量化交易是什麼？最完整的量化交易懶人包

量化交易(Quantitative Trading)是指並非透過個人主觀、自己的認知去判斷，
而是透過數據運算來判斷做決策，是一種依靠數學和統計模型來辨別市場交易的策略。

這篇文章市場先生介紹量化交易策略是什麼、怎麼做、有哪些類型及優點缺點介紹。

量化交易是什麼？

量化交易是一種依靠數學和統計模型來辨別市場交易的策略。

量化交易通常需要大量的數據與演算法邏輯，
一般會對包括基本面、籌碼面、技術面、經濟面、事件、時間週期等等數據資訊進行分析，並根據合理的邏輯設計及驗證策略，最終根據數據與策略進行交易決策。

量化交易大多會需要程式語言進行資料分析與執行，一般都是大型機構投資人、對沖基金使用的交易策略，它們的交易量通常很大。

但是目前也逐漸有越來越多個人投資者開始使用量化交易策略。

量化交易根據數據做決策 vs 傳統交易用人主觀判斷做決策

量化交易策略的類型，許多可以和傳統的策略一樣，
差異只在於是由個人做最終決策，還是根據數據結果執行決策。

例如傳統的價值投資，是透過個人去做充足的研究，對價格、價值做出分析，做出選股決策。

但你也可以用量化的方式做價值投資，用數據去判斷價格、價值，最終做出選股決策。

量化交易策略的優點與缺點如下：

量化交易策略的優點

• 可以被驗證
• 可以克服情緒
• 藉由數據可以發掘出肉眼和經驗無法找到的超額報酬機會
• 可以管理更大規模的策略與資金

量化交易策略最大好處，就是它可以被驗證、可以克服情緒，
因為我們主觀判斷的時候，其實會有很多情緒在裡面，但如果是透過數據運算做決策，那情緒的影響就減少了。

雖然我這樣說，但對情緒、風險控管不佳的人，如果不照著策略走，那即使量化也沒有用。

此外，一般經理人單靠人力能管理的資金規模其實很有限，因為一個人主動管理時，研究範圍有限、策略最多就那麼多，對風險分散程度有限，
但量化策略能夠讓一個人或一個團隊管理大量策略演算法。

量化交易策略的缺點

• 進入門檻高、資料取得困難且高成本、需要程式能力、許多策略需要大資金才可執行
• 每個人使用的資料或策略可能都一樣、競爭使利潤變薄
• 可能對邏輯和參數過度最佳化而不自知
• 金融市場規則變化、短期失靈，或參與者變化，都有可能會讓過去有效的策略失效
• 任何數據本身必然有限制、有極限，不可能永遠保持創造超額報酬的能力
• 無法規避一些特殊的人為影響，例如戰爭、政變等等，市場變得不效率時量化策略如果分析的數據資訊不足，不一定能及時反應。

今天你會拿數據驗證、別人也會拿數據驗證，那大家做出來的東西可能就都一樣，所以量化交易的競爭其實是相對激烈。

許多量化交易機構的優勢，都源自於可以拿到別人沒有的資料，或者擁有別人想不到的資料運用方式。

另外，金融市場變化快速，有些方法可能會逐漸失效，失效可能是因為市場狀況變了，當數據背後的資料、法規、各種事情發生改變，這個策略就可能會失效。

量化交易策略怎麼做？執行流程和步驟

進行量化交易策略的時候，會按照以下幾個步驟來進行，
因為市場先生自己並非量化交易的專家，以下只是就我目前理解的一些經驗談，不是絕對標準答案：

步驟1：取得資料和數據

量化交易策略的第一步，就是整理數據資料，一切的策略都源自於數據資料。

資料可能是買的，也可能是自己寫爬蟲抓資料、收集、存進資料庫。

當然，最陽春的版本，也可以用Excel做紀錄和計算。

步驟2：清理資料

許多數據商提供的資料，往往有些應用上的限制（例如不同國家的日期欄位不同、不同國家的財報欄位名稱不同等等），
或者有些數據商提供的資料有誤（兩家廠商提供的數據不一樣、缺漏資料、某天資料有誤等等），這都必須先進行整理。

