【交易實戰 VS 交易研究】

而篇文我希望可以慳返好多 Quant Portfolio Manager / Trader 而一生人的時間。時間好寶貴，好希望大家唔好走我以前走過的一啲蠢路，而當你有一日覺得原來自己以前係用錯力去做研究，發覺而家先至係做到真正 Efficient 交易研究既時侯，希望你都記得曾經有我而位人兄。

最近有位曾經係 Citadel﹑Millennium及 Hudson River 三大全球 tier 1 trading公司做過 (佢準備轉去BAM) 的 Quant 在X (Twitter) 上重覆強調一句話:

 “Theory is cheap”

按上文下理，佢的意思應該是，在交易行業裡，盡量不要說那麼多理論，只要能實踐出來的策略，或者至少在回測結果看得上眼的策略，那就直接試用吧。注意，他沒有說這個能實踐的策略是賺錢與否，只強調不要紙上談兵，先交易起來再諗。原因好簡單，好多策略(特別係HFT)如果無實際投放過資金的話，其實係測唔出到底有無真正交易優勢。

好多我見過的quants太過著重於學術討論，而忽略左個交易團隊關注的核心業務/交易績效上的問題。點解? 因為好多 quants都係PHD出身，而PHD出身既以我經驗可能有1/3人係忽略樹林只見樹 (當然2/3係好醒目)，見到個小問題就想用盡資源去解決同optimize佢，但實際上可能係浪費時間人物資源 ，舉個例子:

我叫個 junior trader (PHD級數，所以都有research能力) 去 post-trade analysis 返個交易系統 (入面你當有10個策略) 今日有幾多個策略係賺到 Alpha，佢走去將 10 個策略 regress一次d factors, loadings，又neutralize又orthogonal搞尼搞路咁。係，用左好多心機，但我純粹想知邊d 策略今日有 Alpha 喳，你睇下邊d策略今日有做trades，再睇返同段時間對比 benchmark 回報，簡單計一計邊d有Alpha咪得，唔洗咁optimize既。同埋問題係，佢計出黎的數其實唔係有經濟reference性的數，係imaginary numbers黎，用黎預測之後如果d factors都有咁既績效時對我地portfolio有咩影響，但對我地portfolio「現在」實際PNL係無咩關係。一句到尾，時間人力資源錯配。

其實我諗好多行業好多新手入行都有而個問題。但係交易行業入面睇，如果你長時間資源錯配，例如放得太多時間係理論研發而少實戰經驗，你的(業界)成績可能已經遠遠追唔上個市。我知道有個北大後生仔做 data mining 「研發」左6萬個交易因子 (唔知佢點用亦唔大興趣知，因為好多都會highly correlated，要做filterings)。但諗諗，一個人都可以做到咁，成條team可能隨時上十萬因子隨時監控黎做trades。十萬個因子，每個都有個理論，對比如果我花成幾個月寫好篇文再去做交易，大家話邊個好D? 我就prefer前者，起碼你肯trade先有賺錢機會，一路做最多一路調，萬一寫左幾個月的策略原來完全唔work，其實仲慘。

講返而位 Quant 前輩，諗深一層，雖然佢強調盡量少理論，多實踐，但一個交易策略並不會完全沒有理論在背後支持就可以實踐，因為一個人唔會基於某個連自己都認為唔合理的原因就直接做交易。所以好多時，賺唔賺錢的其中一個關鍵點係:

1. 這個交易理論對個人是否有說服力

2. 更重要，而個理論在真實交易世界係咪有效

Point 1 大家都理解，如果你信技術分析，例如支持阻力，咁你就有個依靠去做。個價近支持位加上自己一些對市場的睇法可能就會買，相反如是。有依靠先會執行到交易，執行到交易先可以有資產增值的機會 (當然蝕錢的機會也有)。如果你係一個更為進階的量化交易員，其實整體上也類同，只是交易系統更為完善。

Point 2 但單純用支持阻力，係現實交易世界入面係咪足夠? 需要了解支持阻力的構成因素? 要了解多深入? 洗唔洗睇 Level 2 / Level 3 數據? 睇埋 Intraday Institutional Flow 又夠唔夠? 而層我實在俾唔到個確實答案，因為大家交易風格﹑頻率﹑資產種類都可以好唔同，但可以肯定的是，靠量化回測什至小錢真試，是好多行內交易員都慣用的做法。

如果以上兩點都有返咁上下，個人真心信個策略，肯做trade，加上配合到啲交易世界實際運作，再下一步就係了解點樣balance理論與實踐的時間分配。

太多時間放係理論，會導致「分析麻痺」，無實際成果; 太重視實踐而輕視理論可能導致過度交易，無辦法知道策略失敗原因，亦都難持續改善交易能力。

所以我的其中一個做法係，搵到一個自己相信的理論，馬上做回測 (用 Alpha 1文章/ 自己用開方法)，之後做模擬測試 (Simulation)， 今個月的 Alpha 文我會介紹一種方法去幫大家快速測試一個新交易策略的overfitting機率及產生一個比較可信的 Sharpe Ratio (同行叫做haircut，即係到時因為overfit/alpha decay咩問題都好，都有一定predefined機率產生一個接近estimated lower bound sharpe ratio 的折衷計法)

到時再同大家分享多D。

Cheers, 

阿程

2024年8月 - 第1篇 (行內秘聞) 

圖片來源 (圖文未必太過相符): https://www.researchgate.net/figure/Hedge-Fund-Sibling-Strategies-Common-Factors_fig1_237380912