演算法交易的演算法

① 演算法交易的交易類型

對於演算法交易，一般而言有這么幾大類問題
1. 什麼是演算法交易？
演算法交易又稱自動交易，指的是通過使用計算機程序來發出交易指令的方法
2. 為什麼要用演算法交易？
一般而言，當投資者需要進行大額交易時，即買入或賣出大量股票時，需要用到演算法交易，其會將大單拆分成N個小單，報單委託完成交易任務
3. 演算法交易有什麼作用？
演算法交易的作用就是為了降低交易成本，通過拆單的方式，使得成交價靠近市場均價，以此完成交易計劃
4. 怎麼用演算法交易？
目前華創證券和同花順聯合推出了智能演算法交易平台，你可以關注「同花順智能交易」微信公眾號，預約申請試用~

希望能幫助到你

② 如何建立自己的演算法交易

一、傳統方法

在某些假設下的顯式最優策略

• 【Bertsimas, Dimitris, and Andrew W. Lo. "Optimal control of execution costs."Journal of Financial Markets1.1 (1998): 1-50.】這里假設了不同的價格沖擊函數，然後求解得到最優的交易執行方案。根據參數的不同，最優的策略要麼是全部開頭賣掉、均勻減倉、或者全部最後賣掉。https://stuff.mit.e/afs/athena.mit.e/user/d/b/dbertsim/www/papers/Finance/Optimal%20control%20of%20execution%20costs.pdf

• 【Almgren, Robert, and Neil Chriss. "Optimal execution of portfolio transactions." Journal of Risk 3 (2001): 5-40. 】這篇文章我們專欄前面有講過，很著名的 Almgren-Chriss 模型。https://www.smallake.kr/wp-content/uploads/2016/03/optliq.pdf張楚珩：【交易執行】Almgren-Chriss Model

• 【Guéant O, Lehalle C A, Fernandez-Tapia J. Optimal portfolio liquidation with limit orders[J]. SIAM Journal on Financial Mathematics, 2012, 3(1):740-764.】這篇文章我們專欄前面也有講過；前面的 Almgren-Chriss 其實考慮的是使用市價單，而這里考慮使用限價單進行交易。https://arxiv.org/pdf/1106.3279.pdf張楚珩：【交易執行】限價單交易執行

• 【Guéant, Olivier, and Charles‐Albert Lehalle. "General intensity shapes in optimal liquidation." Mathematical Finance 25.3 (2015): 457-495.】這里也是考慮限價單進行交易，但是與前面不同的是：前一個假設限價單考慮的成交概率隨著價格指數衰減，而這里考慮了一個更加一般的形式。https://arxiv.org/pdf/1204.0148.pdf

• 【Cartea A, Jaimungal S. Optimal execution with limit and market orders[J]. Quantitative Finance, 2015, 15(8): 1279-1291.】這里考慮同時使用限價單和市價單進行交易，從而能夠完成 Almgren-Chriss 模型所規定的方案，或者找到一個更有的交易方案。https://sci-hub.se//https://www.tandfonline.com/doi/abs/10.1080/14697688.2015.1032543

• 【Bulthuis, Brian, et al. "Optimal execution of limit and market orders with trade director, speed limiter, and fill uncertainty." International Journal of Financial Engineering 4.02n03 (2017): 1750020.】也是考慮使用限價單和市價單一起交易。https://arxiv.org/pdf/1604.04963.pdf張楚珩：【交易執行】市價單+限價單 最優執行

• 【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】這里考慮市場所有交易者的訂單都會產生線性的短期/長期市場沖擊，因此可以估計未來一段時間的訂單流向（買單總量和賣單總量的差），從而能夠在 Almgren-Chriss 模型的基礎上進行一定的調整，使得策略更優。https://sci-hub.se//https://link.springer.com/content/pdf/10.1007/s11579-016-0162-z.pdf

圖書

• 【Cartea Á, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】講交易執行的基礎上，更側重講了一些數學工具。

• 【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】從 Almgren-Chriss 模型開始講，一直到相應的拓展和實際的問題，十分推薦。