在數據統計領域有一句話叫做 Garbage in, garbage out，意思是垃圾進、垃圾出，
拿有問題的資料，自然就會做出有問題的策略。

步驟3：設計策略：

就是必須找到一個有利可圖的事情，也許是統計上有優勢，或者是別人還沒有發現的事情，邏輯上說得通、有辦法獲利的市場。

我們會對市場進行一些假設，認為市場可能會因此產生超額報酬，並且去尋找對應的數據，
取得相關的資料來測試這個策略，並試圖優化策略以獲得更高的報酬、更低的風險。

由於市場通常非常效率，大多策略是呈現隨機性、無利可圖、沒有超額報酬，或者報酬/風險不如大盤及一些基準指數的。

10個策略通常有一兩個略有一點用處就算有收穫。

這一步要提醒的是，我覺得應該是先有策略，再找對應數據，或至少先知道數據的意義，進而思考它的應用，
不應該用數據去應湊出策略，我個人目前並不贊同像是機器學習或者類神經語言的方式產出策略。

步驟4：回測、分析策略：

有策略和數據後，會進行驗證，根據策略邏輯與數據，進行回溯測試(簡稱回測)，分析同樣的策略在歷史上的有效性、在各種行情下的變化。

進行回測程式，必須使用一些套裝軟體的回測程式，或像是Python、C++…等程式語言，進行運算，

回溯測試的目的是提供證據，證明透過上述過程確定的策略，應用到歷史和樣本外資料時是可以獲利的。

回測分析的重點除了看績效、風險，也包括：

• 釐清超額報酬的邏輯：如果邏輯說不出來或說不通，即使數據有用，也可能只是巧合。
• 了解數據假設與限制：任何數據和分析邏輯都有限制，釐清限制，未來數據失效時才有能力辨識出是短暫失效還是長期失效。
• 觀察一些劇烈波動的時間點：看看策略在那些時間點的變化，是否符合自己預想。
• 參數驗證：參數理論上要能經得起調整、位於參數高原、避開參數孤島，小幅的調高、調低參數，成果都不該有過於劇烈的變化。
• 訊號時間性驗證：如果把訊號提前或延遲，得到的結果理論上要更好/更差一些，如果不符合的話，可能參數或邏輯存在過度最佳化。

步驟5：可行性驗證：

當量化交易策略有可行性之後，和一般做實驗一樣，會經過幾個比較關鍵的驗證，包括：

1. in-sample test 樣本內測試：也就是回測的步驟，會使用歷史數據做驗證。
2. out-of-sample test 樣本外測試：一般會保留一段時間的數據，在樣本內測試時不使用，等樣本內測試結束、決定參數後，再套到樣本外測試，確認設定參數可行。
3. paper trade 紙上交易：根據最新的交易做紙上交易，只模擬並紀錄損益，但不用真錢操作。等確認可行才進入下一步。一般紙上交易短則1~3個月，長則不一定。
4. 正式上線：實際資金投入，初期也會觀察一段時間看看成果是否符合回測及訊號符合預期。

這些主要是衡量策略在歷史數據與實際執行的差異，
如果是被過度優化的策略，很可能歷史回測像一條龍、實際交易像一條蟲。

有一些常見的指標，會用來衡量一個策略的表現，包括：

• 長期年化報酬率、各單年度報酬
• 夏普比率
• 索丁諾比率
• information ratio資訊比率
• Max drawdown(MDD)最大回落跌幅

等等。

市場先生提示：比起報酬好、風險低，邏輯性其實更重要，因為未來行情可能會不如歷史、MDD可能被破底，這都是常態。看久了就知道，過去報酬高的策略，不代表未來報酬高。控制風險及確保利基，反而更有意義。

步驟6：自動化執行策略：

如果驗證完覺得可行，就把這個策略自動化去運作自動交易並儘量減少交易成本。

考慮到許多商品可能24小時交易，或者開盤時間跨時區，以及減少人為因素，
一般會讓程式自動執行，或聘請專門的下單(稱為打單)人員來下單。

系統化的執行，也是量化交易的一個重點。

即使需要人為干預，也需要邏輯十分明確(例如根據某些數據，判斷市況已經不符合當初假設)，而非任意干預。

步驟7：風險控管：

衡量風險就是管理風險，並且去調整自己的部位做好資產配置。

量化交易的最後步驟就是要管理風險、衡量風險，風險來源有很多，會涵蓋幾乎所有可能干擾交易的因素，底下列舉幾個：

• 資料風險：例如資料商提供的最新資料有誤。
• 執行風險：例如保證金沒算對、導致資金不足。
• 人為疏失：例如程式或交易員下錯單、該下單沒下、或者沒換倉等等。
• 技術風險：例如位於交易所的伺服器突然出現故障、網路中斷、當初寫的程式有bug等等。
• 經紀商風險：例如經紀商破產。

