高频交易：数学重要？还是技术重要？

标星★公众号 爱你们♥

作者：Nathan Doromal、1+1=6

各位读者，如果让你回答这个问题：高频交易：数学重要？还是技术重要？你觉得哪个重要呢？在这里。我们给大家普及一些涉及高频交易的专业术语：

• Co-location：主机托管
• Flash Trading：闪电交易\指令
• Low Latency：低延迟
• Liquidity Rebates：流动性佣金返还
• Matching Engine：撮合引擎
• Pinging：试单
• Point of Presence：接入点
• Predatory Trading：捕食交易
• Securities Information Processor：证券信息处理器
• Smart Routers：智能路由

速度游戏

在高频交易（HFT）中，技术几乎是关键。当你在这场玩速度的游戏中，你需要接近主机（Proximity）、靠谱的硬件和高效的算法。

▍Proximity

很重要！因为正如你想的那样，你离交易所越近，你就能更快地接收到最新的波动并对其做出反应。

巴黎证券交易所几年前搬到了伦敦，更准确地说搬到了巴塞尔登，搬进了一个巨大的仓库。你想知道为什么要这样做吗？因为巴黎证券交易所的主要赞助者都是英国人。在高频交易中，地理位置的临近是至关重要的：事实上，离金融中心越近，交易的流通速度就越快（是的，所有交易仍在纳米级上进行）。这就是托管的重要性。

例如，有了MoonX的托管服务，高频交易将受益于30纳秒的优势:在高频交易中，计算机以异乎寻常的速度买卖股票。一些市场，比如纳斯达克，通常会在向这些“交易员”展示订单之前，让他们以30毫秒（0.03秒）的时间快速浏览一下订单。这使得他们能够很快下订单，而且他们知道不久后需求将会强劲。每次操作可以赚几美分，有时一天能赚几百万次。一只行动缓慢的共同基金下了一份购买5000股XYZ股票的订单。

在30毫秒时间内：

• 订单在发送到整个金融中心之前，会先发送给高频交易员。
• 在H + 50毫秒的时间里，那些先入之见的高频交易员会以21.00美元的价格买进XYZ的所有股票，然后涌入购买订单市场。
• 在H + 300毫秒，执行共同基金的顺序;高频交易商以21.01美元的价格出售股票，每股获利1%，在本案中总共获利50美元。
• 如果该场景是在MoonX托管中心实现的，那么就平均交易规模而言，在高频交易的最大执行性能方面看到有利结果的机会是可能的。

▍硬件

非常重要！而且往往是HFT策略面临的一个非常复杂的问题。

在国内，每快一毫秒（ms）就意味着能够比别人获得更多的机会，同时意味着在这场“负和”的游戏中有更高生存下去的可能。所以这个领域需要的不仅仅是写过几万行高性能C++编程的人，整个流程还需要很多hardcore的IT知识和经验，例如linux kernel tuning，网络硬件延迟的优化，对于海量数据的接收、存贮和读写，并行算法，嵌入式系统，而且越来越多的shop采用定制的硬件，因此对于非x86系统和处理器的深入了解也是非常有帮助的，比如懂FPGA的人（因为要用到低延迟技术）：

FPGA（Field Programmable Gate Array）是在PAL、GAL等可编程器件的基础上进一步发展的产物。它是作为专用集成电路（ASIC）领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。

不同体系结构性能和灵活性的比较

▍FPGA 为什么快？

CPU、GPU 都属于冯·诺依曼结构，指令译码执行、共享内存。FPGA 之所以比 CPU 甚至 GPU 能效高，本质上是无指令、无需共享内存的体系结构带来的福利。

冯氏结构中，由于执行单元（如 CPU 核）可能执行任意指令，就需要有指令存储器、译码器、各种指令的运算器、分支跳转处理逻辑。由于指令流的控制逻辑复杂，不可能有太多条独立的指令流，因此 GPU 使用 SIMD（单指令流多数据流）来让多个执行单元以同样的步调处理不同的数据，CPU 也支持 SIMD 指令。

