一、什么是量化對沖基金?
站在用戶的角度思考問題，與客戶深入溝通，找到哈密網(wǎng)站設計與哈密網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗，讓設計與互聯(lián)網(wǎng)技術結(jié)合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：成都網(wǎng)站建設、成都做網(wǎng)站、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣、域名申請、網(wǎng)絡空間、企業(yè)郵箱。業(yè)務覆蓋哈密地區(qū)。
? ? 量化對沖基金的盈利模式很簡單，就是發(fā)基金產(chǎn)品，然后提2%管理費（產(chǎn)品總規(guī)模的2%）+20%業(yè)績提成（產(chǎn)品收益的20%）。對沖基金的一大特性是杠桿，借入資金，獲得杠桿和高收益率，“對沖”是字面的假象，并非是做多空對沖，而是杠桿買賣。
? ? 七虧兩平一賺的道理哪里都適用，不管是餐飲行業(yè)還是互聯(lián)網(wǎng)行業(yè)，不管是證券私募基金（PE），還是量化對沖基金，包括華爾街的對沖基金行業(yè)也一樣，大部分都是虧貨，最終都倒閉破產(chǎn)了；少量盈虧平衡，做的平庸無奇；屈指可數(shù)的極少數(shù)功成名就，做大做強，發(fā)大財出大名，留下神話般的業(yè)績和偉大的傳說，索羅斯西蒙斯這類型，華爾街百年歷史也就那么幾個，屈指可數(shù)，可見這個行業(yè)競爭是有多激烈，多殘酷，存活率有多低。所以不要總看到量化對沖基金這個行業(yè)特別牛，特別高大上，那只是幸存者都看起來很光鮮而已，更多的已經(jīng)死掉了，你根本而且永遠都不會知道。
? ? 不過中國的量化對沖基金行業(yè)相比國外，有一個優(yōu)勢，那就是行業(yè)剛剛起步，國內(nèi)做的好的證券私募基金（PE），可能大家勉強還能說出來一兩家，國內(nèi)做得特別好的、特別出名的、規(guī)模特別大的、盈利能力特別強的、能傲視群雄、形成寡頭壟斷的、最頂尖的量化對沖基金，現(xiàn)在還沒有。
二、量化對沖基金的核心崗位---量化交易崗位?
? 這個崗位到底干啥，簡單的說，兩個字——掙錢。具體的包括，算法設計、策略測試、參數(shù)優(yōu)化、模型實現(xiàn)、實盤下單等，再深入一些還包括系統(tǒng)維護、策略更新、風險控制、資金管理、品種篩選、極端行情應對等，甚至還需要寫宣傳資料和推介資料，做一些路演和宣講。所以一個合格的成熟的量化交易團隊（實際中負責投資交易的，很多不是個人而是團隊），那就是公司把錢（基金產(chǎn)品）交到你手上，你能在一定限制條件下（一年封閉期，20%止損線等）在市場里賺到錢，而且最好把曲線做的漂亮一些，穩(wěn)定一些，收益高一些回撤低一些。
? ?跟量化對沖基金行業(yè)一樣，量化交易崗位競爭也很激烈，而且更激烈，更殘酷，存活率更低。首先這個崗位要求極高，這是一個橫跨數(shù)學、計算機、金融、投資，甚至社會學、心理學，等多領域多學科的崗位，而且對所有相關知識都要求很高，要能融會貫通，其次還要有極強的實踐操作能力，要有大量的金融市場實戰(zhàn)投資經(jīng)驗才行，否則讓從來沒做過投機交易的程序員來寫幾個程序就想賺大錢，根本不可能，最后對于職業(yè)交易者的自我修煉、道德品格、性格塑造、學識見識、心胸視野等有很高的要求。
? ? 量化交易崗位責任極大，壓力極大，要運作大量資金，去最血腥最殘酷的金融市場里競爭博弈，并且要在非常嚴格的條件下（比如一年封閉期，20%止損線，甚至還可能有最大回撤的硬性限制要求），戰(zhàn)勝同樣厲害的競爭對手，去賺取對方虧損的錢，其難度可想而知。 所以，你真的適合做量化交易嗎？你真的有能力在這么殘酷的競爭中勝出嗎？
? ? ?別只看到勝出者管理著大量的資金，每天寫寫代碼，說說笑笑，幾百萬幾千萬就輕松到手，那是贏者該有的一切。更多的人賠掉了本錢，賠掉了青春，賠掉了自信，賠掉了在其他行業(yè)其他崗位上大展宏圖的機會，甚至賠掉了美好的生活，但你根本甚至永遠都不可能知道他們。
三、做好量化交易，首先需要興趣與使命感?