融合對於市場環境隱變數的估計

• 【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市場交易者會根據不同的市場掛單和價格走勢而採取不同的反映，因此我們也可以根據歷史數據學習到各種情況下的價格後驗分布，從而更好地幫助我們進行交易執行或者套利。最後的結果可以看做在 Almgren-Chriss 模型的基礎上外加了一個調控項，反映我們對於未來的預期。https://arxiv.org/pdf/1806.04472.pdf

如何實現以按量加權平均價格（VWAP）交易

• 【Kakade, Sham M., et al. "Competitive algorithms for VWAP and limit order trading." Proceedings of the 5th ACM conference on Electronic commerce. 2004.】從在線學習的角度提出了幾個用於使得我們交易到 VWAP 價格的模型。為什麼會關注 VWAP 的交易執行？當大的流通股股東需要減持的時候，為了避免直接出售引起的價格波動，一般是把需要減持的股票賣給券商，然後由券商來拆單出售，而交易價格一般為未來一段時間的 VWAP，因此券商需要盡量以 VWAP 來交易執行。https://sci-hub.se//https://dl.acm.org/doi/abs/10.1145/988772.988801

• 【Białkowski, Jędrzej, Serge Darolles, and Gaëlle Le Fol. "Improving VWAP strategies: A dynamic volume approach." Journal of Banking & Finance 32.9 (2008): 1709-1722.】改進對於交易量的建模，從而得到更好的 VWAP 交易演算法。把交易量拆分為兩個部分，一部分是市場整體的交易量變動，另一部分是特定股票上的交易量模式。https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S0378426607003226

以按時間加權平均價格（TWAP）交易

• 為了對稱，可以介紹一下另一種加權平均的情形 TWAP，這種情形實現起來相對比較簡單；如果不考慮市場沖擊，就拆分到每個時間步上均勻出售即可實現。

• 可以證明 TWAP 交易在以下兩種情形下最優：市場價格為布朗運動並且價格沖擊為常數；對於晚交易沒有懲罰（其實更晚交易意味著面臨更大的風險），但是對於最後未完成交易的懲罰較大。

二、強化學習方法

基於傳統模型的強化學習方法

• 【Hendricks D, Wilcox D. A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution[C]//2014 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr). IEEE, 2014: 457-464.】本專欄有講。https://arxiv.org/pdf/1403.2229.pdf

強化學習 + 交易執行（Paper/Article）

• 【Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 673-680.】比較經典的一篇，發在 ICML 上，本專欄前面有講。使用 DQN 方法，實現形式接近 DP。http://smallake.kr/wp-content/uploads/2019/01/rlexec.pdf

• 【Dabérius K, Granat E, Karlsson P. Deep Execution-Value and Policy Based Reinforcement Learning for Trading and Beating Market Benchmarks[J]. Available at SSRN 3374766, 2019.】使用了 DDQN 和 PPO 方法，基於生成的價格序列來進行實驗，使用特定的模型考慮短期和長期市場沖擊。https://sci-hub.se//https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3374766

• 【Ning B, Lin F H T, Jaimungal S. Double deep q-learning for optimal execution[J]. arXiv preprint arXiv:1812.06600, 2018.】DDQN 的強化學習解法，在美股上實驗。https://arxiv.org/pdf/1812.06600.pdf

• 【Lin S, Beling P A. An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization[C]//IJCAI. 2020: 4548-4554.】使用 PPO 的解法，比較有意思的是這裡面的實驗結果顯示，使用 LSTM 和把歷史數據全部堆疊起來用 MLP 效果差距不大。也是在美股上實驗。https://www.ijcai.org/Proceedings/2020/0627.pdf

• 【Fang Y, Ren K, Liu W, et al. Universal Trading for Order Execution with Oracle Policy Distillation[J]. arXiv preprint arXiv:2103.10860, 2021.】在使用強化學習的基礎上，引入了一個教師網路，教師網路學習一個基於未來數據的策略，並且用於訓練學生網路。本專欄前面有講。https://www.aaai.org/AAAI21Papers/AAAI-3650.FangY.pdf