而 FPGA 每个逻辑单元的功能在重编程（烧写）时就已经确定，不需要指令。

冯氏结构中使用内存有两种作用。一是保存状态，二是在执行单元间通信。

由于内存是共享的，就需要做访问仲裁；为了利用访问局部性，每个执行单元有一个私有的缓存，这就要维持执行部件间缓存的一致性。

对于保存状态的需求，FPGA 中的寄存器和片上内存（BRAM）是属于各自的控制逻辑的，无需不必要的仲裁和缓存。

对于通信的需求，FPGA 每个逻辑单元与周围逻辑单元的连接在重编程（烧写）时就已经确定，并不需要通过共享内存来通信。

▍微波塔

它们已经变得越来越重要，特别是在跨国交易中。信号不是通过地下光缆发送，而是从一个塔发送到另一个塔，数据包在空气中的传播速度比光纤快（大多数情况下）。

举一个欧美竞争白热化的例子：GetCo是跟Citadel一样在高频领域少林武当级别的公司，他们有一块业务每年稳定盈利50+ million，突然有段时间这块业务赚不到钱了，这是为什么呢？原来有家公司花重金铺设了从芝加哥到纽约的微波塔，而微波在空气的转播速度快过光纤传输信号的速度，就这看似微乎其微的差别影响了一大块业务线。

此外，操作速度也是原始机器温度的函数，这一点也很重要！

▍算法效率

它是一个深层次的问题。你需要知道简单操作（如乘法和加法）的确切处理速度（除法非常昂贵，应该不惜一切代价避免）。此外，每个操作的累加意意味着你希望你的模型非常简单。一个使用500个特征的模型常常会比一个只使用3个特征的模型表现得差，即使这个模型“更具预测性”。这是因为，如果你不能成功地根据这些预测采取行动，可预测性就没有任何意义。

数学游戏

高频交易中有大量的数学运算。请注意，复杂的数学通常包括研究和创建策略。虽然算法需要简单，但研究不必如此（可以很深入）。

在基础层面上，有古典统计学，你需要对所有假设进行彻底审核。金融数据噪声非常大，在前期研究分析时，需要非常小心！

▍机器学习（Machine Learning）

通常，机器学习应用高频交易意味着线性模型上运行复杂的静态拟合。比如支持向量机（SVM）和神经网络通常很难应用，很大程度上是因为市场噪声太大。在样本内/样本外方法之外，围绕目标函数有很多可以研究的地方。

▍目标函数

几乎所有的机器学习算法最后都归结为求解最优化问题，以达到我们想让算法达到的目标。为了完成某一目标，需要构造出一个“目标函数”来，然后让该函数取极大值或极小值，从而得到机器学习算法的模型参数。如何构造出一个合理的目标函数，是建立机器学习算法的关键，一旦目标函数确定，接下来就是求解最优化问题。

关于目标，你必须知道你要预测什么。你是否选择在未来5分钟后买进某一期货合约？下1笔交易单，还是10笔？使用当日成交价格还是其他？等等······

目标函数是用于优化的函数。在经典OLS中，目标函数很简单：

然而Lasso（回归模型）最后使用了这个目标函数：

目标函数在拟合、过拟合和欠拟合方面都非常重要。Lasso很好，是因为它只能从你的特征集中挑出少量的特征，所以，如果你有500多个特征，也许返回5个返回非零值（这是因为绝对值在0时不可微）。然而，如何处理离群值（Outliers）和高度相关的变量，也是我们需要面临的困难。

▍风险管理

在数学中，另一部分主要是涉及风险管理。风险管理通常可以分解为一个线性代数问题。作为一名交易员/量化研究员，你的目标不仅仅是最大化PnL，还要确保你的投资组合在任何一天都不会爆仓。一个有用的策略是使用常见的市场指数对冲你的投资组合。

其他的游戏

市场上许多参与者的目标是利用各种各样的技术操纵市场。例如，一些经验丰富的投资者可能会意识到市场“过于脆弱”，因此买入一些股票，看到市场反应过度，然后以更高的价格卖出。更复杂的策略包括使用交易所提供的多样化订单类型，利用交易所的微观结构等。

在这个微观结构里面，包括你的交易过程怎么做，交易成本，还有交易价格的发现，交易量的流动性等等，当然你还可以看出一些交易行为，包括内部交易、操作市场，另外是交易的监管信息披露。比如利用交易所的微观结构数据（每一次下单、执行和取消，从而可以基于历史数据做到几乎完全重建整个订单）、基于机器学习的订单簿高频交易策略等等。

总结

高频交易策略包括一定程度的速度、数学模型和市场博弈。一些策略是高度专注于快速交易，而另一些策略则利用了市场的特征，但总体而言，成功的高频交易机构对在些方面都非常精通。

看完此文，此刻，你有你心中的答案了吗？欢迎留言！