程序化交易发展与现状39页PPT

合集下载

程序化交易概论

程序化交易概要近期由于程序化交易而持续获取收益的交易者的增加，投资者对于程序化交易的关注度也逐渐升温。

但是对于程序化交易的认识还仅仅是停留在"用计算机交易"或者是"专业交易者使用的交易方法"的层面上。

为了进一步了解程序化交易，首先提出一个问题"程序化交易！你是谁？"如果让程序化交易来回答上述问题的话，答案应该是"根据既定的交易规则，机械交易"如此简单而已。

稍微再扩展上述答案的话，应该可以解释为"为了进行交易而设臵入市和离市等一整套的规则，根据既定的交易规则机械交易的方法"。

如果单从这一层面上看，程序化交易和规则交易相同。

但是我们把规则交易叫做程序化交易的原因是利用计算机等工具来制定一系列的交易策略，在交易策略实施的过程当中也保持一致性、规则性的进行交易。

比如股价和移动平均线出现金叉则买入出现死叉则卖出的方法当中，用计算机语言编辑上述策略以后利用过去的数据进行回归测试，测试是否可以获取收益。

如果测试结果显示是可以获取收益的交易策略的话，按照计算机里编程的交易策略的入市和离市信号进行交易即可。

为了开发程序化交易策略，需要使用技术分析法。

当然并不是说完全不能使用基本面分析法，只是基本面分析法是把分析的焦点对准个股的股价是否被高估或者低估的判断上，因此对于具体的入市和离市的时间点上很难交代清楚。

另外，基本面分析法对于像衍生品市场等不适用基本面分析法的市场却束手无策。

因此程序化交易是根据价格、交易量等信息来捕捉交易时间点的技术分析法为基础而发展起来的。

同时，程序化交易所使用的数据是能够测量到具体数量的数据。

在人为的交易当中个股的新闻和其他信息也可以成为是否交易的判断标准并且其价值在不同的交易者身上表现不同，因此不是能够客观的测量到数量的数据。

在程序化交易过程中，为了要发出一贯性和客观性的信号，只能使用可以准确测量数量的数据。

程序化交易的发展历史现状及未来展望

程序化交易的发展历史,现状及未来展望龚东赓2011年1月161.程序化交易的历史2.程序化交易的现状3.量化交易策略4.统计套利策略的例子5.总结6.参考文献7.附: D. Gong’s文献1.程序化交易的历史1.1程序化交易的类型i) 持续时间平均 (Duration averaging)•低买高卖•适用于范围反弹市场•减少价格波动性ii) 投资组合保险 (Portfolio insurance)• 为确保股票投资组合在股市下跌时的最低值• 购买标准普尔500或其他指数的期权• 增加价格波动性iii) 指数套利 (Index arbitrage)•现货和期货之间的套利市场•与价格波动性呈正相关iv) 量化交易 (Quantitative trading)•其交易技术由与定量背景的人或由定量方法所开发, 但任何投资者都可采用•大部分交易技术通过快速电脑开发v) 算法交易 (Algorithmic trading)•通过电脑进单•交易指令（时间，价格和数量等）由计算机算法决定•包括高频率交易•市场庄家, 共同基金, 养老基金，对冲基金等使用算法交易1.2程序化交易的历史简介和概念i)纽约证券交易所(七十年代)•纽约证券交易所推出了指定交易循环系统(DOT)和开放自动化报单系统(OARS)•程序化交易定义为买入或卖出订单15个或更多的股票并拥有至少价值100万元ii)量化交易(八十年代中期)•摩根士丹利的纳齐奥塔尔塔利亚的量化小组开创了配对交易法•摩根士丹利的量化小组成员包括D.E.肖 iii)黑色星期一 (87年10月19日)股市崩盘超过22％，起源不在于程序化交易, 但程序化交易加剧了市场崩溃iv)98年8月17日俄罗斯金融危机,长期资本管理公司失败 v)ECN和十进制交易•Instinet公司和纳斯达克先后于1969年开通电子通信网络 (ECN)•在6/24/97,纽约证交所最小变动价位从1/8减少到1/16•在4/21/99，美国证券交易委员会通过ATS（自动交易系统）条例，允许ECN和黑池是一个证券交易所•在8/28/00和1/29/01之间，纽约证券交易所和美国证券交所采用股票小数报价（一分钱定价），从3/12/01到4/9/01，纳斯达克也转换为小数报价 •一分钱定价便于程序化交易vi)算法交易 (二零零零年代)•降低成本的策略带动了算法交易的发展: iceberging(将大宗订单分成小订单)•暗池交易的启动vii)纽约证交所对程序化交易的新定义 (9/30/07): 无论是指数套利或作为一个协调一致的交易策略的一部分，只需要购买或出售15个或更多的股票就是程序化交易.viii)闪光式崩溃 (5/6/10)•沃德尔和里德(Overland，堪萨斯州)在20分钟内出售75000E-mini标准普尔500指数期货合约•道琼斯指数崩溃将近1000点1.3标准普尔500指数和程序化交易的历史图表资料来源：彭博2.程序化交易的现状2.1程序化交易市场交易量i) 纽约证券交易所程序化交易量:根据纽约证交所的程序化交易定义,每周程序化交易量百分率平均每日交易量12/17/10 41.4% 26.2亿股12/24/10 31.8% 15.8亿股12/31/10 29.8% 11亿股ii)最大的程序化交易公司:高盛,摩根士丹利,巴克莱银行 iii)市场交易量（美国证券交易委员会,2009年第三季度）: •纳斯达克: 19.4%•纽约证券交易所:14.7%•纽交所 ARCA: 13.2%•蝙蝠(BATS) 交易所: 9.5%•纳斯达克OMX BX: 3.3%•其他交易所: 3.7%•直边 (Direct Edge): 9.8%•其他 ECN: 1.0%•经纪交易商(有200多家自营商):17.5%•暗池交易(有30多家):7.9%2.2量化交易的发展i) 主要量化交易公司: 高盛, 摩根士丹利,文艺复兴科技(Renaissance Tech), D.E.肖, 黑石, 等等ii) 顶尖量化交易公司:基金名称平均收益率时期文艺复兴科技Medallion 基金35% 89-2006; 2009年评为最好的对冲基金摩根士丹利流程驱动交易部Peter Muller 利润超过100亿美元97-2006D.E.