(上述我大概只有經紀商風險還沒遇過…)

了解風險後還要組成資產配置，因為多個策略同時進行，每個策略該放多少錢、跑多大規模金額，也是個問題。

例如，
有些策略有容納資金量的上限，超過後就會流動性不足，或者影響市場波動。
又或者同一類型策略太多，或者同一風險源的策略太多，藉由控制部位規模，來讓風險得到控制。

另外，雖然在量化交易中，受到心理影響、認知偏誤的風險會減少，但仍會受到一些干擾，像是損失規避(Loss Aversion)，也就是心裡不願意接受損失，就算虧損了也不平倉，因為必須承受損失的痛苦。

量化策略不會是完美無缺的，但如果個人過度手動干預量化成果，那麼量化很可能會失去意義。

這種行為金融的偏誤，詳細可閱讀：行為經濟學是什麼？10個常見的行為金融偏誤分析

步驟8：策略管理：

策略管理包括決定上架新策略、下架舊策略策略，以及決定各策略的規模和比例。

一個新策略從開發到運作，經過漫長的過程和驗證，只要不是有bug，通常不會隨便失效，
但凡事沒有絕對，策略看久了你會知道，沒有策略是可以永遠有效的。

競爭者增加、法規或市場特性改變、數據計算規則改變、新替代商品出現、市場流動性改變等等，都會讓一個策略可能未來某些時間失效、趨於隨機。（記得，策略失效不是賠錢，而是變的隨機）

量化交易策略有哪些類型？

任何投資策略，都可以用量化的方式執行

量化交易所用的策略類型，其實和傳統各類型策略都一樣，
差別只在於量化交易是用數據來做決策。

換句話說，只要是找的到數據參考的策略，基本上也都可以完全用量化進行。

當然，每種策略適不適合量化並不一定，一般來說交易頻率越高、運算越複雜的策略，就越可以單純透過量化方式執行。

底下列出10種比較主要的量化交易策略的特色、報酬特性，
如果想詳細了解這些策略內容，可閱讀：避險基金(對沖基金)交易策略介紹》10種常見交易策略

10種常見的量化交易策略分類：

其中有些策略特別適合量化，例如：Long/Short Equity 、 市場中性、固定收益套利。

也有些可以部份量化，但難以完全量化，例如：併購套利、事件驅動。

量化交易策略的未來？

量化交易策略存在一個問題，
舉例來說有個人用某一個基本面指標設計出一個量化策略，另外一個人也用同一個基本面指標設計出一個量化策略，
那最後會有很大機率，這兩人的策略都差不多。

