views01
量化做了有快2年多了, 逐步对于市场有了一定的了解, 现在对此进行梳理

量化是什么, 量化要做什么

有毒的苹果

很多时候, 大家对于量化的理解在于模型是不是赚钱, 这个问题很常见也很好, 但是其实是一个有毒的苹果. 为什么说一个明星策略是一个有毒的苹果呢, 这个事情我们要从普遍的社会学角度去相互理解. 从社会学角度上, 一个既有决策能力的人 又有行动能力的人是非常稀缺并且难以出现的, 也就是换个场景说, 90%的人都没法成为一个将军, 没法成为一个马云, 成为一个乔布斯. 这是非常正常的现象, 并且 这也不代表你的行为的结果是错误的. 因此, 90%的人 或者说 市面上90%的策略是赚不到大钱的这个事情, 才是本质上正确的事情.
而事实上, 很多非从业人员, 或者一些从业人员, 在量化的时候, 走到这一步, 基本上就准备放弃了. 原因也很简单, 就是机会成本过高. 当你不来做策略的时候, 你可以通过其他的事情来产生价值(实在不行出卖体力来搬砖, 所谓的无风险收益). 尤其是目前市面上, 想从一个想法 做成一个完整能用的策略, 换个角度理解, 想怀胎十月生出一个功能健全的baby, 本身就消磨掉很大的耐心和希望了. 但是事实上是, 这只是个开始, 而不是你策略的结束
所以有毒的苹果的意思就是,
苹果看起来是好东西 ==> 一个很牛逼的策略(IC高上天际) 非常赚钱, 年化上百上千, 夏普率吊打一切 没问题
换个角度想, 你03年投资阿里巴巴 99年入股苹果, 你的收益就是这样的
但是苹果是有毒的 ==> 你的期望值变得非常高, 你希望一出生就是500强CEO, 你对每个策略的判断就是 赚钱就是好的 亏钱就是差的, 不赚不亏也是垃圾
最后在挣扎了一段时间后, 选择放弃, 回归对于你而言的边际收益最大的事情

90%的普通人的意义在哪里

从上面我们也大概能理解了, 从社会学的角度去看, 90%的人或者事情, 注定在一个体系里面会沦为平庸, 但是你需要想的事情是, 这样的人就是没有意义的吗
每个小朋友心里都做过上北大清华的梦, 90%的人都考不上, 这群人就没有意义了吗. 你做了10个策略9个策略都是亏亏赚赚, 这9个策略就是没有意义的吗, 再推广一下, 每个军队里面都有90%的人是基层士兵, 这些士兵就是没有意义的吗
你心里清楚他们是存在意义的, 但是核心是你没有一套组织体系, 这个组织体系, 才是让这90%的人来实现意义的方式

从单项式模型说起

Y = λ1X1
我们先看一个单项式模型, 这就是典型的一元一次函数, 他实现的事情是什么
首先 你的点越规律, 这个单项式拟合的结果就越好 ==> 换句话说, 在一个非常简单的金融市场, 单项式模型是生效的, 这就是为什么当市场出现牛市, 或者在市场形成初期, 一些你看起来没有什么含量的策略也能赚到钱的原因
其次, 单向式模型的lambda 你可以理解为你的跟单效率, 也可以理解为上面我们说的组织结构的效率
在一个简单的市场/牛市中, X起着决定性的作用, 而lambda意义不大, 只要你没有完全坐反掉, lambda = -1, 你基本上都能赚钱, 从社会学的角度去思考, 只要大佬(X) 让你干A这个事情, 你没有完全反着干, 你就能成功