? ? ?量化交易這個崗位太難了，要求太高，壓力太大，一般人很難堅持下去，圈內(nèi)朋友經(jīng)常相互開玩笑，做這個工作，壽命都要比正常人短好幾年。相信愿意把青春的賭注壓在這上面的，都是對于量化交易有著無法抑制的興趣和沖動。 巴菲特在某大學演講時，有人問他說我馬上要畢業(yè)了，如何知道這份工作是否適合我，巴菲特說，如果你每天早上醒來，立馬就高高興興的、蹦蹦跳跳的、迫不及待的、興沖沖的跑去辦公室開始一天的工作，那這份工作就是你應該一生從事的事業(yè)。
? ?興趣是最好的導師，有了興趣才會去鉆研，才會不斷學習進步，才會擁有一種不斷追求完美的精神，用一種工匠精神，用一生的時間和精力去做到最好。
四、做好量化交易，需要交叉學科、融匯貫通的知識體系?
? ?數(shù)學、概率統(tǒng)計、數(shù)據(jù)結(jié)構(gòu)、算法設計、經(jīng)濟、金融、證券、衍生品相關、投資與分析、主流策略開發(fā)語言等，都需要了解，而且要融會貫通。
? 關于做量化交易用什么語言更好，其實還是看自己的習慣和要達到的目標，如果是大型金融機構(gòu)做量化分析系統(tǒng)或量化交易系統(tǒng)，可以用python，R，C++等都可以，各有優(yōu)劣，看對于速度要求如何了。如果是個人或者中小機構(gòu)，對于速度要求不高，策略也相對簡單，可支出成本有限，而且缺乏的技術支持，用一些成熟的第三方平臺，如文華、TB、金字塔、MC等也可以，我還見過用matlab，excel，包括一些網(wǎng)上平臺，做量化交易的，其實只要策略能很好的實現(xiàn)，實盤能盈利就行。
這里討論一下，有兩個觀點：
（1）錯誤理解：不自己做系統(tǒng)，不自己寫接口的都不是量化交易，量化交易門檻特別高，low逼別玩。
? ? 其實不是這樣，量化交易只是一種理念，是一種方法，是一種工具，是為交易策略服務的，只要策略開發(fā)和下單實現(xiàn)，都是運用的數(shù)學模型和計算機程序，而非人為主觀判斷，就是量化交易。一些股票老玩家，有一個可能盈利的交易策略，然后用第三方平臺，搞來歷史數(shù)據(jù)測一測，發(fā)現(xiàn)確實能盈利，然后就開始把系統(tǒng)架上去跑，這也是量化交易。就像搭建一個實體模型，比如艾爾菲鐵塔什么的，你最好自己制作搭建材料，這樣可以更好的更個性化的實現(xiàn)自己的目標，但你也可以去買一些已經(jīng)做好了的現(xiàn)成的模型材料，用別人做好的材料來搭建模型，兩種做法都是搭建模型，核心在于你搭建模型的思路和方法。用第三方平臺就像搭積木，人家已經(jīng)給你把積木做好了，你按照自己的想法把積木搭建起來就是，只是一些特別個性化的搭積木的想法，可能會受到積木本身的限制罷了。
? ?自己做系統(tǒng)自己寫接口的優(yōu)勢在于更加個性化，更符合自己的需求，而且速度更快，信息保密也能做得更好；缺點是財務成本更高，人員和硬件配備要求更高，而且系統(tǒng)更容易出BUG（別說什么大牛，華爾街海龜寫的系統(tǒng)就不會有任何問題，還記得光大烏龍指事件嗎？）。用第三方平臺的優(yōu)勢在于成本低，重大BUG相對較少（不像自己做的系統(tǒng)，第三方平臺畢竟幾萬人用了好幾年，而且每天都在不斷改進），交易者可以只專注于策略開發(fā)，而不用考慮系統(tǒng)維護；缺點是速度更慢，策略思路的實現(xiàn)會受到第三方平臺功能的限制等。當然如果做高頻交易，肯定得自己做系統(tǒng)寫接口了，但現(xiàn)在國內(nèi)的股票和股指期貨市場，是做不了高頻交易的。
（2）錯誤理解：量化交易的核心競爭力是優(yōu)秀的計算機語言編程能力。
?其實量化交易的核心競爭力是策略的有效性，能長期穩(wěn)定盈利的策略是一切的關鍵，一些中低頻交易策略，手動和量化區(qū)別不一定會很大。數(shù)學、計算機程序、金融、實盤交易經(jīng)驗，做好量化交易，這四樣缺一不可，只是因為計算機程序這一塊最有特色，是區(qū)別于其他交易方法的主要特點，所以總被外界當做量化交易的噱頭和宣傳點，久而久之大家甚至把編程能力作為最核心競爭力了，這明顯有些喧賓奪主。?
