债券量化交易策略

① 在投行内部做量化交易与独立出去做量化交易有何不同

这里我们只说量化交易，不讨论量化研究和量化定价这一块的业务。
量化交易是分两个阶段的。第一个阶段是2008年以前，或者说Dodd-Frank法案以前，投行内部林立着各样的很多对冲基金或者类对冲基金的实体，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投资银行的自营交易业务也很像对冲基金。在这一阶段，这些类对冲基金的实体和外面的对冲基金是没有啥区别的，业务很类似——赌方向、做部分对冲（Partial Hedging）、跨市场套利，也非常敢于承担风险。
当时在投行内做对冲基金类型的量化交易有着非常大的优势，因为两点——第一是银行有着非常良好的融资渠道，融资成本显著地低于当时的对冲基金，如果你尝试去组建过一个基金，你就知道资金成本对于一个对冲基金的影响多么大——巴菲特这么多年的成功是离不开长期1.6倍的财务杠杆和其低于中央银行存款准备金率的资金渠道的（详细内容参见AQR的论文——Buffet's Alpha）。 炒股需要经常总结，积累，时间长了就什么都会了。为了提升自身炒股经验，新手前期可以私募风云网那个直播平台去学习一下股票知识、操作技巧，对在今后股市中的赢利有一定的帮助。
第二是银行有着一个灰色的信息流——客户的交易记录。这个交易信息，就是今天，也是非常有用的内部消息。几周前Bill Gross从PIMCO离开时，所有投行的Sales都疯了，不停地研究之前PIMCO在自己银行的仓位，然后分析那些债券最有可能最先被清盘，从而给其它客户交易建议。而当年文艺复兴多次更迭合作的投行，就是因为其大奖章基金的交易记录得不到妥善的保密，很多合作银行的自营交易桌跟着交易。
这两个优势造成了当时的自营交易极其暴利，而且管理层为了做大业绩，全力支持明星交易员放大杠杆——而实际上，金融危机期间很多的CEO都是靠着自营交易的暴利业绩从交易大厅升职到管理层的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
这也造成了，为什么很多高盛离职的自营交易员在金融危机后，当银行不能做自营交易后出来自立门户开设对冲基金，却完全无法复制当年的业绩——因为他们是因为整个组织的强大而获得超额收益，当失去了资金优势和信息优势后，一切都成为了浮云。
2008年，准确说是2009年后，一切都变了。
首先是政府明令规定自营交易不让干了，于是各种投行旗下的基金，放入资管部的放入资管部（比如Goldman Sachs Global Alpha进入GSAM），独立营业的独立营业（比如PDT从摩根斯坦利分离），要不直接就关门大吉了（比如UBS、德银）。
还有一些硕果仅存的，一般是在股票交易部门，打着对冲为名，通过会计手法，维持着极小的自营规模，这种类似的团队很多投行都有。但是不成气候了，也不会造成任何系统性的风险——当然，各种马路传奇故事也销声匿迹了。
银行内部还有没有量化交易了，其实还有——那就是随着计算机技术进步的自动化做市交易。做市在国内这个概念刚刚出现——因为期权做市商制度的引入。但是在美国这个是从华尔街开始就有的交易体系了。简单来说，就是假设你经营一家买可乐的小店，你有两个主要的交易——一是从总经销商那里拿货，用的价格是Bid，二是分销给街边下象棋和夕阳下奔跑的孩子们，这是Ask。Bid是你的进价，Ask是你的出货价格，Bid一般小于Ask（除非你是搞慈善的）。你持续的维持报出这两个价格，同时根据你的存货来调整报价或者对应报价的数量——比如你的存货太多，大爷不出来下象棋了，你就降低Bid，这样很难进到货了，而保持Ask，等待有人来消耗你的库存。
这个过程就是基本的做市商交易流程，在金融中，由于没有实际的总经销商供货，你的报价（Bid-Ask）是基于你对于对应资产的Fair Price的估计来决定的，通常是你算出来的均衡价格加减一个值构造成Bid-Ask组合。在很长的时间内，这个报价都是靠人来完成，这个过程是枯燥的，而且很容易出错——而对于期权类产品（非线性价格）也很难快速报价。我之前和期权交易员合作过很长时间，他们的工作不一定智力上很难，但是对于人得耐力绝对是一种挑战——因为在开市后他们要注意力高度集中的报价，一quote两quote，一quote两quote，似爪牙，似魔鬼的步伐，报价，报价，在这交易大厅报价... ...
于是，从简单的资产起，从交易所级别开始支持API交易了。什么是简单的资产，就是Vanilla类别的，比如个股、指数、外汇、国债等等。因此投行由于本来就是大量资产的做市商，开始把原来这套过程通过计算机来完成。后面大家发现计算机是完美胜任这项工作的，因为计算机能够高速计算库存来调整报价，还能报出很多复杂的单类型。因此从2000年开始个股、指数开始逐步被自动化做市来包揽，2005年后个股期权自动化做市大热，而2008年后外汇自动化做市也相当成熟了，2010年开始国债自动化做市也在美国兴起——这也是我目前在工作的内容。
那么对冲基金呢，除了传统的量化Alpha，他们难道不能也做这个业务吗？实际上，很多对冲基金的自动化做市业务比投行还要好——比如Citadel，比如KCG。但是区别何在？区别在于两点，第一是很多对冲基金不是专属做市商（Designated market maker）。DMM的特权是其有专属席位——在美国这样高度商业化的国家，DMM也是非常稀有的。原因在于，DMM是有责任的，那就是在各种大型金融危机中，当流动性极差的时候，DMM还是要持续的报价，一quote两quote，一quote两quote，似爪牙，似魔鬼的步伐... ... 在流动很差的时候这是非常危险的，因为大家丢给你的都是不好的资产，比如大跌的时候，都在卖，你的Bid反复被Hit，然后又没人来hit你的Ask，浮动亏损可以非常大。那么DMM的特权呢，DMM可以获得非常高比例的rebate，也就是说，佣金返点非常高。这是对于其承担的义务的回报。