肖量化基金从88年的2.8千万发展到2001年的30亿1988-2001iii) 2007年量化交易的崩溃:•高盛全球阿尔法基金: 资产从2007年的120亿减少到2008年的25亿,2007年的损失达40%•许多量化交易公司的损失大2.3算法交易i) 大玩家: 瑞士信贷第一波士顿,高盛, 美国美林银行,摩根士丹利等ii)算法交易类型•基于价格，数量，时间等,例如当股票价格变动了某个百分比执行交易指令•将大单切成小单, 以便隐藏在市场中并减少对市场的影响;例如,瑞士信贷第一波士顿的游击队(Guerrilla)交易法•基准算法：例如成交量加权平均价, TWAP, 等•基于交易量百分比的参与算法•智能式路径选择:为获得最佳的价格或流动性传送订单•检测流动性暗池：如瑞士信贷第一波士顿的狙击手(Sniper)算法•玩家算法：检测大订单存在,在此基础上交易,赚取利润•嗅探器(Sniffers)：检测竞争对手的算法交易•新闻指标：阅读新闻和博客, 发展算法交易指标 iii) 算法的例子•瑞士信贷第一波士顿：游击队和狙击手算法游击队算法---降低信号的算法, 悄悄地从公共场所和暗池查找流动性狙击手算法---暗池和跨网络工作•美国美林银行:伏击，切片, 大宗交易算法伏击算法--在股本自动化策略执行系统 (EASE)上执行大订单,达到最小市场影响切片算法---基于流动性削减订单大宗交易算法---对1400证券做大宗交易并有卖空交易的能力 •花旗: 匕首柄(Dagger)算法--对20多个市场寻找异常现象•Instinet公司：眼镜蛇和夜鹰算法眼镜蛇算法--减少市场信号并获取流动性夜鹰算法--- Instinet公司执行专家(Execution Experts)系统上的黑池聚合算法iv) 暗池 (Dark Pool)•一个具有对公众隐藏性能的特殊ATS（自动交易系统）•在去年十月,暗池交易量约为总交易量的16.24％•主要暗池：16个非计数显示暗池每日成交量约9.84亿股，为总交易量的12.76％瑞士信贷第一波士顿Crossfinder- 平均每日成交2.25亿股高盛西格玛X---平均每日成交1.26亿股v) 高频交易•一笔交易通常持有不到一天•高频交易买卖股票数量超过70％•有关更多详细信息, 请参阅[6]vi) 新闻指标交易•路透社的新闻指标•道琼斯的经济景气指数•发展你自己的指标：RavenPack，雅虎新闻,twitter博客等2.4程序化交易条例i) 断路器 (Circuit breaker)（第80B条）•道琼斯工业平均指数下跌10％：如果下午2点前发生,暂停交易1小时; ; 如在2-2:30之间发生, 暂停交易半小时; 如在2:30后发生, 无需暂停交易•道琼斯工业指数下跌20％：如在下午1点前发生, 暂停交易2小时; 如在下午1至2时之间发生, 1小时暂停;如在下午2点后发生, 关闭市场•道琼斯工业指数下跌30％：关闭市场ii) 证券交易委员会对高频交易的建议•证券交易委员会于2010年1月13日提出了许多问题, 例如,暗池：如果在暗池交易量不到5％的股票，目前不需要提供公平的接入. 这是否要改变?取消订单: 订单是要呆在市场上1秒后才可取消?回扣：交易所回扣应被允许吗？等等• 有趣的评论发表在/comments/s7-02-10/s70210.shtml3. 量化交易策略 (因时间紧, 省略)4. 统计套利策略的例子4.1均值回归模型i) 解析模型: t t t dB dt x k dx νθ+−=)(ii)离散模型: )()(11t t t t t B B x k x x −+−+=++νθ, -- log 价格 t x iii) 平稳性检验: ADF （增强迪基一富勒）测试: k >0该模型可由市场数据拟合，也就是市场数据可确定模型参数iii) 实时拟合：如果模型参数进行实时拟合，这将产生一个高频交易的策略4.2交易信号的市场进入和退出i) 用两只股票的价差Z-分数高低定名次[5]ii) 当进入市场时, 小心虚假的信号iii) 持仓时要考虑均值回归时间[4]4.3优化交易仓位i) Markovitz 均值方差优化• 易于使用，但不直观：有时不比加权平均分配更好• 对输入数据过于敏感• Markovitz 优化谜ii) Markovitz 优化的改进• 经验相关矩阵可能是Markovitz 优化谜的一个重要原因• 最近，[1] 引入一个引导程序(bootstrap)，以解决此问题iii) 其他优化法•Black-litterman [2][7]•不同的机制状态，如经济周期[8]5.总结i)程序化交易推动了交易产业的变革ii)量化交易在金融市场上发挥了重要的作用iii)高频交易将成为推动金融市场进一步发展的主导力量iv)证券交易委员会将实施新条例,以满足高频率交易和新的衍生产品的挑战6.参考文献[1] Zhidong Bai, Huixia Liu, and Wing-keung Wong, MakingMarkovitz’s portfolio optimization theory practically useful, preprint, Nov. 2010[2] F. Black and R. Litterman, Global portfolio optimization,Financial Analyst J., 48 (1992), No. 5, 28-43[3] Binh Do, Robert Faff, and Kais Hamza, A new approach tomodeling and estimation for pair trading, Prerint, Manash Univ., 2006[4] Robert Elliott, John Van Der Hoek, and William P. Malcolms:Pairs trading, Quantitative Finance, 5 (2005), June, 271-276[5] Evan Gatev, William N. Goetzmann, K. Geert Rouwenhorst,Pairs Trading: Performance of a Relative-Value Arbitrage Rule, Review of Financial Studies I, 19 (2006), No. 3, 797-827[6] Donggeng Gong, ETF high frequency trading, September 2010[7] Thomas Idzrek, A step-by-step guide to the Black-Littermanmodel, preprint, Duke Univ., 2001[8] Cory Turner and Jiho Han, Portfolio optimization under timevarying economic regimes, preprint, Stanford Univ., 20097.