五、做好量化交易，需要豐富的交易經(jīng)驗?
? ? 從來沒做過交易的程序員來寫幾個程序就想掙錢，不可能。要做好量化交易，長期的實盤交易經(jīng)驗是必須的，這樣才能更好的懂得市場的特性，品種的特性，行情的變化等，才能寫出更加貼合市場，更加有競爭力的策略和模型。數(shù)學思維能力和編程能力很重要，但如果不熟悉市場，不了解品種特性，不了解金融市場百年發(fā)展史，不懂得人性的貪婪和恐懼，沒自己實盤做過股票期貨，很多東西數(shù)學模型和程序語言是不會告訴你的，就像你有再好的木匠工具，如果沒有做木匠活的經(jīng)驗，你也很難做出漂亮實用的家具。
? ? 有人可能會說那用數(shù)據(jù)挖掘啊，讓程序自己去開發(fā)策略，這也是現(xiàn)在一個很有潛力的流派，但問題就在于數(shù)據(jù)挖掘某種程度上也是依靠概率，沒有絕對的必然性，通過數(shù)據(jù)挖掘做的策略可能會存在巨大風險。就像之前在書上看到的，就是數(shù)據(jù)挖掘發(fā)現(xiàn)，美國標普指數(shù)跟非洲某地咖啡產(chǎn)量連續(xù)多年相關性達到99%以上，美國原油指數(shù)價格跟一種墨西哥燒餅的價格連續(xù)多年相關性達到99%以上等等，如果真采用這兩組數(shù)據(jù)的相關性去做策略，很明顯是滑稽的。
? ? ? 其實數(shù)據(jù)挖掘可能出現(xiàn)的小概率風險，也就是我們常說的參數(shù)優(yōu)化中的參數(shù)孤島。簡單的說，就是用歷史數(shù)據(jù)測試策略，發(fā)現(xiàn)某個參數(shù)表現(xiàn)特別好，但這個參數(shù)是獨立的，不連續(xù)的，跟次優(yōu)參數(shù)差別很大，無法組成一個較優(yōu)參數(shù)集合，這很有可能就是遇到了小概率事件，如果使用這個參數(shù)，歷史回測可能很漂亮，實盤交易就會遭殃。
? ?而且只有經(jīng)過大量的實盤交易，你才會知道掙錢沒有那么容易，虧錢卻易如反掌，交易這行其實很苦很累，每天在盈利與虧損中掙扎，如何控制風險，獲取收益是一個永恒的命題，更別說要做到長期穩(wěn)定盈利。像巴菲特一樣五十年如一日，年均收益20%多，真的就太難了。別去迷信短期暴利，幾個月翻幾倍之類的神話，毫無意義，資本市場最不缺神話，缺的是壽星，做量化交易就是做資產(chǎn)管理行業(yè)，我們是靠規(guī)模和復利取勝，而不是冒著巨大風險去博取短期暴利。
? ? 做外部客戶委托的資金，無論是單賬戶還是基金產(chǎn)品，一定要親自去操作，去實踐，才能真正學到東西，成長起來，而且一定要公開化，陽光化，最好網(wǎng)上公布業(yè)績。這樣你才會了解到，受人委托，肩上的責任有多大，心理壓力有多大，你能否在這樣大的壓力下，各種嚴格的限制條件下做好交易，這是真正的難點所在。你才會知道操作自己的資金，跟操作客戶的資金，跟操作基金產(chǎn)品的區(qū)別有多大。有的人能做好交易工作室，但也僅限于此，做資產(chǎn)管理行業(yè)不像做工作室，難度大多了，因為是戴著鐐銬，在眾目睽睽之下舞蹈，每天都要公布凈值的，這誰玩誰知道。
六、如何創(chuàng)建自己的量化對沖基金管理公司
? ? ? 過程很復雜，核心是要有起始資金，或者主要投資人，還有核心交易團隊，這是最基本條件，然后還有大量的各種各樣的工作要做，你要能獨擋N面才行，比如你是核心交易團隊，那就得會說服投資人投資，找合作途徑發(fā)產(chǎn)品，找客戶銷售產(chǎn)品，注冊成立公司，管理公司，公司制度建設，人員招聘，薪酬制定等等。
;?????這篇文章將向你介紹量化交易系統(tǒng)的一些基本概念。本文主要面向兩類讀者，第一類是正在努力尋找一份量化交易員工作的求職者，第二類是期望嘗試開啟自己量化交易事業(yè)的個人投資者。關于量化交易，這些入門知識你需要了解。
