统计套利（Statistical Arbitrage）该交易逻辑主要利用的市场定价效率低下的短期价格优势，并结合统计于数学模型来识别交易机会，交易者可以将其视为第一期文中“配对交易”的升级版。 和常规只关注一对交易标的配对交易策略不同，统计套利逻辑往往会在几十种，甚至上百个交易标的中寻找其中的具有价格相关性的产品对。 通常情况下，统计套利策略的交易时间框架是非常短的，最低以秒为时间单位，这是因为市场的定价无效情况通常不会维持很长的时间。 由于该策略逻辑的复杂性，统计套利逻辑一般在专业的交易机构中更受欢迎。
动量策略（Momentum Trading）动量策略逻辑与之前我们所讨论的均值回归逻辑的交易模式正好相反，它并不在意价格在一段趋势之后是否会回归均值水平，而是是试图从持续的走势波动中进行交易获利。 这种交易逻辑的基本核心就是假设价格走势可以在一段时间内保持趋势性方向不变，让我们来举几个例子进行说明： “Gap & Go”是我们常见的典型动量交易策略之一，该策略通过寻找隔夜的价格延续来抓住价格走势持续发展的交易机会。例如当某股票X价格在日内上涨了2%，则该策略会寻求在收盘前建立股票X的短期多头仓位，并争取在第二天开盘价格延续上涨之后快速的平仓获利。这种交易手法与均值回归策略正好相反。
另一种比较受交易者欢迎的动量策略是“收益/新闻推动策略”，该策略假设某公司股票受到财报或重大新闻事件影响的价格会产生持续走势，并尝试尽早入场交易来抓住后续的这一波走势。此外该策略还可以通过隔夜新闻或数据所产生的价格跳空机会来创建一些更先进的交易策略。 其他常见的动量策略还包括突破动量策略、行业动量策略等。这些典型的动量交易策略往往都侧重于短线交易。
趋势跟踪（Trend Following）趋势跟踪逻辑是上文动量策略的加长版本，而且此类策略简单易懂，在交易者口口相传中广受欢迎。该策略试图识别资产价格的长期运行趋势，并通过跟踪价格方向交易来获得较高水平的收益。当然根据市场变化的需要，趋势跟踪策略也可以是短期的，具体的交易持仓周期取决于趋势跟踪算法的选择与实现方式。
做市商策略（Market Making）另一种常见的量化交易逻辑是所谓的做市商逻辑或订单执行策略。此类策略其实并不适用于个人交易者，但考虑到其对个人交易者的影响巨大，所以我们也需要大概的了解一下该逻辑。 当大型银行或机构进行交易时，它们往往不能像散户一样直接在公开市场上买卖，因为银行机构的交易规模太大了，如果它们一次性的买进或卖出，会很容易把市场价格朝某个方向推动，并且会把自己的仓位与交易意图暴露给其他交易对手，这会直接导致最终入场价格或离场价格出现不利的情况。这种交易问题在流动性偏弱的资产市场中格外突出。
因此大型机构更倾向于采用的做市商策略，通过建立许多不同的小规模订单来实现整体交易量的需要。而实际操作中，哪怕把大订单拆分成许多小订单，也未必能完全解决流动性的问题，因为大量的小订单也会在资产价格的方向上造成很大的压力。所以大型机构都会使用一些基于量化算法的执行策略，试图在不过多影响市场价格的情况下找到更多订单的最佳执行机会。我们经常谈及的高频交易策略（HFT）就是最常见的做市商策略。
情绪分析（Sentiment Analysis）最后让我们来看看所谓的情绪分析策略，该类策略通过量化算法分析，着眼于人们对于某股票或资产的看法和态度，并围绕这一结果形成一个交易假设。 通常情况下，这些情绪分析算法通过网络获得数百万个数据，来有效的评估当下的市场情绪。这些数据可以来自各大新闻网站、社交新媒体、以及搜索引擎等。
情绪分析算法可以自动浏览大量的微博内容，寻找包含目标资产或股票的留言内容。例如，苹果刚刚发布了一款新的手机，如果情绪分析算法在大量的微博留言中找到了对该手机的差评内容，那么它会推荐做空苹果公司的股票，反之如果找到大量好评的信息，该策略则会试图做多苹果公司股票。 然而由于情绪分析涉及大量人为的主观内容，所以这类算法难以精准的去衡量市场情绪。虽然目前很多机构都开发出了足够复杂的情绪分析模型，但依然会选择将情绪分析策略与其他类型策略结合使用，从而创建更加复杂、更加可靠的交易策略。
总结此篇关于量化交易底层逻辑文章中所介绍的各种类型策略，都不是圣杯。每一种不同逻辑概念的策略都有着自身的优势与不足，在执行层面也会各有不同。六大类交易逻辑中大部分能根据个人交易者的偏好与个性进行定制设计。这一系列文章中所涵盖的只是最常见的通用性交易策略，并不适合交易者直接使用。 如果大家对量化交易有兴趣的话，应该根据自身的风险承受能力、利润目标、习惯的交易时间框架、资本量等因素进行更具体的设计与制定出符合个人交易特点的策略。但是无论最终大家选择了何种底层逻辑，设计出什么样的交易策略，都要配合上能够可靠实施的风险管理规则，否则交易者只是坐在一颗随时会爆炸的定时炸弹上。
希望大家能喜欢我开始挖坑的这一量化系列文章，今后我会继续为大家带来更多有关于量化交易的心得与体会。 |
|
|
