量化交易公司：他們做什麼，散戶又能複製哪些
量化公司的獲利方式各不相同，但共用同一套研究流程：寫下來的假設、納入真實成本的測試、樣本外檢驗與風險限制。個人複製不了他們的速度與資金，但研究紀律可以免費複製。
作者 Soren Huang · 發佈 · 更新於 · 編輯原則
目錄
量化交易公司究竟在做什麼？
量化交易公司把市場想法轉成以規則為基礎的交易程式，並在風險限制下運行。造市商、自營交易公司與系統化基金的差別，在於交易的是誰的資金，以及交易的速度有多快。個人期貨交易者無法複製他們的速度或資金，但可以複製他們的研究紀律：真實的成本、樣本外測試與投資組合思維。
「演算法交易公司」是個比較寬鬆的說法。有時指以演算法進行交易的公司，有時指販售交易軟體或訊號的公司。本文談的是實際進行交易的公司。
真正有用的問題不是哪家公司最大，而是這些公司如何決定一個策略值得投入真金白銀。這個流程可以複製，而且大部分只需要時間與耐心。
量化交易公司有哪些類型？
多數量化交易公司可分為三類，主要差異在於交易的是誰的資金、如何獲利，以及部位持有多久。
造市商的運作就像機場的外幣兌換櫃台。櫃台隨時掛出買價與賣價，一天內賺取許多次微小的價差。造市商是持續對某個合約報出買價與賣價、賺取兩者之間價差（買賣價差），並管理手上剩餘部位風險的公司。許多交易所都有造市商計畫，對承諾持續報價的公司降低費用或給予回饋。
自營交易是用公司自己的資金而非客戶資金進行交易。自營交易公司自享獲利，也自負虧損。其策略範圍很廣，從造市到套利（交易兩個相關商品之間的價差），再到持有數分鐘或數日的統計型策略。有些使用「prop firm」名稱的業者向個人交易者販售評估方案，交易者付費後依既定規則操作帳戶。這與只用自有資本交易的公司，是不同的商業模式。
系統化基金是以規則交易外部投資人資金並收取費用的投資管理人。在期貨領域，這類管理人常被稱為 CTA（商品交易顧問），這個名詞來自美國的期貨監管。許多 CTA 跨數十個市場交易，持有部位的時間從數日到數月不等。
| 類型 | 誰的資金 | 主要報酬來源 | 典型持有時間 | 最重要的因素 |
|---|---|---|---|---|
| 造市商 | 公司自有資金 | 買賣價差與交易所誘因 | 數秒到數分鐘 | 速度、費用、庫存控管 |
| 自營交易公司 | 公司自有資金 | 自己的策略，從極快速到數日不等 | 數秒到數日 | 執行、風險限制、研究產出 |
| 系統化基金 | 外部投資人 | 跨多個市場的趨勢與其他型態 | 數日到數月 | 分散、容量、風險控管 |
量化公司如何研究一個策略？
量化公司把每個策略都視為一項主張，必須通過數項獨立測試才能獲得資金，而多數想法會在途中淘汰。步驟的順序比任何單一工具都重要：
- 假設。寫下這個型態為何應該存在，例如「強勢開盤後價格傾向延續走勢，因為大單需要時間成交」。有理由的想法，比靠搜尋找出來的型態更容易誠實地檢驗。
- 納入成本的回測。從第一次執行就用歷史資料測試規則，並計入手續費、滑價與真實的成交時點。
- 樣本外檢驗。用未曾用於建立或調整規則的資料來檢查規則。
- 風險限制。事先決定最大部位大小、單日虧損上限，以及策略停止運作的回撤幅度。
- 小額實單。先以小部位交易，並將實際成交與回測做比較。
- 監控或淘汰。定期檢視策略，一旦突破限制就將其關閉。
這些公司也會計算自己嘗試過多少種變化版本。這很重要，因為在許多次嘗試中挑出最好的結果，看起來亮眼有一部分是運氣。Bailey 等人（2014）指出，當測試的變化版本夠多時，光靠機率就能出現很漂亮的回測。Harvey 與 Liu（2015）主張，回報的結果應依嘗試過的策略數量往下調整。
個人交易者無法複製什麼？
個人無法複製大型公司的基礎設施、速度或資金，所以合理的選擇是在這些因素不決定結果的地方交易。
- 延遲。延遲是從市場事件發生到你的委託單送達交易所之間的時間。速度快的公司使用主機代管（co-location），也就是把伺服器放在交易所資料中心內或旁邊。家用網路無法與之競爭。
- 費用結構。造市商常透過交易所計畫付出較低費用或獲得回饋。散戶帳戶付的是標準手續費，因此每筆交易極小的優勢就會消失。
- 資金。大筆資金讓公司能同時交易許多市場，並撐過長時間的虧損期。小帳戶可能只容得下幾口。
- 資料與人力。公司會購買詳細的委託簿資料，並雇用團隊清理資料、開發工具、整天監控風險。
想想一級方程式車隊。在賽道上你贏不了他們的維修團隊，但你可以選擇長途公路旅行，進站速度並不決定誰先到達。對個人來說，這趟公路旅行就是持有部位數分鐘、數小時或數日的 K 棒策略。在這類策略中，幾毫秒的延遲相對於行情的幅度，代價微乎其微。
個人也有自己的優勢。小帳戶可以交易大型基金容納不下其規模的地方，不需要向投資人提交報告，也能想等多久就等多久，等待合適的進場時機。
個人交易者可以從量化公司複製什麼？
真實的成本、樣本外測試、風險限制與投資組合思維，採用起來都不花錢，合在一起能攔下許多只是因為缺少成本、或用同一份資料建立又評判而看起來不錯的策略。AlphaPrime（Valynox）就是圍繞這些習慣打造的。AlphaPrime 在回測中以費用、滑價與下一根 K 棒成交來評估每個候選策略，因此從第一次執行起，成本就是結果的一部分。