量化交易是數(shù)量金融學一個極其艱深復雜的領域。若要通過面試或構(gòu)造你自己的交易策略，就需要你投入時間學習一些必備知識。
量化交易系統(tǒng)包括四個主要部分：
策略識別：搜索策略、挖掘優(yōu)勢、確定交易頻率。
回溯測試：獲取數(shù)據(jù)、分析策略性能、剔除偏差。
交割系統(tǒng)：連接經(jīng)紀商、使交易自動化、使交易成本最小化。
風險管理：最優(yōu)資本配置、最優(yōu)賭注或凱利準則、交易心理學。
我們首先來談談如何識別一個交易策略。
策略識別
所有量化交易流程都肇始于一個初期研究。這個研究流程包括搜索一個策略、檢驗它是否適合你可能正在運作的策略組合、獲取任何測試策略時所需數(shù)據(jù)、努力優(yōu)化策略使其預期年化預期收益更高且(或)風險更低。如果你是一個“散戶”交易員，一定要清楚自己的資金是否充足，以及交易成本對策略的影響。
通過各種公開數(shù)據(jù)搜索可盈利的策略實際上十分簡單，并沒有大家想的那么難。研究學者會定期發(fā)表理論交易結(jié)果(雖然大多為交易成本總額)。一些數(shù)量金融學主題博文也會詳細討論策略。交易期刊還會簡報一下基金管理公司使用的一些策略。
你可能會問，個人與公司怎么可能愿談他們的可盈利策略，特別是當他們知道，如果其他人“復制相同的策略”，長期而言它終將失效。
原因就在于，他們通常不會透露具體的參數(shù)以及他們所使用的調(diào)參方法，而這些優(yōu)化技能才是把一個表現(xiàn)平庸的策略調(diào)成一個回報豐厚的策略所需的關鍵技術。實際上，若要創(chuàng)建你自己的、獨一無二的策略，一個最好的法子就是尋找相似的方法，爾后執(zhí)行你自己的優(yōu)化程序。
你所看到的很多策略都可歸入均值回歸交易策略、趨勢跟隨或動量交易策略兩類。
均值回歸策略試圖利用這么一個事實：“價格序列”(如兩個關聯(lián)資產(chǎn)的價差)存在一個長期均值，價格對均值的短期偏離終將回歸。
動量交易策略則試圖“搭上市場趨勢的順風車”，利用投資心理和大基金結(jié)構(gòu)信息在一個方向積聚動量，跟隨趨勢直至回歸。
定量交易還有一個重要方面，即交易策略的頻率。低頻交易(Low Frequency Trading， LFT)通常指持有資產(chǎn)超過一個交易日的策略。相應地，高頻交易(High Frequency Trading， HFT)通常指持有資產(chǎn)一個交易日的策略。
超高頻交易(Ultra-High Frequency Trading， UHFT)指持有資產(chǎn)的時常達秒級與毫秒級的策略。雖然散戶可以進行HFT與UHFT交易，但也只是在你掌握了交易“技術?！迸c訂單簿動力學的詳細知識后才有可能。本篇入門文章，我們不會對這些問題做任何深入探討。
策略或策略集合一旦確定，現(xiàn)在就需要在歷史數(shù)據(jù)上測試其盈利能力，這就進入了回溯測試的工作范圍。
回溯測試
回溯測試的目標是提供證據(jù)，佐以證明通過以上流程所確定的策略，無論是應用于歷史(訓練)數(shù)據(jù)還是測試數(shù)據(jù)均可盈利。它可以反映該策略未來在“真實世界”中的預期表現(xiàn)。
由于種種原因，回溯測試不能保證一定成功。這或許就是量化交易最為微妙之處，由于它包含了大量的偏差，我們必須盡盡力仔細審查并剔除它們。
我們將討論幾種常見類型的偏差，包括先窺偏差、幸存者偏差與優(yōu)化偏差(亦稱“數(shù)據(jù)窺視偏差”)?；厮轀y試中其他幾個重要方面，包括歷史數(shù)據(jù)的可用性與清潔度、真實交易成本及可靠回測平臺上的決定。我們會在后續(xù)“交割系統(tǒng)”一節(jié)深入討論交易成本。
