一篇文章讲解数字货币量化投资行业

本文比较了所有类型的量化投资策略，并将它们分为主动和被动两大类。

采用量化投资方式投资数字货币市场是近年来的普遍模式。数字货币市场波动较大，7*24小时连续交易，定价多的偏离机会和交易所做市需求的特点，是量化交易的天然土壤。许多传统量化机构已经进入市场，但受限于数字货币市场的特点、规模和相应的基础设施，盈利能力相对较强的量化策略规模仍然很小。

本文比较了所有类型的量化投资策略，并将它们分为两大类：主动和被动。在活跃类型中，基于趋势的策略和基于波动率的策略是两种主要的策略类型。

大部分策略都可以应用于数字货币市场，而数字货币市场也有自己独特的套利方式。被动管理和指数提升在传统市场逐渐兴起，数字货币交易可以借鉴他们的思路。此外，我们对数字货币量化投资面临的风险以及成熟量化策略所需的风险控制方法进行了简要分类，并列举了量化交易平台所需的基础设施和必要的模块。

此外，评估量化团队的实力需要从多方面入手。战略层面一般是高度机密的，可以从团队背景、架构、风控合规、各项指标等方面进行动态审核。

数字货币量化投资的基础设施并不完善，纯技术/平台提供商有望拥有更好的风险回报率。预计随着衍生品的不断成熟、市值的提升、传统量化团队的涌入以及持续的高波动性，数字货币的量化投资前景会更好。

量化投资与数字货币市场投资概述

1.1 量化投资的兴起

量化投资的兴起与数理金融的发展密不可分，1950年代美国经济学家Markowitz建立的均值-方差模型可以说是量化投资的开端，然后在1960年代，William Sharpe和其他四人在现代投资组合理论（MPT）的基础上发展起来。资本市场定价模型（CAPM）已成为衡量金融风险和收益的基本模型。另一个值得注意的方向是 Fama 等人提出的有效市场假说。在 1960 年代，它的影响一直持续到今天。此外，Fama 和 French 在 1990 年代还开发了三因子模型，成为后来因子分析模型的开端。

随着衍生品的不断发展，1970年代，美国经济学家布莱克和斯科尔斯建立了期权定价模型（BSM模型），该模型迅速应用于金融市场，帮助金融衍生品快速发展，进而推动了金融数学理论向前迈出了一大步。

1980年代，“金融工程”的概念被提出，形成了新的学科形式，并开始广泛吸收和研究相关成果。 1990年代最重要的发展是金融风险管理的方向。 VaR风险管理模型应用广泛，已被全球金融机构广泛采用。它是最重要的风险衡量矩阵之一。

中国量化投资历史较短，发展仅10年左右，这与海外量化人才的回归和衍生品市场的启动有关。过去十年，被动投资与量化基金同步发展。被动投资一开始并不被认为是量化的范畴，但ETF产品的出现需要量化的手段，尤其是近年来出现的指数增强或Smart Beta产品，都是在原有指数的基础上。 ，而重新分配资产需要强大的量化平台支持。

量化投资已成为美国市场不可忽视的力量。 2018年量化对冲基金规模占所有对冲基金的1/3。在中国，只有1%左右的公募基金是量化基金，5%左右的股权型基金是量化类型，这也与公募基金的投资限制密切相关。在私募基金行业，量化私募基金占比已达20%，其中股市中性（31%）、CTA趋势（29%）和股票多空（18%）为三大最常用的类型。量化策略。

1.2数字货币市场适合量化投资策略

数字货币市场的特点非常适合量化策略的使用。原因是：

基于以上原因，一大批具有传统金融优势的量化团队涌入数字货币市场，带来成熟的交易理念和体系来发现交易机会。可以说，量化交易策略的存在加速了数字货币市场的成熟。

量化策略分类与数字货币市场应用

量化投资也分为主动型和被动型。主动型追求绝对收益，通过承担各种风险因素，追求任何市况。均能获得超额稳定收益的结构，而数字货币的量化投资策略大多以主动投资为主。

被动投资量化策略主要追求与各类指数相近的收益，并承担大盘的系统性风险和各种子行业或风格风险以获得配置收益。近年来，增加了因子分析。指数增强的量化策略已获得关注，允许交易者增加某种风险敞口以获得优于指数的回报。