第二就是绝大多是对冲基金不是Broker，也是你一般想买股票不会去找他们报价。在外汇和债券这类市场中，有两级市场，一个是B2C市场，也就是零售市场，里面基本都是Broker-Client，而第二级就是B2B市场，都是Broker-Broker。一般来说，B2B市场的Bid Ask Spread要低一些。一个形象的例子就是，我小时候去批发书的商店买书，一个商店有本习题集没有，于是老板去隔壁家拿了一本，卖给我，最后肯定这个老板要把一部分价格还给隔壁家，我付的价格和老板付给隔壁家的价格就是B2C到B2B市场的差价。
这里投行又耍流氓了，他们有着B2C市场的接入优势，因此只要客户量够大，基本都能把自动化做市实现盈利——因为根据大数法则，一定时间内，买卖双方的交易量应该是均衡的。
那么对冲基金靠什么——靠更好的策略。对冲基金如果要做高频做市的，基本在B2B市场参与，他们不是DMM，但是也自己去报价，然后靠着对于价格走向的准确判断，来调整报价，实现拿到多数对自己有利的单，或者持有更久符合预测方向的单，来达到盈利。这种不是DMM却自发去做做市商的行为，叫做Open Market Making。
Citadel是期权自动化做市的王者，顶峰时期一年的利润可以到1 Billion（2009），而整个市场那年的利润也就是7 Billion左右。因此如果策略逆天，没有客户流，也能靠做市赚钱的。
此外，做市业务之外，对冲基金还多了很多机会。因为很多业务银行做起来不划算——比如商品。考虑一个金融类公司，不能光讨论交易策略，宏观上你一定要思考资金成本等问题，这才是投资之道在投资之外。商品这些之前银行干了很多坏事的业务（详细参加高盛的铜交易和JP的风电交易）都被监管方克以了极高的资本罚金。这是Basel III里面的规定，也就是你拿着1元的股票和1元的监管资产过夜受到的处罚是完全不同的，具体算法参见Basel对于RWA（Risk Weighted Asset）计算的细则。这一系列监管，造成了对冲基金有了大量的新业务——因为投行退出。而大量银行的人才也流向了对冲基金。
现在门径这么清晰，那么投行和对冲基金做量化交易的工作差别就很明显了——投行主要以自动化做市为中心的高频信号、客户流分析、报价博弈论等研究为主。而对冲基金主要是传统的量化Alpha、量化资产配置为主——当然还有公开市场自动化做市了。
希望可以帮助到你，祝投资愉快！

② 量化交易是什么它和量化宽松有什么关系吗

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

量化交易背后的逻辑是：一切因素都是可以数据化、量化、规则化的。这在一定程度是拥有足够依据的。数字货币区块链网络数据、技术指标自不必说，通过接入搜索引擎、社交媒体、公开社群，学习并判断市场的非理性因素，市场的绝大部分“元材料”可以被来者不拒地吸收。从外部来看，用户通过量化交易软件API接入自己的交易所账户资产，通过上述过程输出买入或者卖出（0或1）。

