量化交易⾏业的主要技术现状,技术挑战。及作为 Python⼯程师可以从哪些⽅向去贡献⾃⼰的⼒量

 

1.引⾔
量化交易是⾦融市场环境下的⼀个产物,从最初的主观性决策到现在的量化决策,经过
⽆数次的验证与⽐较,证明量化交易是可⾏的,在美国量化交易是很多对冲基⾦的主要
使⽤⼿段,我国⽬前占⽐在%5左右,随着我国改⾰开放政策的不断深⼊与完善,中国经
济的宏观性利好等因素,相信量化交易也会成为以后中国⾦融交易市场的主⼒决策⽅
法.




2.量化交易⾏业的技术现状
很多⼈都在电脑上的客户端或者⼿机 APP 上⾯交易股票的经历，客户端以及⼿机
APP⼀⽅⾯可以看到⾏情，⼀⽅⾯可以下单，⽐如⽤同花顺或者⼤智慧。量化交易
系统⼀般来说跟普通交易不太⼀样，由于交易量⽐较⼤等因素，希望尽可能降低⼈
为因素的影响，因此在信号计算与触发、算法交易及交易速度等⽅⾯对要求较⾼。
以下是⼀张量化交易流程图(仅供参考)。主要涉及到⾏情、交易柜台、PB系统、托
管机房与⽹络、⾃建系统等等。

 

从最初的的起步阶段到现在快速发展阶段,量化交易⾏业经历多很多次的技术演进,已
适应市场的变化,寻求最⼤的收益率。




⼀),从投资策略⽅⾯来讲，其演进的阶段⼤致如下,多因⼦选股(基本⾯类、技术⾯类
和特异类)、阿尔法策略、套利策略、CTA策略、多策略融合应⽤,⽬前市场上的主流
基本以多策略融合应⽤为主,通过机器学习深度学习等算法模型寻找到更多的技术⾯
因⼦,避免不同平台的同质化,以获得更好的数据特征性,从⽽进⾏更好的量化交易，
该⽅⾯的主要技术难点在于如何不断的去调整深化策略模型,以适应市场不断的调整
变化



⼆)，从技术架构层⾯来讲,随着市场的不断深化,采⽤量化进⾏交易量级的不断提
⾼，也为软件层⾯带来了持续性的挑战,软件层⾯,为了更好更快地的推进业务线,⼀
般优先选择python与R这种适合快速迭代语⾔进⾏开发(但鉴于python性能问题,⽬
前业界有在探索Go+)，毕竟⼆者在数据分析、量化建模、量化回测⽅向，有许多优
秀的开源框架，你不⽤⾃⼰去造这些轮⼦，同时也能作为胶⽔语⾔跟其它开发语⾔
互通融合，以下是python数据分析的⼀些常⽤框架与与⼯具
Numpy：底层基于C实现的科学计算包
具有强⼤的N维数组对象；Array具有数据⼴播功能的函数库；具有完整的线性代数
和随机数⽣成函数
SciPy：开源算法和数学⼯具包
最优化线性代数、积分、插值、特殊函数；快速傅⾥叶变换；信号处理和图像处理
常微分⽅程求解；其他科学与⼯程中常⽤的计算
其功能与Matlab和Scilab等类似
Pandas：起源于AQR的数据处理包，具有⾦融数据分析基因
基于Series、DataFrame和Pannel多维表结构数据；数据⾃动对⻬功能；数据清洗
和计算功能；时间序列数据快速处理功能
Matplotlib：基于Python的数据绘图包，能够绘制出各类丰富的图形和报表
另外，Python在机器学习领域的应⽤也越来越多，其中的开源项⽬包括了scikitlearn、Theano、Orange等
TensorFlow专注于神经⽹络，是由Google⼯程师开发的深度学习库。 该库⾮常易
于扩展，⽀持众多平台，还包括GPU⽀持以实现更好的可视化。 算法类包括分类，
估计模型和区分等。丰富的API⽀持使其成为使⽤⾃然语⾔处理训练神经⽹络和语⾳
识别的⾸选




3.量化交易⾏业的技术挑战
怎么保证⾼可⽤,⾼并发,极速性,易⽤性?
在市场不断的调整变化下怎么保证业务效率性迭代?
在功能模块超多的情况下怎么保证其代码的解耦性,鲁棒性?
如何提取有效的海量数据，让机器进⾏学习并提取特征?
如何在海量数据中找到更多的策略因⼦?
如何保证⾃身技术的单⼀性,避免过于同质化?
想象中场景，如何落地实现最终为量化所⽤?




4.如何在量化交易⾏业发光发热
市场是瞬息万变的，如何让技术先⾏⼀步，获得最⼤利益化，经济基础决定上层建
筑,从语⾔的特性考虑,我们需要利⽤好python强⼤⽣态圈,更多的去探索业务的相关
性,寻找更多的可能性；从技术层⾯去考虑,我们需要不断的去扩宽⾃⼰的技术范围,
把好的思想理念运⽤到产品上，提⾼其技术壁垒；从量化的整个⾏业考量,我们需要
对整体量化⾦融⾏业有⼀个系统性的认知,以业务驱动技术，让技术始终服务于业务,
总结以下⼤概就是多了解,多学习,多实践