策略一旦確定，我們就需要獲取歷史數(shù)據(jù)，并藉此展開測試，如有可能還可改進策略?，F(xiàn)在賣數(shù)據(jù)的很多，所有資產(chǎn)類型的數(shù)據(jù)都有。通常，數(shù)據(jù)的質(zhì)量、深度、時間間隔不同，其價格也不同。
剛?cè)腴T的量化交易員(至少零售等級)最初使用雅虎金融板塊(Yahoo Finance)的免費數(shù)據(jù)就行。對于數(shù)據(jù)供應商，這里不再贅言。我想重點談一談處理歷史數(shù)據(jù)時，時常遇到的問題。
對于歷史數(shù)據(jù)，人們主要關心的問題，包括數(shù)據(jù)精度或清潔度、幸存者偏差、應對如分發(fā)紅利、拆分股票等公司行為的調(diào)整。
精度與數(shù)據(jù)整體質(zhì)量有關，無論數(shù)據(jù)是否包含錯誤。有時錯誤容易識別，比如使用一個窄帶濾波器，就可以找出時間序列數(shù)據(jù)中的“窄帶”并更正它們。其他時候，錯誤又很難甄別，經(jīng)常需要根據(jù)多個數(shù)據(jù)供應商提供的數(shù)據(jù)進行對比檢查。
幸存者偏差通常是免費數(shù)據(jù)集或廉價數(shù)據(jù)集的一個”特征“。對于一個帶有幸存者偏差的數(shù)據(jù)集，它不包含已經(jīng)不再交易的資產(chǎn)數(shù)據(jù)。不再交易的證券，則表示已經(jīng)退市或破產(chǎn)公司的股票。如果數(shù)據(jù)集中含有此類偏差，策略在此數(shù)據(jù)集上的測試表現(xiàn)可能比在”真實世界“里表現(xiàn)的更好，畢竟歷史”贏家“已經(jīng)被預先篩選出來，作為訓練數(shù)據(jù)使用。
公司行為即公司開展的常引發(fā)原始價格階梯形變化的”邏輯“活動，它不應該計入價格預期年化預期收益。公司分發(fā)紅利和拆分股票行為是引發(fā)調(diào)整的兩個常見行為，二者無論發(fā)生哪一種，都需要進行一個”回調(diào)“的流程。我們一定要留心，不要把股票拆分和真實預期年化預期收益調(diào)整混為一談。許多交易員在處理公司行為時都碰過壁！
為了開展回溯測試，我們必須使用一個軟件平臺。你可以選擇一個專門的回測軟件如MultiCharts，一個數(shù)值平臺如Excel或MATLAB，或者一個用Python或C++完全自主實現(xiàn)的平臺。對于MultiCharts(或類似平臺)，個人是比較介紹，對于編程的要求比較低。
在做系統(tǒng)回測時，一定要量化表示系統(tǒng)性能。定量策略的“業(yè)界標準”度量為最大資金回挫與夏普比率。最大資金回挫表示一段時間(通常一年)內(nèi)賬戶資金曲線從波峰至波谷的最大跌幅，常使用百分比表示。
由于大量的統(tǒng)計因素，LFT策略比HFT策略的資金回挫更高。歷史回測會顯示過去的最大資金回挫，它能夠較為貼切地反映策略的未來資金回挫情況。第二個度量指標是夏普比率，它被啟發(fā)式地定義為“超額預期年化預期收益均值與超額預期年化預期收益標準差的比值”。
這里，超額預期年化預期收益表示策略預期年化預期收益超出某個預定基準，如標普500或三月期短期國債(預期年化預期收益)的額度。注意人們通常不使用歷史預期年化預期收益指標，因為它忽略了策略波動性的影響，而夏普比率卻考慮到了這一點。
如果經(jīng)過回測，策略的夏普比率很高且其最大資金回挫已經(jīng)最小化，則可以認為它趨于無偏，下一步就是要搭建一個交割系統(tǒng)。
交割系統(tǒng)
交割系統(tǒng)是一個方法集合，由它來控制交易策略生成的交易列表的發(fā)送和經(jīng)紀商的交割行為。事實上，交易可以半自動、甚至全自動生成，而執(zhí)行機制可以手動、半自動(即“點擊一次交割一項”)或者全自動。