量化宽松作为一种金融救市手段，在国际舞台上愈发彰显其存在感。简而言之，量化宽松的形态就是“中央支援地方”，具体做法就是敲低利率、大购债券，向市场注入大量流动资金。对受困于突发性金融危机的企业和地方银行来说，央行此时的形象无异于站在楼顶给各位撒钱，还撒得合理合法有理有据姿势优美（谁让它是印钱的呢）。

如果说量化宽松中的量化指的是央行在短时间内提高货币供应，从而降低市场利率以及为地方银行提供流动性，那么量化交易中的量化更强调通过一套被检验过的算法将投资操作变得“AI化”，让你的买入、卖出操作不再受市场情绪影响，同时还能解放你的双眼、双手和双脚（如果用的到的话），让心灵放个假。终极目标就是做到“躺着也能赚钱”。

③ 量化交易有什么类型

闪牛分析：
概念
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

特点
定量投资和传统的定性投资本质上来说是相同的，二者都是基于市场非有效或弱有效的理论基础。两者的区别在于定量投资管理是“定性思想的量化应用”，更加强调数据。量化交易具有以下几个方面的特点：
1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。
2、系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。
3、套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。
4、概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。
应用编辑
量化投资技术包括多种具体方法，在投资品种选择、投资时机选择、股指期货套利、商品期货套利、统计套利和算法交易等领域得到广泛应用。在此，以统计套利和算法交易为例进行阐述。
1、统计套利
统计套利是利用资产价格的历史统计规律进行的套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。
统计套利的主要思路是先找出相关性最好的若干对投资品种，再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓，买进被相对低估的品种、卖空被相对高估的品种，等价差回归均衡后获利了结。股指期货对冲是统计套利较长采用的一种操作策略，即利用不同国家、地区或行业的指数相关性，同时买入、卖出一对指数期货进行交易。在经济全球化条件下，各个国家、地区和行业股票指数的关联性越来越强，从而容易导致股指系统性风险的产生，因此，对指数间的统计套利进行对冲是一种低风险、高收益的交易方式。
2、算法交易。
算法交易又称自动交易、黑盒交易或机器交易，是指通过设计算法，利用计算机程序发出交易指令的方法。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格，甚至包括最后需要成交的资产数量。
算法交易的主要类型有: (1) 被动型算法交易，也称结构型算法交易。该交易算法除利用历史数据估计交易模型的关键参数外，不会根据市场的状况主动选择交易时机和交易的数量，而是按照一个既定的交易方针进行交易。该策略的的核心是减少滑价（目标价与实际成交均价的差）。被动型算法交易最成熟，使用也最为广泛，如在国际市场上使用最多的成交加权平均价格（VWAP）、时间加权平均价格（TWAP）等都属于被动型算法交易。 (2) 主动型算法交易，也称机会型算法交易。这类交易算法根据市场的状况作出实时的决策，判断是否交易、交易的数量、交易的价格等。主动型交易算法除了努力减少滑价以外，把关注的重点逐渐转向了价格趋势预测上。 (3) 综合型算法交易，该交易是前两者的结合。这类算法常见的方式是先把交易指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型交易算法进行判断。两者结合可达到单纯一种算法无法达到的效果。
算法交易的交易策略有三：一是降低交易费用。大单指令通常被拆分为若干个小单指令渐次进入市场。这个策略的成功程度可以通过比较同一时期的平均购买价格与成交量加权平均价来衡量。二是套利。典型的套利策略通常包含三四个金融资产，如根据外汇市场利率平价理论，国内债券的价格、以外币标价的债券价格、汇率现货及汇率远期合约价格之间将产生一定的关联，如果市场价格与该理论隐含的价格偏差较大，且超过其交易成本，则可以用四笔交易来确保无风险利润。股指期货的期限套利也可以用算法交易来完成。三是做市。做市包括在当前市场价格之上挂一个限价卖单或在当前价格之下挂一个限价买单，以便从买卖差价中获利。此外，还有更复杂的策略，如“基准点“算法被交易员用来模拟指数收益，而”嗅探器“算法被用来发现最动荡或最不稳定的市场。任何类型的模式识别或者预测模型都能用来启动算法交易。

