算法交易的算法

① 算法交易的交易类型

对于算法交易，一般而言有这么几大类问题
1. 什么是算法交易？
算法交易又称自动交易，指的是通过使用计算机程序来发出交易指令的方法
2. 为什么要用算法交易？
一般而言，当投资者需要进行大额交易时，即买入或卖出大量股票时，需要用到算法交易，其会将大单拆分成N个小单，报单委托完成交易任务
3. 算法交易有什么作用？
算法交易的作用就是为了降低交易成本，通过拆单的方式，使得成交价靠近市场均价，以此完成交易计划
4. 怎么用算法交易？
目前华创证券和同花顺联合推出了智能算法交易平台，你可以关注“同花顺智能交易”微信公众号，预约申请试用~

希望能帮助到你

② 如何建立自己的算法交易

一、传统方法

在某些假设下的显式最优策略

• 【Bertsimas, Dimitris, and Andrew W. Lo. "Optimal control of execution costs."Journal of Financial Markets1.1 (1998): 1-50.】这里假设了不同的价格冲击函数，然后求解得到最优的交易执行方案。根据参数的不同，最优的策略要么是全部开头卖掉、均匀减仓、或者全部最后卖掉。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. 】这篇文章我们专栏前面有讲过，很着名的 Almgren-Chriss 模型。https://www.smallake.kr/wp-content/uploads/2016/03/optliq.pdf张楚珩：【交易执行】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.】这篇文章我们专栏前面也有讲过；前面的 Almgren-Chriss 其实考虑的是使用市价单，而这里考虑使用限价单进行交易。https://arxiv.org/pdf/1106.3279.pdf张楚珩：【交易执行】限价单交易执行

• 【Guéant, Olivier, and Charles‐Albert Lehalle. "General intensity shapes in optimal liquidation." Mathematical Finance 25.3 (2015): 457-495.】这里也是考虑限价单进行交易，但是与前面不同的是：前一个假设限价单考虑的成交概率随着价格指数衰减，而这里考虑了一个更加一般的形式。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.】这里考虑同时使用限价单和市价单进行交易，从而能够完成 Almgren-Chriss 模型所规定的方案，或者找到一个更有的交易方案。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.】也是考虑使用限价单和市价单一起交易。https://arxiv.org/pdf/1604.04963.pdf张楚珩：【交易执行】市价单+限价单 最优执行

• 【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】这里考虑市场所有交易者的订单都会产生线性的短期/长期市场冲击，因此可以估计未来一段时间的订单流向（买单总量和卖单总量的差），从而能够在 Almgren-Chriss 模型的基础上进行一定的调整，使得策略更优。https://sci-hub.se//https://link.springer.com/content/pdf/10.1007/s11579-016-0162-z.pdf

图书

• 【Cartea Á, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】讲交易执行的基础上，更侧重讲了一些数学工具。

• 【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】从 Almgren-Chriss 模型开始讲，一直到相应的拓展和实际的问题，十分推荐。

融合对于市场环境隐变量的估计

• 【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市场交易者会根据不同的市场挂单和价格走势而采取不同的反映，因此我们也可以根据历史数据学习到各种情况下的价格后验分布，从而更好地帮助我们进行交易执行或者套利。最后的结果可以看做在 Almgren-Chriss 模型的基础上外加了一个调控项，反映我们对于未来的预期。https://arxiv.org/pdf/1806.04472.pdf

如何实现以按量加权平均价格（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.】从在线学习的角度提出了几个用于使得我们交易到 VWAP 价格的模型。为什么会关注 VWAP 的交易执行？当大的流通股股东需要减持的时候，为了避免直接出售引起的价格波动，一般是把需要减持的股票卖给券商，然后由券商来拆单出售，而交易价格一般为未来一段时间的 VWAP，因此券商需要尽量以 VWAP 来交易执行。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.】改进对于交易量的建模，从而得到更好的 VWAP 交易算法。把交易量拆分为两个部分，一部分是市场整体的交易量变动，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

以按时间加权平均价格（TWAP）交易

• 为了对称，可以介绍一下另一种加权平均的情形 TWAP，这种情形实现起来相对比较简单；如果不考虑市场冲击，就拆分到每个时间步上均匀出售即可实现。

• 可以证明 TWAP 交易在以下两种情形下最优：市场价格为布朗运动并且价格冲击为常数；对于晚交易没有惩罚（其实更晚交易意味着面临更大的风险），但是对于最后未完成交易的惩罚较大。

二、强化学习方法

基于传统模型的强化学习方法

• 【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.】本专栏有讲。https://arxiv.org/pdf/1403.2229.pdf

