数据时代下程序化交易的前景与发展_朱伊琳

ＢＮ：９７８－７－１１１－４７３２பைடு நூலகம்－１． ［５］汤姆·米切尔 ．《机器学习》ＩＳＢＮ：９７８７１１１１０９９３８．
作者简介： 朱 伊 琳 ，上 海 金 融 学 院 学 生 。
９０ 全国商情
金融在线
数据时代下程序化交易的前景与发展
朱伊琳
（上海金融学院，上海 ２０１２０９）
櫅櫅櫅櫅櫅櫅櫅櫅殯
櫅櫅櫅櫅櫅櫅櫅櫅殯
櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅殯 摘要：本文在研究现代量化投资领域的现状基础上，对于当今数据时代下新兴的数据存储、数据 处 理 技 术的应用进行了归纳与分析。通过探究了解计算机技术与量化交易业务的融合，进一步讨论了在数 据 时 代 变革下程序化交易的前景与发展。
一 、引 言 １．程 序 化 交 易 背 景 程序化交易，是 一 种 将 交 易 策 略 交 给 计 算 机 进 行 处 理、 判断并执行的交易方式。随着当今时代计算机技术和网络 信息技术的高速发展，金融体系决 策 的制定 及管 理 办 法 不 断 发展，量化交易、算 法 交 易 等 交 易 方 法 都 不 断 得 到 了 新 的 发 展，利用计算机技术发展而来的各种新型交易方 式 都 统 称 在 程序化交易的模式之中。 程序化交易的最大优势，在于一定程度 上 能 够 避 免 人 为 的主观性判断，并显著地分散投 资 风 险。在 全 球 金 融 交 易 系 统 中 ，程 序 化 交 易 使 用 的 普 遍 度 也 在 不 断 增 高 。 当然，避免主观性 的 人 为 交 易 判 断 的 同 时，这 也 可 能 带 来问题，比如在进 行 期 货 交 易 时，由 于 利 润 的 获 取 很 大 程 度 上取决于交易员所采取的方案和策略，优 秀 的交 易 员 能 够 带 来巨大的利益。这 些 收 益 就 是 证 明 人 为 判 断 价 值 的 最 好 证据。 程序化交易由于其系统性的安全构建，可 以 采 取 分 散 资 金的方式，在一 定 程 度 上 避 免 黑 天 鹅 事 件 的 影 响。 并 且，人 工所无法完成的多品种多笔交易的同时操作，由 设 定 好 的 计 算 机 程 序 却 可 以 快 速 高 效 地 完 成 ，稳 定 地 降 低 交 易 风 险 。 ２．程 序 化 交 易 技 术 程序化交易首先需要搭建或使用现有的程序化交易平 台，其次需要交易 模 型，即 设 定 交 易 策 略、数 据 回 测、参 数 优 化、连接外部端口获取行情／建立 交 易 等 功 能 于 一 体。可 见， 程序化交易技术的核心即为交易平台及策略模型。 目前国内使用较 多 的 程 序 化 交 易 平 台 包 括：文 华 财 经， ＴＢ 交易开拓者，金字塔决策交易系统，和 ＭｕｌｔｉＣｈａｒｔｓ。 通常使用该类平台可以通过高级语言自主创建交易系 统，一些面向客户范围更广的平台则允许通过简 单 的 拖 拽 创 建交易系统。平台通常具备连接各种交易市场的历史和实 时行情数据，便于模型的回测、数据 优 化和 交 易 决 策，并 能 将
相对于传统的数据处理而言，深度学 习 可 以 给 程 序 化 交 易带来可观的性能提升，对于复杂问题的处理 和 优 化 能 够 更 为 准 确 便 捷 ，目 前 该 领 域 的 研 究 还 存 在 很 大 的 可 探 索 性 。
