Python for Finance（第二版）

第 16 章 自动交易 自动交易

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

人们担心计算机会变得太聪明，并接管世界，但真正的问题是它们太愚蠢，而且已经接管了世界。

佩德罗-多明戈斯

"现在怎么办？ 交易平台允许人们检索历史数据和流式数据、下达买卖指令并检查账户状态。通过预测市场价格变动的方向，已经引入了许多不同的方法来推导算法交易策略。如何才能将所有这些结合在一起，实现自动运行？这个问题无法一概而论。不过，本章将讨论一些在此背景下非常重要的话题。本章假定只部署一种自动算法交易策略。这就简化了资本和风险管理等方面的工作。

本章包括以下主题：

"资本管理"

正如本节所示，根据策略特征和可用交易资金，凯利准则有助于确定交易规模。

"基于 ML 的交易策略

为了获得对算法交易策略的信心，需要对该策略的性能和风险特征进行全面的回溯测试；所使用的示例策略基于第 15 章中介绍的机器学习分类算法。

"在线算法"

要将算法交易策略用于自动交易，就需要将其转化为在线算法，实时处理输入的流数据。

"基础设施和部署"

要稳健可靠地运行自动算法交易策略，从可用性、性能和安全性的角度来看，在 Cloud 中部署是首选方案。

"记录和监测"

为了能够分析自动交易策略部署过程中的历史记录和某些事件，日志记录发挥了重要作用；通过套接字通信进行监控可以实时（远程）观察事件。

资本管理

算法交易中的一个核心问题是，在总可用资金的情况下，为特定算法交易策略配置多少资金。这个问题的答案取决于人们试图通过算法交易实现的主要目标。大多数个人和金融机构 都会同意，长期财富最大化是一个很好的候选目标。这也是爱德华-索普（Edward Thorpe）在推导投资的凯利准则时所考虑的问题，罗坦多和索普（1992）在论文中对此进行了描述。

二项设置中的凯利准则

掷硬币游戏，或更一般的二项式设置（只有两种可能的结果），是介绍凯利投资准则理论的常用方法。本节将沿用这一思路。假设一个赌徒正在与一个无限富有的银行或赌场玩抛硬币游戏。进一步假设正面的概率是某个值p，其中 $\frac{1}{2}$<p< 1 成立。反面的概率定义为q= 1 -p< $\frac{1}{2}$.赌徒可以下任意大小的赌注b> 0，赌对了赢同样的钱，赌错了全输。考虑到概率假设，赌徒当然想赌人头。因此，在一次投注的情况下，这个投注游戏B（即代表这个游戏的随机变量）的期望值是：

$$\mathbf{E}\left[B\right]=p-b-q-b=(p-q)-b>0$$

一个拥有无限资金的风险中性赌徒希望下注金额越大越好，因为这样可以使预期收益最大化。然而，金融市场的交易一般不是一锤子买卖。它是一个重复的游戏。因此，假设_bi代表第 i天的投注额，_c0代表初始资金。第一天结束时的资本_c1取决于当天的投注成功率，可能是_c0+_b1或_c0-_b1。那么，重复n次赌博的期望值为

$$\mathbf{E}\left[B^n\right]=c_0+\sum _{i=1}^n(p-q)-b_i$$

在经典经济理论中，风险中性、预期效用最大化的代理人，赌徒会努力使这一表达式最大化。不难看出，最大化的方法是押上所有可用资金，即_bi=c~i- 1~，就像在一局定胜负的情况下一样。然而，这反过来又意味着，一次损失就会使所有可用资金化为乌有，从而导致破产（除非可以无限制地借贷）。因此，这种策略并不能实现长期财富的最大化。

下注现有的最大资金可能会导致突然的毁灭，而不下注则可以避免任何形式的损失，但也不会从有利的赌博中获益。这就是凯利准则发挥作用的地方，因为它可以推导出每轮下注的可用资金的 ...