# Introduction to Quantitative Trading

## 1. 何謂量化交易（Quantitative Trading）?

在現今的科技模式下，以大數據分析、佐證、比較資料已是一種必然的發展趨勢，而量化交易即是應用在金融、投資領域的最佳例子。

常見的量化交易通指在數學、統計基礎下，以歷史資料回測或用各類數據分析建構交易模型，達成損益，是一種具紀律性且穩定的交易模式。若要用一句話概括，便是把從前投資人在做的事，交由電腦完成並獲得收益。

## 2. 和傳統交易的分別?

在傳統以人類為主體的交易中，投資人需要花大量時間盯盤、尋照標的，還可能受到情緒起伏或不可靠的消息面影響，導致交易績效不佳，而量化交易便可有效解決這一系列問題，用最少量的時間將收益最大化，下面提供比較表格。

| 方法 | 傳統交易 | 量化交易 |
| --- | --- |--- |
|投資策略 |主觀經驗法則 |歷史資料演算，根據回測，在達成交易訊號時執行。
可交易時間 |扣除睡眠、吃飯、疲勞等時間。|24小時 。
速度 |慢 |極快
可關注商品數| 因人而異，通常不超過十檔。| 上百個金融市場，甚至更多。
驗證績效可能性|難以驗證| 可透過程式回測、復盤。

參考: [元大量化分析入門教學](https://www.yuantafutures.com.tw/investment_school_03?fbclid=IwAR0kN8Za7JsVb_qacvCEai2lSAaGafjvapUbR7TwItpoFGKrWXyRjPL1-cc)

## 3. 量化之父-James Harris Simons

### (1) 學術生涯

詹姆斯·哈里斯·西蒙斯(James Harris Simons)，1958年畢業於麻省理工學院數學系，並於1962年取得伯克利加州大學哲學博士學位。1964年至1968年間，他在國防分析研究所 (IDA) 通信研究部擔任研究員，並在麻省理工學院和哈佛大學教授數學，於1968至1978年擔任紐約大學石溪分校數學系主任。西蒙斯的數學研究主要集中在流形幾何和拓樸領域。1974年與陳省身發表了陳-西蒙斯定理，描述三維拓樸量子場論，於1976年獲得AMS Oswald Veblen幾何獎。對幾何、拓樸、物理學貢獻卓越。

### (2) 金融投資生涯

1978年西蒙斯離開石溪分校，與IDA前同事一起創立了Monemetrics公司，並發行利姆羅伊對沖基金(Limory Fund)，主要鎖定外匯市場，透過數學化的方式分析大量數據，形成交易模型，當出現信號時程式自動進行買賣。這種交易方式在當時的華爾街並不流行，且因當時網路基礎設備並不發達，在交易和資料蒐集上碰到許多難關。

1982年Monemetrics開始將目標轉為一級市場科技公司，因此改名為文藝復興科技公司(Renaissance Technologies LLC)。1978至1995年間，因交易策略的看法不同和前景問題，創始成員漸漸退出公司，至1988年文藝復興已經成為幾乎由西蒙斯主要管理的公司，同時也在這年關閉了Limory Fund，推出了大獎章基金(Medallion Fund)。

1993年西蒙斯從IBA挖腳了彼特·布朗和羅伯特·莫瑟，一同改進交易模型，量化策略由原本舊基金的長期持倉方式，改為抓住短線異常趨勢，指標、信號區間也縮小到分鐘級別。從1988至2018年皆維持66%的平均年化收益率。並在1990年至2000年，大獎章基金的夏普比率維持在2.0上下震盪，達到S&P500指數夏普比率的兩倍，績效相當驚人。在多次改良交易技術和加上國外市場演算法後，2003年夏普比率來到6.0，也就是說以年為尺度來看，大獎章基金幾乎沒有任何虧損風險。同為參考，巴菲特的投資公司波克夏(Berkshire Hathaway)在1976至2011年夏普比率為0.76，已經高於其他股票或對沖基金公司許多。由此可見大獎章基金的績效是多麼優異。這種新興的交易模式──量化交易，也引領了接下來華爾街的一場革命。