但由于缺乏行业认可的指数，被动量化数字货币投资非常少见，因此也是一个潜在的未来方向。

2.1 主动量化概述

主动量化投资策略基本上分为趋势型和波动型两种。因为无论是传统金融还是数字货币市场，市场走势都可以分解为两种，一种是趋势市场，一种是波动率市场。其余的趋势可以看作是这两种趋势的叠加。量化策略的意义在于抓住趋势市场中的单边机会，在波动的市场中寻找不合理的定价机会。

无论采用哪种策略，重要的是要确定当前市场是趋势还是波动。因为从过去几年的统计来看，量化对冲基金在牛市中的表现比只做多的基金或多空基金的表现差，但在震荡或熊市中却能跑赢后两者。原因是在不同的市场情况下，各种收入的贡献比例差别很大，所以判断市场情况是第一位的。

除了考虑趋势和波动，在交易层面，还需要考虑冲击成本。量化交易，尤其是高频量化交易量大。持续交易对市场本身有影响，也会改变盈利结构，甚至直接影响盈利变成亏损。当市场深度不够时，下单的分析和拆单也变得很重要。算法交易在这方面有很大的优势，我们稍后也会介绍。

2.2 主动量化策略

2.2.1 趋势策略

趋势判断主要是判断当前是一个什么样的行情，是涨是跌，什么样的标的更适合这样的市场。如果判断错误，风险很高，但相应的判断是正确的，收益也是巨大的。

量化选股（货币）

量化选股或选币就是构建一系列目标（多空）组合，无论是股票还是货币。量化选股（货币）的种类很多，应用最广的是多因素模型。

即在构建投资组合时，不是按标的物本身分类（如某行业赋予多少权重），而是按因子分类，某类因子有多少权重给出。当然，股票和数字货币也不同。股票的因素比较多，因为涉及的基本面因素很多，数字货币情绪（如推特讨论）或事件驱动因素（减半、重大升级、合作）因素较多，但关键是要找到合适的因素模拟和回测。

很容易犯错误，比如对一些看似重要但实际上并不重要的因素赋予了过多的权重，从而增加了风险，因此需要对因素的有效性进行检验。

股票的常见因素包括：估值、增长（例如净利润增长率）、资本结构（例如外资所有权）、动量。周转率、资金流入、行业轮动等

数字货币的共同因素包括：市值、交易量、动量、社交平台（讨论、关注量）、特殊事件（升级、Coinbase上市等）、宏观流动性等。

可见，基本面投资其实和量化投资很像。用量化的方法投资基本面，也是一些A股基金经理青睐的策略，甚至基本面本身，只要是基于数据的，也可以算作一种量化。其他一些量化选股模型还包括风格轮换、行业轮换、资金流转等模型。其中一些也可以统一在多因素模型下，这里不再赘述。

定量计时

定量时机是一种估计趋势的方法。其实也可以看成是因子分析的一种。但风险也更大。

量化择时源于相对简单的技术分析方法（如均线、成交量能量等）分析，一般分为趋势择时指标、市场情绪择时指标、牛熊线指标、市场异常指标，以及一些针对特定指标进行调整的方法（时变夏普比率、分形方法等）。

2.2.2 波动率策略

波动性策略是尽量不承担系统性风险的做法，无论系统是向上、向下还是波动性，希望排除系统性风险。比如大家熟知的阿尔法策略就是通过衍生产品对冲系统风险贝塔，剩下的只有个股、债券、币的收益。波动性策略在牛市中仍然可以跑赢多头基金，而熊市和波动性市场可以获得超额收益，是长期稳定的方法。

衍生品套利（期货、期权）

这种套利方法可用于衍生品市场较为发达的产品。对于期货，分为现货套利和跨期套利两种。例如，在现货市场买入低价现货商品，在期货市场卖出高价值期货，以获取价格收益。基本依据是当期货到达交割日时，价格会回到现货价。跨期套利是指在不同期限的期货之间进行买卖的套利。可见，期货套利是一种市场中性的方式，需要市场不断波动才能产生定价偏差机会，在稳定的市场中很难产生套利机会。

