新手幣讀文｜量化交易夯什麼？
什麼是量化交易？
量化交易，或量化投資，指的是利用統計學和數學的方法，並使用電腦技術進行交易的投資方式。
「量化」，便是指利用大量的數據資料，抓出數種能帶來超額收益的大方向，以此為基準，運用數量模型驗證並固化這些規律，採用分析、系統化、模型化的方式，且經過歷史資料驗證，得出有效的回測績效，並持續嚴格自動執行交易。
量化投資其中一個很大的意義是：利用歷史數據做回測！若將此結果經過大盤比較後，可以得到顯著的成果，那麼這種訊號才是真正重要的。而採用歷史數據還有另外一個優點：避免投資人做出情緒性的選擇，讓投資人能保持客觀，不受到情緒上的影響，這是因為人會傾向忽略不利或矛盾的意見 (行為心理學上稱為確認偏誤 Confirmation bias)。就算投資人不想採用量化交易，也應該盡力避免自身的偏誤，多利用歷史數據及研究報告，有些財務論文中也會使用歷史數據及統計方法驗證某些現象的存在與否，能夠使投資人更加了解資本市場。
量化交易的歷史
量化交易起源於 1970 年代的股票市場，之後迅速發展和普及，尤其是在期貨交易市場中，程式化逐漸成為主流。人為交易中，交易者的情緒波動等因素，越來越成為盈利的障礙，而程式化交易天然而成的精準性、執行率則帶來了優勢。
量化交易與人為交易最大的差別是：模型應用，而最早採用量化方法來分析研究股票漲跌規律的是法國人 Jules Regnault，他認為「頻繁的短線交易終將導致快速破產」，他當初手工統計了數十年的股票及國債數據，從中得知一套規律，並進而延伸出後續的投資公式，這也告訴我們，「市場價格的漲跌背後必然隱藏某些普遍規律」。
而後，美國的 Edward Thorp 利用概率論的凱利公式，透過賭博賺了大筆金錢，並發表了論點：「隨機事件樣本越多，結果的確定性就越高」。之後 Edward Thorp 投入股票權證市場，將數學公式編寫成量化模型，尋求市場定價失常。1969 年他首創全球量化交易對沖基金，經營近 30 年，無一年虧損。他深信，只要依靠概率建立起量化模型，依照長期大量的數據計算出合理價格並執行交易，就能夠積小勝成大勝。
提到量化交易，就不得不提到 James Simons，其實他在交易初期也執著於宏觀經濟面，雖然他很快就意識到可以利用模型化數據，但直到他屏除模型中所有宏觀經濟基本面內容，集中於短線交易，才得到顯著的獲利。其「大獎章基金」在當時的 20 年間，年均淨回報率高達 40–80%，可說是有史以來最成功的量化投資之王。
量化交易的優點
由於極度依賴數據分析，量化交易策略本身即存在高度的「可度量性」，及其衍生而來的「可驗證性」，這是由於未來數據的不可得，交易員必須仰賴過往的歷史數據做測試，當使用量化交易時，需多次重複歷史回溯測試均能得到一致的結果，如果測試結果是正向的，至少可以說明該量化交易策略在歷史檢驗上具有盈利能力。
而這也會讓交易策略得到強大的「客觀性」，也是大家對於量化交易最普遍的理解，如上述所說，量化交易是使用大數據及程式模型去執行，利用這樣科學化的方式，徹底排除外在干擾訊息的因素，讓數據證明一切，並經由回測驗證其有效性，避免讓投資人因接收到過多訊息干擾，而做出情緒偏誤的決策。
最重要的是，量化交易策略在執行時，會使實際交易行為與過去歷史數據達到「一致性」，因為在建立量化交易策略時，所有的交易規則都已下了精確的定義，並由程式強制執行，這也是絕大部分人為交易策略無法達成的。
量化交易雖然有非常多優點，但大家要特別注意的是，當市場條件發生變化時，若投資人沒有根據市場狀況調整其交易策略，策略將有極大可能會失效！
量化投資 vs. 人為投資
事實上，不管是量化投資還是人為投資，最終都還是需要人去進行決策，只不過做決策的層級不同。
我們可以用工廠來比喻：「量化投資」就是一個全自動化的工廠，配備有許多新穎的機器，但雖然大部分的工作是交由機器完成，還是需要有決策者決定機器的動作順序、哪個機器負責哪個環節的生產；而「人為投資」則是傳統的工廠，採用人工方式完成絕大多數的工作，每個步驟都需要該步驟負責人的決策。
量化策略的分類
關於量化策略的分類每個人都有不同的見解，但常見的有以下幾類：𝛂 策略、高頻交易、量化 CTA、套利等。
- 𝛂 策略：這種策略的特性是回撤和獲益都比較小，但能夠使投資者在大多數的情況下，都保持獲利。其具體想法是找出市場裡最優秀的品種，做多這些品種，然後做空相應多的指數，這樣就鎖定了最優秀的品種帶來的收益，而把指數帶來的波動進行了平抑。
- 高頻交易：這是利用電腦程式處理微觀市場層面的不均衡性，交易次數多、持倉時間短，會在短時間內做高頻率的進出場，每次交易的平均利潤較小，但優點是有較穩定的報酬。