附: D. Gong’s文献Here is a list of working papers and project documents that I wrote up in the last several years.1.Pricing American Swaptions by Markov Functional, ABN AMRO Bank, Oct.20012.Stochastic Volatility Markov Functional Models, ABN AMRO Bank, Oct. 20023.EDF Convexity Adjustment in Humped Volatility, ABN AMRO Bank, Dec. 20024.American Swap Future Options, ABN AMRO Bank, Oct. 20025. A Revised Curve Stripper in SPG, ABN AMRO Bank, Dec. 20026.When to Call A Swap, ABN AMRO Bank, Jan. 20037. A Revised Delta Calculation , ABN AMRO Bank, Mar. 20038.Delta Hedge and Skew for European Swaptions, ABN AMRO Bank, May 20039.Treasury Locks, ABN AMRO Bank, June 200310.Stability of Beta Parameter in SABR Model, ABN AMRO Bank, July 200311.Fitting Parameters of SABR Model, ABN AMRO Bank, Aug. 200312.Risk Analysis in CAL, ABN AMRO Bank, Oct. 200313.Analysis of SABR Model, ABN AMRO Bank, Oct. 200314.Building Skewed Volatility Cubes, ABN AMRO Bank, Nov. 200315.Relative Value Trading Strategies of Swaps, ABN AMRO Bank, Aug. 200516.Forecasting Realized Volatilities of Swaptions, ABN AMRO Bank, Sept. 200517.Relative Value Trading Strategies of Swaptions, ABN AMRO Bank, Nov. 200518.Total Return Strategies of Volatility Trades, ABN AMRO Bank, Dec. 200519.Geometric Analysis of Stochastic Volatility Models and Skew Problems, ABNAMRO Bank, Feb. 200620.Hedging Commitment Options of Mortgage Loans—Recent Development, ABNAMRO Bank, Sept. 200421.Optimization Problems of Hedging Pipeline Risk, ABN AMRO Bank, Jan. 200522.Hedging Pipeline Risk of Mortgage Loans, ABN AMRO Bank, July 200423.Sliding Pipeline Options along Mortgage Rate Curves, ABN AMRO Bank, Aug.200424.Hedging Deltas of Pipeline Options by TBA Options, ABN AMRO Bank, Nov.200425.Static Option Hedges of Pipeline Risk, ABN AMRO Bank, Nov. 200426.Options Hedging Strategies of Pipeline Risk, ABN AMRO Bank, Oct. 200427.Managing Pipeline Options of Mortgage Loans, ABN AMRO Bank, July 200428.Quantitative Trading Strategies of Mortgage and Interest Rate Derivatives,ABN AMRO Bank, Mar. 200629.An Arbitrage-Free Skewed Model of Mortgage TBA Options, ABN AMROBank, Mar. 200530.Quanto Pricing of Outperformance Options, Stark Investments, May 200631.FX Volatility Trading Strategies, Stark Investments, May 200632.Trading FX Volatility Derivatives I, Stark Investments, May 200633.Trading