三 、结 论 与 前 景 现在，程序化交易随着数据时 代 的 来 临 而 迅 速 发 展。在 本文中仅对于部 分 数 据 存 储、数 据 处 理 技 术、即 并 行 计 算 和 机器学习方面在程序化交易中的应用进行了分析和探讨。 数据技术创新对于交易系统的性能提升和功能改变会 是 巨 大 的 ，对 于 未 来 的 挑 战 也 是 巨 大 的 。 过去难以想象的数据能够在转瞬间被新一代交易程序 轻松地存储和吞吐。高性能的集群处理和高智能化的交易 核心系统所能实现的统计预测和分析技术可以更好的对金 融资源进行配置和利润获取。 随着国内金融市场的不断成熟和交易品种进一步的多 样化，程序化交易可以进行操作和发挥交易功 能 的 空 间 会 随 之继续变大。更大的空间也意味着更大的创新和空白带来 的危险，微乎其微的数据错误和决策指令的方 向 性 影 响 都 可 能掀起资本市场上的波动，甚至引发连 锁 效 应。国 内 外 金 融 市场上都曾发生过因程序设置缺陷而导致的市场短时间内 巨幅波动事件，可 见 程 序 化 交 易 的 风 险 控 制 如 果 不 当，引 发 的弊端则轻易会对于资本市场产生巨大影响。 因此，在今后计 算 技 术 继 续 稳 步 发 展 的 基 础 上，如 何 综 合金融理论和计算技术进行风险控制及安全监管也将是进 一步值得探索的课题。
全 国 商 情 ８９
金融在线
在金融交易行业领域内，新的技术带来 的 变 革 会 引 发 更 多的思考，需要计 算 技 术 人 员，数 据 分 析 人 员 和 具 备 专 业 知 识的淋雨专家共 同 配 合、协 调 进 行 金 融、计 算 机 产 业 的 融 合 研究，来提供更好的解决方案。需要寻找算 法 降 低 计 算 的 复 杂度，保证计算精 度 的 情 况 下 优 化 完 成 数 据 处 理 的 步 骤，并 行化处理大数据将其在一个大规模的分布式数据存储和并 行计算平台上完成数据并行化处理过程。
关 键 词 ：程 序 化 交 易 ；量 化 交 易 ；数 据 处 理 中图分类号：Ｆ２２４ 文献识别码：Ａ 文章编号：１００９－５２９２（２０１６）２５ －００８９－０２
櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅殯
DOI:10.16834/ki.issn1009-5292.2016.25.047
各类数据以可视化图表的方式进行显示，以便 于 后 续 观 测 和 调整。
随着全球金融市场的成熟 与 发 展，金 融 交 易 系 统 日 益 增 加 的 交 易 品 种 、交 易 量 带 来 了 更 为 密 集 的 交 易 数 据 信 息 ，也 对 交易系统的要求与日俱增。而程序化交易技术在全球资本市 场内应用范围的增长，也对于金融交易技术有了新的挑战。
维 思 考 ，完 善 和 改 建 策 略 的 功 能 。 目前，应用深度 学 习 的 程 序 化 交 易 系 统 案 例 还 不 多，其
中有一些被命名为智能投资顾问系统的交易 系 统，可 以 为 用 用户提 供 自 动 化 投 资 组 合 资 产 配 置 服 务。 例 如，美 国 的 Ｗｅａｌｔｈｆｒｏｎｔ，Ｂｅｔｔｅｒｍｅｎｔ和 Ｐｅｒｓｏｎａｌ Ｃａｐｉｔａｌ公司，以及国内 的其他企业。深度学习在这些服务产品中就发挥了核心作 用，用在其中的数 据 处 理、量 化 交 易 分 析、投 资 组 合 优 化、波 动性预测等等多方面，最终实现为用户提供多 样 化 的 智 能 服 务系统。
参考文献： ［１］柯蒂斯·费思 ．《海龟交易法则》ＩＳＢＮ：９７８７５０８６１００７８． ［２］埃 德 加 · Ｅ· 彼 得 斯，《资 本 市 场 的 混 沌 与 秩 序 》
ＩＳＢＮ：９７８７５０５８１４４８６． ［３］尤安 · 辛 克 莱 ．《波 动 率 交 易 》ＩＳＢＮ：９７８－７－３１３－
０９５０８－４． ［４］黄宜花 《深 入 理 解 大 数 据：大 数 据 处 理 与 编 程 实 践 》ＩＳ－