对于期权来说，情况比期货复杂，因为期权的收益结构与标的价格相比不是线性的，所以可以根据不同类型的期权组合构建很多复杂的套利模型，根据传统市场的收益结构图，给出了非常形象的名称，如蝴蝶套利、鹰套利、跨式套利、转换套利、垂直套利、水平套利、反向转换套利、双限套利等。 目前，期权市场对于数字货币刚刚发展两年左右，交易量还很小，集中在Deribit、CME等大型交易所，但毫无疑问，期权将是一个巨大的潜在市场。

统计套利

统计套利是指通过研究相关投资标的的历史统计规律，发现相应的长期均衡关系（协整关系）。品种价值偏离到一定程度后，开始买入向下偏离的，卖出向上偏离的，甚至只进行单边操作，待长期均衡关系恢复后获利了结。统计套利的目标范围可以从最简单的配对交易（两个目标之间）到一系列目标投资。关键是找到目标之间的协整关系。

比如在数字货币市场，有人做过莱特币/比特币和以太坊/比特币的配对交易，就是计算一对数字货币的长期历史平均比例，然后买入被低估的，如果可以做空，在衍生品市场卖出，最终获得价值回报。

数字货币的独特套利

这里介绍数字货币特有的套利模式，也就是说，这种套利机会的存在只存在于数字货币交易所或数字货币中。交易对之间。当然，这些模式也出现在其他产品中，比如外汇三角套利，但在数字货币交易中也有较新的应用，也包含在数字货币独有的套利模式中。

2.3 被动量化策略分类

2.3.1 被动投资（包括指数提升）

被动投资实际上是指数投资。目前，数字货币市场尚无公认的指数。大部分指数由各公司自行编制，缺乏一致性和认可度。比特币市值仍占60%以上，编制大型指数只是为了将顶级数字货币按照一定的权重进行分配。

指数增强是另一个有趣的方向，但目前对于数字货币市场来说不是很实用。例如，相对收益是一个非常流行的概念，它是相对于一个大市场指数的收益。数字货币没有大的市场回报指数，意义不大。

我们可以借鉴的是，通过一个相对合理的篮子，加上我们的主观判断和因素调整，我们可以得到一个收益比比特币更高，但比山寨币更稳定的组合，然后通过不断的调整仓位来维持收入的稳定性。但这仍然取决于我们想要获得什么样的收益。

指数投资或指数提升仍是趋势投资。基本逻辑是未来数字货币市场会上涨。

2.3.2 资产配置

资产配置是近年兴起的概念，多用于传统的跨资产类别投资，如股票、贵金属、期货、固定收益、货币市场基金等方向，等权投资方式，全天候投资等

数字货币其实可以成为全天候投资的新配置类型。例如比特币量化交易投资工具，它根据增长和通货膨胀将经济周期划分为四个象限，每个象限都配置了一系列最有利的资产。数字货币可以成为这个包配置货币的一部分。但由于风险较高，权重不会太大。

现在借助量化方法，全天候策略可以根据输入的信息自动分配权重，也是一种基本面和量化相结合的量化方法。

2.4 算法交易

算法交易也诞生于美国，与金融市场的电子化密不可分。 1970年代，大量交易所开始改变订单流程，使用电脑系统进行自动化处理，让每一个交易订单都可以被电脑程序捕捉，从而获得时间、价格、数量等信息。的顺序。它为算法交易提供了最重要的数据源。算法交易的兴起，使得大部分市价单按照算法执行，也显着提高了市场信息传播的效率。

算法交易的核心在于对交易所订单的拆解和分析以及对市场状态的有效评估，从而不断调整算法，降低时间成本和冲击成本。算法交易的主要策略在于对订单价格、交易量和成本的分析。通用策略包括TWAP、VWAP、MVWAP、VP、Step、IS等几种常见类型。

我国资本市场使用算法交易起步较晚，但电子交易系统非常先进，但相关技术研究和市场体系存在一定的落后，不利于算法交易的发展，并且存在是监管方面的一些限制。

算法交易可以是被动的、主动的，也可以是主动和被动的结合。被动算法交易主要是执行既定算法的内容，核心是降低冲击成本和价格下滑。主动算法交易比较复杂，需要进一步判断市场行情。除了降低成本，还在分析订单的过程中逐渐寻找市场机会。也可以将两者结合起来。

