《打开量化投资的黑箱》作者 里什・纳兰
深入探讨量化交易策略 

里什・纳兰是华尔街顶尖的数量金融投资专家及资深对冲基金经理。
他自 1996 年起涉足对冲基金行业，专注于量化交易策略的研究，
是特勒西斯资本有限责任公司的主要合伙人，还曾是 Tradeworx 公司的联合创始人之一并担任总裁。

全书主体结构分为四个部分。
第一部分介绍量化交易的背景知识；
第二部分详细讲述量化交易策略等 “黑箱” 内容；
第三部分对量化交易进行分析，并指出评估宽客和策略的技巧；
第四部分介绍高频交易、支持高速交易的基础设施、量化交易的传言和真相，
最后一章分析量化交易的当前形势并展望未来。

主要内容：
书中介绍了量化交易的基本概念、历史和发展脉络，
深入探讨了统计套利、趋势跟踪等各种量化交易策略及其应用场景，
还提供了量化交易系统设计与实现指南，包括数据收集、处理、回测和执行等环节。
同时，阐述了量化交易中的风险识别、评估和管理方法，
并对高频交易的特征、技术要求以及市场微观结构对交易策略的影响进行了详细分析。



详细笔记如下：

1. 量化交易的世界
量化交易的定义：
量化交易是人类经过严格研究后得到的交易策略，然后交付给系统去实施，
与主观判断型交易策略的主要差别在于策略的生成及实施方式。

量化交易系统的组成：
由阿尔法模型、风险控制模型、成本控制模型形成投资组合构建模型，并形成执行模型，
模型的构建和执行还必须有高质量的数据。

优秀宽客的特质：
优秀宽客和平庸宽客的区别在于是否具有良好判断，
当出现模型所不能处理的驱动市场变化的信息时，需要人工干预策略执行。



2. 打开黑箱

2.1 阿尔法模型

定义与分类：
阿尔法常用于表述投资者的盈利能力，或与市场波动无关的回报，
阿尔法模型可分为 理论驱动型 和 数据驱动型 

理论驱动型模型：
可细分为趋势型、回复型、技术情绪型、价值收益型、成长型、品质型。
其中，趋势型和回复型依赖价格数据，
技术情绪型追踪投资者情绪相关指标，
价值收益型、成长型、品质型则依托基本面数据。

数据驱动型模型：
基于数据挖掘，通过分析历史数据来寻找交易信号，
但存在选择数据困难、噪声信息易误导等缺陷。

策略实施因素：
包括信号强度、投资期限（如高频交易策略预测期限不超过当前交易日，短线交易策略持仓一天到两周等）、
投注结构、投资范围、模型设定（含条件变量，如修正型和辅助型条件变量）、运行频率等。

混合型阿尔法模型：
把每个阿尔法模型的产出乘以对应的权重再加起来，
或使用非线性模型对不同的阿尔法模型进行组合，以指导构建目标投资组合。

2.2 风险模型
风险管理的目的：
通过对敞口实施有目的的选择和规模控制来提高收益的质量和稳定性。

控制风险规模的方式：
包括设定风险线，如规定头寸规模不能超过投资组合的 3%；
计算不同时期各个产品收益的标准差（波动率），以及给定时间内所有相关金融产品的横截面标准差等。

风险模型的类型：
理论驱动型风险模型专注于已知的或系统性风险因素，有合理的经济学解读，更受宽客青睐；
经验型风险模型根据历史数据来判断风险，但存在数据量与模型自适应能力的平衡问题。

2.3 交易成本模型

交易成本的构成：
主要由佣金和费用、滑点、市场冲击成本三部分构成。
其中，滑点是指交易者决定开始交易到订单进入交易所系统实际被执行这两个时间段所发生的价格变动；
市场冲击成本是指交易者买入或卖出行为对产品价格的影响。

交易成本模型的种类：
有常值型、线性、分段线性、二次型等，
宽客通常会对投资组合中的每种产品单独使用模型，并允许模型随时间变化。

2.4 投资组合构建模型
目标：
决定宽客将要持有的投资组合，主要考虑期望收益、风险和交易成本之间的平衡。

模型类型：
一类是基于规则的模型，如相等头寸加权、相等风险加权、阿尔法驱动型加权和决策树加权；
另一类是基于优化的模型，常用的方法有均值方差优化技术等，需要输入期望回报、方差、期望相关系数矩阵等变量。

2.5 执行模型：

交易方式可分为电子化交易或通过人工，
订单执行算法有市价订单和限价订单两类，大订单可以拆分成小订单执行。

2.6 数据：
基本数据类型分为 价格相关数据 和 基本面数据，
需处理缺失数据和错误数据，避免前视偏差，即使用未来数据。

2.7 研究：
研究的目的是审查投资策略，
表现良好的量化投资策略的共同特征是在研究中坚持科学研究方法，
思想来源包括市场观察、文献、向其他量化交易者学习等，
检验过程对研究至关重要，要避免各种陷阱。


3. 量化交易策略的投资指引
量化交易策略的固有风险：
包括模型风险，如建模不适合、模型错误设置、执行错误；
市场逻辑变更风险；
外部冲击风险；
扩散风险或同质投资者风险

对量化交易的批评：
有人认为交易是艺术而不是科学，量化交易可能引发更多市场动荡，
宽客无法处理非常规事件及快速变化，宽客们交易行为相同，
长期中仅有少数规模庞大的量化基金才能兴旺发展，且量化投资存在数据挖掘过失等问题。

评价宽客和量化交易策略：
评价一个宽客要尽可能了解他所建立的策略，
投资者的优势更多的是内在的或绝对的，
而不是表现为比较优势上，处理逆境需要有好的监测工具。


4. 量化交易的未来展望
量化交易并非完全替代人工决策，优秀的量化基金经理会结合基本面分析和量化信号，形成 “混合策略”。
随着机器学习的发展，传统量化模型正与深度学习结合，以自动提取数据特征，发现非线性关系。