高频挑战

执行算法 高频策略

进入市场确认 风险检查 增加的步骤带来更多的延时

HFT HFT High Frequency Trading 做市商

  • 对市场有精确实时估计以合适价格完成订单
  • 快速撤单
  • 低买,速度极快并重复以稍高的价格卖出

套利

  • 不是严格无风险,套利机会可能瞬间 只能完成部分交易

风险 控制容易计算的风险

争论

承担风险才有的收益 不叫不公平 在其他拥有相同想法的人之前获得头寸 保持获利退出头寸

  • 老鼠仓 利用客户订单信息 在客户之前进行相同的操作
  • 塞单 高速率建单或者撤单 有益市场活跃交易者

高频特性

  • 超高速的复杂计算机系统下单
  • 直连交易所的数据通道
  • 平均每次持仓时间极短
  • 大量发送和取消委托订单
  • 收盘时基本保持平仓(不持仓过夜)

低延迟

比较合理的测试仍然是在主机端做记录,测试从收到市场数据(tick)的 TCP/UDP 包到发送交易指令(trade)包的时差。目前(2014 年)的情况是,这个延迟如果平均控制在个位数字微秒级就是顶级了

业务逻辑部分其实相当简单。做这种高速交易肯定不会有什么凸优化、解微分方程之类复杂的运算,核心的部分一般就是加加 减减,比比大小什么的。业务逻辑本身的处理完全可以做到纳秒级

高频策略

  • 被动做市(Passive Market Making) HFT 做市商 这种策略是在交易所挂限价单进行双边交易以提供流动性。所谓双边交易,是指做 市商手中持有一定存货,然后同时进行买和卖两方交易。这种策略的收入包括买卖价差(spread)和交易所提供的返佣 (rebate)两部分。

请注意,这种业务里做市商不是很需要预测市场走势的能力,只要能做到不赔钱就可以赚进交易所的酬劳。这个时候关键点来 了,就是如何做到不赔钱?一个是按照上面说过的,做好对冲;另一个就是发现形势不利的时候要能及时撤单——这个是最考 验低延迟的地方,速度慢就会发生来不及撤单而遭受损失的情况。

交易所对做市商提供的报酬可以包括两个部分。第一是每笔交易的返佣(rebate)。返佣的数值一般很小(远远小于 tick size),但如果交易笔数巨大,积少成多,便可以成为不菲的收入。通过赚取返佣,做市商只需要保证每笔交易不赔即可,并 非一定要追求低买高卖,反而是要保证自己的委托单能尽可能多地被执行,以争取更大的流量。为了做到这一点,下单和改单 的速度是个关键,这也是为什么这一行如今被以速度见长的高频交易商把持的原因。 第二是固定的佣金。这是比返佣更吸引人的部分。这种情况下,做市商只需保证每月或每天参与一定规模的交易,就可以再额 外从交易所处获取一笔不小的收入。这种模式的好处在于,做市商不仅不用追求买卖价差,甚至连流量也不需争抢,只要完成 限定的额度即可,难度大大降低。

  • 套利(Arbitrage) 这个策略应该是大家比较熟悉的,就是看两种高相关性的产品之间的价差。比如说一个股指 ETF 的价 格,理论上应该等于组成该 ETF 的股票价格的加权平均(具体计算方式按照此 ETF 定义来看)。但因为种种原因,有时我们 会发现市场上这两种价格并不一致,此时即产生套利机会,可以买入价低一方,同时卖出价高一方,以赚取其间的差价。随着 市场流动性的增强,这种机会发生的次数和规模会越来越小,并且机会往往转瞬即逝,因此往往需要借助高频交易的技术来加 大搜寻的规模和把握交易时机。
  • 结构化(Structural) 这是最恶的,也是公众眼中最能引人对高频交易诟病的策略。简单说就是利用 技术手段,比如高速连接和下单,来探测其他较慢的市场参与者的交易意图并且抢在他们之前进行交易,将利润建立在他人的 损失上。这种策略到底有多少人在用,报告中没有指明。我个人的看法是这种短视的策略或许能帮你赚一点快钱,但从任何角 度看都是一种饮鸩止渴的行为。高频交易本身有远超于此的价值,实在不值得为此浪费精力。
  • 趋势(Directional) 这个策略本身在中低频也存在。简而言之,就是预测一定时间内的价格走势,顺势而为。这种策略在 高频的玩法不同之处在于,高频交易的主要数据源是比 tick 更低一级的 order book events,所以可以在委托单的粒度上进行分 析和预测,来抓大单的动向。此外,报告中还提到一种操作手法,和中低频类似的,所谓“拉高出货”,即自己先下点单快速推 高或拉低价格,人为制造一种趋势,来吸引其他人入场。关于这些,相信有中低频或日内经验的高手们更清楚该如何做,我就 不多说了。

QP宗

Q重模型而轻数据,P则重数据而轻模型。

  • Q 可以让你在缺少数据的情况得出一些结论,从而可以凭空制造一些东西出来,所以卖方(投 行)用来做衍生品定价,业务模式是开发新的衍生品出来卖出去。

    卖方投行 随机过程、微分方程和编程

  • P 喜欢大数据量,这天然就是买方(Hedge Fund 类)所需要的技术

    买方Quant 概率、统计和编程