前情提要：
上周给大家介绍了一堆书单，估计大家还没这么快看完，本周我们回过头来继续来了解量化的分类。本周我们从算法交易和组合构建来解构量化。
降低交易成本——算法交易
任何交易都要花费成本，许多非常成功的宽客也认为交易成本侵蚀了他们回报的20%~50%，所以如何降低交易成本是所有投资者都要认真对待的问题。
交易成本
交易成本主要有三个方面：佣金和费用、滑点（slippage）、市场冲击。（FRM里面有详细介绍）
佣金和费用：这是我们最容易想到的成本，作为散户买卖股票也是要支付给经纪人一定的佣金。但是事实上，对于宽客来说，佣金只占交易成本很小的一部分，而且它是相对固定的，只是利用做市商交易时，要寻找一个靠谱的交易员做交易，所以这部分成本是很容易建模的，一般情况下我们会假设它是固定的，就算是做市商市场，可能也只是假设交易成本服从一个正态分布，在估算风险时只需要计算一定概率下的最大买卖价差即可。
滑点：是指交易者在决定交易开始到订单实际被执行这两个时间段之间的价格变化。
比如你当下决定要卖出100股的苹果的股票，现在的价格是每股400美元，当你最终通过经纪人提交订单并递交到交易所时，价格可能已经下降到每股399美元，每股下降了1美元，这每股1美元就是滑点交易成本。
当然，滑点成本对于宽客的影响也跟你所做的策略类型是有关系的，比如说趋势跟随型（momentum）的策略是对滑点比较敏感的策略，因为它是追随趋势，你准备买的往往是现在一直在上涨的股票，那么当你下单准备买的时候，股价往往又上涨了一点，对你来讲由于成本的提高导致利润被压缩。
而均值回复策略（mean reversion）反而会由于滑点受益，因为最近涨得比较猛的股票我们是倾向于卖出的，当你卖出指令下达到交易所时，股票价格又上涨了一点，那么你卖出之后获得的受益会更大。可见，对于策略的选择要考虑了交易成本之后才能更加精确。
滑点成本还有一个特点，就是如果交易者的系统和市场之间的通信延时越长，他的订单到达市场的时间就越长，金融产品的价格很可能就会距离决策时的价格越远，所以如果在硬件上跟上，比如把服务器置于交易所内，加强带宽，这些都会降低滑点成本。当然滑点成本对短线交易的影响跟大。
市场冲击：这个成本大家应该不陌生，当你（尤其是订单比较大的交易者）买入一种金融产品时，你的订单本身就会导致价格上涨，那么当你把所有想买的份额全部买到时，你的成本往往比一开始预想的要高。
算法交易（algorithm trading）
其实市场冲击成本和滑点可以看成是大单交易的两个方面的应先：如果大单交易太快，那么一个单子下去会有很大的市场冲击，有可能你还没买完呢，市场已经涨停了，所以要降低市场冲击成本。
最简单的一个原则就是把大单拆小，按照一定的规则慢慢下单，降低整个订单的平均成本；但是如果你交易太慢也不行，因为交易太慢很容易带来巨大的滑点（slippage），即你可能会因为没能及时交易而错过一些更好的价格（也可以理解成机会成本），也就是说最终你成交的价格跟你当时做决策时的价格相差较远。
算法交易（algorithm trading）目的就是降低这两类成本的，在大额订单交易时，利用算法分割订单，既要降低市场冲击成本，也要降低机会成本。比如现在比较成熟的VWAP、implementation shortfall等等方法。
投资组合的构建
自从马科维茨引入组合投资的思想之后，所有的投资者都变成了在组合的角度来思考问题。投资组合的构建是投资过程中关键的组成部分，一个交易者可能有大量的好的投资想法，他非常善于选股，但是却将大部分资金配置给最差的策略，最少的资金配给最好的策略。
马科维茨的均值—方差最优化方法
有的人可能会认为这种情况怎么会发生呢？投资品种的好坏不是一眼就可以看到吗？很简单，你就拿最多的钱分配给收益率最高的策略不就可以了吗？这是典型的散户思维，在投资的时候，收益率不是最重要的，相反风险才是最重要的，我们的目的是要找到这样一个投资组合：
在相同风险下，收益率最高，反过来在相同收益率下风险最小。这样的目标可是通过肉眼观察不出来的。那么我们主要用到的是投资组合最优化工具，借助数学中的求极值方法。
比如我们通过alpha模型选定了5只股票，预期了他们明年的期望收益和风险，现在的目的是构建一个在相同收益率情况下风险最小的组合。
其实确定组合最重要的就是确定两个东西，一个是投资资产，另外一个就是每种资产所购买的权重，我们现在已经确定了5只股票（投资资产确定了），接下来的重点就是确定每只股票所投资的权重，其实就是求在给定一个收益率情况下，风险最小时候的w1~w5的取值是多少，利用Excel里的最优规划求解就可以实现这个想法。
对均值—方差最优化方法的改进
当然基金经理们早就不满足如此简易的资产配置方法，因为在马科维茨的方法里面，有个很大的困难就是要准确预测每只股票的收益率和风险，以前的经验表明，根据历史数据估计风险还是相对比较靠谱的，而且现在还有更高端的ARCH、GARCH等模型来预测风险，但是收益率的估计是极其不靠谱的，所以最优化的方法又基于马科维茨的缺点演化出了black-litterman等模型。
在这里再跟大家介绍另外一种的资产配置方式——风险平价（risk parity）。它最早是由磐安(PanAgora)基金的首席投资官钱恩平(Edward Qian)博士提出，后来这一思想被桥水(Bridgewater) 基金运用于实际投资，并大获成功。他认为各类资产风险对组合风险贡献相等时候的权重就是各类资产的最优权重。风险平价模型的本质就是找到风险的均衡。
举个简单例子，如果我们采用50：50的比例来构建股票+债券组合，从资金角度来看，这个组合是“均衡”配置的；但从风险角度来看，可能超过90%的风险都集中在股票资产上，股票资产的涨跌几乎决定了组合整体的表现和波动情况。那么这个组合就没有得到有效的分散，所以可以通过降低股票权重的方法降低整个组合的风险，那么什么时候整个组合的风险最小呢？就是股票和债券对整个组合的风险贡献相等的时候，组合就达到了平衡。
当然方法在不断改进，多读一些前沿的论文是非常有帮助的。
文末同时打个小广告，我们量化课程已经上线了，想系统学习也可以听何老师的Python与量化投资入门。【限时优惠】女神带你玩转量化课程
【小福利】Part2将会在本周末上线，9月购买合集会额外增加一个月听课有效期。此前购买的会在下周末（9.24）前统一调整有效期，原有的有效期基础上增加一个月。
识别文末二维码进入公众号回复【量化】。
配图来源网络