潜在风险
量化交易一般会经过海量数据仿真测试和模拟操作等手段进行检验，并依据一定的风险管理算法进行仓位和资金配置，实现风险最小化和收益最大化，但往往也会存在一定的潜在风险，具体包括：
1、历史数据的完整性。行情数据不完整可能导致模型与行情数据不匹配。行情数据自身风格转换，也可能导致模型失败，如交易流动性，价格波动幅度，价格波动频率等，而这一点是目前量化交易难以克服的。
2、模型设计中没有考虑仓位和资金配置，没有安全的风险评估和预防措施，可能导致资金、仓位和模型的不匹配，而发生爆仓现象。
3、网络中断，硬件故障也可能对量化交易产生影响。
4、同质模型产生竞争交易现象导致的风险。
5、单一投资品种导致的不可预测风险。
为规避或减小量化交易存在的潜在风险，可采取的策略有：保证历史数据的完整性；在线调整模型参数；在线选择模型类型；风险在线监测和规避等。

④ 政府实行量化宽松政策,债券采购---如何理解简单说的话可以如何表达

简单的说政府实行量化宽松政策是指把更多的钱让钱在自由市场上流通。一般国家，就是理解为宽松的财政政策或是货币政策。在美国，一般政府就是多印美钞，降低贷款利率。把钱快速流入市场，解决一些类似于gdp增长力低下，购买力不足等问题。在中国，国家一般以宽松的货币政策和财政政策作为引导。财政上就是减轻税务。货币上就是降低中央银行的货币交易利率，并且购买各银行所持有的国债，这样是各银行都要大量流通现金，加上cash rate低，银行就能降低利率，钱就更多地流入市场。

⑤ 中国量化交易的现状与未来前景如何

在欧美市场，特别是在美国，量化交易已经非常成熟。在过去的十年里，美国的对冲基金逐渐转向了量化交易。我国的数量发展还不到欧美国家的水平，还处于比较初级的阶段。但由于国内市场人口基数大，意味着国内市场潜力很大。

虽然短期内我量化贸易的发展还不如美国成熟，但最终的发展方向应该是相似的。通过对量化交易策略的研究，我们可以预测量化交易的未来前景。一个成熟的量化交易市场是值得我们学习的量化交易策略和理论，也是未来的发展方向。目前我国股市的有效性还不高，但随着量化投资能力的提高，市场的有效性会进一步提高，技术的波动会越来越小，技术的量化可能会达到瓶颈，从而转向基本面量化。