２．并 行 处 理 在金融交易系统中，市场的交易规则和 瞬 息 万 变 的 交 易 特性使得瞬间的高并发数据处理能力成为交易系统必备的 重要能力之一。 巨大的数据量使得传统的计算技术和系统无法应对和 满足计算需求，巨 大 的 数 据 量 会 带 来 巨 大 的 时 间 开 销，很 多 在小规模数据时可以轻松完成的任务变得难以估量。超大 的数据量和计算量给原有的处理器和并行计算技术带来巨 大挑战。 目前处于风口浪尖的云计算，正是建立 在 批 量 的 服 务 器 组成的大规模集群进行并行计算和存储，能 够大 大 降 低 大 量 数据的吞吐，并降 低 事 件 复 杂 度，能 够 有 效 降 低 时 间 复 杂 性 和 相 应 事 件 ，提 高 交 易 系 统 处 理 能 力 和 性 能 。 ３．机 器 学 习 传统的金融交易模型的建立和策略的制定依旧是在策 略部门与量化技术部门的协作下，分 别完 成 人工 制 定 再 投 入 量化策略的编程实现。而机器学习 的发展 则 为 计 算、金 融 等 领域都带来了全新的解决方案。 机器学习技术能 够 教 会 系 统 如 何 认 识 数 据，识 别 模 式， 并寻找出处理方 案 获 得 收 益。 带 “学 习 “功 能 的 计 算 系 统 可 以通过读取系统的输入和输出数据，自动 实 现该 系 统 内 的 内 部算法，并举一反三地泛化到不在训练样本中的 其 他 数 据 中 去，其完成训练后 的 过 程 是 全 程 独 立 运 作，不 需 要 人 工 进 行 设计或修改算法的系统。 目前伊利诺伊理工大学已能实现使用深度学习神经网 络预测５分钟后大宗商品和外汇期货的价格，且 测 试 结 果 的 整体准确率达到４２％。而 斯 坦 福 大 学 则 实 现 根 据 谷 歌 趋 势 和市场数据预测 标 普 ５００ 指 数 的 波 动 性。 伦 敦 帝 国 学 院 的 Ｓｉｒｉｇｎａｎｏ成功基于 ２０１４ 年 ～２０１５ 年 纳 斯 达 克 股 票 的 交 易 数据，实现了“空 间 神 经 网 络”模 型，用 以 预 测 买 卖 双 方 的 报 价情况。 由此可见，机器学习技术及其方向上的 发 展 对 于 创 新 金 融技术应用领域的可拓展空间较大。 ４．深 度 学 习 深度学习的过程是普通机器学习的进 阶 版，对 于 计 算 机 而言，是深度学习训练后的产物，即，机器利 用 所 有 数 据 不 断 认识自身的错误并改正错误的过程。 不同于普通金融交易系统中多区块的 模 型，深 度 学 习 应 用在交易系统中可以实现如同人脑般的多层次 思 维 过 程，而 这样多处理层计算模型应用在金融交易系统的 搭 建 上，可 以 更好地完成普通交易系统无法实现的任务，让计 算 机 具 备 思
二 、技 术 变 革 引 领 发 展 随着数据时代的 来 临，数 据 分 析、机 器 学 习 技 术 不 断 兴 起，交易平台为追 求 更 快 的 数 据 处 理 数 量 和 速 度，通 常 选 择 采用分布式存储及处理方式。在交易策 略 的 选 择 上，还 可 以 应用数据挖掘、深 度 学 习 及 人 工 智 能 技 术 进 行 策 略 的 制 定、 验证和参数优化。 １．大 数 据 随着社会化网络、金 融 体 系 和 监 管 的 不 断 完 善，交 易 及 行情数据都在快 速 增 长，数 据 来 源 的 渠 道 也 不 断 增 多，如 何 从大量体量巨大、类型繁多的数据中筛选和分 析 数 据 并 进 行 进一步处理成为交易系统需要处理的第一个问题。 大数据在带来巨大技术挑战的同时，也 带 来 了 巨 大 的 创 新空间。基于分析和挖掘大数据的行情 信 息 和 数 据 信 息，可 以显著提升交易系统的的准确性乃至经济效 益，进 一 步 提 升 金融行业的数据分析和交易处理能力。