因為當大家互相競爭的時候，這個策略就會失效，
因為錢不是被A賺走就是被B賺走，或是被其他更多人賺走，因為可以賺的超額報酬就這麼多，大家分完就沒了。

那麼量化交易策略的未來，該怎麼做才能？底下列出4個方向：

方向1. 找到傳統金融市場沒有數據

傳統金融市場價格、基本面、籌碼面、技術面這些策略之外，你去找其他的策略、其他的數據，

例如：直接從衛星圖去分析去百貨公司的人數、記錄來訪的車子數量，藉此提前知道這間公司生意好不好，提前去操作它的股票。

例如百貨公司和賣場的人數及車子很多可能代表生意很好，就可以提前做多；
人數及車子很少可能代表生意不好，就可以提前放空。

這樣可以在報財還沒公佈前就知道這件事，因為財報大約3個月公佈一次，但如果可以用衛星知道客流量，那不用等3個月就能知道了。

方向2. 找到冷門的小市場

越熱門的市場代表規模越大，通常參與者越多，雖然裡面散戶很多，但是高手可能也很多。

所以不想和人家競爭的話，就是要去找到目前比較冷門的市場(但這些市場可相對來說風險也高)，底下舉例幾個小市場：

1. 加密貨幣市場
2. 發展中國家的股市
3. 不受監管的衍生性金融商品

但是要注意，一旦這些市場變得更受歡迎、市場參與者變化、市場行為就會發生變化，機會就會變得更少，因為參與這市場的人變多了。

另外，小市場代表著容納的資金更小，即使擁有成功有效的策略也難以放大規模，利弊總是一體兩面的。

方向3. 擁有特殊高門檻技術

例如高頻交易就是一個高門檻技術例子，它需要高技術、高昂的設備成本投入，才能夠進行。

高頻交易是一個很重設備與技術的交易方式，它的目的是賺取市場中出現極短暫的微小價差，在很短的時間內快速進出，類似造市者，獲取別人下單之間的價差。

這是一種方法沒錯，但我個人覺得高頻交易是偏資本和技術的競爭，而總有人資本和技術比我們硬很多。
找到獨有的優勢依然是關鍵。

詳細可閱讀：高頻交易是什麼？

方向4. 機器學習？

機器學習是人工智慧(AI)的一種，著重於建立能從資料中學習、透過所存取的資料來提高績效的系統，

這是一種比較新的方法，但有沒有用並不太確定。

平常做傳統的統計，我們需要很明確邏輯去做驗證，但透過機器學習就不用給很明確的邏輯，你只要給它一些數據，它就會自己去做研究，

雖然有些說法認為機器學習可行，甚至就我所知許多國際知名的量化交易基金也都有採用機器學習在操作，例如拿它來做配置投資組合、決定比例、優化整體風險的決策，

不過市場先生認為這種方法比較危險，我並不推薦一般人去使用機器學習的方式來設計策略。

如果你賺錢時不知道自己是怎麼賺的，那賠錢時你也說不出為什麼會賠錢。－市場先生

快速重點整理：量化交易策略是什麼？

1. 量化交易(Quantitative Trading)是指並非透過個人主觀、自己的認知去判斷，而是透過數據運算來決策做判斷，是一種依靠數學和統計模型來辨別市場交易的策略，是大型機構投資人、對沖基金常使用的交易策略。
2. 量化交易策略的優點是可以被驗證、克服情緒，缺點是每個人使用的資料可能都一樣，而且金融市場變化快速會讓策略失效。
3. 進行量化交易策略的時候，基本上會按照8個步驟來進行：取得資料和數據、資料清理、設計策略、回測分析策略、可行性驗證、執行策略、風險控管、策略管理。
4. 任何策略只要能被量化，都可以作為量化策略。可以完全量化做決策，也可以僅部分量化。

市場先生心得：

我當初大概在投資第2年之後，因為開始寫程式交易，接觸到量化交易的領域。

長期研究下來，我覺得量化交易想要確實執行其實很困難、成本很高 (就說買資料，想認真做量化，一年花上百萬是基本)，
但量化的思維方式也帶給我很多成長，讓我養成對各種資訊和數據做驗證的習慣。

我自己目前有1/3的資金是放在完全量化類型的策略上，其他的投資部位，超過一半在做決策之前也都有做過回測與分析，理解它的特性與風險，

我非常認同量化策略的方式，畢竟市場上大多數人都是主觀判斷、甚至不看數據就做決策，這讓做量化的人能擁有很大的優勢。

最後，
我認為做為量化交易者的關鍵競爭力，並不是某天靈機一動做出某一個好策略，
而是能在長期擁有持續做出新策略的能力。

最後市場先生想提醒的是，
做量化的人有時候會陷入對數據的無限上綱，覺得天塌下來也要照數據來執行決策，
這不是壞事，但世上沒有絕對。

無論我有多認同量化分析方式、無論回測績效多漂亮，但我知道量化並不是全能的，它並不能保證在任何情況下都依然有效，
這也是最困難的地方，我們不能輕易打破原則，但卻應該要對原則保有彈性。

我想這就是比較藝術與哲學的地方吧，
畢竟我們是先作為一個投資者、交易者，然後才使用量化的方式做分析，
對做量化的人來說，我認為理解量化的限制非常重要。

更多量化分析相關文章：

1. 如何用量化分析來實現價值投資？

2. 因子交易是什麼？

本文提到的投資標的均為教學範例使用，無任何投資推薦之意。投資一定有風險，投資前務必自行研究判斷。

更多投資入門延伸閱讀：

1. 超過100篇新手入門文章分享

2. 推薦超過40本投資好書

3. 美股開戶》推薦券商比較

4. 股票開戶》推薦的開戶券商

5. 基金開戶》零手續費開戶優惠

加入市場先生FB社團，充實更多理財好知識

50歲之前想退休一定要懂理財，解決投資的煩惱！

市場先生開了一堂的「用美股ETF創造穩定現金流」教學課程，
這堂課程會從基礎入門、資料查詢到實際操作，
教你學會建立一個穩定的全球ETF投資組合，目前累積已經有將近2000位同學上課。

線上課程》美股ETF創造穩定現金流線上課程連結

編輯：Joy 主編：市場先生

如果覺得這篇文章有幫助，
幫我按個讚，分享給更多人看到，謝謝！