我们借助强大的量化平台、各种API文档和范例，终于打造出了几个表现不错的策略。是否就能高枕无忧了呢？
当然不是。因为市场风云变幻莫测，上个月表现优异的策略这个月就可能屡屡碰壁。作为量化交易者，研发新的策略就像农民在收获季节储备粮食一样，也是必备的生存技能。
我们计划用几篇文章介绍常见的量化策略的原理，以及如何用真格量化去实现它们。
现在我们先简要介绍一下常见的量化策略有哪些。
1，基于时间序列的动量策略和均值回归策略
这是一类“经典”或者说“古典”的交易策略，但是大量研究者还在孜孜不倦地对其进行研究，因其在一些市场状况下（比如某些农产品出现了严重减产，一些政策长期影响市场时）仍能产生不错的收益。
基于时间序列的策略通常用资产过去的历史数据来构建模型，并以其预测未来的资产价格的变化。预测的时间周期从未来一年到未来几个毫秒不等。
基于时间序列的动量策略，或者说趋势跟踪策略，也是通过分析过去的资产价格表现，来构建模型。当资产价格未来又出现类似走势时，投资者可以通过模型来判断该资产是否能重复历史上的类似走势来获利。
比如我们认为一个日线上连涨三天的品种，在第四天也会上涨。这就是一个最简单的基于时间序列的趋势跟踪策略模型。
当然实践中除了简单的价格涨跌，投资者还会使用各种信息，比如价格的区间突破、价格的波动率变化、标的的成交量变化等。由价量信息衍生出了大量指标，也都可以在真格量化中方便地调用。
均值回归策略与趋势策略类似，也是基于对资产历史价格的分析，其假设资产价格在偏离其某个时间段的均值达到一定幅度后，会转而向均值靠拢。一个最常用的衡量价格偏离均值的指标为RSI指标（Relative Strength Index相对强度指数）：
N日RSI =N日内收盘涨幅的平均值/(N日内收盘涨幅均值+N日内收盘跌幅均值) ×100
RSI越接近100意味着资产价格越接近超买状态。RSI越接近0意味着资产价格越接近超跌状态。当然投资者也可以用其他的指标，比如上次我们使用的连涨或连跌天数来估计资产价格是否将开始反向变化。
趋势或者超买/超卖状态在单个资产上出现的概率并不高，不过我们可以利用真格量化强大的运算能力来跟踪多个标的，甚至进行全市场扫描来挖掘更多的交易机会。
2.“定投策略”
这类策略每隔固定的时间周期就买入或卖出一定量的某个资产。例如，当投资者看好某个资产，但不确定其买点时，可以使用该策略。相对于将所有的资金一次性投入（往往容易追涨杀跌在不利的价位），定投策略更容易实现以相对一次性买入更低的价格买入某个资产。一些社保基金即使用此类策略买入资产。
一些将大笔委托拆成小笔来逐渐成交的“拆单策略”也与此类似，不过是在更小的时间级别。我们可以用真格量化的智能单轻易实现。
3， 做市策略
很多交易所为了提高资产的流动性引入了做市商。做市商频繁地从卖方买入资产，并向买方卖出同一资产，以此来促成成交。而交易所向其服务提供包括低手续费及买卖价差补偿的各种优惠。
过去做市商主要由交易所场内交易员来完成。随着计算机技术的进步，目前绝大多数交易所的做市交易由计算机自动完成。
成功的做市策略一般需要进行频繁的头寸对冲来降低持仓风险。一些策略通过减少持仓时间来降低风险，其在每日交易结束时往往不持有任何头寸。而另一些策略可以长时间持有相互对冲的各种头寸，等待最有利的交易时机。做市策略往往需要订阅大量的资产价格行情并频繁计算其持仓组合的风险，对交易系统的速度有较高的要求。但其原理对普通量化交易者开发高频策略也能有所启发。
4， 事件驱动策略
相信投资者都领教过川普对市场的影响力。为了更敏捷地应对突发的新闻事件，投资者开发了各种程序来自动读新闻并做交易。
投资者可以将过往新闻及资产历史价格输入数据库来搭建事件驱动策略模型。众多新闻媒体为了满足开发者的需求也纷纷公开了其数据API。各种机器学习及自然语言处理工具的推陈出新也使得开发事件驱动模型变得更加容易。
5， 机器学习策略
借助机器学习工具，投资者可以开发出比简单的固定规则模型更具灵活性的交易策略，例如即使是参照同一个技术指标，算法可以根据更多的因素来决定采取哪些交易动作。且机器学习工具不仅可以分析市场数据，其同样可以用于分析非市场数据，例如农产品产区的卫星云图或者社交媒体上的投资者情绪。
6， 套利策略
套利策略通过交易同一资产（例如不同交易所中的同品级贵金属，同一商品不同月份的期货合约）或相似资产（例如豆油和棕榈油，指数ETF及其对应的期货或期权）的价差来获利。借助真格量化平台，投资者可以方便地监控大量的资产价差，不错过从tick级别到日线级别的各种套利机会。
每种策略都有与之相适应的市场环境，投资者可以借助真格量化平台积极研发和储备自己的策略，充实策略武器库。这样当市场环境发生变化时，不至于替补席上无人可用。
— — — — — — E N D — — — — — —
往期文章：
真格量化可访问：
https://quant.pobo.net.cn
真格量化微信公众号，长按关注：
遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887
网友评论