FX Volatility Derivatives II , Stark Investments, Jun. 200634.An Arbitrage Free Skewed Model of Mortgage TBA Options (talk in QuantUSA,2006) , Stark Investments, July 200635.A Jump Diffusion SABR Model in Equity Options, Stark Investments, July 200636.Solving Volatility Skew Problems by SABR Models, Stark Investments, Aug.200637.Localized SABR Models, Stark Investments, Oct. 200638.A Simple Pricing Formula of FX Variance Swaps, Stark Investments, Jan. 200739.An Analytic Pricing Formula of FX Variance Swaps, Stark Investments, Feb.200740.Convexity Adjustments of FX Volatility Swaps, Stark Investments, Feb. 200741.An Analytic Pricing Formula of FX Correlation Swaps, Stark Investments, Feb.200742.Skewed Modeling of FX Double No Touch Options, Stark Investments, July 200743.Trading FX DNT Options---Speculative Points of View, Stark Investments, July200744.An Example of Skewed Pricing of FX Barrier Options, Stark Investments, Aug.200745.Hybrid factor risk models of equity portfolios, Jan. 200846.Introduction to Peak6 quantitative platform, Peak6 Investments, May 200847.Pricing models of American equity options with discrete dividends, Peak6Investments, May 2008parisons of P6QuantLib models with MBRM, Peak6 Investments, May 200849.Volatility term structure in election years, Peak6 Investments, June 200850.Estimating acceptance prices of Dutch tender offers, Peak6 Investments, June200851.Pricing American Warrants, Peak6 Investments, July 200852.Hedging stock exchange offers, Peak6 Investments, Aug. 200853.Multi-hedge options, Peak6 Investments, Sept. 200854.Projecting a bottom of current recession, Talk, Dec. 200855.Test results of multi-factor models, Peak6 Investment, Dec. 200856.Microstructure stock price models, Peak6 Investments, Jan, 200957.Greek factors of multi-hedge equity options, Peak6 Investments, Jan. 200958.Models of equity options with discrete dividends, Peak6 Investments, March 200959.Relative arbitrage strategies in high frequency trading, Peak6 Investments, May200960.Modeling leveraged ETF options, Peak6 Investments, May 200961.Skewed volatility modeling in option market making, BoAML, June 200962.Multi-factor implied vol models and strategies, BoAML, Jan 201063.Multi-factor implied volatility strategy in automatic market making, BoAML,Jan 201064.Volatility fitting in equity option market making, BOAML, March 201065.Implied Greek factor components of bid-asks in option market making,BOAML, March 201066.Skewed volatility modeling in option market making II, BOAML, April 201067.Arbitrage free models of leveraged ETFs, BOAML, August 201068.ETF high frequency trading, BOAML, Sept. 201011。