盡管如此，對于LFT策略，手動和半自動技術卻比較常見；對于HFT策略，則必須創(chuàng)建一個全自動交割機制，由于策略和技術彼此依賴，還要經(jīng)常與交易指令生成器緊密相接。
在搭建交割系統(tǒng)時，我們需要考慮幾個關鍵因素：連接經(jīng)紀商的接口、交易成本(包括傭金、滑動價差與價差)最小化、實時系統(tǒng)與回測時系統(tǒng)性能的差異。
聯(lián)系經(jīng)紀人的方法有很多，你可以直接電話聯(lián)系他，也可以通過一個全自動高性能的應用程序接口(API)實現(xiàn)。理想情況，就是希望交割交易的自動化程度盡可能高。這樣一來，你不僅可以脫開身集中精力進行深入研究，還能運行多個策略、甚至HFT策略(實際上，如果沒有自動化交割，HFT根本不可能)。
前面說過的幾種常用回溯測試軟件如MATLAB、Excel和MultiCharts，對于LFT策略或簡單策略都是不錯的選擇。但是，如果要做真正的HFT，你就必須要構(gòu)造一個用高性能語言(如C++)編寫的內(nèi)部交割系統(tǒng)。
說個我的親身經(jīng)歷，以前受聘于一家基金管理公司，我們有一個十分鐘的“交易周期”，每隔十分鐘下載一次新的市場數(shù)據(jù)，然后根據(jù)這十分鐘的信息進行交割。這里用的是一個優(yōu)化的Python腳本。對于任何處理分鐘級或秒級頻率數(shù)據(jù)的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系統(tǒng)的優(yōu)化通常不在量化交易員的工作范圍。但是，在小點的公司或高頻交易公司，交易員就是交割人，所以技術面越廣越好。你要想進一家基金管理公司，一定要記住這一點。你的編程能力不說比你的統(tǒng)計學和計量經(jīng)濟學稟賦更重要，至少也同樣重要！
另外一個屬于交割系統(tǒng)的重要問題是交易成本最小化。一般地，交易成本由三部分構(gòu)成：傭金(或稅收)、損耗與價差。傭金是向經(jīng)紀商、交易所和證券交易委員會(或類似政府監(jiān)管機構(gòu))支付的費用；滑動價差是你的預期交割價位與真實交割價位的差值；價差則是待交易證券的賣出價與買入價之差。注意價差不是常數(shù)，它依賴于市場當前流動性(即買單和賣單數(shù)量)。
交易成本是決定一個策略是高夏普比率且盈利豐厚，還是低夏普比率且極不盈利的關鍵。根據(jù)回溯測試正確預測未來的交易成本很具有挑戰(zhàn)性，你需要根據(jù)策略頻率，及時獲取帶有賣出價與買入價信息的歷史交易數(shù)據(jù)。
為此，大型基金管理公司量化交易的整個團隊都專注于交割優(yōu)化。當基金管理公司需要拋售大量交易時(原因五花八門)，如果向市場“傾瀉”大批股票，會迅速壓低價格，可能都來不及以最優(yōu)價格交割。
因此，縱使遭受損耗風險，基金管理公式也會選擇使用算法交易，通過“打點滴”的方式向市場出單。此外，其他策略如若“捕到”這些必要性條件，也能利用市場失效(獲利)。這是基金結(jié)構(gòu)性套利的內(nèi)容。
交割系統(tǒng)最后一個主要問題關系到策略的實時性能與回測性能的差異。這種差異由多種因素造成，比如我們在“回溯測試”一節(jié)已經(jīng)深入討論過的前窺偏差與最優(yōu)化偏差。
然而，對于有些策略，在部署之前不易測得這些偏差。這種情況對于HFT最為常見。交割系統(tǒng)和交易策略本身均可能存在程序錯誤，回溯測試時沒有顯現(xiàn)卻在實時交易時出來搗亂。市場可能受到繼交易策略部署后的一場政變的影響，而新的監(jiān)管環(huán)境、投資者情緒與宏觀經(jīng)濟形勢的變化也均可能導致現(xiàn)實市場表現(xiàn)與回溯測試表現(xiàn)的差異，從而造成策略盈利性上的分歧。
風險管理
