华尔街的计算机算法交易

华尔街的计算机算法交易

：高频率交易算法或者称为闪电交易算法，能够在每秒中买入和卖出成千上万

的股票。它们如此快速地、大规模地执行交易，以至于哪怕股票价格微小地波

动几分钱都会导致交易最终的盈利或者亏损。另一些计算机算法的执行速度较慢，但是它们内部结构会更加复杂，例如分析盈利状况、股票走势和新闻资讯

以寻找其他人可能错过的有价值的投资。

去年春天，道·琼斯启用了一个新的Lexicon服务系统。这个系统可以实时地给职业投资者发布金融新闻资讯。实际上，这个新的系统并不令人惊奇。这家在华尔街日报和道琼斯通讯社背后的公司由于发布能够影响股票市场的新闻资讯而

名声大噪。但是，绝大多数订阅Lexicon服务的职业投资者并不是人，而是无数行代码所构成的计算机算法。这些计算机算法管理并控制着不断增长的全球交易活动。但是，计算机算法与人解读新闻资讯的方式并不相同，它们不需要以叙事的形式、甚至可以不通过语句的形式来传递信息。它们只需要数据——那些关键的、可执行的信息。

Lexicon将新闻资讯以计算机客户端能够识别的方式进行封装。Lexicon实时地

扫描每一个道·琼斯的新闻，寻找使投资者直观了解股市状况的文字线索。然后它将信息以机器可读的格式发送给订阅Lexicon服务的程序，它们会进一步地解析收到的信息，再利用最终的数据来支持和引导投资决策。Lexicon已经实现了自动阅读新闻、提取关键信息以及完成股票交易的功能。这些电脑不再仅仅是处理数字，它们已经开始代替人做决策。

这样的交易运行机制极大地拓展了整个金融系统。在过去的十年中，计算机算法操控的交易已经占领了这个行业。无论是刚刚创立的对冲基金唯一的柜台，还是高盛公司富丽堂皇的大厅，计算机代码承担着华尔街大部分的交易活动。（据估计，计算机辅助高频率交易已经占有全部交易量的70%。）因而，股票市场的起起伏伏不再由交易员比拼谁拥有最精准信息，或者谁有最聪明的商业头脑所决定，而在很大程度上取决于计算机算法全面扫描包含潜在收益的微小信号的能力。

计算机算法已经深深地根植于我们的金融系统中，以至于股票市场的运作无法离开它们。最基本的，计算机帮助潜在的股票买家和卖家寻找直接的交易对手，从而避免了在交易过程中经纪人或者委托人的参与。高频率交易算法或者称为闪电交易算法，能够在每秒中买入和卖出成千上万的股票。它们如此快速地、大规模地执行交易，以至于哪怕股票价格微小地波动几分钱都会导致交易最终的盈利或

者亏损。另一些计算机算法的执行速度较慢，但是它们内部结构会更加复杂，例如分析盈利状况、股票走势和新闻资讯以寻找其他人可能错过的有价值的投资。因此，计算机系统比任何人都更加高效、快速和聪明。

与此同时，计算机系统也更难以被人理解、预测和监管。计算机算法，正如大部分交易员一样，习惯于遵守一套非常简单的规则。但是计算机算法能够在一秒钟内分析成千上万的数据，从而对市场中所发生的变化做出立即的反应。每次交易都会创建一个计算机之间连续而快速地响应对方的会话来发送数据。最理想的情况，计算机系统是了一个高效、智能的资源分配机器，一个被精确化和定量的市场，而不是受到感性和易犯错的判断所影响的市场。

但是最糟糕的情况是计算机系统只是一个无法预测的、无法受控的反馈循环。可能每个计算机算法都非常简单、也能够受到人类的控制；但是当他们之间开始交互的时候，他们能够创造出意想不到的行为，例如系统创建的导航会话能够摧毁这个系统。2010年5月6日，道·琼斯工业平均指数令人费解地不断下跌，出

现了在五分钟内下滑了573点的“崩盘暴跌”。五个月后，北加州的ProgressEnergy公司的股票价格下跌了90%，而Progress Energy公司却无能为力。同样也在九月底，苹果（Apple）的股价在30秒内下跌了近4%，虽然几分

钟之后股价恢复了正常。

现在我们对这些突发的市场下跌习以为常，而我们依然不知道是什么原因导致的。但是大部分观察家认为强大的、超高速的交易算法应该对此负责——众多简单指令的交互所构成的市场对于人类大脑来说，是无法完全理解的，也是无法预测的。

无论如何，现在计算机还处于我们的控制之下。

讽刺的是，为了便捷交易员的工作才启用计算机算法作为交易工具。在电子交易出现之前，大型机构投资者一般通过自身的实力和广泛的人脉网络，寻找提供最优条件的交易中间人。“我们以前资本盈利的模式于现在相比是不同的”，美国世纪风险投资公司（American Century Ventures）在堪萨斯城市投资公司的一个部门前首席长官，哈罗德·布拉德利（Harold Bradley）这样说，“因此我已经改变了这一策略。”

布拉德利是90年代末最初一批尝试使用计算计算法的交易员之一，他们尝试着

寻找投资盈利的模式。他花费了近三年时间来构建他的股票计分程序。首先他创建了一个神经网络，细心地培育这个神经网络以模拟他的思维，从而识别那些他直觉和经验所认为会影响股票价格走势的综合因素。

但是布拉德利不仅想创造一个与他思维模式一样的机器，还希望这个逻辑系统以一种完全不同的、比人类更加聪明地方式来观察分析股票市场。于是在2000年

布拉德利召集了一批工程师，寻找最能够准确预测股票业绩的指标。他们发现了一些例如公司盈利增长的传统度量变量，以及其他技术含量更高的因素。布拉德利总共找到了七个关键的因素，其中包括了他创造的神经网络的判断，同时他认为这个因素对预测股票走势是有帮助的。

此后，布拉德利尝试利用UC伯克利大学的一个叫做“差分进化优化器”（differential evolution optimizer）程序，为每个因素寻找合适的权重。布拉德利从随机的权重值开始探索，例如赋予盈利增长相比收入增长两倍的权重值。让程序分析在给定时间点上业绩良好的一些股票的信息，然后从中随机地挑选

10只股票并分析它们的历史数据，验证权重组合是否符合预测这些股票在实际

中的业绩表现。通过选择略微不同的开始日期或者不同的股票组合，不断重复验证权重组合的合理性。对于每一组权重值，都需要经过成千次这样的验证测试，以验证是否符合这些股票实际的业绩走势。然后再修改各因素的权重值、再重新进行上述的验证测试。最终，布拉德利的团队收集了大量权重组合的业绩数据。

对权重组合的验证过程结束后，布拉德利选择了10组最符合实际业绩的权重组合，再次使用差分进化优化器对它们进行验证。优化器将这些权重值进行配对，又组合出100个子权重。再从这些验证过的权重值中找出10个重新配对，进而

产生新的100个三代子权重。（程序也会引入一些偶然的变化和随机性，因为这样可能带来一两个意想不到的惊喜。）在这样创造出很多代子权重之后，布拉德利的团队终于找到了理想的权重组合。（在2007年，布拉德利离开这个研发团队，开始管理拥有18亿投资基金的考夫曼基金会，并申明他不再对他的计算机

算法的性能发表任何意见。）

布拉德利的努力仅仅是个开端。不久，投资和战略管理者开始在世界闻名的数学、科学和工程学校中寻找人才。这些学者为传统的交易柜台带来了在计算机科学和统计学方面复杂的人工智能的方法。