在系统候选标的范畴；如果允许开仓，是否满足总账户对总持有标的限制。

②仓位审核。

是否满足单策略开仓的仓位条件；如果允许开仓，是否满足总账户资金的风控条件。

③开仓汇报。

开仓通过：汇报具体开仓信息；开仓未通过：汇报开仓请求和未通过原因。

（2）过程风控

①策略持仓清单监控。

实时监控已开仓的策略因子情况；监控各个策略因子的盈亏情况。

②策略持仓占比监控。

监控开仓策略因子占比，以免发生同种策略重复开仓，导致该策略因子权重过高。

③最大回撤监控。

单策略最大回撤监控；复合型策略和最大回撤监控；总账户最大回撤监控。

④应急措施。

策略异动监控；单策略止损；总账户止损。(www.xing528.com)

（3）汇报总结

①实时总账户情况监控。

持有策略清单监控（与过程监控中组呼应）；总盈亏；总仓位。

②定期汇报机制。

当日开仓策略；当日平仓策略；当日策略表现；总策略汇报。

③平仓汇报机制。

策略平仓后汇报该策略表现情况（开仓后该策略盈亏曲线，系统指标评测）。

在形成了一套完整的风控策略之后，整个量化系统将得到完善并达到投入实战运行的标准。除此以外，大部分量化团队还会引入独立的监控报警系统和账户管理系统来保证运维的顺畅和稳定性。

（二）量化交易的特点

1.时效性

量化交易中策略的形成是基于历史数据的统计性分析，因此所有的策略都具有时效性。

由于波动率变化、市场参与者组成、流动性等因素的变化，在之前运行情况良好的交易策略可能会在后续的市场中失效，因此，量化团队需要不断的观察市场，收集数据，总结交易规律，寻找盈利机会，更新迭代策略模型。尤其是在数字货币领域，市场环境的变化频率较其他交易市场更加迅速，只有不断研究和改变的团队才能在市场中获取持续收益，同时对各类风险的把控也是量化团队能够存活下去的必要路径。

2.程序化

量化交易是基于既定逻辑的自动化交易，其目的不仅在于及时捕捉行情，更重要的一点是剔除交易者的主观情感，减少交易者心理效用的影响，从而保证交易逻辑能够始终如一的执行下去。

量化团队由于本身的主观判断而过多干预量化策略的行为，通常会降低策略的有效性，此时应当相信数据和概率得出的答案，保证交易程序的一致性，只在必要时进行主动干预。

3.从非有效性中获利

量化交易的本质是利用市场的非有效性获取利润，不同策略逻辑的共同目的都是利用价格对信息的相对偏移。

举个例子，反转策略是利用交易者追涨杀跌的非理性心理，在交易标的超跌或者超涨的情况下进行交易，使其回归均衡估值并从中获益；多因子模型中的市值因子是利用公允价值和实际账面价值的均值回归，从而鉴别股票的高估和低估现象，通过买入或卖出价值股或成长股，构建投资组合实现超额收益；事件驱动策略是利用公开事件的PEAD（Post-earningsannouncement-drift），即盈余惯性效应，对尚未融入股价的价格波动进行交易，在信息尚未反映在价格中之前进行交易。

套利策略更是利用了市场中的噪声交易行为以及资金转移的时差和供需关系的偏移所造成的市场之间、交易标的之间以及不同衍生品之间的价格偏差，以帮助市场实现无套利均衡。

现代金融的奠基人尤金·法玛在1970年提出了“有效市场理论”，该理论指出，在特定的假设下，证券市场中的股票的价格可以反映所有的可得信息。在弱势有效市场中，这些信息主要指股票的历史数据，因此股票价格技术分析失效；在半强势有效市场中，所有公开信息都被反映在股价上，因此基本面分析失效；在强势有效市场中，所有信息都被反映在股价中，因此内幕消息也将失效。

量化交易正是在非有效市场中运行，消除各个市场中的资产定价偏误，并驱使市场向有效方向进行发展的重要工具。因此量化交易的本质性意义在于寻找资产的错误定价，通过程序化交易促使价格回归正常，在获取收益的同时消除市场的非有效性。

（三）数字资产市场量化交易与传统金融量化交易的区别

由于市场参与者和游戏规则的不同，数字货币交易市场中的量化交易与传统金融的量化交易存在较大的区别。

1.市场状态

相较于传统金融市场，数字货币市场作为一个新兴的交易市场，存在流动性差、市场监管不健全、基础设施建设不足的特点。因此数字货币市场的有效性相对于传统金融行业而言要低得多。

对于量化投资而言，数字货币市场的机会与风险并存。机会在于市场机构玩家较少，非理性投资和噪声交易者在市场中占据主导地位，因此价格的传导存在滞后性。传统金融市场上的异象在数字货币市场被放大，量化交易的波动率水平和收益率也被放大。传统市场上年化30%的收益率，在数字货币市场上能够扩大到60%—100%，对于一些较早期进入的量化团队而言，这个数据甚至可以扩大到5—10倍。

当然，根据风险收益的原理，高收益必然对应着高风险。由于市场体量的原因，数字货币市场很容易被操控，黑天鹅事件所造成的影响远远大于传统金融市场。短时间剧烈的行情波动很容易造成策略中杠杆系数过高的团队爆仓或者止损出场，很多在早期收益率极高的团队因为一次巨额亏损就会被市场所淘汰。除此以外，交易所故障也是造成量化团队亏损的原因之一，由于交易所API的稳定性不足，某些交易所在行情剧烈变动时会出现过载或者拒单的现象，对于风控措施不到位的量化团队来说，程序无法正常运行，止损指令无法得到执行，一些风险中性的策略会被暴露出极大的风险敞口，亏损随之产生。

2.交易品种

在传统金融市场中，量化投资可以交易的金融工具种类繁多，主要包括现货、期货、指数产品、基金产品、期权合约等，因此可以构建的交易策略和金融工具组合也相对更多更灵活。相对于传统金融市场大量的衍生品品类和各种金融工具而言，数字货币市场上可交易的金融产品品类是极为稀少的。目前数字货币市场上可以交易的金融产品主要是现货、交割合约、永续合约以及期权产品，在不同交易所中，这些金融产品还存在或多或少的流动性问题。同时这些金融衍生品的定价、设计以及结算机制也十分不健全，数字货币市场并没有一个真正可以作为行业标准的指数产品，也缺乏专业的公允价值计算体系，因此在量化交易策略的开发层面上会受到诸多限制，量化策略的冲击成本较高，导致容量的被迫降低。

3.策略逻辑

传统金融市场上交易的标的，一般会有基本面作为支撑，比如投资公司的财务状况、盈利拆分，整体行业的发展趋势和宏观经济政策的影响。利用这些基本面因子，可以在量化策略中构建相应的逻辑体系，无论是进行选股还是择时都有较为客观的参考意义。然而对于数字货币市场而言，虽然也有链上数据分析、项目技术进展、代币筹码分布等基本面因素，但是在实战过程中可以发现，这些因子的有效性极低，大多数数字货币量化团队构建策略所采用的数据基本上还是技术分析中的量价数据。而这些数据也很容易被操控和误导，同时由于市场环境变化速率的影响，量价数据的改变要求量化团队进行快速的策略更新迭代，因此传统量化交易策略的适应性在数字货币市场上会经受较大的考验。

总而言之，对于量化交易而言，数字货币市场是一个充满了机遇和不确定性的沃土，只要能够迅速把握市场规律并做好严密的风控措施，市场的非有效性在这里将会成为每一个量化团队获取收益的源泉。