大数据量化交易意义和领先应用思考

大数据分析带来什么

高效的资源利用，通过数据分析，可以更有效的利用更多的资源，进而得到市场高额投资经营回报。

可靠的决策依据，通过数据分析，为企业的经营管理决策提供更为可靠的决策依据，让企业的管理决策更具科学性，更为合理。

方向性的参考，通过数据分析，市场采购、营销、预算及运营评估中，数据分析主导方向性的参考。

经营决策的掌握，通过数据分析，与经营关系的理解，可以充分了解企业经营决策的内容，掌握经营决策的方法

传统交易与大数据量化交易区别

传统交易：

• 分析方法：依据人的经验和判断
• 信息来源：宏观经济
• 投资风格：偏向长期
• 投资标的：某一支或少量股票
• 风险处理：风险考虑不周全

  

量化交易：

• 分析方法：依据算法模型
• 信息来源：海量多维度数据
• 投资风格：偏向短期
• 投资标的：分散化
• 风险处理：风险最小化回报最大化

后者连续27年回报率打败巴菲特

量化交易带来什么

量化交易的成功概率途径主要有：

（1）计算机依靠量化模型给出的信号交易，规避人为情绪因素。

（2）算法交易提高交易的效率

量化交易特征：

• 赌大概率事件，组合对冲为主；
• 克服人性弱点，机器交易为主；
• 精力无限，监控全市场、全产品、全周期；
• 交易精细化，算法交易降低对市场冲击。

案例：文艺复兴科技公司(行业领导者)

从1988年至2015年，公司管理的大奖章基金的净年均收益率约为40%，同期巴菲特的伯克希尔每股帐面年化回报为15.94%，标准普尔500指数年化收益约为10.27%，西蒙斯的投资表现高出巴菲特与标普500均超过20个百分点。文艺复兴公司主要由3个部分组成：电脑和系统专家、研究人员以及交易人员。西蒙斯亲自设计了最初的数学模型。通过对历史数据的统计，找出金融产品价格、宏观经济、市场指标、技术指标等各种指标间变化的数学关系，依据算法结果进行交易。

经营特征：

• 高学历背景：超过90名博士世界级从业人员许多著名学术期刊作者；
• 科学家、非金融工程师：很少的员工有华尔街背景培养解决常见问题的新方法；
• 力争科学严谨：观点必须被统计验证过消除克服以情绪做判断的缺陷。

国内已有平台的问题

国内量化交易平台：BigQuant 、镭矿、果仁网、Ricequant、优矿、Factors等等。2018年12月31日，京东量化平台宣告下线，其他平台该何去何从？

问题分析：

• 策略限制：此类平台只能使用平台自己的分钟K线数据，使用平台自己的语言，降低了客户开发策略的灵活度，对于类似于机器学习预测模型的策略难以开发；
• 交易限制：此类平台普遍采用easyLanguage等语言，而且从自己的服务器读取数据，而不是直接通过CTP读取，因此效率会低一些；
• 研究效率：量化策略很大一部分工作用于参数优化，特别是规则型策略，经常使用网格优化，每个参数取几个值，然后几个参数一起几百组参数来优化。如果使用此类量化平台计算时间会非常漫长。

大数据期货贸易应用方向

第一步：机器学习

对交易、库存、财务等数据进行建模，分析其中显著特征，利用最优算法预测交易策略

第二步：行为模仿

模仿行业专家或对手行为，复制他们的决策过程，并导入可重复的模型框架

第三步：AI操作

对行业、市场、操作等多方面训练，形成一套可以胜率超出人工操作的大数据AI操作系统

大数据应用支撑，数据来源

行业强相关数据：

某大宗商品历史期货价格、供需差、供应端利润、下游利润、区域价差、发货量、库存量、产业链数据等等。

另类数据：

• 个人活动产生的数据：社交媒体、新闻稿和评论、搜索引擎数据、网络搜索量和点击率等；
• 商业活动产生的数据：交易记录和信用记录等；
• 高科技监测获取的数据：卫星监测图像、地理定位和气候变化数据等。

大数据应用支撑，算法模型

决策树、C4.5、CART算法、BP神经网络、支持向量机、 网络、随机森林、KNN、EM期望最大化、SOM算法、K-means算法。

涉及的具体工具：SAS/Base、SAS/STAT、SAS/GRAPH、SAS/ETS、SAS/ASSIST、SAS/INSIGHT、SAS/Enterprise、SAS/IML、SAS/ACCESS、SAS/CONNECT。

大数据应用支撑，行业指导

• 行业理解：大宗商品行业领袖业务多年以来对行业大宗商品的认知与理解，以及相关上下游产业链情况的把控；
• 事件判断：基于长期期货市场各种情形的经历，累积丰富的期货经验，对各类行情走势提供经验支撑；
• 操作方式：长期以来的期货市场经验，形成属于自己的操作方式，何时买入卖出，买入卖出的多少等等。

系统实施阶段规划