数字货币量化投资风险分类及风险控制措施

3.1 风险分类

将量化投资应用于数字货币市场的风险有两种：

一是各类投资策略都必须面对的数字货币风险，如市场风险、尾部事件、流动性风险等。

市场风险：数字货币本身的波动性既是利润的来源，也是风险的来源。由于缺乏数字货币的金融基本面，无利息，无预期现金流，估值完全由预期和流动性定价，比一般金融产品波动性更大。基于数字货币的衍生品继续多次放大这种波动性。目前大部分期货和期权市场是基于比特币的，少部分是基于以太坊的，其他货币几乎没有衍生品比特币量化交易投资工具，因为风险太大，交易所可能难以管理。

尾部风险：数字货币市场特有的尾部风险是由当前数字货币基础设施不足造成的。总而言之，流动性看起来比较大，但比较分散，操纵市场或影响市场所需的资金量其实很小。巨大的波动往往会耗尽流动性。可以归结为基础设施的缺乏，使得量化交易量不会太大。预计这种情况将持续数年，直到新型基础设施慢慢取代现有设施。

流动性风险：如前所述，流动性是数字货币的定价来源之一。黄金本身就是一个流动性池，比特币正在慢慢向流动性池发展。但由于市值较小，与黄金相比，相对容易受到流动性的干扰，同时也具有风险资产的特点。一个典型的例子是3.12的暴跌和暴跌后的快速反弹。主要原因是流动性，次要原因是风险偏好。此外，很多数字货币交易对的流动性也不稳定。不同交易所的交易对和增减币规则略有不同，极大地干扰了小币种的流动性。

另一类是量化投资策略特有的风险，如量化模型设计风险、数据完整性风险、硬件故障等市场之外的黑天鹅风险，模型拟合、回测与未来的关系（变化市场条件）、过拟合和其他类型的风险可以分为两类：

经验性的，比如策略不够聪明，回测不到位，拟合没有做好（比如过拟合组合），参数有问题，底层模型缺乏证明支持等。

是技术性的，比如缺乏足够的数据、硬件支持、API数据接口问题、网络延迟问题等。

3.2 风险控制措施

3.2.1 策略风控

战略主导的多指标风控原则

策略模型是从下单到平仓的一整套程序。大部分策略模型都包含风控模块，如何时止损、何时停止策略等。

模型的这一部分由量化策略师直接负责。其中的各项指标也要与风控等部门协商。

另外，一个团队基本上可以承担的风险是有上限的。在使用多策略模型时，单个策略需要分配风险指标，因此策略模型有很多外部限制，这些可以内化。把它变成一个多指标的风险控制程序。

高级算法过滤

另外，一些量化团队还设置了独立的算法风控，比如使用自然语言处理NLP、关系网络、知识图谱等技术手段，寻找和勾勒市场并不明显，但存在风险具有重大影响。

相当于在策略与交易部门之外建立了一个算法主导的风控监控系统，负责监控整体风险敞口，并与策略交易团队进行沟通。

风险控制警告和日志

警告是预先警告的风险控制，即一般风险警告、警告线和关闭线警告。日志属于安装后风控，记录风险事件和风控事件，以备日后参考，便于风控和策略模型的完善。

3.2.2合规风控

传统金融市场，如A股，会要求下单数量、撤单次数、下单和撤单时间差等，预计合规的数字货币交易市场可能有未来类似的要求，比如什么类型的数字货币可以交易/不能交易。这需要修改策略模型，尤其是高频交易模型，以符合监管要求。

3.2.3 人工干预风险控制

主要指策略起止、手动下单、系统紧急刹车、以及各种人为定义的风控规则，目的是防止策略中出现黑天鹅，尤其是自动交易类型。从历史上看，比如2012年，自动订单分发系统升级后，骑士资本由于缺少提示模块，在45分钟内发出大量订单，导致损失4. 6亿美元美元。这是一种非常需要人工干预的情况。

虽然量化模块很严谨，但是很难避免系统bug，尤其是在升级、更换负责人、老系统、缺少开发日志和评论等情况下的bug。这时就需要赋予高级风控管理人员人工干预甚至启停的功能，配合风控预警等模块进行干预。

