- Execution, data wrangling, back testing, risk management, position sizing, and optimization are just as important as generating alpha signals to exploit infrastructure or financial inefficiencies. Ideas are relatively easy to be obtained from academic journals or trading blogs, however need to find one that fits the technology stack.
- Start with a niche product and market with enough liquidity. Don’t pick the winning strategy, rather filter out the bad ones from many.
- Adhere to the model and statistical properties in back test when both beating the market and experiencing draw downs.
- Fundamentals are equally important in quantitative trading to identify market and economic sentiment quantitatively for certain strategies to work. Good fundamental’s research can sometimes prevent fat tail black swan events from damaging the account.
- Machine learning doesn’t fit well with high frequency trading. But ML is good for fundamental research.
- If the strategy involves less with pricing arbitrage, then linear regression and statistics are more widely used than calculus.
- During fundraising, needs to convey all of the below to potential investors: sharp ratio + capital deployed + number of strategies
- Quantitative finance is not a winner-takes-all industry.
阿尔法介绍（alpha）
Alpha(或者excess alpha)通常指超过市场的收益。很多人认为alpha是守恒的，但是通常来说某个指数也只能反应一揽子股票。不像黄金或者比特币这种防通胀资产(non-yielding asset)，如果股市企业发展飞速(例如阿根廷政府与经济非常失败，通胀高，利率高，汇率低，但是股市却节节攀升)，大家是可以一起赚钱的。
寻找阿尔法
寻找alpha并不是大多量化基金一开始首要做的事情。其实下单系统，数据分析，回测模型，仓位调整(position sizing)，模型优化才是真正决定什么策略会行得通的要素。基金不同于自营交易还需要很好的risk management来保证投资者的最终利益。不同策略在不同参数或者系统下性能是不一样的。特别是在高频交易里，技术才是争夺的堡垒。只有那些非常成熟的AUM(包括杠杆在内的管理资产)在5千万美金(这是一个非常通用的临界值)以上的基金才会由于下单资金量大无法使用普通的trend(趋势交易)，mean reversion(区域交易)或者pair trading(相对交易)策略而雇佣许多数学物理博士来把最新学术理论实际化。在这方面最出名的西蒙斯的文艺复兴(Renaissance Technology)，由于他们的回报率几乎能翻倍。而且夏普比例(sharp ratio)也远远高于市场上其他对冲基金的平均值1.5左右。而且更大型的基金或卖方会还会招募专门做投资组合理论(portfolio optimization)，下单执行策略(execution strategy)，与甚至是资产定价(asset pricing)的量化员。
运用阿尔法
我们可以在学术文章里，量化网站或者量化博客上找到的正收益策略有很多(https://quantpedia.com/)。比如外汇交易有20多种策略，而股票交易却有上千种策略。人群拥挤的地方往往是高手如林，聪明的人应该别人求其次。麻烦的是怎么把所有都实现出来然后找匹配自己系统的策略来运用。而且不同的策略有不同适合的时机。找到一个永久赚钱的明星策略是不合实际的。正确的方法是在策略池中慢慢筛除不理想的产出与无法用模型解释的方面。
测试阿尔法
回测是一个很强大也很复杂的过程。精准的结果往往要在代码里考虑到许多因素例如公司的退市或者并购。它不仅是在生产环境前质量检验的重要一环，还是分析最终跑赢市场或者回撤(英文draw down就是负收益斜率的区域)的重要信息来源。
结语
传统金融学的知识相比量化同样也重要。只不过量化基金会把传统金融的(比如https://tradingeconomics.com/)数据（比如利率的随机分析）整合到模型里面。或者用量化和机器学习的方式来分析市场走向(risk appetite)从而测试不同的策略。这往往就是量化里最难又最复杂的地方。有一句俗语讲如果你能在外汇市场里赚到钱，股市就会变得小儿科。原因是国家政治因素相当难预测。而一些忽略传统金融的量化基金往往更受黑天鹅事件或者负偏态分布的影响。
欢迎私信我来了解以上或者之外的具体知识点，我可以在以后文章中拓展解释的。谢谢!
