高频交易由交易方法论演化而来

那些倾向于依靠技术分析决定何时进入或离开某个头寸的经纪商，对高频交易的反对声最高。技术分析是最早的交易技术之一，受到很多交易商的青睐，从很多方面来看，技术分析是今天复杂计量经济学和其他高频交易技术的先行者。

技术分析师最早兴起于1910年早期，他们力图识别证券价格重复出现的模式。技术分析中所使用的很多技术，是测量当前价格水平和移动平均价格的相关性，或者移动平均价格和价格标准差之间的组合关系。例如，技术分析中有一种比较著名的指数平滑异同移动平均线（MACD），它使用三个指数移动平均线产生交易信号。高级技术分析师会结合当前市场活动或一般市场条件来看待证券价格，以此来更全面地了解市场价格未来的波动。

在20世纪上半叶，技术分析出现繁荣景象。当时交易的技术方式还处在电报和气动输送管时代，主要证券的交易复杂性比今天低得多。由于信息无法快速传递，故而限制了股票转手的手数，信息变化无法快速地影响价格，使得当时潜在的证券供求情况依靠图表来显示。前一天的交易情况在后一天早晨的报纸上才能看到，这足够技术分析师基于发布的信息，成功地推测出未来的价格走势。在第二次世界大战后的十几年里，交易技术开始蓬勃发展，分析技术成了一个自我实现的预言。

例如，如果足够多的人认为，在一个特定的工具中，“头肩”（head-and-shouders）形态之后将会是大幅抛售，那么所有相信的人，在看到“头肩”形态后都会抛盘，从而真实地实现了预测。随后，机构投资者发展到使用超级计算技术的高频计量经济模型，卖掉了技术形态模型。现在，低频交易的技术分析，如日间隔或周间隔，被边缘化到只用于最小、流动性最低的证券，因为它们的交易频率非常低——一天或一周才交易一两次。

一些技术分析，如动量或布林线指标，已经被现在宽客成功采用，并扩展到所有的投资频率中。一直以来，投资者的人性倾向于把资金放入几个月内就能见效的策略中。因此，过去几个月有效的策略，在接下来的几个月中很可能也有效，形成一个交易的动量，这个动量靠使用简单的移动平均线指标或更复杂的量化工具能够被发现。同样地，布林线检测了预先设定的价格和标准差与均值的偏离。统计套利的概念扩展了布林线，比如检测价格与长期价格均值之间的偏离。在被称为配对交易的交易实操中，交易商就是用这种方式辨别价格被高估和低估的金融工具——当其中一种金融工具的价格超过另一种，而且差值超过预定数量的标准差。更常见的是，宽客用布林线的概念来测定均值回归过程以及交易金融品种，他们希望测定的均值能够保持稳定，用统计的概念来说就是“平稳性”。

另一个重要的投资和交易技术就是大名鼎鼎的基本面分析，该技术起源于20世纪30年代的股票市场，当时交易商注意到，未来的现金流（如股息），影响市场价格水平。从那时起的现金流被贴现到当下的时间点，从而得到证券合理的市场现价。格雷厄姆和多德（1934）是基本面分析法最早的提出者，他们的方法至今仍深受欢迎。多年来，“基本面分析法”这个专有名词的含义已经被扩展，比如没有明显现金流的证券定价现在也包含其中，该现金流基于预期的经济变量。例如，今天汇率的基本测定暗含着基于宏观理论的汇率均衡估值。

基本面分析在20世纪的大部分时期都在发展壮大。今天，基本面分析是指基于价格会移动到供给需求关系（经济学理论的基础）预期上的交易。在股票市场中，微观经济模型是适用的，股票价格仍然常常通过未来现金流的现值来确定。在美国以外的交易所，宏观经济模型最盛行，模型通过使用通胀、不同国家间的贸易均衡，以及其他宏观变量的信息来确定预期的价格水平。衍生品通过先进的计量模型进行交易，这些模型包含了基础工具价格变动的统计特性。基础商品交易分析并匹配现有的供给和需求。

与市场微观结构一样，基本面分析的不同因子也是许多高频交易模型的输入项。例如，对于事件套利中的交易，动量的反应伴随着证券价格由于基本面信息更新而产生的调整。新事件发生的时间和日期通常是提前就为大家所知的，而且新闻的内容通常在公告新闻时被揭示。在高频事件套利中，基本面分析可以用来预测经济变量在被公布时的基本面价值，这是为了能不断完善高频交易过程。