程序化交易国内外发展

程序化交易国内外发展一：程序化交易概念首先程序化交易最早产生于上世纪70年代的美国。

起初的时候，程序化交易只是组合交易的另一种叫法，只要投资者同时交易的股票数量达到15只或者更多，就可以被作程序化交易。

随着计算机以及网络技术的普及和应用，程序化交易逐渐演变成一种利用计算机的优势，根据事先设计好的规则或者交易模型对行情进行分析，判断，并自动下达买卖指令的交易过程。

目前程序化交易在国际市场上的应用已经十分成熟。

根据美国NYSE交易所最新统计显示，市场上有25.9%的交易都属于程序化交易，也就是说，每4笔成交中就有1笔是由程序化交易实现的。

而根据欧洲Eurex交易所的报告显示，程序化交易以及高频算法交易的成交量在最近几年出现了显著的增长。

可以说程序化交易已经成为一种潮流在国内目前程序化交易主要应用在商品期货上。

随着的上市，期货市场和证券市场实现了真正意义上的互动，投资者不仅可以在期货市场上进行投机交易，同时可以在期货与股票之间进行套利交易。

在股指期货市场上进行程序化操作将会是投资者，尤其是机构投资者一个重要的发展方向。

二：发展历史程序化交易最早是由组合交易发展而来。

根据纽约证券交易所的定义，只要交易的股票数量超过15只，总资金超过1百万美元，就可以被当作是程序化交易。

当时程序化交易的主要目的是跟踪指数进行套利交易，由于指数权重股往往包括众多的股票，投资者很难利用人工方法对指数进行跟踪，因此利用计算机对一篮子股票进行操作的方式，成为了专业投资者的首选，这就是程序化交易的雏形。