⑥ 为什么量化交易总是赚不到钱

量化投资主要应用于期货交易、ETF套利、条件选股、权证套利交易等

图片来源：凯纳量化投资

“你炒期货吗？”
“不炒，我赚的是血汗钱，您赚的是心跳钱。”
这是一位期货门外汉跟一位期货投资者的对话。的确，期货因其高风险高收益的特征，参与者很多都是心惊肉跳的。不过，近年来引入国内的量化交易，正逐渐改变这一情况。
上周六，东莞本土唯一期货公司——华联期货联合量化交易的相关投资机构，在东莞举办了一场题为“量化交易，打开财富之门”的量化交易策略交流会。与一般的投资报告会人流稀少相反，该交流会可谓人满为患，原定的百余人参与的会议室，最终挤进了近200名投资者，以至酒店空调开到最大仍显十足燥热。
近几年量化交易发展迅猛
对多数普通投资者而言，量化交易仍是一个较为陌生的概念，但该模式已在国内流行了数十年。2010年，国内股指期货上市，成交量在两年内增加了1.4倍，为量化交易提供了极佳的交易标的，国内量化交易便快速发展。
据华联期货介绍，2012年上半年，量化交易量占国内证券市场总交易量8%左右，但占股指期货交易量的比例已达20%左右。目前，绝大部分的券商和期货公司开始进行量化交易，部分私募公司和个人投资者也开始使用量化交易产品。
事实上，3年多来，在股市连续下跌的大环境中，传统投资策略纷纷失效，而一批以股指期货、商品期货、债券为投资标的，以量化投资、程序化交易为工具的新兴投资方式，却在国内投资市场崭露头角，并实现了较为稳定的收益。
“传统投资策略依靠人的主观感觉来投资；而量化投资是根据数学统计模型，由计算机来实现自动化交易。”国信证券东莞营业部财富管理中心负责人林玉伟指出，量化投资的应用涵盖几乎所有金融投资领域，是在计算机和网络的支持下，把人脑投资策略编写成语言程序，由计算机触发买卖条件，完成自动化交易的投资方式，实际上是传统投资的严谨化。
据华联期货介绍，量化投资目前主要应用于期货交易、ETF套利、条件选股、权证套利交易等，主流平台包括文华财经、交易开拓者、金字塔，此外Multicharts、龙软、高手、金钱豹、Yesterday等平台在业内的使用也较为广泛。
量化投资东莞“试水”告捷
在东莞本土，也有多家机构在试水量化投资，包括证券公司、期货公司和私募投资公司，从目前情况来看，可谓“试水”告捷。
如华联期货去年推出了“金莞家”程序化系列产品，其中“智赢股指组合策略”是其首个专项个性化交易模型组合，该模型组合通过对两年多来股指期货运行特点进行量化分析，形成了八套独有的程序化交易模型，模型运行以来，年化收益率最高的逾60%，最低的也有26%，但最大回撤不足10%。
国信证券东莞营业部则成立专门的“量化投资中心”，该营业部去年就有20多个不同时期参与股指期货程序化交易的客户，表现最好的账户年化收益率近40%，所有账户全部战胜大盘。
发行了国内首只多重策略对冲基金的东莞莞香资本投资公司，更是量化投资的“拥趸”，该公司目前的专户产品全部采取量化投资方式，且收益不错。如其旗下某专户理财产品，2012年6月19日-2013年5月19日的净值增长达41%。
“量化产品的特点就是任何行情阶段都能盈利。”国信证券东莞营业部投资顾问蔡恩侠告诉记者，量化产品一般都是多空对冲，因此无论牛熊市均能盈利，不过其也有弱点，即牛市跑不赢一般的股票类投资产品，“2007年大牛市，也就30%左右的收益，但2008年大熊市也有15%左右的收益。”
“资金不会一直朝一个方向直线形地前进，资金增值是一个艰难的曲折前进过程。”莞香资本CEO江国栋则提醒道，回撤即是资金增长行进中的停顿，也可看做是期货交易的机会成本。“因此，必须正确看待策略参数优化结果，不刻意追求最高收益，不过度拟合行情；同时，坚持正确的交易理念和交易方法，严格执行和坚持不懈是持续盈利的前提。”
量化投资的应用涵盖几乎所有金融投资领域，是在计算机和网络的支持下，把人脑投资策略编写成语言程序，由计算机触发买卖条件，完成自动化交易的投资方式，实际上是传统投资的严谨化。
投资辞典
何谓量化交易
量化交易（Quantitative Trading），即使用现代统计学和数学工具，借助计算机建立数量模型，制定策略，严格按照既定策略交易。具体又可分为高频交易和非高频交易，其中非高频交易适合一般个人投资者和中小机构。

⑦ 什么是量化投资

量化投资指的是一种投资方法，它是指通过数量化方式或计算机程序化发出买卖指令，以得到稳定收益为目标的交易方式。量化投资是一种定性思想的量化应用，它对大量的指标数据进行分析，得出一些有说服力的数据结论，然后通过计算机技术进行数学建模，并进行量化分析，从而得出一个比较契合实际的投资策略。
量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。从全球市场的参与主体来看，按照管理资产的规模，全球排名前四以及前六位中的五家资管机构，都是依靠计算机技术来开展投资决策，由量化及程序化交易所管理的资金规模在不断扩大。

⑧ 量化对冲领域有哪些经典的策略和传奇人物

阿斯内斯是法玛在芝加哥大学指导的金融博士，其博士毕业论文在三因子模型的基础上加入了动量因子，以四因子模型的形式完成了一系列的实证分析。博士毕业后阿斯内斯进入高盛，成为了一名量化交易分析员，随后在高盛组建了全球阿尔法基金，主要从事以量化为导向的交易工作，业绩不俗。1997年他离开高盛创办了自己的AQR资本管理公司，目前该公司是全球顶尖的对冲基金之一。虽然没有直接的证据证明阿斯内斯在工作中采用的是多因子模型基础上的股价预测技术，但是可以想见的是，市值、账面市值比、动量因子和因子模型应该与其量化交易策略存在一定的关联。阿斯内斯在一些访谈和学术论文中也时常谈到价值、动量/趋势、低风险、套息等相关概念，是为佐证。

