完结篇

我们认为量化交易至少需要以下5类基础设施：

交易场所：现货交易所、衍生品交易所、OTC交易所，以及主经纪商

交易产品：各种数字货币交易对、数字货币期货、数字货币期权

数字货币管理系统：包括冷热钱包、托管、保险等

法币银行通道和资金管理系统

量化交易系统

数据API接口：包括实时交易所数据、链上数据和其他宏观数据

数据库：历史行情数据库和历史其他类型数据库

监控系统：捕获行情数据和特殊事件

回测平台和仿真交易平台：对策略进行历史和实时验证

策略开发平台：可以自行开发策略或者使用成熟的策略开发平台

多账户管理系统：多账户资金管理、风险权重分配

核心模块：量化策略策交易引擎

交易系统：订单发送、执行、成交报告

交易平台的开发步骤：

典型的量化平台可以分成三大模块：1行情数据模块；2行情计算模块；3量化交易模块。下图为一整套量化交易平台模块之间协作流程示意图，其中量化交易引擎为核心模块，包含算法描述、监听脚本、第三方库等部分，并匹配监听各类事件，驱动量化策略执行。以上参考招商证券量化交易系统

量化策略比较隐秘。如何评估和建立对量化团队的评价标准，是一项非常复杂的工作。量化策略是如同食品行业的秘方一样，隐秘而又被行业冠以神秘色彩。

业绩选择性披露。量化团队的生存线就在于领先的量化策略，其披露一般是有限的。市场上所见的量化团队神话，也存在选择性披露的情况。比如数学家西蒙斯设立的大奖章基金（员工内部基金）虽然收益最好，但是有外部投资人的其他下属基金却表现一般。

某些基金在某一年大赚，但是之后就泯然于行业，因此那种基业长青的基金很少，无论量化还是非量化。

不能过于看重团队背景。仅以团队背景去做评估也会碰到意外情况，最著名的例子就是长期资本管理公司LTCM的失败，是诺贝尔奖级别的量化公司倒闭的先例。

多种指标配合。以业绩去看也会有问题，业绩都是后视的，存在幸存者偏差，之前的业绩并不代表之后的业绩。如何评估带有一定的运气成分。

尤其是以外部投资人的角度去参与，也很难看明白单一模块，以及各个模块之间的联动特征，即便借助代码审计。此外最大回撤和夏普比率、索提诺比率等衡量风险控制的指标也需要注意。

动态评价。因此评价良量化团队首先要动态的看问题，不能唯业绩论。不同市场下不同策略收益差别很大，这里面还有一定的运气成分（或是还难以被数学描述的部分）。

所以需要保持客观、并不断地跟踪。每个公司都会宣称自己的风控模块完备，但直到出现风险事件，才知道谁的风控最优。

根据我们对行业的理解，目前数字货币量化投资盈利最丰厚的是两类策略：

做市商策略：目前数字货币量化交易最强的团队还是来自于传统量化基金，他们的主要策略就是做市商策略，即通过在不同的交易所提供流动性，而在其他交易所完成头寸的cover，利用的是现货交易所之间的价格差，以及自身交易引擎可以瞬间捕捉机会的优势，策略体量比较大。

高频交易策略：这类策略的特点是盘子容量较小，但是收益比较稳定，优秀团队年化可以达到30%-40%以上，但是扩展需要整体数字市场的市值往上再走一步。这些团队的出身也是传统量化基金出身。

其他类型的策略，或者是风险较大（比如CTA类型的策略），或者就是很难效仿（比如法币套利策略），难有特别优秀且持续的案例出现。目前行业还缺乏成熟客观可靠的评价体系，也欣喜的看到一些同行在着手建立，希望可以看到更多更客观的评价标准。

数字货币行业应用的局限

工具限制

金融工具是展开量化交易的基础。量化投资是和金融工具丰富程度密切相关的，有更多的金融工具，就有更多可以选的量化方法。

假设只在一个现货市场，开展纯粹的量化交易，则只能使用趋势判断型类的策略的，相反那些喜欢判断波动率类的策略则完全没有办法运作。

期货交易所Bitmex在2016年上线永续期货合约，2017年CME和CBOE才开设期货，最大的期权交易所Deribit在2018年才建立。稍后现货交易所才跟进，纷纷加入了期货和期权产品。没有这些交易所和衍生产品，现货的风险对冲不掉，期货的风险也没法对冲。所以量化交易需要对应的交易场所和工具。

A股市场，比如在2015年股灾后对股指期货开始加大监管，比如增加开仓限制，增加平仓手续费等，都导致最重要的对冲系统性风险的手段的缺失。

结果就是，A股最流行的量化投资方法是因子模型，因子模型就是类似把各种股票的特征归因到各种因子，比如规模、动量、估值、价值、成长因素等，但反而海外流行的套利型策略就不多。原因就是A股的衍生工具还是太少，公募也限制做空，只能在做多的时候选用因子模型。