• 【Vyetrenko S, Xu S. Risk-sensitive compact decision trees for autonomous execution in presence of simulated market response[J]. arXiv preprint arXiv:1906.02312, 2019.】ICML-19 的文章。構造了一個可以反映市價單市場沖擊的模擬器；使用 tabular Q-learning 來學習基於決策樹的模型；使用特徵選擇的方法來篩選特徵。通過以上方式，能夠學習到一個模型幫助決策什麼時候應該下市價單、什麼時候應該下限價單。https://arxiv.org/pdf/1906.02312.pdf

• 【Akbarzadeh N, Tekin C, van der Schaar M. Online learning in limit order book trade execution[J]. IEEE Transactions on Signal Processing, 2018, 66(17): 4626-4641.】從 online learning 的視角來解決這個問題，使用 DP 類的方法，分析 regret 。http://repository.bilkent.e.tr/bitstream/handle/11693/50289/Bilkent-research-paper.pdf?sequence=1

• 【Wei H, Wang Y, Mangu L, et al. Model-based reinforcement learning for predictions and control for limit order books[J]. arXiv preprint arXiv:1910.03743, 2019.】專欄剛剛講了的一篇文章，使用 model-based 類的強化學習演算法，直接學習一個世界模型，然後讓強化學習策略通過和世界模型的交互進行學習。https://arxiv.org/pdf/1910.03743.pdf

• 【Karpe M, Fang J, Ma Z, et al. Multi-agent reinforcement learning in a realistic limit order book market simulation[J]. arXiv preprint arXiv:2006.05574, 2020.】這里的多智能體似乎適用於結合歷史數據生成其他市場參與者的動作，而最優策略的學習仍然是使用單智能體 DDQN 方法來做。他們開源了一個考慮多智能體的模擬環境 ABIDES。https://arxiv.org/pdf/2006.05574.pdf

• 【Schnaubelt M. Deep reinforcement learning for the optimal placement of cryptocurrency limit orders[J]. European Journal of Operational Research, 2022, 296(3): 993-1006.】研究數字貨幣上如何下限價單。對比了 PPO 和 DDQN，發現 PPO 更好。探索出了一些重要的因子，比如 current liquidity cost，queue imbalance 等。https://www.econstor.eu/bitstream/10419/216206/1/1696077540.pdf

強化學習 + 交易執行 （Thesis）

• 【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH （瑞典）工程學院碩士論文。演算法直接是基於價值函數的動態規劃。不過提供了比較詳細的模擬環境和演算法偽代碼。https://www.diva-portal.org/smash/get/diva2:963057/FULLTEXT01.pdf

• 【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利爾高等商學院碩士論文。使用 TD3 和 DDPG 演算法，不過實驗是基於人工生成的數據的（skew-normal Brownian motion）。https://biblos.hec.ca/biblio/memoires/m2019a628776.pdf

• 【Reiter M B. An Application of Deep Reinforcement Learning for Order Execution[D]. School of Engineering Science, Osaka University, 2020.】多倫多大學本科畢業論文。在使用 A3C 演算法的基礎上，考慮了使用教師學生網路的方式進行遷移學習，並且考慮了短期市場沖擊。https://mbreiter.github.io/doc/thesis.pdf

強化學習 + 風險偏好

• Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets

• Deep equal risk pricing of financial derivatives with non-translation invariant risk measures

強化學習 + 做市策略

• Optimal Market Making by Reinforcement Learning

• Optimizing Market Making using Multi-Agent Reinforcement Learning

• Deep Reinforcement Learning for Market Making

• Deep Recurrent Q-Networks for Market Making

• Robust Market Making via Adversarial Reinforcement Learning

• Market making via reinforcement learning

強化學習 + 資產組合

• Deep Stock Trading: A Hierarchical Reinforcement Learning Framework for Portfolio Optimization and Order Execution

• Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning

• Large Scale Continuous-Time Mean-Variance Portfolio Allocation via Reinforcement Learning