与一些精选出的技术模型一样，宽客也采用一些基本面模型，他们提升了自己模型的精准度并且大幅度加快了模型对相关数值的计算过程。当一家公司发布利润公告时，宽客会快速重新计算出其股票的公允价值并从中获利，而基本面分析交易员只能在Exce电子表格中进行普通的分析。

在宽客的竞争中，速度无疑是最显著的一个方面。谁的数量模型运行得最快，谁就能第一个识别出基于市场无效的交易，并且获取最大的收益。为了提高交易速度，交易员开始依靠高速计算机来做出交易决定并执行。技术的发展使得交易所可以适应新的科技驱动型氛围，并且为交易提供方便的对接。从计算机系统开始处理大量的实时运行数据，做出并执行买卖的决定之后，计算机化交易就以系统化交易为人们所熟知了。

高频交易在20世纪90年代开始发展，这得益于计算机技术的迅速进步，以及交易所采用的新技术。从一开始的基本订单执行，到现在最尖端且涵盖面极广的交易系统，高频交易已经发展成为百亿美元级别的产业。

为了保证系统化交易执行的最优化，算法按照模仿传统交易员所设立的执行策略来进行设计。直到今天，算法交易常指自动化的“最优执行”过程，也就是说，一旦买卖决定是由系统化交易过程的另一个部分或基金经理做出时，这些买卖决定就是最优化的。根据当前市场的情况，算法交易可以决定如何处理一个订单：是激进地执行（按照一个接近市价的价格），还是被动地执行（按照一个远离当前市价的限价）；是以一笔交易，还是拆分成多个小的交易来执行。正如前面所提到的，交易算法并不总是做出资产组合配置的决定，关于何时买卖何种证券的决定是被设定成受外因影响的。

过去几十年中，由于计算机技术的快速发展，高频交易变得全自动化，这使得交易柜台的利润飞速增长，并且激励人们进一步将技术发展下去。交易柜台把昂贵的交易员替换成便宜一些的交易算法以及其他高级计算机技术，并通过这种替换实现了成本的节省。同人类交易员相比，机器执行的直接、准确以及果断的特性在银行从传统交易切换到系统性交易的决定中发挥了很大的作用。没有隔夜头寸可以直接节省隔夜头寸的持有成本，在危机事件驱动的信贷紧缩情况以及高利率的环境下，这是一个特别值得重视的问题。

因为买方投资者的需求，银行也开始采用并发展高频交易。反过来，对于机构投资者，大量资本的进入、更短的锁定期限以及日常信息的披露，也使得它们需要采用高频交易。机构以及零散投资者发现，基于日内量化交易的投资产品与传统的购买持有策略有着很小的相关性，这可以为他们的资产投资组合增加纯回报，也就是阿尔法。

在《多德-弗兰克法案》 下，银行被迫关闭许多自营业务，但其中不包括高频交易。在一些特定的银行，原来主营高频交易的做市商功能仍然非常活跃。在做市功能中，现在运行所动用的资金是客户的资本，而非银行自己的资本，它常被称为交易前对冲（prehedging）。

随着计算机技术的不断发展且价格不断降低，高频系统一定会在市场中扮演一个更加活跃的角色。然而，为了区别高频交易、电子化交易、算法交易以及系统化交易，我们需要特别谨慎。图1-6展示了高频交易、系统化交易以及传统长期投资风格之间的区别。

系统化交易指的是计算机驱动的交易决策，其有效期可能是一个月、一天或一分钟，因此其可能是也可能不是高频的。一个系统化交易的典型例子：一个计算机软件每天、每周甚至每个月运行一次，接收每天的收盘价，输出投资组合配置的矩阵，并且发出买进或卖出的指令。这样的系统不是高频系统。

另外一个常与高频交易一并提及的概念是电子化交易，但它们不是同义词。电子化交易指的是通过电子化的方式来传送委托订单的能力，与其相对立的是通过电话、邮件或个人亲自来传送订单。在当今金融市场中绝大多数的委托订单都通过计算机网络来进行传递，因此电子化交易的概念已经迅速变得过时了。