市场规模限制

量化策略容量是有限的，是因为市场本身规模就有限，如果量化策略规模过大，本身会扰动市场，导致交易利润变低。

比如期现或者跨期套利，期货市场近期成交的一般会好于远期成交，那捕捉价差的策略就要适应远期期货的成交，一旦超过这个限制，就变成单方面在近期的风险暴露。

而且数字货币市场的流动性，是分散在各个交易所里面的，一方面创造了跨交易所套利的机会，一方面也限制了套利的规模，策略要同时匹配不同交易所的成交量，不然就使得套利机会变得很薄。

竞争行为

有效的策略，可能知道的人越少越好。同一类型的策略，对于参数选择的不同，也会产生千差万别的效果。同一个市场机会，套利的人越多，可拿到的利润就越少。

这和在趋势性市场做多不同，做多的人越多，做多策略就越可能成功。套利策略是，使用的人越多就成功概率就越少。策略运行的有效时间也是有限的，一个成功策略运行久了，同行业也会纷纷效仿，导致一段时间之后就开始失效，所以没有万能不变的策略，需要不停的开发，但都需要成本。而目前数字货币市场可应用的策略还较少，也容易被同行所效仿。

面对极端市场各类策略也会失效

极端市场条件下策略也会失效。比如市场中性策略在极端条件下，可能会让中性发生偏移，变成单向风险暴露。比如当期货找不到对手方开仓或者平仓，表面上的中性策略就可能变成趋势策略。

极端市场可能会导致各种价格都已经失灵，仓位计算都可能失真，这都是难以化解的风险。所以如何应对数字货币的极端市场条件，也是一个量化策略特别需要关注的地方。

数字货币量化投资展望

本报告初步介绍量化投资的发展脉络和特征，并结合数字资产量化投资现状作了简要分析。

传统的的基本面投资是一类比较详细的指导原则，其大的框架和细的指标已经相对成熟，需要更迭的是对新兴行业的纳入。而量化投资策略的则是一大类投资策略的总和，而不是具体的指导原则。其各种细分领域都处在不断进化的过程中，不存在包打天下的量化策略和长时间有效的情况。

虽然量化投资策略已经形成比较固定的大类原则，但是理论和实战之间的差距也非常巨大。其特征就是会有不断的新的内容补充进来，并淘汰过时的策略和算法，而前沿策略（收益最高的那部分）则始终是部分头部量化团队黑箱而不可尽知。

还有一个值得观察的方向是，主观投资与量化投资处于融合过程，特别是传统股票投资。

一是如果市场上有足够的研究人员对某一标的物的评级，就可以通过量化方法进行排序整理，把一个主观评级信号变成一个量化信号；

二是在因子模型里面，本身也有很多基本面的因素，当然甚至也可以加入研究人员的主观判断作为某一项因子。

主观投资其实也经常使用量化方法，比如根据各类基本面指标进行排序、归因等，所以也是在相互学习。未来这类融合，也可以发生在数字货币市场。

数字货币适用于量化投资的原因前面已经提到，行业初期的跨交易所套利就是量化策略时段有效性的一个例子。目前最主要的原因还是全部的流动性分散在不同的池子，所以现货和现货之间的套利仍然会持续存在。

未来量化策略作用于数字货币的前景较大，原因在于：

期货期权等衍生产品的规模会很大，来源于各类人士的主观需求，如矿工套保、交易者获利、项目司库管理、金融服务需求等；

数字货币市场的规模还有很大提升空间，增长到一定程度就会有更多类型的衍生产品出现，而且随着成熟，基本面投资可能也会逐渐成为主流投资方法的一种，使得因子分析可以有更好的使用场景；

已经看到很多传统量化团队进入数字货币，这给整体不那么“专业”的数字货币量化提供新的弹药，鲶鱼的搅局会促使量化团队不断提升水平。

数字资产高波动的特性将持续很长时间，收益空间足够大，直到其主流化完成。

综上而言，在本行业发展量化投资，一方面需要不断地更新技术，改进交易策略，另一方面也需要行业自然发展的配合，目前的行业体量和各类工具仍不足以支撑完善的的量化策略，机构的进场将带来新的量化需求和行业水平的提升，一些专注于量化平台/策略开发的技术服务商在目前阶段非常值得关注。

如果你是潜在数字货币投资者或已经是标准投资者，没有时间分析行情、自己也不擅长分析，那么许聪将尽我所能去帮助你。问学必有师，讲习必有友。我是许聪，带你玩转币圈的领路人

V：szhb676