第一章：量化交易概覽

# 第一章：量化交易概覽 > **核心目標**：本章將帶領讀者快速了解量化交易的起源、演進、分類以及在全球金融市場中的重要地位，為後續章節奠定理論與實務基礎。 --- ## 1.1 量化交易的基本概念 - **定義**：利用數學模型、統計方法與電腦程式化執行交易決策的過程。核心在於「把主觀判斷化為客觀指標，並以程式自動化執行」。 - **關鍵特徵**： 1. **資料驅動**：依賴歷史或即時數據來建構模型。 2. **自動化執行**：交易信號一旦產生即立刻下單，減少人為錯誤。 3. **高頻率**：可在毫秒、秒、日等不同時間尺度執行。 4. **風險管理**：透過程式化的風險控管來降低市場風險與操作風險。 ### 例子 - **日內波動交易**：使用過去幾天的波動率作為判斷標準，在市場開盤後快速捕捉短期機會。 - **統計套利**：例如**配對交易**（Pairs Trading），利用兩支相似資產的價格關係，當偏離統計均值時執行多空對沖。 ## 1.2 量化交易的歷史演變 | 時期 | 重要事件 | 代表性技術 | 影響 |------|----------|------------|------- | 1970‑80 | 高頻交易（HFT）概念雛形 | 基本統計套利模型 | 成為金融機構數字化的起點 | 1990 | 交易系統商業化 | FIX 協議、程式交易平台 | 促進零售交易者進入市場 | 2000 | 量化基金興起 | R、Python、SAS | 資料科學與量化方法交叉發展 | 2010 | 量化策略普及 | 機器學習、深度學習 | 更複雜模型與大數據處理 | 2020 | AI 與自動交易整合 | 強化學習、生成對抗網路 | 高頻、低延遲交易技術成熟 > **註解**：上述時間線僅列出代表性事件，實際上量化交易始於 1970 年代的 **“高頻交易”** 與 **“統計套利”**。隨著電腦運算能力與資料取得成本降低，量化交易逐步進入主流金融市場。 ## 1.3 量化交易的分類 | 分類 | 主要特徵 | 典型策略 | 風險與回報特點 | |------|----------|----------|----------------| | **統計套利** | 以歷史統計關係為基礎 | 配對交易、長短期平衡 | 風險較低，回報平穩 | | **機器學習** | 使用 ML 模型學習模式 | 回歸、決策樹、神經網路 | 需要大量資料，過擬合風險高 | | **高頻交易（HFT）** | 以極短時間尺度操作 | 市場做市、利差交易 | 交易成本高，技術門檻大 | | **宏觀策略** | 以宏觀因子為驅動 | 風險平價、資產配置 | 受市場大環境影響較大 | | **事件驅動** | 基於特定事件發生 | 并購套利、新聞因子 | 需要即時資訊與快速執行 | > **實務提示**：在選擇策略時，先確定自身可承受的風險水平、可用資源（算力、資料、經驗）以及目標投資期限。不同分類的策略在成本、複雜度與回報潛力上各有差異。 ## 1.4 量化交易在全球市場的地位 | 地區 | 主要參與者 | 交易量佔比 | 主要特色 | |------|------------|------------|----------| | **美國** | 投資銀行、對沖基金、零售平台 | 約 40% | 先進的科技基礎、豐富的金融工具 | | **歐洲** | 銀行、量化基金、ETF | 約 25% | 受監管嚴格、注重風險管理 | | **亞洲** | 資產管理公司、科技公司 | 約 20% | 高增長、對金融科技接受度高 | | **其他** | 風險投資、創業公司 | 約 15% | 創新型交易機制、分散化風險 | > **市場動態**：量化交易已成為全球投資策略的重要組成部分，對市場流動性、價格發現與風險傳遞機制產生深遠影響。監管機構也日益關注高頻交易的潛在風險與系統性風險，推動透明度與合規性的提升。 ## 1.5 本章結語 - **量化交易** 不是單一技術，而是一套完整的「資料 → 模型 → 執行 → 風險」迴圈。 - 其 **歷史** 從統計套利到機器學習，**分類** 包含多種風格，**市場地位** 在全球金融生態系中日益凸顯。 - 讀者在後續章節將深入探討數據基礎建設、特徵工程、模型應用與實盤執行，從而掌握量化交易的全流程。 --- > **實務練習**：閱讀《A Random Walk Down Wall Street》（Bodie, Kane, Marcus）中關於統計套利的章節，並簡單重現一個配對交易策略，感受資料驅動交易的實際流程。