③ 演算法交易的交易類型

對於演算法交易，一般而言有這么幾大類問題
1. 什麼是演算法交易？
演算法交易又稱自動交易，指的是通過使用計算機程序來發出交易指令的方法
2. 為什麼要用演算法交易？
一般而言，當投資者需要進行大額交易時，即買入或賣出大量股票時，需要用到演算法交易，其會將大單拆分成N個小單，報單委託完成交易任務
3. 演算法交易有什麼作用？
演算法交易的作用就是為了降低交易成本，通過拆單的方式，使得成交價靠近市場均價，以此完成交易計劃
4. 怎麼用演算法交易？
目前華創證券和同花順聯合推出了智能演算法交易平台，你可以關注「同花順智能交易」微信公眾號，預約申請試用~

希望能幫助到你

④ UEEX交易平台的證券級先進演算法支持哪些交易

演算法交易又稱自動交易、黑盒交易或者機器交易，它指的是通過使用計算機程序來發出交易指令的方法。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格，甚至包括最後需要成交的證券數量。

UEEX交易平台的證券級先進演算法支持交易問題，詳詢平台客服咨詢，以官方回復准。

溫馨提示：
1、以上內容僅供參考；
2、在投資之前，建議您先去了解一下項目存在的風險，對項目的投資人、投資機構、鏈上活躍度等信息了解清楚，而非盲目投資或者誤入資金盤。投資有風險，入市須謹慎。
應答時間：2021-11-12，最新業務變化請以平安銀行官網公布為准。

⑤ 常見的演算法交易策略不包括

常見的演算法交易策略不包括：簡單成本平均法。

在金融市場中進行電子交易，演算法交易(AlgorithmicTrading)就是通過計算機程序來下交易訂單，即運用計算機演算法決定交易下單的時機、價格乃至最後下單的數量和筆數等。

2、套利交易，也是一種演算法交易策略。

3、跨境套利和時間套利：前者在不同交易市場交易同一資產，後者螞渣友在同一交易市場利用時間差進行交易。

4、投資交易策略：一種長期交易策略，是基於深入的基本面分析、數字模型等的策略；利用交易量和市場概況是基於交易量的分析方法。這種策略分析某個價格的交易量累積，即支撐位和阻力區間。

⑥ 演算法交易的問題進展

更復雜的模型和智能程序已經引出了模型會否失效的問題。
有人批評演算法交易系統的「黑匣子」特性：「交易員有世界如何運轉的直覺。但是對這些系統你輸入一串數字，然後從另一端出來一些結果，而黑匣子為什麼會產生這些數據或關系，確並不那麼直觀或清晰。」
英國的金融服務管理局（Financial Services Authority, FSA）一直在關注著演算法交易的發展。在該機構年報上，監管層強調這項新科技給市場帶來的巨大功效，但同時也指出，對復雜的技術和模型的依賴性越強，系統失效導致業務中斷的風險會越大。
其他的問題包括報價傳遞給交易員的技術延遲或延誤問題，安全問題和超前交易（Front Running），以及全部系統失效導致市場崩盤的可能性。
開發和維護演算法的成本還是相對較高，對市場新入者而言尤其如此，這是由於演算法交易對系統的穩定性、網路帶寬和速度的要求比常規的下單指令執行要高很多。沒有自行開發演算法交易的公司不得不從競爭對手手中購買。
高盛公司在演算法交易上花了數千萬美金，他們技術部門的人員比交易部門還要多……市場的性質已經發生了巨大的改變。
如今金融市場的信息已被諸如路透、道瓊斯、彭博、湯姆遜金融等公司格式化，通過演算法的解讀來形成交易。
計算機被用來生產消息，譬如公司公布盈利結果或公布經濟統計數據，這些消息幾乎在瞬間同步直接傳輸給其它計算機，由它們根據消息進行交易。
交易演算法並不僅僅是根據簡單的消息進行交易，它還能翻譯更難理解的消息。一些公司還試圖對消息自動「設置表情」（以表示該消息是好是壞），這樣的話自動交易就可以直接根據消息進行了。
「將消息從人類語言翻譯到機器語言這一進程實在很有意義，」路透演算法交易全球業務經理克里斯蒂．蘇塔尼說，「我們越來越多的顧客發現了利用消息賺錢的途徑」。
消息報道的速度對演算法交易的重要性不言而喻，在一例廣告宣傳中（2008年3月1日的《華爾街日報》W15版面刊登），道瓊斯聲稱自己在報道英格蘭銀行降息時比其他新聞媒體快了2秒鍾。
2007年7月，早已自行開發演算法交易的花旗集團，花了6.8億美元購買了自動化交易平台，它原來屬於一家每天交易約2億股（佔美國市場交易量的6%）股票的具有19年歷史的公司。在這以前花旗集團還購買過Lava交易與OnTrade有限公司。

