計算金融學與量化交易
摘要：計算金融學（Computational Finance）和算法交易（Algorithmic Trading）是計算機技術（特別是數據挖掘技術）和金融領域相結合的產物。大數據的產生又對這兩種技術提供了新的思路和途徑。本文簡要介紹計算金融與量化交易的相關技術。
01 前言
計算金融學（Computational Finance）和算法交易（Algorithmic Trading）是計算機技術（特別是數據挖掘技術）和金融領域相結合的產物。大數據的產生又對這兩種技術提供了新的思路和途徑。近年來，隨着信息技術的發展及其在金融市場分析中的應用，金融交易市場正在發生巨大變化。一方面量化交易在市場中佔的比例正在逐漸增加；另一方面，隨着對各種外部數據獲取能力的增強，現代金融市場所需要處理的數據規模迅速擴大，這就對數據挖掘技術提出了更多新的需求，並催生了很多新技術、新思路。
總體來講，現代計算機技術的發展主要在數據獲取能力、計算能力和分析能力上影響着金融交易的試。正是這些變化使金融市場正在從以人工爲主的交易模式逐漸向以機器或系統爲主的自動交易模式轉變。
當前，金融二級市場主要通過撮合引擎進行交易，一般支持累計競價和連續競價的交易形式。其基本原理是賣家和買家將賣單和買單提交給撮合引擎，當賣價小於買價的時候就可以達成交易。當然，在系統實現時多采用價格優先和時間優先的原則，好同等情況下對賣家而言，優先處理賣價低於買價的交易請求，對買家而言則優先處理買價高於賣價的交易請求；對於同樣的價格，則是早提出委託的交易優先成交。近年來，隨着金融監管模式的變化、資產管理行業和計算機科學技術等的發展，全球範圍內的金融二級市場出現了交易模式的重大改變，表現爲：量化交易所佔的比例在迅速提升，特別是在國際金融市場上，這種模式已經佔據了較大部分。
02 量化交易
量化交易技術藉助現代統計學、數學和數據挖掘的方法，利用計算技術對海量數據進行分析、挖掘和驗證，獲得金融產品的價格變化規律，得到能帶來超額收益的交易策略模型，並利用計算機軟件系統實現這些策略，然後通過軟件系統的分析結果來指導投資，以獲得可持續、穩定且高於平均的超額回報。量化投資與傳統投資相比具有以下優越性：
（1）量化投資理論可以更廣泛地分析各種金融產品信息，通過多元化投資組合消除非系統性風險，起到降低風險的作用，特別是在大數據時代，藉助計算機系統更大的信息處理能力，可以大大拓展量化投資系統分析數據的種類和規模，提升量化投資系統的能力。
（2）量化投資可以更科學地進行投資決策。計算機系統的決策將完全基於數據和模型計算的結果，可以完全避免人在做決策時受認知、情緒、意志等各種心理因素的影響，使投資決策更科學、更理性。
（3）量化交易多利用套利思想。量化交易模型主要通過對金融市場的分析，尋找金融產品的價格窪地，並利用價格窪地實現盈利。
量化模型是量化投資的核心，影響金融產品價格的因素有很多，相關的基礎數據也有很多，包括價格、成交量、持有者的構成等交易行情數據，以及企業的基本情況，專家對某個金融產品的評論、來自互聯網的股民情緒數據等。量化模型是基於這些信息建立的描述市場價格波動的聚類模型或預測模型，並通過海量的交易數據對模型進行訓練和評估，最終通過這些模型實現對金融產品價格變化趨勢的預測，實現在市場上獲利。
03 價格預測
價格預測是指對金融產品未來價格的變化方向和幅度做出預測。價格預測是量化交易系統的核心技術，總體上講，價格預測模型是以一個數據模型或數據挖掘的預測模型爲基礎，通過大量數據對這些模型進行訓練，以提高模型預測的準確性。隨着大數據時代的到來，可獲得的金融相關數據越來越多，除了金融市場的數據以外，越來越多的市場外信息也開始成爲金融價格預測模型考慮的因素，這些非結構化數據的引入，使金融數據挖掘技術遇到了新的挑戰。
金融市場預測的核心是預測模型，數據數據源類型的不同，預測模型主要分爲基於內部數據的價格預測模型和基於市場外部信息的價格預測模型兩類。
（1）基於內部數據的價格預測模型。其基思想是通過時間序列的方式對金融市場內的價格數據、交易量數據和指數數據進行組織，並結合時間序列預測模型構建價格預測模型。比較典型的方法是自迴歸滑動平均模型（Auto-Regressive and Moving Average Model, ARMA）和廣義自迴歸條件異方差模型（Generalized Auto-Regressive Conditional Heteroskedasticity, GARCH）。另外，隨着數據挖掘和機器學習技術的發展，神經網絡、支持向量機、模糊理論、隱馬爾科夫模型、關聯模式，以及遺傳算法、蟻羣算法等人工智能相關技術，也被應用於價格預測，並且取得了不錯的預測效果。
（2）基於市場外部信息的價格預測。市場外的信息主要分爲新聞報到等公開發布信息和社交網絡數據兩類。新聞情感分析主要由數據預處理、數據極性計算和預測模型學習三個步驟組成。與新聞文本等客觀信息相比，基於社交媒體的價格預測的優勢在於其直接反映交易者的態度，而新聞則通過對交易者產生影響最終影響價格的變動。但是，社交媒體信息的文法非常不規範，缺乏正式的標題，經常用一些俚語和簡寫，所以識別起來比較複雜，而且這些文本內容多屬於個人的主觀態度，噪聲更大，處理起來更爲困難。
承着移動互聯網技術、大數據技術等的發展，特別是金融學與計算機科學的交叉與整合，出現了很多金融產品價格預測模型的新技術途徑。相信通過新技術途徑的不斷嘗試，金融產品價格預測模型的預測能力會越來越強。
說明：（1）文中的配圖大多來自互聯網上授權圖片提供商，並已獲得免費使用授權，如果文中內容或是圖片侵犯到您的權益，請及時告訴我。（2）由於時間有限，每天只利用業餘時間來學習和總結相關內容，所以有些主題可能要兩到三天才能描述完成，請你持續關注本公衆號，還有文中難免會出現各種錯誤，懇請您的批評和指正。