说到多项式

你会发现, 问题来了, 前面讲了这么多, 并没有讲到量化赚钱的本质, 似乎扯了一堆乱七八糟的社会学鸡汤.
这里就是关键
当市场趋于复杂, 当行情逐步让人难以理解和琢磨的时候, 你需要研究的 不应该是X, 而应该是lambda
Y = λ1X1 + λ2X2 + λ3X3 + λnXn
这里的X 里面包含了我前面说的毒苹果, 也包含了90%的普通人, 既有牛逼的回测结果的策略, 也有垃圾策略, 既有震荡策略 也有趋势策略
我们做量化需要研究的, 不是把单个Xi做到极致, 而是通过一个组织的体系, 把 λ做到极致
这里我们先搁置, 我们先来看一个分类器的故事
在最初, 简单的线性回归就可以把一个事情分为两类, 但是当事情变得复杂起来以后, 简单的单项式并不能解决问题
我拿ppt来画一个图, 这时候, 你应该怎么去划分这个事情
有的人依然在X上做文章, 这就出现了SVM
SVM通过核函数映射, 把他映射到高维空间, 就可以继续进行线性分类了
image.png
这时候, 你依然可以通过一个trick+ 线性分类来解决问题
但是当事情变得越来越复杂, 特征越来越多的时候, 你就需要神经网络模型
image.png
神经网络的本质是什么? 神经网络的本质就是一个多项式模型, 他不是管理x的 是管理λ的, 通过简单的BP反向传播, 我们就可以实现一个权重的调整
在这里 我们并不对于机器学习进行特别多的展开, 我们核心在讨论金融和量化
但是你已经可以基本初步理解了, 一套行之有效的组织体系, 才是化腐朽为神奇的关键之处
及 ==> 每个个体都不足够强壮的军队, 形成一个合力以后就会所向披靡
这个合力的形成, 依赖的是对于λ的管理, 在现实中 是依赖 班长-排长-营长-团长 这个管理体系以及不同班的规模, 团的规模, 来构建这个λ体系的

说回到量化

说了这么多, 我们再讲回量化, 我们需要的是一个策略就能打天下赚几个亿的事情吗, 并非如此, 也非常难以做到(绝不是说没有)
量化的目的 是不断的产生Xn 以及 有效的管理λn 来实现这个Y的拟合程度的
换言之 用传统金融理论来套回去
image.png
在目前的市场, 靠一个IC超高的策略打天下, 应该是交易员/手工的事情, 做量化的人, 天生就不要指望你的垃圾代码能实现一个超过人脑的IC策略
这个是很多新手的误区
由此我们得出一些结论:
  1. 1.
    一个垃圾策略的产生是必然且常见的
  2. 2.
    策略写出来 是你的体系的开始 而不是结束
  3. 3.
    关注多项式模型, 这是从社会学角度管理的基础的模型
  4. 4.
    有效的管理体系, 有效的权重跟踪才是让90%的人发挥价值的地方
  5. 5.
    你应该生产更多减少共线性的策略, 及如果你做了100个策略 但都是一个类型的重复, 他和做一个策略没有任何区别
  6. 6.
    单策略打天下这个事情, 有可能赚钱, 仅在行情单一的情况下, 但是你也可以理解成 这个行情谁都能赚钱(比如2014年的股市)
  7. 7.
    量化靠的是BR赚钱 切记切记
量化应该专注在BR上, 多去思考一下BR, 如何实现行之有效的管理体系, 来通过λ管理你的模型的信号

收尾

到这里, 我基本对于当前量化怎么赚钱, 赚谁的钱, 怎么构建赚钱的体系有个偏理论性的描述了, QUANTAXIS目前就是在这个方向上往前进行
基本上对于我而言, 一个策略的产生 大概只需要4个小时, 我就可以把它进行分析和标准化, 进入到我的策略工厂体系中 ==> 变成一个Xn
然后我现在正在构建, 或者基本上已经投入实盘测试的, 就是这个标准化的Xn流程 和 lambda管理体系的综合表现
最后再把这张好早以前的图放回来, 我们基本已经基于这个体系构建了 SOP和KPI, 目前就是即将见到第一条流水线的状态
Last modified 3mo ago