一開始就放入真實的成本
滑價是回測所假設的價格與你實際能成交的價格之間的差距。公司會仔細建模，因為策略每筆交易的優勢往往很小。詳細方法請見回測中的交易成本：手續費、滑價與平均每筆損益這份指南。
假設範例
某策略在扣除成本前，平均每筆賺 $40。手續費每一買一賣（來回）$5，滑價每邊 $10，因此總成本是 $25，淨結果為每筆 $15。現在把滑價加倍到每邊 $20，總成本變成 $45，策略每筆虧損 $5。這個策略依賴的是便宜的成交價。
用策略沒看過的資料來測試
樣本外資料是被保留下來、未用於建立或調整策略的歷史資料。公司主要根據這些資料來評判策略。推進分析會在許多時間區段重複這項檢查，詳見推進分析，以及為什麼一次回測不夠這篇文章。AlphaPrime 的策略檢驗包含推進分析，並讓你自訂門檻。
在第一筆實單前就設好風險限制
公司會事先決定一個策略可以交易幾口、虧損到什麼程度就停止。你也可以這麼做。先選定每筆交易的風險，再用部位大小計算機把你的停損距離換算成口數。同時寫下你要停止並檢討策略的回撤幅度，例如其歷史最差回撤的某個倍數。
用投資組合思考，而不是單一策略
相關性是衡量兩個策略的結果有多一致地同向變動的指標，範圍從同步變動到反向變動。低相關的策略，壞的時期往往落在不同月份，因此合併後的帳戶回撤，會小於各自最差回撤的加總。
假設範例
策略 A 的最差回撤是 $9,000，發生在第 2 年。策略 B 的最差回撤是 $8,000，發生在第 5 年。如果兩個最差的時期同時發生，帳戶會下跌 $17,000。由於它們發生在不同年份，這個範例中合併帳戶的最差回撤是 $10,000。
如何組合策略並解讀合併後的回撤，請見投資組合回測：組合策略並檢查回撤。
保留一份研究日誌
在測試之前先寫下假設，並記錄你試過的每一個變化版本。日誌會告訴你，最好的那個結果背後有多少次嘗試。這個數字正是資料窺探（data snooping）相關研究要求你納入考量的（White, 2000）。
為什麼這不是一份頂尖量化交易公司的名單？
本文概述的是這些公司如何運作，而不是排名或推薦，因為沒有任何排名能告訴你該如何交易自己的帳戶。各公司在規模、營收、人員與報酬上各不相同，這些數字多半不公開或已過時。「頂尖」或「最佳」公司的名單採用不同標準，因此常常彼此矛盾。公司的成績也取決於它的基礎設施與資金，而這些是你所沒有的。
同樣的問題適用於這個領域的任何公司，不論它是自己交易還是販售工具。結果是否已計入成本？策略是否用沒看過的資料評判？結果背後有多少個變化版本？適用哪些風險限制？這些問題用在你自己的策略上也一樣有效。
如果你使用 AlphaPrime，這意味著：你可以在 AlphaPrime 中套用那個漏斗的研究階段：每次回測都納入成本與下一根 K 棒成交，並在策略檢驗中以推進分析做樣本外檢查。策略資料庫會把你的結果整理好以便檢討，讓你試過什麼的日誌集中在同一個地方。
常見問題
什麼是量化交易公司？
量化交易公司是以資料與統計建立的規則進行交易的公司，通常由電腦程式執行。主要類型有造市商、自營交易公司與系統化基金。它們的差別在於交易的是誰的資金、如何獲利，以及部位持有多久。
自營交易公司與對沖基金有什麼不同？
自營交易公司只用自己的資金交易，自享獲利、自負虧損。對沖基金或系統化基金管理的是外部投資人的資金，並為此收取費用。兩者都可能使用量化方法，但要向不同的所有者交代。
散戶交易者能與演算法交易公司競爭嗎？
在速度、費用或資金上不行，這些都由大公司透過基礎設施與交易所計畫掌控。散戶可以在持有數分鐘到數日的 K 棒策略中競爭，因為小小的延遲代價不大。小部位也是一種優勢，因為它能進入對大型基金來說太小的市場與進場時機。
量化交易公司如何避免過度最佳化？
他們在測試前先寫下假設、納入真實成本、以樣本外資料來評判策略，並計算自己嘗試過多少個變化版本。測試的版本越多，對最佳結果的折扣就越大，因為其中有一部分的亮眼表現很可能是運氣。任何個人都可以採用這些步驟。
哪些是最好的演算法交易公司？
沒有可靠的排名，因為各公司的成績、規模與評判標準多半不公開，而公開的名單衡量的是不同的東西。對個人交易者來說，更有用的問題是：這家公司的研究習慣能否套用到自己的策略上。多數都可以，從成本與樣本外測試開始。
參考資料
- Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458–471.
- Harvey, C. R., & Liu, Y. (2015). Backtesting. The Journal of Portfolio Management, 42(1), 13–28.
- White, H. (2000). A Reality Check for Data Snooping. Econometrica, 68(5), 1097–1126.
AlphaPrime 在這裡能幫上什麼
AlphaPrime 的策略生成把研究想法轉成可測試的規則。其回測包含費用、滑價與下一根 K 棒成交，其策略檢驗則以推進分析在樣本外資料上檢查每個候選策略。