算法交易比电子化交易更复杂，它包含各种各样的算法，覆盖了订单执行过程和高频投资组合配置决定。执行算法的设计目的是，无论何时何地一旦做出买进和卖出的决定，最优化地执行交易。算法执行做出的决定包括：将委托订单传送给交易所的最优方式；如果一个提交的订单不要求马上执行，算法执行将选择一个最优的时间点来执行这个订单；订单按照规模大小的顺序进行的最优处理。算法产生高频交易的信号，以做出投资组合配置以及进入或结束一种特定证券头寸的决定。例如，当收到一个要求购买100万IBM股票的订单时，算法执行决定以100股为一个单位来按单位逐步购买，从而防止价格突然急剧上涨的风险。当然，执行算法所做出的决定可能是也可能不是高频的。然而，一个算法如果被设定用来产生高频交易信号，则它也会做出购买100万IBM股票的决定。接着，高频信号会被传送到执行算法中，从而决定订单最优的执行时间和传送路径。

成功实现高频交易需要两种类型的算法：产生高频交易信号的算法和最优执行交易决策的算法。本书包含了两组算法：为产生交易信号所设计的算法（参见第8~11章），以及为执行命令设计且隐藏信息的算法（参见第15章）。第14章也包括了高频交易操作中管理风险的最新算法。

2012年《自动交易》（Automated Trader）杂志进行的调查结果阐述了算法执行的目的，图1-7展示了全面的调查结果。除了之前提到的和采用算法交易有关的因素，如绩效管理和报告，买方和卖方经理也声称交易决策和投资管理需求驱动了他们对于算法的使用。

真正的高频交易系统能做出全面的决策，通过最优投资组合配置，识别出定价过低或过高的证券到最优执行。高频交易与众不同的特点是，空头头寸持有时间为一天或更短的时间，通常持有头寸不超过一个晚上。因为它们快速执行的特点，大多数高频交易系统是全系统化的，并且也具备系统化交易和算法交易的特点。然而，所有系统化交易和算法交易平台都不是高频的。

执行一个算法命令的能力对于一个给定金融工具里的高频交易来讲是先决条件。正如第3章将要讨论的，一些市场还不适用于高频交易，因为这些市场交易大多数是场外交易（OTC）。根据艾特集团（Aite Group） 进行的研究，在所有资产类别中，股票是运用算法执行最多的。截至2010年，超过总数50%的股票由算法操作。如图1-8所示，紧随股票之后的是期货。在算法执行中，外汇、期权和固定收益类也在发展，但并不如前两者明显。固定收益类金融工具的发展迟缓，可以归因为电子化交易发展的相对落后，其原因是很多固定收益类交易通过场外交易进行，因而很难实时同步执行。

而致力于高频交易业绩的研究，很少有数据涉及长期买进并持有策略，大量证据表明，大多数计算机驱动的策略是高频交易策略。系统化交易和算法交易能够满足交易应用程序执行速度快、精度高以及高频的大量分笔数据分析的需求。系统交易在多个主要绩效指标上比人工交易表现出色。例如，Adridge（2009）表明，以詹森指数（Jensen’s Alpha）公式 （Jensen，1968）计算系统交易基金一直比传统交易操作的业绩优异，该指标用来衡量交易剥离了市场宏观影响后的盈利能力。Adridge还表明，在危机时期，系统性交易基金的收益率也优于非系统性基金。这可以归因于与情感驱动的人类交易员相比，系统化交易策略不存在影响交易的内在情绪。

此外，计算机在基础任务，如信息收集、快速分析大量报价和新闻上，也比人类表现出色。从生理上而言，肉眼无法捕捉每秒50多条数据，电影艺术这个与交易完全无关的产业可证明这一点。现代电影中，肉眼如果看每秒24帧，大多数观众就觉得流畅无缝接。而且，大多数的图像显示在连续帧中，包括不断移动的物体。相比之下，现代金融信息包含了剧烈的跳跃式报价，仅仅一个金融交易品种，每秒可以轻松超过1000条。检测跨金融品种的信息更是多得溢出，涉及多个资产和资产类别的数据处理，在本书第15章也会讨论。有效地处理大量信息是交易获得盈利的关键，反技术的人几乎没有成功的机会，高频交易将取而代之。 cGfdqF/Y1KnnS3+2oHrnzhWtWw1VjhvATluxvNcrTmDRHl/8gNKMGfvpyq3AL+UX