强化学习 + 交易执行（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.】比较经典的一篇，发在 ICML 上，本专栏前面有讲。使用 DQN 方法，实现形式接近 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，基于生成的价格序列来进行实验，使用特定的模型考虑短期和长期市场冲击。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 的强化学习解法，在美股上实验。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，比较有意思的是这里面的实验结果显示，使用 LSTM 和把历史数据全部堆叠起来用 MLP 效果差距不大。也是在美股上实验。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.】在使用强化学习的基础上，引入了一个教师网络，教师网络学习一个基于未来数据的策略，并且用于训练学生网络。本专栏前面有讲。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。构造了一个可以反映市价单市场冲击的模拟器；使用 tabular Q-learning 来学习基于决策树的模型；使用特征选择的方法来筛选特征。通过以上方式，能够学习到一个模型帮助决策什么时候应该下市价单、什么时候应该下限价单。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.】从 online learning 的视角来解决这个问题，使用 DP 类的方法，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.】专栏刚刚讲了的一篇文章，使用 model-based 类的强化学习算法，直接学习一个世界模型，然后让强化学习策略通过和世界模型的交互进行学习。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.】这里的多智能体似乎适用于结合历史数据生成其他市场参与者的动作，而最优策略的学习仍然是使用单智能体 DDQN 方法来做。他们开源了一个考虑多智能体的模拟环境 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.】研究数字货币上如何下限价单。对比了 PPO 和 DDQN，发现 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

强化学习 + 交易执行 （Thesis）

• 【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH （瑞典）工程学院硕士论文。算法直接是基于价值函数的动态规划。不过提供了比较详细的模拟环境和算法伪代码。https://www.diva-portal.org/smash/get/diva2:963057/FULLTEXT01.pdf

• 【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利尔高等商学院硕士论文。使用 TD3 和 DDPG 算法，不过实验是基于人工生成的数据的（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.】多伦多大学本科毕业论文。在使用 A3C 算法的基础上，考虑了使用教师学生网络的方式进行迁移学习，并且考虑了短期市场冲击。https://mbreiter.github.io/doc/thesis.pdf

强化学习 + 风险偏好

• Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets

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

强化学习 + 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

强化学习 + 资产组合

• 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 算法交易的交易类型

对于算法交易，一般而言有这么几大类问题
1. 什么是算法交易？
算法交易又称自动交易，指的是通过使用计算机程序来发出交易指令的方法
2. 为什么要用算法交易？
一般而言，当投资者需要进行大额交易时，即买入或卖出大量股票时，需要用到算法交易，其会将大单拆分成N个小单，报单委托完成交易任务
3. 算法交易有什么作用？
算法交易的作用就是为了降低交易成本，通过拆单的方式，使得成交价靠近市场均价，以此完成交易计划
4. 怎么用算法交易？
目前华创证券和同花顺联合推出了智能算法交易平台，你可以关注“同花顺智能交易”微信公众号，预约申请试用~

希望能帮助到你

④ UEEX交易平台的证券级先进算法支持哪些交易

算法交易又称自动交易、黑盒交易或者机器交易，它指的是通过使用计算机程序来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证券数量。

UEEX交易平台的证券级先进算法支持交易问题，详询平台客服咨询，以官方回复准。

温馨提示：
1、以上内容仅供参考；
2、在投资之前，建议您先去了解一下项目存在的风险，对项目的投资人、投资机构、链上活跃度等信息了解清楚，而非盲目投资或者误入资金盘。投资有风险，入市须谨慎。
应答时间：2021-11-12，最新业务变化请以平安银行官网公布为准。

⑤ 常见的算法交易策略不包括

常见的算法交易策略不包括：简单成本平均法。

在金融市场中进行电子交易，算法交易(AlgorithmicTrading)就是通过计算机程序来下交易订单，即运用计算机算法决定交易下单的时机、价格乃至最后下单的数量和笔数等。

2、套利交易，也是一种算法交易策略。

3、跨境套利和时间套利：前者在不同交易市场交易同一资产，后者蚂渣友在同一交易市场利用时间差进行交易。

4、投资交易策略：一种长期交易策略，是基于深入的基本面分析、数字模型等的策略；利用交易量和市场概况是基于交易量的分析方法。这种策略分析某个价格的交易量累积，即支撑位和阻力区间。

