第一章绪论
交易策略是量化投资中的重要组成部分。在当今金融市场的投资活动中，不论在国外、还是国内，量化投资都成为一种重要的投资手段。优秀的交易策略对于投资的成败起到关键的作用。交易策略正在成为投资领域的流行语。鉴于投资策略的重要性，本文重点讨论了量化投资中的交易策略。虽然量化投资正在投资实务领域起到重要的作用，但在学术界关于量化投资并没有严格的定义，其分类也没有严格统一的方式。交易策略的概念非常广泛，我们也难以用一篇论文讨论多种交易策略。本文中，我们将依据交易策略所适用的数据频率，按照从低频到高频的顺序，分别研究了低频交易策略和高频交易策略。交易策略有多种多样的研究方法，这里，我们选择适合用概率及数理统计方法进行研究的两类策略进行研究。在低频交易中，我们重点研宄基于新发展起来的行为金融的交易策略。在高频交易中，我们重点研究了基于技术指标的交易策略。
1.1量化投资
量化投资，Quantitative Investment，是利用投资模型指导投资的一种投资手段。在量化投资过程中，投资人员需要将投资思想转化为投资模型；借助数据，投资人员可以检验投资模型的有效性；其中有效的投资模型，将被用来指导交易。在投资过程中，投资模型的纪律性可以帮助投资人员规避交易过程中的心理偏差，严格执行交易策略，以获取预期的收益结果。本文所讨论的交易策略属于量化投资的范畴。量化投资虽仅有几十年的发展过程，但已形成了大量的研究成果。Markowitz，H.M.[65j提出的投资组合选择理论，可以看作量化投资领域的奠基之作。他提出了风险报酬和有效前沿的概念，用均值度量收益，用方差度量风险，用均值-方差分析方法选择最优组合，对量化投资中的投资组合有重要的影响。Sharpe, W.F.，Lintner,J.[62]和Mossin, J.[71]又发展出了资本资产定价模型(CAPM)，在对投资者的一定的理性的假定下，他们证明了在均衡市场中，市场组合是有效组合，并且对某一具体的资产，其超额收益率可以分离出由市场风险决定的部分和该资产特有的部分。量化投资模型，不仅可以规避投资者的心理偏差，还可以实现普通投资方法无法实现的收益。在传统的投资过程中，投资者的心理偏差往往会使投资者做出错误的决定，从而是原本可以赢利的交易变成亏损。在新兴的交易方式中，例如，在统计套利、跨期套利、期现套利等套利策略中，由于每次套利交易的盈利很少，策略需要实时跟踪标的资产的走势，在有套利机会出现的时候，可以迅速进行交易，以获取收益。而靠人工操作，难以实现这类收益。量化投资范围非常广，几乎覆盖了投资的全过程，包括量化资产配置、量化择时选股、期货套利、统计套利、算法交易，以及风险管理等等。量化资产配置是指大类资产类别的选择（固定收益类、权益类、大宗商品等），投资组合中各类资产的配置比例以及对这些混合资产进行的实时跟踪。借助于投资组合理论及各种资产的公开数据，量化模型可以确定各大类资产的投资选择和投资权重。此外，随着全球金融市场的透明度越来越高，数据也越来越容易获得，量化模型可以完成全球范围内的资产配置，拓宽投资领域，优化投资效果。量化择时是通过对投资标的的相关数据进行分析，以做出标的后续发展的预测。股市的可预测性问题与有效市场假说密切相关。Fama，E.提出有效市场假说，并将有效市场分为三种不同程度的有效：弱式有效市场、半强式有效市场和强式有效市场。如果市场弱有效，在关于股票历史价格的信息都被包含入当前市场价格中，技术分析失效；若市场半强式有效，则公开的关于股票的所有信息都已被当前市场价格所反应，从而使得技术分析和基本面分析都失效；若市场强式有效，则关于股票的所有信息都已经反应到当前股票价格中，从而使得包括分析内幕消息在内的所有分析失效。由于现阶段证券市场还没有达到有效市场的要求，因此量化分析者需要分析和标的证券相关的各种各样的信息，并建立各种模型对标的证券的发展给出预测。量化选股是借助上市公司的相关基本面数据和交易数据，建立恰当的模型（比如APT)，判断某个公司的买入、卖出方向及数量。当满足组合入选条件时，该股票可入选股票池；若不满足，则需从股票池中剔除。
第二章行为金融中的交易策略
本章中，我们讨论在行为金融框架下的交易策略。行为金融将投资者的心理偏差、信息不足等考虑进模型，以提出解释各种金融现象的模型。在行为金融中，市场交易中存在大量的金融异象，这些异象多由投资者的心理偏差导致，会频繁出现。因此在本章的交易策略的研宄中，我们将借助市场中的金融异象构建交易策略并进行研宄。这里，我们重点研究了基于动量效应的交易策略。关于Hong-Stein模型检验的内容可以参考。
2.1引言
2.1.1动量效应
如绪论一章中所介绍，动量效应是行为金融中一种重要的金融异象。所谓动量效应，是指资产价格在一段时期内会表现出变动的持续性，过去强（弱）势的资产，在未来的一段时期内会持续强（弱）势。因此，动量策略就是做多（做空）过去强(弱）势的资产，以期在未来的时期内获得收益。若市场允许做空，则投资者可以通过做多强势资产、做空弱势资产，形成零成本组合，进行套利。与动量效应相对应的就是反转效应。在股票市场中，动量效应和反转效应是普遍而有趣的现象，它们可以帮助投资者根据历史价格轨道预测未来的收益。动量效应和反转效应对于实务投资者和学术研宄者都有吸引力。对于实务投资者，可根据动量、反转效应选择股票并获利；对于学术研宄者，需要总结现象的存在性并给出可能的解释。现在关于动量效应的研宄大多集中在效应的存在性和来源。关于动量效应的产生原因，行为金融中有多种解释。其中，投资者之间的异质信念可以给出较好的解释。当投资者之间存在异质信念时，关于价格的信息会在投资者之间缓慢扩散，并最终成为公共信息，而扩散的过程将产生动量效应。