⑦ 根據特定的時間間隔在每個時間點上平均下單的演算法是什麼

根據特定的時間間隔在每個時間點上平均下單的演算法是時間加權平均價格演算法(TWAP)。

時間加權平均價格演算法，是一種最簡單的傳統演算法交易策略。TWAP模型設計的目的是使交易對市場影響減小的同時提供一個較低的平均成交價格，從而達到減小交易成本的目的。在分時成交量無法准確估計的情況下，該模型可以較好地實現演算法交易的基本目的。

用公式來表示就是：

存貨的加權平均單位成本=(月初結存貨成本+本月購入存貨成本)/(月初結存存貨數量+本月購入存貨數量)。

月末庫存存貨成本=月末庫存存貨數量×存貨加權平均單位成本。

本期發出存貨的成本=本期發出存貨的數量×存貨加權平均單位成本或=期初存貨成本+本期收入存貨成本-期末存貨成本。

⑧ 在自主許可權內什麼通過交易系統向交易室下達交易指令

在自主許可權內基金經理通過交易系統向交易室下達交易指令。交易系統或相關負責人員審核投資指令的合法合規性，違規指令將被攔截，反饋給基金經理。其他指令被分發給交易員。交易員接收到指令後有權根據自身對市場的判斷選擇合適時機完成交易。基金公司投資交易包括形成投資策略、構建投資組合、執行交易指令、績效評估與組合調整、風險控制等環節。
拓展資料:
1、演算法交易是通過數學建模將常用交易理念同化為自動化的交易模型，並藉助計算機強大的存儲與計算功能實現交易自動化（或半自動化）的一種交易方式。 交易演算法的核心是其背後的量化交易模型，而模型的優劣取決於人的交易理念和基於數據的量化分析，以及兩者的有效結合。
2、演算法與人（交易員）的互動是至關重要的，兩者之間互為補充：人（交易員）教授「演算法」交易理念，反過來被訓練過的演算法可以幫助人（交易員）實現快速的交易執行。
3、常見的演算法交易策略簡介如下： （1）成交量加權平均價格演算法（VWAP），是最基本的交易演算法之一，旨在下單時以盡可能接近市場按成交量加權的均價進行，以盡量降低該交易對市場的沖擊。 （2）時間加權平均價格演算法（TwAP），是根據特定的時間間隔，在每個時間點上平均下單的演算法。 （3）跟量演算法（TVOL），旨在幫助投資者跟上市場交易量。若交易量放大則同樣放大這段時間內的下單成交量，反之則相應降低這段時間內的下單成交量。交易時間主要依賴交易 期間市場的活躍程度。 （4）執行偏差演算法（Is），是在盡量不造成大的市場沖擊的情況下，盡快以接近客戶委託時的市場成交價格來完成交易的最優化演算法。

⑨ 演算法交易的介紹

演算法交易，也稱為自動交易，黑盒交易，是利用電子平台，輸入涉及演算法的交易指令，以執行預先設定好的交易策略。演算法中包含許多變數，包括時間，價格，交易量，或者在許多情況下，由「機器人」發起指令，而無需人工干預。演算法交易廣泛應用於投資銀行，養老基金，共同基金，以及其他買方機構投資者，以把大額交易分割為許多小額交易來應付市場風險和沖擊。賣方交易員，例如做市商和一些對沖基金，為市場提供流動性，自動生成和執行指令。