程序化交易的发展，主要得益于计算机及网络技术的发展、报价方式的改变以及对冲基金的兴起三方面。

计算机及网络技术的发展为程序化交易的发展提供了技术上的保证。

由于计算机的运算速度越来越快，投资者可以对复杂的股票组合进行数据分析研究。

而网络技术的发展，使得投资者可以在第一时间获得最新的行情信息进行分析，并执行买卖的操作。

报价方式的改变，则在客观上刺激了程序化交易技术的发展。

程序化交易概述精品PPT课件

此题10个人作答有9人答错，印证炒股9赔1赚，非常灵验！！！
如果机械化地算账 -97元
问题： Why are we here?
1资本市场的
混沌与秩序
2数量化投资的世界观
3程序化交易来袭？
还在学习巴菲特？不知道西蒙斯？你OUT了！
1 资本市场的混沌和秩序
关于资本市场的乱象
现代资本市场理论的“三驾马车”
♠ 可以做频繁地交易
量化投资：狭义与广义
大“数”底下好乘凉
3 程序化交易来袭？
写在程序化交易的元年
程序化：量化投资的天然盟友
• 量化投资不一定需要程序化来完成，但是
Oh,Shit!
自动化交易产生的背景
1970s: 交易指令流的计算机化
• 纽交所的“指令回转系统（designated order turnaround，DOT）”，1984年升级为超级DOT。
年均净回报35.6% 1988 － 2008
“大奖章”基金的神话
交易：判断型 vs 量化型
传统手动交易
数量化投资
多数属于判断型交易
根据基本分析，技术图形，消息进行判断
交易速度较慢
交易周期较长
用量化模型取代经验判断
主要采用技术分析
大“数”底下好乘凉
倾向于采用程序化交易手段
人 vs 计算机
吉姆·西蒙斯去年之所以能在萧条的金融环境中脱颖而出，主要得益于依据电脑分析数据快速换手的交易策略，因此他管理的200亿美元委托资金保持着80%的回报率。
资本资产定价模型（Capital Asset Pricing Model, CAPM）
杯具的是：这些都是“假说”
理性人？
人性——动物精神贪婪——恐惧群体行为

程序化购买行业分析

供应方平台（SSP）
聚合发布商的广告库存，通过RTB（实时竞价）的方式卖给需求方平台。SSP的核心功能是提供广告库存的管理和优化，帮助发布商实现广告收益最大化。
产业链下游：广告主与消费者
广告主：通过程序化购买平台，投放广告以触达目标受众。广告主可以是品牌方、代理商或其他营销机构。
消费者：在浏览网页、使用APP等场景下，接收到程序化购买平台投放的广告。消费者的行为和兴趣将被记录和分析，以优化广告投放效果。
实时竞价
程序化购买的核心是实时竞价（ RTB），即广告主可以实时参与广告展示的竞价，提高广告投放的效果。
程序化购买行业的发展历程
技术驱动
程序化购买行业的发展受益于技术的发展，如大数据、机器学习等技术的成熟，为程序化购买提供了强大的技术支持。
市场接受度提高
随着数字广告市场的不断扩大，广告主对程序化购买的接受度不断提高，推动了程序化购买行业的快速发展。
广告主和代理机构市场份额较为分散，但随着程序化购买技术的普及，越来越多的广告主开始将预算向程序化购买倾斜。
竞争格局的变化趋势
整合与垂直化
随着技术的发展和数据的重要性凸显，越来越多的参与者开始向上下游延伸，形成垂直整合。这有助于提高竞争壁垒，形成综合性的广告服务平台。
数据隐私与安全
随着数字广告行业的发展，数据隐私和安全问题日益受到关注。合规性和透明度将成为行业竞争的新焦点，对参与者的技术和策略提出更高要求。
各参与者的市场份额
独立需求方平台（DSP）在程序化购买市场中占据重要地位，尤其在中小广告主市场中拥有较高市场份额。
供应方平台（SSP）通常与大型广告交易平台紧密合作，以获取更多的广告主需求。

