Python算法交易实战

第10章　适应市场参与者和环境

到目前为止，我们已经介绍了算法交易涉及的所有概念和思想。从介绍算法交易生态系统的不同组件和市场参与者，到介绍交易信号的实际例子，将预测分析加入算法交易策略中，并实际构建了几种常用的基本以及复杂的交易策略。我们还开发了在交易策略的演变过程中控制风险和管理风险的系统。最后，我们还介绍了运行这些交易策略所需的基础架构组件，以及分析交易策略行为所需的模拟器和回测研究环境。读完本章，你应该能够深入地理解构建、改进和安全部署算法交易策略业务堆栈的所有组件和复杂性。

本章的目标是研究超越算法交易策略的部署和操作，考虑在实际市场中可能出现的问题或者是随着时间的推移慢慢恶化的问题，或是交易信号边缘消失，以及新的市场参与者如何加入，或者更多的知情者加入市场，而少量的知情者离开市场。金融市场和市场参与者都处于不断发展的状态。因此，能够随着时间的推移和市场环境的变化，适应新的环境并持续带来赢利的算法交易业务，才是能够长期生存的。这是一个极富挑战性的问题，在本章中，将介绍通常会遇到的问题，并就如何解决这些问题提供一些指导。我们将讨论为什么策略在实际交易市场中部署时表现得不如预期，并举例说明如何在策略本身或基本假设中解决这些问题。我们还将讨论为什么表现良好的策略性能会缓慢下降，然后会看一些简单的例子来说明如何解决这些问题。

本章将介绍以下主题。

●　回测器与实际市场的策略表现。

●　算法交易的持续赢利能力。

10.1　回测器与实际市场的策略表现

在本节中，我们先来解决很多算法交易市场参与者遇到的一个很常见的问题——回测器或模拟器缺乏先进性。因为无论持仓时间长短，回测器都是建立、分析、比较算法交易策略的基石。如果在实际交易市场中未实现回测结果，就很难下手或继续交易。通常情况下，持仓时间越短，交易规模越大，模拟结果与实际交易市场中实际表现结果不同的可能性就越大。在很多高频交易业务中，由于需要非常精确地进行模拟，因此回测器往往是较复杂的软件组件。此外，交易模型越复杂或越不直观，就越需要模拟器。正是因为不直观，所以通常很难在实际市场中使用复杂的交易信号、预测和策略来进行非常快速的自动交易。 ...