第三章高频交易中的交易策略.......... 33
3.1 引言.......... 33
3.2 SAR的数学表达式 ..........35
3.3截尾SAR及由其定义的新指标.......... 38
3.3.1 平稳性的证明：方法1.......... 40
3.3.2 &平稳性的证明：方法II.......... 41
3.4数值模拟 ..........42
3.5基于截尾SAR指标的交易策略的实证检验.......... 46
3.5.1描述性统计.......... 46
3.5.2 Xt的平稳性.......... 50
3.5.3交易策略的盈利性检验.......... 53
3.6 小结.......... 64
第四章总结及展望.......... 71
4.1已有策略总结..........71
4.2未来研究方向.......... 71
结论
本文重点研究了在行为金融和高频交易中的两类交易策略。对两类交易策略，我们分别给出了理论证明、策略构建、实证检验、结果解释等研究结果。在行为金融框架下，我们首先检验了动量效应中的HS模型。在不同的均衡资产价格模型下，我们得出了该模型不能被市场所支持的推论，并利用实际市场数据进行了检验。通过对HS模型的分析，我们在传统动量策略的基础上构建了新的动量策略，并在中国股票市场和商品期货市场的低频数据上对传统动量策略和新动量策略进行检验。通过新旧策略对比发现，新动量策略显著有效，而传统动量策略在股票市场上并非显著有效。而在商品期货市场上，新动量策略的表现也优于传动动量策略。通过对策略收益的风险分析，我们还可以得出中国市场非弱有效的结论。在行为金融中，虽然新策略可以产生显著的正收益，但其无法克服低频交易的一些不足，这促使我们展开高频交易的研究。在高频交易中，我们研究了基于技术指标Parabolic SAR的交易策略。采用对SAR指标截尾的方法，我们构建了新的指标Xj。在Black Scholes模型下，我们证明了平稳性。根据本，我们设计了本文所讨论的交易策略，并在中国股票市场高频数据上进行检验。通过对策略收益的标准检验和借助残差Bootstrap的检验，我们都能得到策略有效的结论。
参考文献
[1] Aldridge, 1.(2009), High-Frequency Trading: A Practical Guide to Algorithmic Strategiesand Trading Systems, Wiley.
[2] Anderson, E.W., Ghysels,E. and Juergens,J.L.(2005), Do Heterogeneous Beliefs Matter forAsset Pricing?, The Review of Financial Studies, 875-924.
[3] Alexander, S.S. (1961). Price movements in speculative markets: Trends or random walks,Industrial Manangement Review, 7-26.
[4] Alexander, S.S. (1964). Price movements in speculative markets: Trends or random walks,no.2’ in P.Cootner, ed: The Random Character of Stock Market Prices. MIT /jrbylw/ Press, Cam?bridge, Mass.
[5] Baxberis, N., Shleifer, A. and Vishny, R. (1998), A model of investor sentiment, Journal ofFinancial Economics, 307-343.#p#分页标题#e#
[6] Baytas,A. and Cakici,N. (1999). Do markets overreact? International evidence, Journal ofBanking and Finance, 1121-1144.
[7] Bernard, V. and Thomas, J. (1989), Post-earnings announcement drift: delayed price re?sponse or risk premium?, Journal of Accounting Research, 1-36.
[8] Bertram, W.K. (2009)，Optimal trading strategies for ltd diffusion process, Physica A，388，2865-2873.
[9] Bertram, W.K. (2010)，Analytic solutions for optimal statistical arbitrage trading, PhysicaA, 389, 2234-2243.
[10] Bertram, W.K. (2010), A non-stationary model for statistical arbitrage trading, workingpaper.