由学术研究进入量化交易实业领域的一个更为极端的例子，应该是文艺复兴科技公司的西蒙斯，这也是中国读者较为熟悉的一个量化交易从业者。西蒙斯于1961年在加州大学伯克利分校取得数学博士学位，年仅23岁，并在30岁时就任纽约州立大学石溪分校数学学院院长。他在1978年离开学校创立了文艺复兴科技公司，该公司因为旗下的量化旗舰基金——大奖章基金傲人的业绩而闻名。关于西蒙斯所使用的量化交易策略，坊间一直有诸多猜测。许多人认为其所使用的应该是基于隐马尔科夫模型的量化交易策略，原因在于西蒙斯的早期合伙人鲍姆是隐马尔科夫模型估计算法的创始人之一，同时文艺复兴科技公司招聘了大量的语音识别专家，隐马尔科夫模型正是语音识别领域的一个重要技术工具。作者对这一说法持怀疑态度，不过不管怎样，从文艺复兴科技公司比较另类的人员构成来看，这应该是一个比较纯正的使用量化交易策略进行运作的对冲基金公司。

虽然大部分的量化对冲基金正在使用的交易策略都或多或少的进行保密，但是仍然有一些量化交易策略在多年的使用后开始慢慢为外界所熟知，统计套利就是其中之一。这个策略的概念最早产生于摩根斯坦利，当时的做法也被称为配对交易，实际上就是使用统计的方法选取一对历史价格走势相似的股票，当两支股票之间的价格差距变大、超出一定阈值之后，就分别做多和做空这两支股票，依靠该价格差在随后的时间里回归到正常水平来获取收益。由于这种量化交易策略既源自于统计分析、又存在等待价差回归的套利特性，因此被称之为统计套利。而随着对这类交易策略的进一步深入研究，统计套利策略目前已经远远超出了配对交易的范畴，变得更加的复杂和多样化。

肖曾经是摩根斯坦利这个统计套利交易组的成员之一，他于1980年在斯坦福大学获得计算机博士学位，随后留校进行学术研究。肖在1986年加入摩根斯坦利后负责该组的技术部门，但是在两年之后、如同统计套利的首创者班伯格（注）一样、由于政治斗争等原因从公司离职，并创立了自己的德劭基金公司。结合了肖的大规模并行计算研究背景和在摩根斯坦利接触到的统计量化策略，德劭基金公司利用计算机量化模型作为主要的策略进行交易并取得了巨大的成功。值得一提的时，肖在对冲基金领域扎根之后，仍然不忘科学研究，其成立的德劭研究公司致力于通过强大的计算机硬、软件能力在分子动力学模拟等生化科研领域取得前沿性进展。这与阿斯内斯一直在金融杂志上发表学术论文的行为，相映成趣，当然肖的学术研究相对而言可能更为极客一些。

相比起统计套利，传统意义上的套利策略是一个更为人熟知、更经典的量化交易策略。实际上现代金融框架的一部分都是基于“无套利”这样一个假设原则建立起来的，可见套利策略的深入人心与重要性。如果说统计套利的重点在于刻画和预测多个资产间的统计关系，那么传统套利可能就更重注于各个资产的价值计算，以及策略执行时的交易成本估计和优化。只不过量化交易策略进化到现在，统计套利和传统的套利策略已经是互相渗透、互相融合的了。以计算机能力见长的德劭基金公司，对这两种套利策略应该都是有所涉及的。

说起套利，不得不提到长期资本管理公司。这家公司的阵容十分豪华，包括债券套利的先驱梅里韦瑟、两位诺贝尔奖获得者莫顿和斯科尔斯、美联储副主席穆林斯等诸多顶级从业者，主要从事的正是债券的量化套利交易，当然其中也会包含一些其他形式策略的成分。公司成立的前三年间表现非常出色，但是在1998年俄罗斯国债违约之后，相关的连锁反应使得公司产生巨大亏损，在美联储的干预下被华尔街几家公司出资接管，形同倒闭。实际上，长期资本管理公司在俄罗斯债券上的损失本身并不大，但是许多大金融机构在亏损环境下必须保证足够的资本量，因此通过出售流动性较好的七大工业国债券等资产来减低风险、增加资本，全球主要债券价格在卖出压力下大幅下跌，波动巨大，这才导致了杠杆极大的长期资本管理公司在债券套利上产生巨额亏损。

⑨ 什么是量化交易，未来前景如何知道的讲讲。

国外量化交易已经发展了40年左右，量化交易程序换交易占比60%，量化基金规模达到30个亿美元，而国内量化交易起步较晚第一只量化基金在2004年左右，至今量化交易规模不过2万亿RMB，国内现在的量化人才也很缺失，随着过来一批量化交易的海龟回来从事量化交易会一定程度带动行业的发展，但是仍需一定时间，加上国内量化交易政策还不够明朗，整体来说量化交易在国内还是一年蓝海，但是路途并非坦途。