数字货币量化投资的基础设施和交易平台

我们认为量化交易至少需要以下五种基础设施：

交易场所：现货交易所、衍生品交易所、OTC交易所、主经纪商

交易产品：各类数字货币交易对、数字货币期货、数字货币期权

数字货币管理系统：包括冷热钱包、托管、保险等。

法币银行渠道及资金管理系统

量化交易系统

交易平台的开发步骤：

一个典型的量化平台可以分为三个模块：1行情数据模块； 2个行情计算模块； 3 量化交易模块。下图是一组量化交易平台模块之间的协作流程示意图。量化交易引擎是核心模块，包括算法描述、监控脚本、第三方库等，匹配和监控各种事件，驱动量化策略的执行。

（参考招商证券量化交易系统）

量化团队评价方法与行业格局

量化策略相当隐秘。如何评价和建立量化团队的评价标准是一项非常复杂的工作。量化策略就像食品行业的秘方，被行业隐秘而神秘。

选择性披露业绩。量化团队的生存在于领先的量化策略，而这些策略的披露通常是有限的。市场上看到的量化团队神话也有选择性地披露。比如数学家西蒙斯设立的Medallion Fund（员工内部基金）收益最好，而其他有外部投资者的从属基金表现不佳。

有些基金在一年内赚了很多钱，但随后逐渐淡出行业，因此无论是量化还是非量化，都很少有基金能够经久不衰。

不要过分强调团队背景。最著名的例子是长期资本管理公司LTCM的失败，这是诺贝尔奖级量化公司失败的先例。

多个指标配合。在看性能的时候也会有问题。绩效是向后看的，存在幸存者偏差。以前的表现不代表未来的表现。如何用一定的运气来评估。

特别是从外部投资者的角度来看，即使借助代码审计，也很难理解单个模块以及各个模块之间的联动特征。此外，最大回撤、夏普比率、索提诺比率等衡量风险控制的指标也需要关注。

动态评估。因此，要评价一个好的量化团队，首先要动态地看问题，而不仅仅是绩效理论。不同市场不同策略的收益差异很大，也有一定的运气成分（或者说是数学上难以描述的部分）。

因此需要保持客观并跟踪它。每家公司都会声称自己的风控模块是完整的，但是直到风险事件发生之前，谁的风控能力最好还是未知数。

根据我们对行业的了解，目前数字货币量化投资最赚钱的策略有两种：

做市商策略：目前数字货币量化交易最强的团队还是来自传统的量化基金，他们的主要策略是做市商策略，即通过在不同交易所提供流动性，在其他交易所完成仓位，利用现货交易所的价差，自带交易引擎可以瞬间捕捉机会优势，策略量比较大。

高频交易策略：这种策略的特点是盘面容量小，但收益相对稳定。优秀团队的年化率可以达到30%-40%以上，但扩张需要整体数字市场市值的提升。 Go one step further. These teams are also from traditional quantitative funds.

Other types of strategies are either risky (such as CTA-type strategies), or are difficult to follow (such as fiat currency arbitrage strategies), and it is difficult to have particularly excellent and sustained cases. At present, the industry still lacks a mature, objective and reliable evaluation system, and I am glad to see that some peers are starting to establish it. I hope to see more and more objective evaluation standards.

Limitations of quantitative investment in the digital currency industry

4.1 Instrument limitations

Financial instruments are the basis for quantitative trading. Quantitative investment is closely related to the abundance of financial instruments. With more financial instruments, there are more quantitative methods to choose from.

Assuming that there is only one spot market and pure quantitative trading, you can only use trend-judging strategies. On the contrary, those strategies that like to judge volatility are completely inoperable.

The futures exchange Bitmex launched perpetual futures contracts in 2016, CME and CBOE opened futures in 2017, and the largest options exchange Deribit was established in 2018. Later, spot exchanges followed suit, adding futures and options products one after another. Without these exchanges and derivative products, the risk of cash cannot be hedged, and the risk of futures cannot be hedged. Therefore, quantitative trading requires corresponding trading venues and tools.

In the A-share market, for example, after the stock market crash in 2015, the supervision of stock index futures began to increase, such as increasing the opening restrictions and increasing the closing fees, etc., which led to the most important means of hedging systemic risks. missing.