BPM发展现状与趋势-PPT课件

Note:(1)N=443; P24
• 研究发现,中小企业
用户目前往往是从渠道购买产品,但他
们想直接从厂商购买.
• 网络正成为一个越来越不可忽视的渠道. 56.0%
*
4.0% 5.0%
67.0% 64.0%
9.0% 11.0%
14.0% 14.0%
6.0% 5.0%
*
P26
部署方式
实施周期
服务方式
应用和服务方式分析中小企业用户希望在3个月内实施完毕,并且希望得到现场服务.
*
P27
数据来源：计世资讯
个性化矛盾突出
个性化的两个方面:空间个性化和时间个性化
当前管理软件产业的主要矛盾为用户需求的个性化与软件产品的标准化之间的矛盾
选择产品的关注因素 Q: 贵公司选择管理软件产品时最关注的三个因素是什么?
Note: (1)N=443; P22
研究发现,用户在选择管理软件时首先考虑的不是价格因素,但在最终商务谈判时会对价格非常敏感 43.0% 51.0% 42.0% 44.0%
EAI 系统1 系统2 系统3 只完成数据的集成，没有流程与人员的交互
业务绩效管理财务绩效生产绩效运营绩效无法创建与优化流程，只能反映当前效果。
*
软件工业的第三次技术分离
内容
• 1960年 • 实现数据库与应用逻辑的分离,出现DBMS • Oracle\IBM\Sy base\Informix \Microsoft
• 集成涉及面广：数据集成、信息集成、人员集成、流程集成，供应链集成 • 数据接口、适配器、EAI、BPM • 用户需求变化加速； • IT技术发展日新月异 • 配置法、定制法、升级法 • 根本任务：现实问题的抽象表达无法准确完成； • 软件工程化理论的不成熟，相关标准的不完善，软件研发工具的局限性， • CMM/CMMI/CASE工具

程序化交易概述

如果机械化地算账 -97元
问题： Why are we here?
资本市场的混沌与秩序
数量化投资的世界观
程序化交易来袭？
还在学习巴菲特？不知道西蒙斯？你OUT了！
资本市场的混沌和秩序
关于资本市场的乱象
现代资本市场理论的“三驾马车”
资本资产定价模型（Capital Asset Pricing Model, CAPM）
多数属于判断型交易根据基本分析，技术图形，消息进行判断交易速度较慢交易周期较长
用量化模型取代经验判断主要采用技术分析大“数”底下好乘凉倾向于采用程序化交易手段
人 vs 计算机
人
♠ 根据信息和经验来决定交易 ♠ 同样的信息进入大脑，可能出来的是不同的指令 ♠ 可以处理非标准化的信息 ♠ 有发现特殊机会和风险的能力 ♠ 交易周期较长
是否具有足够的流动性是否有足够多的市场参与者
• 当一个市场能够有效排除非市场因素干扰时，才可以作为一个合格的投资对象。
是否具有足够长的交易历史是否有充足的信息源
• 信息源充足与否的要求，不以系统交易遵循基本分析原来还是技术分析原理而改变。
交易系统的公式化
定义交易规则：交易策略的定性化定义交易规则变量及参数：交易策略的定量化
• 西蒙斯，1938年出生于波士顿郊区的一个犹太家庭，从小就有数学天赋。 • 本科：麻省理工学院数学系（3年毕业） • 博士：加州大学伯克利分校（3年毕业,23岁） • 越战期间：美国国防分析研究院破译密码。
• 与陈省身一起提出有关“多维弯曲空间的几何问题”的：陈－西蒙斯理论 • 1978年：成立“林姆若依”基金（年增长38%） • 1988年：成立“大奖章”基金（年增长38.5%）