- 量化 CTA：量化 CTA 策略可分為兩種：「趨勢追蹤策略」及「均值回復策略」。其中，使用較多的是趨勢追蹤策略，它是利用許多策略模型找出目前的市場趨勢，並依此判斷做多或做空，因此與波動率息息相關，也因此這種策略在趨勢明確或是牛市熊市快速變換時，具有較大的優勢。另一種均值回復策略，是種反趨勢策略，是利用某些保持穩定均值商品，當短期波動使其價格偏離均值時，進場反向操作，即做空被高估的商品，做多被低估的商品。
- 套利：簡單來說，就是利用價差來賺取獲益的方式。套利方式有非常多種，這邊主要介紹兩種套利方式：
(1) 跨交易所套利：這種模式相對容易執行、風險小，但獲益表現很不錯。套利最簡單的思考方式，想像在臺北芭樂一斤 $50，屏東一斤 $30，那麼只要你在屏東買、到臺北賣，一斤就賺了 $20 的差價。這樣的套利想法也可以套用在投資上，而在加密貨幣的投資上，大家給了一個「搬磚」的有趣名字。
(2) 跨品種套利：是指透過統計分析某些相關產品的歷史價格關聯，當發現價差擴大，且認定為非長期性的不穩定狀態時，即透過配對交易的方式進行套利。舉例來說，A、B 商品之間的價差經常性為 $10，且 A>B，當某天發現其價差增為 $15 時，因認定此為不穩定狀態，便買入 B 並賣出等量 A，那麼當其價差回到經常性的 $10 時，即可賺到 $5。但要注意的是，若將此模式套用在沒有存在穩定性的價格關係，其風險會上升許多。
量化交易策略與加密貨幣
在加密貨幣市場中，採用量化交易策略是一個非常適合的選擇，有以下幾個原因：
- 加密貨幣市場的價格變動快速
- 沒有基本市場面可以預測其價格的變動
- 加密貨幣市場為 24–7 全年無休交易
- 交易所眾多，套利機會長期存在 (據 CoinMarketCap 統計，目前全球交易所有近 300 家)
2011 年之前，由於大眾對加密貨幣的認知普遍不足，量化交易尚未被應用在加密貨幣市場。2011 年起，交易所數量開始增多，有些嗅覺較敏銳的投資者開始利用跨交易所的價差進行套利。而自 2015 年開始，加密貨幣市場急速成長，也經歷了價格的大幅變動，許多看好其長期發展的投資人開始尋求量化交易的機會。
由於市場變化，過去較簡單的量化策略已逐漸失效，多因子、機器學習等的複合型策略開始受到大家關注，量化交易對沖基金也正在興起，許多加密貨幣投資人逐漸想透過量化交易對沖基金讓自己持有的加密貨幣資產增多，但卻受到量化交易對沖基金的投資門檻限制，而無法達成投資規劃。
加密貨幣量化交易策略與 Bincentive
Bincentive 透過舉辦 HatchQ 加密貨幣交易競賽及其他管道，接觸個人交易專家，並建立緊密關係，上架數支量化交易策略，供會員跟投；另外，Bincentive 也和頂級量化交易對沖基金合作，如：Amber AI、Lucy Labs 等等，推出 Premium Strategies 尊榮專案策略，讓會員也能接觸加密對沖基金的策略。
Premium Strategies 尊榮專案策略像是一個資金池，透過智能合約匯集各方投資會員的加密資產，以達到頂尖加密對沖基金的資產門檻，訂閱其設計的尊榮交易策略。在選擇策略後，總投資金額需達到該頂尖對沖基金的軟上限，此時智能合約將會啟動開始進行跟投。但為了方便尊榮會員們的跟投與管理，策略也會有硬上限來保障尊榮會員們權益。
為防止當中途有會員要退出時，影響其他會員的投資合約權益，當尊榮會員們跟投尊榮專案策略的同時，BCNT 代幣也會一起寫入尊榮專案策略智能合約做權益交換 — BCNT 資金池。BCNT 資金池是一個權益轉換與擔保的保證金，當尊榮會員在合約期間內想要終止其智能合約，我們會將尊榮會員的初始投資時當下的等值 BCNT 代幣轉換給尊榮會員，以換取 Bincentive 對其投資金的權益。
結語
量化交易日趨蓬勃發展，隨著加密貨幣市場逐漸向合規化方向邁進，且市場正在進行生態圈演變必經的「適者生存，不適者淘汰」過程，想必加密資產量化交易的發展將越趨穩定。不管您是否認同其價值及概念，對其了解更深入一些，將使您在做投資選擇時，更具判斷力！
本文為 Bincentive 整理及獨立觀點，Bincentive 無須對投資損益負責，投資人應審慎考量各種投資風險。
追蹤 Bincentive 社群，獲得更多專屬消息！
Bincentive 官方網站 : https://www.bincentive.com
Facebook : https://www.facebook.com/bincentive
LINE 官方帳號：https://lin.ee/CKILPoH
LinkedIn : https://www.linkedin.com/company/bincentive
Telegram : t.me/bincentive_cn
參考資料
【動區｜獨家專訪】「華爾街玩家」進入台灣加密市場 — — 量化交易能與加密貨幣激起什麼火花？
Quantitative Trading Definition
Beginner’s Guide to Quantitative Trading