量化交易迷宮的最后一塊是風險管理程序。風險包含我們之前談論的所有偏差。它包括技術風險，比如所有在交易所的服務器突然發(fā)生硬盤故障。它還包括經(jīng)紀風險，如經(jīng)紀商破產(chǎn)(此說并非危言聳聽，引發(fā)恐慌的明富環(huán)球就是一個例子)。
總而言之，它覆蓋了幾乎所有可能干擾到交易實現(xiàn)的因素，而其來源各不相同。已經(jīng)有成套的書籍介紹量化交易策略的風險管理，本人也就不再對所有可能的風險來源做詳細說明。
風險管理還包括投資組合理論的一個分支，即所謂的“最優(yōu)資本配置”，涉及到如何將資本分配給一組策略、如何將資本分配給策略內(nèi)不同交易的方法。這是一個復雜的領域，依賴于一些高級數(shù)學知識。
最優(yōu)資本配置與投資策略杠桿通過一個名為凱利準則的業(yè)界標準建立聯(lián)系。本文是一篇入門文章，我在此不詳談其計算。凱利準則對策略預期年化預期收益的統(tǒng)計性質(zhì)做過一些假設，但是它們在金融市場中并不一定成立，交易員因此在實現(xiàn)時通常會有所保留。
風險管理的另外一個關鍵成分涉及到交易員自身心理因素的處理。盡管大家都承認，算法交易若無人為干涉，不太容易出現(xiàn)問題。交易員在交易時，稍不留神仍然可能會摻入許多認知偏差。
一個常見的偏差是厭惡規(guī)避，當人發(fā)現(xiàn)損失已成定局，其所帶來的痛苦，可能會麻痹人的行為，不能做到及時拋盤止損。類似地，由于太過憂心已經(jīng)到手的預期年化預期收益可能賠掉，人們可能也會過早拋盤收利。
另外一個常見的偏差是所謂的偏好偏差：交易員太看重事件而非長遠地看問題。此外，當然不能落下“恐懼與貪婪”這對經(jīng)典的情緒偏差。這兩種偏差常導致杠桿不足或杠桿過度，造成爆倉(賬戶資產(chǎn)凈值近乎為零或更糟)或盈利縮水的局面。
總結(jié)
由此觀之，量化交易是數(shù)量金融學中一個雖趣味十足但極其復雜的領域。我對這個話題的討論淺嘗輒止，文章就已經(jīng)這么長了！我在文中三言兩句帶過的問題，已經(jīng)有大量的相關書籍和論文出版。
因此，在你申請量化基金交易職位前，務必要進行大量的基礎調(diào)研，至少應當具有統(tǒng)計學和計量經(jīng)濟學的廣泛背景，以及使用MultiCharts、MATLAB、Python或者R程序語言實現(xiàn)的豐富經(jīng)驗。如果應對的是更加復雜的高頻端策略，你的技能組合可能還要包含Linux內(nèi)核修改、C/C++、匯編編程和網(wǎng)絡延遲優(yōu)化。
智能合約調(diào)用是實現(xiàn)一個 DApp 的關鍵，一個完整的 DApp 包括前端、后端、智能合約及區(qū)塊 鏈系統(tǒng)，智能合約的調(diào)用是連接區(qū)塊鏈與前后端的關鍵。
我們先來了解一下智能合約調(diào)用的基礎原理。智能合約運行在以太坊節(jié)點的 EVM 中。因此要 想調(diào)用合約必須要訪問某個節(jié)點。
以后端程序為例，后端服務若想連接節(jié)點有兩種可能，一種是雙 方在同一主機，此時后端連接節(jié)點可以采用 本地 IPC(Inter-Process Communication，進 程間通信)機制，也可以采用 RPC(Remote Procedure Call，遠程過程調(diào)用)機制;另 一種情況是雙方不在同一臺主機，此時只能采用 RPC 機制進行通信。
提到 RPC， 讀者應該對 Geth 啟動參數(shù)有點印象，Geth 啟動時可以選擇開啟 RPC 服務，對應的 默認服務端口是 8545。。
接著，我們來了解一下智能合約運行的過程。
智能合約的運行過程是后端服務連接某節(jié)點，將 智能合約的調(diào)用(交易)發(fā)送給節(jié)點，節(jié)點在驗證了交易的合法性后進行全網(wǎng)廣播，被礦工打包到 區(qū)塊中代表此交易得到確認，至此交易才算完成。