夏普比率 : \begin{split}\mbox{Sharpe Ratio}=\dfrac{E(R_P)-R_f}{σ_P}\end{split}

$E(R_P)$: 投資組合年化報酬率

$R_f$: 年化無風險利率

$σ_P$: 年化報酬率標準差

## 4. 量化交易的三大特性

### (1) 絕對的紀律操作

在傳統交易中，紀律操作是非常中重要的一環，大多數投資人常因情緒波動、親朋好友影響而無法遵守紀律，即使有了明確的交易指標，如KDJ、布林通道等，也還是可能因為人性的貪婪與懼怕導致即便到了停損、停利點也遲遲不肯出場。

而量化交易恰恰相反，在編寫程式初期，投資人便會建立一系列的交易模型(Transaction Model)，同舉上述的KDJ為例，可能建立在K超過D時進場，J線超過100時進行停利，當在運行這個技術分析模型時，程式便會完全遵照指標所寫，該停損就停損、該停利就停利，不會有絲毫猶豫與遲疑。

但這特性既是缺點也是優點，好似雙面刃般，當投資人的模型足夠全面、能應對市場大部分情況時，就可達到穩定獲利，但當模型有缺陷，或策略錯誤時，便可能產生持續虧損，需人工重新編寫。

### (2) 全自動觀測多種金融市場

普通的投資人沒辦法進行24小時全年無休的看盤，且金融市場、金融商品又有百百種，設想一下，一位投資人要同時兼顧台指期、台股、美股、港股、各類期貨與選擇權，還要達到穩定獲利，一聽就是天方夜譚吧。

而量化交易完全可以做到，因為程式並不像人類一樣需要休息，同時能監測運算的資料量和速度也比人腦強大許多，甚至如果電腦效能條件足夠優秀，便可達到幾乎無上限的監測各類金融商品、市場。

但追根究底程式還是由人類所撰寫，如果編寫人本身對金融商品、期貨等概念的了解不夠全面，或程式的能力根本不行，就很可能變為程式在執行時，自己還要不斷的盯著程式有沒有出問題，雖說這也是量化交易在進行排除錯誤的必經過程，但如果總是對編寫出的程式沒有信心，便無法達到真正意義上省去時間，「全自動」的交易模式。

### (3) 不斷回測，透過歷史預測未來
這是量化交易中最獨特，同時也最重要的特性，在傳統交易中，投資人並無法有效利用過去的資料，來推測出未來可能發生的情形，最多記得一些關鍵點位，在碰觸時進行操作而已。但量化交易並非如此，因為這正是建構在龐大金融歷史資料演算、不斷回測得到的交易模式，會依照歷史績效的最佳化交易訊號來進行操作，但即使如此還是不能保證交易一定獲利。

金融市場每時每刻都在改變，其中還有許多不確定因素，就算程式執行的都是歷史績效最佳化的結果，也無法做到100%精確，更甚至如果遇到1997年金融風暴、美股閃崩事件等突發性股市崩盤，將很可能無法應對，在這種情況下量化交易便無法像優秀的交易員一樣，根據當下市場狀況來做出最好的決策，解決這種狀況並完成應變對策也是目前量化交易的主要課題之一。

## 5. AI量化交易和傳統量化交易的差別

AI量化交易是傳統量化交易中的一條分支，最主要的差異在於人類的介入程度。傳統量化交易中，由人類先對市場進行分析、預估、提供參考指標，並人為建構交易模型後再交由電腦執行，如(1)所述，雖說這種交易模式具強大的紀律和穩定性，卻有個致命的缺點──無法及時因應市場改變。

AI量化交易的出現便可有效改善這一缺點，其所具備的自我學習特性，將可在大盤跌宕起伏、快速震盪或發生突發事件時迅速找出方向，並自我修正，達到最佳化收益。

早期這類技術被稱為類神經網路或遺傳演算法， 隨著2010第三次AI浪潮的推動，各類高性能電腦和大數據演算模式如雨後春筍般冒出，運算能力革新和處存資料的成本下降，使AI量化交易成為量化交易中急速躍進的分支之一，時至今日，雖說AI量化交易還處在發展階段，但不可否認的這種新興交易模式已經對市場帶來極大的改變與影響，隨著AI交易模式竄起，主觀交易和傳統量化交易也逐漸受到考驗，那身為交易者的我們，該如何應對這一浪潮呢?