⑥ 算法交易的问题进展

更复杂的模型和智能程序已经引出了模型会否失效的问题。
有人批评算法交易系统的“黑匣子”特性：“交易员有世界如何运转的直觉。但是对这些系统你输入一串数字，然后从另一端出来一些结果，而黑匣子为什么会产生这些数据或关系，确并不那么直观或清晰。”
英国的金融服务管理局（Financial Services Authority, FSA）一直在关注着算法交易的发展。在该机构年报上，监管层强调这项新科技给市场带来的巨大功效，但同时也指出，对复杂的技术和模型的依赖性越强，系统失效导致业务中断的风险会越大。
其他的问题包括报价传递给交易员的技术延迟或延误问题，安全问题和超前交易（Front Running），以及全部系统失效导致市场崩盘的可能性。
开发和维护算法的成本还是相对较高，对市场新入者而言尤其如此，这是由于算法交易对系统的稳定性、网络带宽和速度的要求比常规的下单指令执行要高很多。没有自行开发算法交易的公司不得不从竞争对手手中购买。
高盛公司在算法交易上花了数千万美金，他们技术部门的人员比交易部门还要多……市场的性质已经发生了巨大的改变。
如今金融市场的信息已被诸如路透、道琼斯、彭博、汤姆逊金融等公司格式化，通过算法的解读来形成交易。
计算机被用来生产消息，譬如公司公布盈利结果或公布经济统计数据，这些消息几乎在瞬间同步直接传输给其它计算机，由它们根据消息进行交易。
交易算法并不仅仅是根据简单的消息进行交易，它还能翻译更难理解的消息。一些公司还试图对消息自动“设置表情”（以表示该消息是好是坏），这样的话自动交易就可以直接根据消息进行了。
“将消息从人类语言翻译到机器语言这一进程实在很有意义，”路透算法交易全球业务经理克里斯蒂．苏塔尼说，“我们越来越多的顾客发现了利用消息赚钱的途径”。
消息报道的速度对算法交易的重要性不言而喻，在一例广告宣传中（2008年3月1日的《华尔街日报》W15版面刊登），道琼斯声称自己在报道英格兰银行降息时比其他新闻媒体快了2秒钟。
2007年7月，早已自行开发算法交易的花旗集团，花了6.8亿美元购买了自动化交易平台，它原来属于一家每天交易约2亿股（占美国市场交易量的6%）股票的具有19年历史的公司。在这以前花旗集团还购买过Lava交易与OnTrade有限公司。

⑦ 根据特定的时间间隔在每个时间点上平均下单的算法是什么

根据特定的时间间隔在每个时间点上平均下单的算法是时间加权平均价格算法(TWAP)。

时间加权平均价格算法，是一种最简单的传统算法交易策略。TWAP模型设计的目的是使交易对市场影响减小的同时提供一个较低的平均成交价格，从而达到减小交易成本的目的。在分时成交量无法准确估计的情况下，该模型可以较好地实现算法交易的基本目的。

用公式来表示就是：

存货的加权平均单位成本=(月初结存货成本+本月购入存货成本)/(月初结存存货数量+本月购入存货数量)。

月末库存存货成本=月末库存存货数量×存货加权平均单位成本。

本期发出存货的成本=本期发出存货的数量×存货加权平均单位成本或=期初存货成本+本期收入存货成本-期末存货成本。

⑧ 在自主权限内什么通过交易系统向交易室下达交易指令

在自主权限内基金经理通过交易系统向交易室下达交易指令。交易系统或相关负责人员审核投资指令的合法合规性，违规指令将被拦截，反馈给基金经理。其他指令被分发给交易员。交易员接收到指令后有权根据自身对市场的判断选择合适时机完成交易。基金公司投资交易包括形成投资策略、构建投资组合、执行交易指令、绩效评估与组合调整、风险控制等环节。
拓展资料:
1、算法交易是通过数学建模将常用交易理念同化为自动化的交易模型，并借助计算机强大的存储与计算功能实现交易自动化（或半自动化）的一种交易方式。 交易算法的核心是其背后的量化交易模型，而模型的优劣取决于人的交易理念和基于数据的量化分析，以及两者的有效结合。
2、算法与人（交易员）的互动是至关重要的，两者之间互为补充：人（交易员）教授“算法”交易理念，反过来被训练过的算法可以帮助人（交易员）实现快速的交易执行。
3、常见的算法交易策略简介如下： （1）成交量加权平均价格算法（VWAP），是最基本的交易算法之一，旨在下单时以尽可能接近市场按成交量加权的均价进行，以尽量降低该交易对市场的冲击。 （2）时间加权平均价格算法（TwAP），是根据特定的时间间隔，在每个时间点上平均下单的算法。 （3）跟量算法（TVOL），旨在帮助投资者跟上市场交易量。若交易量放大则同样放大这段时间内的下单成交量，反之则相应降低这段时间内的下单成交量。交易时间主要依赖交易 期间市场的活跃程度。 （4）执行偏差算法（Is），是在尽量不造成大的市场冲击的情况下，尽快以接近客户委托时的市场成交价格来完成交易的最优化算法。

⑨ 算法交易的介绍

算法交易，也称为自动交易，黑盒交易，是利用电子平台，输入涉及算法的交易指令，以执行预先设定好的交易策略。算法中包含许多变量，包括时间，价格，交易量，或者在许多情况下，由“机器人”发起指令，而无需人工干预。算法交易广泛应用于投资银行，养老基金，共同基金，以及其他买方机构投资者，以把大额交易分割为许多小额交易来应付市场风险和冲击。卖方交易员，例如做市商和一些对冲基金，为市场提供流动性，自动生成和执行指令。