就像數(shù)據(jù)庫一樣，每個區(qū)塊鏈平臺都會提供主流 開發(fā)語言的 SDK(Software Development Kit，軟件開發(fā)工具包)，由于 Geth 本身就是用 Go 語言 編寫的，因此若想使用 Go 語言連接節(jié)點、發(fā)交易，直接在工程內(nèi)導入 go-ethereum(Geth 源碼) 包就可以了，剩下的問題就是流程和 API 的事情了。
總結(jié)一下，智能合約被調(diào)用的兩個關鍵點是節(jié)點和 SDK。
由于 IPC 要求后端與節(jié)點必須在同一主機，所以很多時候開發(fā)者都會采用 RPC 模式。除了 RPC，以太坊也為開發(fā)者提供了 json- rpc 接口，本文就不展開討論了。
接下來介紹如何使用 Go 語言，借助 go-ethereum 源碼庫來實現(xiàn)智能合約的調(diào)用。這是有固定 步驟的，我們先來說一下總體步驟，以下面的合約為例。
步驟 01:編譯合約，獲取合約 ABI(Application Binary Interface，應用二進制接口)。 單擊【ABI】按鈕拷貝合約 ABI 信息，將其粘貼到文件 calldemo.abi 中(可使用 Go 語言IDE 創(chuàng)建該文件，文件名可自定義，后綴最好使用 abi)。
最好能將 calldemo.abi 單獨保存在一個目錄下，輸入“l(fā)s”命令只能看到 calldemo.abi 文件，參 考效果如下:
步驟 02:獲得合約地址。注意要將合約部署到 Geth 節(jié)點。因此 Environment 選擇為 Web3 Provider。
在【Environment】選項框中選擇“Web3 Provider”，然后單擊【Deploy】按鈕。
部署后，獲得合約地址為:0xa09209c28AEf59a4653b905792a9a910E78E7407。
步驟 03:利用 abigen 工具(Geth 工具包內(nèi)的可執(zhí)行程序)編譯智能合約為 Go 代碼。abigen 工具的作用是將 abi 文件轉(zhuǎn)換為 Go 代碼，命令如下:
其中各參數(shù)的含義如下。 (1)abi:是指定傳入的 abi 文件。 (2)type:是指定輸出文件中的基本結(jié)構(gòu)類型。 (3)pkg:指定輸出文件 package 名稱。 (4)out:指定輸出文件名。 執(zhí)行后，將在代碼目錄下看到 funcdemo.go 文件，讀者可以打開該文件欣賞一下，注意不要修改它。
步驟 04:創(chuàng)建 main.go，填入如下代碼。 注意代碼中 HexToAddress 函數(shù)內(nèi)要傳入該合約部署后的地址，此地址在步驟 01 中獲得。
步驟 04:設置 go mod，以便工程自動識別。
前面有所提及，若要使用 Go 語言調(diào)用智能合約，需要下載 go-ethereum 工程，可以使用下面 的指令:
該指令會自動將 go-ethereum 下載到“$GOPATH/src/github.com/ethereum/go-ethereum”，這樣還算 不錯。不過，Go 語言自 1.11 版本后，增加了 module 管理工程的模式。只要設置好了 go mod，下載 依賴工程的事情就不必關心了。
接下來設置 module 生效和 GOPROXY，命令如下:
在項目工程內(nèi)，執(zhí)行初始化，calldemo 可以自定義名稱。
步驟 05:運行代碼。執(zhí)行代碼，將看到下面的效果，以及最終輸出的 2020。
上述輸出信息中，可以看到 Go 語言會自動下載依賴文件，這就是 go mod 的神奇之處?？吹?2020，相信讀者也知道運行結(jié)果是正確的了。
重慶分公司
重慶分公司