## 6. 對金融就業市場帶來的衝擊

人工智慧(artificial intelligence)和機器學習(Machine Learning)已經在股票市場預測、投資組合管理和資產配置等領域大量應用，參考BCG&CDRF的報告(2018)，AI對金融就業市場的影響主要分為三大面向，分別是裁員、提升工作效率和工作創新。前兩者將對現有職位帶來影響，而後者則透露出AI對金融就業市場的正面影響。一個職位是否面臨裁員取決與其手動作業的核心價值是否容易被AI取代，也就是說，當一個職位的核心價值可以被AI取代時，這個職業在未來就很有可能完全消失，但若該職業的核心價值無法被AI完全取代，還是需要由人工進行主要操作時，AI便只能進行輔佐，其所帶來的影響即是提升工作效率。

參考: [The-Impact-of-AI-on-the-Financial-Job-Market(BCG&CDRF 2018)](https://image-src.bcg.com/Images/BCG-CDRF-The-Impact-of-AI-on-the-Financial-Job-Market_Mar%202018_ENG_tcm9-187843.pdf)

## 7. AI量化對金融交易市場造成的影響

AI量化技術在目前仍需高度門檻，需大量財金和資訊工程專業知識，並非一般散戶投資人能輕易跨足，但隨著該技術被越來越多的外資、投行採用，主觀交易和傳統量化交易者的獲利空間也逐漸受到威脅。可以預見的是，

## 參考資料

- [Impact Of Artificial Intelligence And Machine Learning on Trading And Investing](
https://l.facebook.com/l.php?u=https%3A%2F%2Ftowardsdatascience.com%2Fimpact-of-artificial-intelligence-and-machine-learning-on-trading-and-investing-7175ef2ad64e%3Ffbclid%3DIwAR0WkAgI29IJ8XIQWxAX6NTTF8XIplpriEY2YLYvjzFrsuM6IWF2xjaz-gc&h=AT0WpAMHklPrCZs1TurRJkwO5auTAL2aPCJTc-NiBuuV6jIWW1qEqkn8J-XipRJJ5zueGrF3nS79er7KdXJ6DAyIc6vHTuCVL9_xwnsy58BU2P8h62uzqp0J_gtznG8U8-H-ag)
- [量化分析入門教學](
https://www.yuantafutures.com.tw/investment_school_03?fbclid=IwAR0kN8Za7JsVb_qacvCEai2lSAaGafjvapUbR7TwItpoFGKrWXyRjPL1-cc)
- [程式交易是什麼？](
https://winsmart.tw/trading_knowledge/%E7%A8%8B%E5%BC%8F%E4%BA%A4%E6%98%93/?fbclid=IwAR2PRvSfd8t0_7u2UG-Et7idEBV8qb0jcpRmXBivMJ-bYOgKgTPwY2tl5xI)
- [AI and Machine Learning in Quant Trading... Is it all hype? Is it a revolution? What are some issues?](
https://www.linkedin.com/pulse/ai-machine-learning-quant-trading-all-hype-revolution-henry-booth)
- [淺談AI交易與 傳統量化交易的差別](
https://www.moneyweekly.com.tw/Magazine/Info/%E7%90%86%E8%B2%A1%E5%91%A8%E5%88%8A/32892/?fbclid=IwAR14sOPhwHGICd81aS_VNdB4Q-8zxmpJAZx10n3a4527Tg_rpeL84ADF09g)
- [The Power of AI in Finance and Algorithmic Trading](https://www.datacamp.com/community/blog/ai-finance-algorithmic-trading)
- [How AI Trading Technology Is Making Stock Market Investors Smarter](https://builtin.com/artificial-intelligence/ai-trading-stock-market-tech)
- [Quantitative Trading](
https://www.investopedia.com/terms/q/quantitative-trading.asp)
- [Jim Simons (mathematician)](
https://en.wikipedia.org/wiki/Jim_Simons_(mathematician))
- [The Man Who Solved the Market: How Jim Simons Launched the Quant Revolution](https://sites.google.com/gebook.zya.me/derbooke23/pdfepub-download-the-man-who-solved-the-market-how-jim-simons-launched-the-quant-revolution-by-gregory-zuckerman-free-book)