As a result, the most popular quantitative investment method for A shares is the factor model, which is similar to attributing the characteristics of various stocks to various factors, such as size, momentum, valuation, value, growth factors, etc., but there are not many arbitrage strategies that are popular overseas. The reason is that there are still too few derivatives in A-shares, and public offerings also restrict short-selling, and factor models can only be used when doing long.

4.2 Market size restrictions

The capacity of quantitative strategies is limited because the market itself is limited in size. If the scale of quantitative strategies is too large, it will disturb the market itself. resulting in lower trading profits.

For example, futures or inter-period arbitrage, the recent transaction in the futures market is generally better than the forward transaction, so the strategy of capturing the price difference must be adapted to the transaction of forward futures. Once this limit is exceeded, it will become Unilateral exposure to recent risks.

And the liquidity of the digital currency market is scattered in various exchanges. On the one hand, it creates opportunities for cross-exchange arbitrage, and on the other hand, it also limits the scale of arbitrage. The strategy must match different transactions at the same time. The volume of the exchange, otherwise the arbitrage opportunity becomes very thin.

4.3 Competitive Behaviour

An effective strategy, the less people may know, the better. The same type of strategy will also have widely different effects for different parameter selections. For the same market opportunity, the more people who arbitrage, the less profit they can get.

This is different from being long in a trending market. The more people who are long, the more likely the long strategy will be successful. The arbitrage strategy is that the more people you use, the less chance you have of success. The effective time of strategy operation is also limited. A successful strategy has been running for a long time, and the same industry will follow suit, which will lead to failure after a period of time. Therefore, there is no one-size-fits-all strategy, which requires continuous development, but all costs are required. At present, there are few applicable strategies in the digital currency market, and it is easy to be imitated by peers.

4.4 Various strategies will also fail in the face of extreme market conditions

Strategies will also fail under extreme market conditions. For example, under extreme conditions, the market-neutral strategy may shift the neutrality and become a one-way risk exposure. For example, when the futures cannot find a counterparty to open or close a position, an apparently neutral strategy may become a trend strategy.

Extreme markets may cause various prices to fail, and position calculations may be distorted, which are all risks that are difficult to resolve. Therefore, how to deal with the extreme market conditions of digital currency is also a place where quantitative strategies need special attention.

Prospects for Quantitative Investment in Digital Currency

This report preliminarily introduces the development context and characteristics of quantitative investment, and makes a brief analysis of the current situation of quantitative investment in digital assets.

Traditional fundamental investment is a kind of relatively detailed guiding principles. Its broad framework and detailed indicators are relatively mature. What needs to be changed is the incorporation of emerging industries. The quantitative investment strategy is the sum of a large category of investment strategies, rather than specific guiding principles. Its various subdivisions are in the process of continuous evolution, and there is no quantitative strategy that is all-inclusive and effective for a long time.

Although quantitative investment strategies have formed relatively fixed categories of principles, the gap between theory and practice is also huge. Its characteristic is that there will be constant new content to be added, and outdated strategies and algorithms will be eliminated, while the cutting-edge strategies (the part with the highest profit) are always the black box of some head quantification teams and cannot be fully known.

Another direction worth observing is that subjective investment and quantitative investment are in the process of fusion, especially traditional stock investment.

First, if there are enough researchers in the market to rate a certain subject matter, they can sort and sort through quantitative methods to turn a subjective rating signal into a quantitative signal;

Second, in the factor model, there are also many fundamental factors. Of course, the subjective judgment of researchers can even be added as a factor.

Subjective investment often uses quantitative methods, such as sorting and attribution based on various fundamental indicators, so they are also learning from each other. In the future, such integration can also occur in the digital currency market.

The reason why digital currency is suitable for quantitative investment has been mentioned above, and the cross-exchange arbitrage in the early stage of the industry is an example of the effectiveness of quantitative strategy period. The main reason at present is that all the liquidity is scattered in different pools, so the arbitrage between spot and spot will continue to exist.

The prospect of future quantitative strategies acting on digital currency is great because:

To sum up, in the development of quantitative investment in this industry, on the one hand, it is necessary to continuously update technology and improve Trading strategies, on the other hand, also require the cooperation of the natural development of the industry. The current industry volume and various tools are still insufficient to support a perfect quantitative strategy. The entry of institutions will bring new quantitative demands and an improvement in the industry level. Some technical service providers focusing on quantitative platform/strategy development may be worth paying attention to at the current stage