Stat Arb

單元測試是承認你的程式碼可能有錯誤的證明。真正的手動高頻交易開發者不會使用它們

ChatGPT 讓原本無法勝任的人能夠產生漂亮的圖表，這已經徹底改變了量化交易領域的格局

我看到一些關於訂單簿與 RFQ 的評論。作為一個曾報價過兩者的人，分享一些我的想法：
1. RFQ 本質上只適用於 taker，因此你會受到成本的限制，無法通過將其轉化為頭寸來實現高周轉策略所需的超低成本執行。
2. 對於不是特別大規模的交易，訂單簿通常會提供更好的成本。
3. 在淨風險與總風險顯著不同的情況下，RFQ 可以表現得更好。這包括多腿頭寸和期權結構（在訂單簿中執行時，你支付的是希臘指標的總額，但在 RFQ 中執行時，你支付的是淨額）。
4. 當交易大額時，只要成交不公開，你實際上可以進行執行套利，即場外交易台以其執行成本執行頭寸，並向你收取比你用自己低效的執行算法（如基本的 taker TWAP）執行頭寸更低的費用。
除了那些試圖進行大規模交易或在總風險與淨風險之間存在極大差異的情況外，RFQ 無法與訂單簿競爭，訂單簿在常規情況下應該是首選。

對於那些不擅長編程、想嘗試量化策略的人來說，我認為：是一個用於研究和部署策略的絕佳產品。還處於早期階段，但非常酷！值得一試 :)
[這是真誠的推薦，我沒有任何財務利益]

我曾在通話中遇過斯托伊科夫一次，並認為他完全是個白痴。
也不要太相信學術界。

最新文章在博客 (免費供所有讀者)： 行業
桌子、基金和團隊的結構、典型的薪酬範圍、成本歸屬，以及作為管理者做出明智選擇的方法。

知識片段
什麼是因子？
我覺得直到我開始非常積極地交易它們之前，我從未真正理解這個概念。
因子並沒有什麼特別的，它們只是重要的阿爾法——僅此而已。
你用因子來說：
嘿，這些阿爾法解釋了大量的變異，我不想再找到它們。在加密貨幣中，這可能是一個動量因子，所以為了避免找到20個版本的同一效果，我們使用 xs 回歸來移除我們的動量特徵對回報的影響，然後可以用特定因子的回報來測試(回報減去由因子解釋的回報，基本上)。
第一個因子總是市場，因此在股票中，我們取S&P500的β，然後從資產中移除S&P的回報*β。這樣得到的是特殊回報（idiosyncratic return）。從這裡，我們可以進一步移除其他因子。
最終，因子只是一個你認為能解釋大量變異的阿爾法，除了它非常核心於你發現的很多事物之外，沒有什麼“基本”或特殊的。
阿爾法取決於你的研究內容。如果你在研究高頻交易（HFT）並預測1分鐘前的走勢，你仍然可以有因子。最著名的是訂單簿不平衡。如我所說，因子只是解釋大量變異的阿爾法，而且眾所周知，訂單簿不平衡在很大程度上解釋了變異，就像過去的回報* -1在1小時時間框架中解釋了大量變異一樣。這也是你經常會意外發現的阿爾法。在HFT的背景下，訂單簿不平衡並不代表任何風險調整後的回報，它只是一個我們經常在其他阿爾法中發現的效果，因此很重要將其從回報中剝離，避免將因子暴露(誤讀為我們已找到的因子暴露)

影響：
1小時反轉 (加密貨幣)
5-21天動能 (加密貨幣)
衰減效應 (加密貨幣)
小型股反溢價 (加密貨幣)
1-7天反轉 (股票)
長期行為特徵 (ts argmax) (也就是在過去3年中出現最大成交量暴增的人) (股票)
動能 (9-18個月) (股票)
許多相同的效應，不同的時間範圍

我發現加密貨幣的 alpha 傾向於在股票市場中有效，但在加密貨幣中卻不然。
** 特別是價格/成交量的 alpha，其他數據集無法相比 **

在網上挖掘WQ訓練資料，尋找新的轉換方法時，發現了一個來自詐騙團夥的寶藏，他們將Alpha複製貼上，冒充為WQ顧問

自從Claude代碼推出以來，出現了一群對算法交易感興趣的人，他們之前沒有足夠的智商來開發一個有效的交易算法，但現在卻自我標榜為RenTech。我聽說有人說他“在Jump與量子交流過”，並看到了秘密武器。