文华财经程序化交易培训课件

命名
参数
CLOSE HIGH LOW OPEN MA(X,N)
CROSS(X,Y)
引用收盘价(在盘中指最新价)，也可简写为 C 。引用最高价，也可简写为 H 。引用最低价，也可简写为L 。
引用开盘价，也可简写为O 。
求X在N周期内的简单移动平均。计算方法： MA=(A1+A2+A3+A4+A5)/5 求A在5个周期内的简单移动平均
表示 X上穿Y；例：CROSS(CLOSE,MA(CLOSE,5));表示收盘线从下方向上穿过5日均线
MA5:=MA(C,5); MA10:=MA(C,10);
CROSS(MA5,MA10); CROSS(MA10,MA5);
定义变量运用函数
A:(O+C)/2;
B:C>O; //判断是否收阳；满足条件返回1，否则返回0
S:=SETTLE; MA15:MA(C,15);
REF(H,1); REF(MA15,1);
5日均线上穿10日均线的同时收盘价大于20日均线，或者5 日均线上穿10日均线的5个点；
MA5:=MA(C,5); MA10:=MA(C,10); MA20:=MA(C,20); A:(CROSS(MA5,MA10)&&C>MA20)||CROSS(MA5,MA1
4、每个语句应该以分号结束。
5、参数部分：可以设置六个参数；首先是参数名称，然后是参数的最小值，最大值，最后是参
数的默认值；在定义参数时要注意的是参数名称不可以重复,12个字符内。
6、运用函数语言，也就是表达你的语言：函数具有自己的表达式，运行它就需要将我们的思路，按照
函数的表达式套用表述。

07 徐广斌程序化交易现状、影响与应对策略

程序化交易现状、影响与应对策略徐广斌上海证券交易所.技术规划与服务部，上海.200120E-mail.：gbxu@摘要：近年来，由程序化交易、特别是高频交易引发的交易故障在欧美等境外证券交易市场上频频发生，Facebook IPO事故、BATS闪电崩盘、骑士资本瞬间巨亏等即为其中的典型案例。

根据所领导批示，我们对境内外程序化交易的发展现状进行了调研，综合分析了程序化交易对我国资本市场的影响及挑战，重点针对程序化交易风险提出了应对的若干对策和建议。

1.程序化交易概述.1.1.概念程序化交易是指在进行电子交易的金融市场里，通过计算机程序来下交易订单，即利用计算机算法决定交易下单的时机、价格乃至最终下单的数量与笔数等。

通过程序化交易，计算机根据预先定义的交易目标和交易模型自动生成订单并输送到交易系统进行成交。

在我国《期货交易所业务活动监管工作指引第9号-关于程序化交易的认定及相关监管工作的指导意见》中将程序化交易定位为“由计算机事先设定的具有行情分析、风险管理等功能的交易模型，自动下达交易信号或报单指令的交易方式”。

程序化交易系统每秒可以产生成千上万条交易指令，其中许多指令瞬时就可能被取消或被新的指令所取代，一个典型的程序化交易系统如图1所示。

1.2.分类依据订单尺寸以及对于执行紧急程度的要求，可以将程序化交易大致分为四类：一是减少冲击类，如冰山订单、隐藏订单等算法；二是静默加减仓类，如大宗交易、保证成交量加权平均价格算法(Guaranteed VWAP) 等；三是交易执行类，如交易量加权平均价格（VWAP）、时间加权平均价格(TWAP)等算法；四是快速执行类，如市场直通(Direct Market Access)，及攻击性算法(Aggressive Algorithms)等。

其中，高频交易是程序化交易的一种，它的目标是当市场上有极为短暂的机会出现时，能第一时间得知并从中获利，整个过程可能只需要不到一毫秒的时间。