第一章 量化交易概論

# 第一章 量化交易概論 量化交易（Quantitative Trading）是利用數學、統計學、計算機科學等多學科方法，將投資決策從直覺或主觀判斷轉移到客觀、可重複執行的系統之中。它在金融市場中佔據了越來越重要的位置，為投資者提供了更高效、更精準的交易手段。 ## 1. 量化交易的歷史與演進 | 時期 | 主要特徵 | 代表技術或事件 | |------|----------|-----------------| | 1970‑1980 | 基礎統計與數值分析 | Black‑Scholes 模型、期權定價理論 | | 1980‑1990 | 計算機化交易 | 早期電腦交易系統、AT＆T、IBM 計算平台 | | 1990‑2000 | 高頻交易 (HFT) | 低延遲交易、訊息序列化、分布式系統 | | 2000‑2010 | 大數據與機器學習 | 交易訊號提取、支持向量機、隨機森林 | | 2010‑2020 | 量化基金與自動化投資 | 雲端運算、Python 與 R 的普及、量化競賽 | | 2020‑至今 | AI、深度學習、區塊鏈 | 強化學習、生成式模型、智能合約 | ### 重要里程碑 - **1973 年**：John C. Hull 發表《期權、期貨與其他衍生品》, 建立定價模型。 - **1997 年**：第一個大規模高頻交易公司成立。 - **2011 年**：Quantopian 平台推出，降低量化開發門檻。 - **2023 年**：Alpha Vantage 以 API 方式提供免費金融資料，促進社群開發。 ## 2. 交易策略的分類與特性 交易策略根據風格、時間尺度、資訊來源等可以分為多類，以下為常見分類及其特點： | 類別 | 時間尺度 | 主要資料 | 風險/收益特徵 | |------|----------|----------|-----------------| | 長期價值策略 | 1‑5 年 | 基本面、財報 | 風險低、交易頻次低 | | 中期均衡策略 | 1‑6 個月 | 技術指標、相對強弱 | 風險中等、需要市場趨勢 | | 短期波段策略 | 1‑4 天 | 技術指標、波動率 | 風險高、交易頻次高 | | 高頻交易 | 1 秒以下 | 市場微結構、深度數據 | 風險極高、執行成本高 | ### 策略分類示例 - **統計套利**：利用歷史價格關係（如配對交易）尋找臨時偏離的價格。 - **因子投資**：構建因子模型（價值、動量、品質等），進行多因子加權投資。 - **事件驅動**：針對公司事件（如併購、利潤公告）制定交易規則。 - **機器學習**：使用深度學習或強化學習預測價格走勢。 ## 3. 系統化交易的核心組件 一套完整的量化交易系統通常包含以下幾個核心組件，彼此協同以實現高效、穩健的交易。 1. **資料層** - **數據源**：行情、新聞、基本面、替代數據。 - **資料管道**：ETL（Extract‑Transform‑Load）流程，確保資料質量、時序性。 2. **信號層** - **特徵工程**：技術指標、統計特徵、機器學習特徵。 - **信號生成**：根據模型輸出買賣信號，並進行過濾與優化。 3. **模型層** - **預測模型**：線性模型、樹模型、深度學習。 - **風險控制模型**：波動率預測、VaR、夏普比率。 4. **執行層** - **交易接口**：REST/WS API、FIX 接口。 - **執行策略**：滑點控制、分批下單、算法交易。 5. **回測與優化層** - **歷史回測**：真實市場環境模擬。 - **參數優化**：交叉驗證、滑動窗口、早停。 6. **風險與合規層** - **風險管理**：資金管理、倉位控制、風險平衡。 - **合規監控**：交易限制、報告生成、監管報備。 7. **監控與維護層** - **系統監控**：CPU、記憶體、延遲指標。 - **容錯與日誌**：異常捕捉、恢復策略、日誌管理。 ### 組件之間的資訊流 ```mermaid flowchart TD A[資料層] --> B[信號層] B --> C[模型層] C --> D[執行層] D --> E[風險與合規層] E -->|監控| F[監控與維護層] ``` > **實務提示**：在實際開發時，建議先從簡單策略（如均線交叉）做原型，再逐步加入更複雜的特徵、模型與風險控制機制。 ## 小結 量化交易已經從早期的數學模型逐步演變成今日的高頻、自動化、機器學習驅動的複雜系統。了解其歷史脈絡、策略分類與核心組件是構建高效交易系統的基石。本章旨在為後續章節的深入學習奠定理論與實務基礎。