數字貨幣:萬字長文說透數字貨幣量化投資行業_BTC

撰文|鄭嘉梁,HashKeyCapital研究總監

摘要

應用量化投資方法在數字貨幣市場進行投資是近年來常見的模式，數字貨幣市場波動大、7*24小時連續交易、定價偏離機會多和交易所做市需求等特點是量化交易天然存在的土壤。許多傳統量化機構已經入場，但是受限于數字貨幣市場特性、規模以及相應的基礎設施不夠完善，盈利可持續性比較強的量化策略規模仍較小。

本文對比了所有類型的量化投資策略，并按照主動和被動兩大類型進行分類。主動類型中趨勢類策略和波動類策略是兩大主要類型的策略。

大部分策略都可以在數字貨幣市場進行應用，數字貨幣市場也存在自己特色的套利方法。被動管理和指數增強型在傳統市場漸漸興起，數字貨幣交易可以借鑒其思想。此外我們這里簡要分類了數字貨幣量化投資所面臨的風險以及一個成熟量化策略需要的風控手段，并列舉了量化交易平臺所需要的基礎設施和必備模塊。

此外評估一個量化團隊實力需要從多方面入手，策略層面一般屬于高度機密，可以從團隊背景、架構、風控和合規、各類指標等層面進行動態審視。

數字貨幣量化投資的基礎設施還不夠完善，純技術/平臺提供方預計會有較好的風險收益比。預計數字貨幣量化投資前景較好，原因包括衍生工具會不斷成熟、市值提升、傳統量化團隊涌入以及高波動性將持續等方面。

一量化投資與數字貨幣市場投資概述

1.1量化投資的興起

量化投資的興起和數理金融學發展密不可分，美國經濟學家Markowitz在20世紀五十年代建立的均值-方差模型可以說是量化投資的開端，隨后在60年代，WilliamSharpe等四人在現代投資組合理論的基礎上上發展出了資本市場定價模型，成為度量金融風險和收益的基本模型。另一個值得注意的方向是是Fama等人在60年代發展起來的有效市場假說，影響力持續至今。此外Fama和French在90年代還發展出了三因子模型，成為后來因子分析模式的開端。

隨著衍生產品的不斷發展，在上個世紀70年代美國經濟學家Black和Scholes建立了期權定價模型，又迅速地應用于金融市場，幫助金融衍生產品迅速的發展，反過來推動金融數學理論往前推進了一大步。

80年代，“金融工程”這個概念被提出，形成新的學科形態并開始廣泛吸收和研究相關成果。90年代最重要的進展是金融風險管理方向，VaR風險管理模型被廣泛使用，已經被全球金融機構所廣泛使用，是最重要的風險度量矩陣之一。

中國的量化投資歷史不長，也只發展了短短10年左右時間，和海外量化人才回歸以及衍生品市場開始起步的時間點有關。在過去十年，和量化基金同時發展的還有被動投資。被動投資起初并不算做量化范疇，但是ETF產品的出現需要借助量化手段，特別是近幾年出現的指數增強或者叫SmartBeta類產品，是基于原有指數基礎上對各種影響因子進行分解，并重新配置資產，需要較強的量化平臺支持。

量化投資在美國市場已經成為不可忽視的力量，2018年量化對沖金規模已經占到所有對沖基金規模的1/3。而中國的公募基金里，只有大約1%為量化基金，偏股型基金里約5%為量化類型，這也和公募基金的投資限制有很大關系。而在私募基金行業中，量化類型的私募基金占比已經達到了20%，其中股票市場中性、CTA趨勢和股票多空為使用最多的三類量化策略。

1.2數字貨幣市場適合量化投資策略

數字貨幣市場的特性，非常適合量化策略的使用，原因在于：

數字貨幣本身波動較傳統金融市場產品大很多，適合多種賣出波動率的量化投資策略。

SEBA銀行高管：機構興趣上升是加密貨幣的看漲信號:金色財經報道，SEBA 銀行董事、特許金融分析師 Nasha Afshar表示，隨著越來越多的機構從僅僅表現出對加密貨幣領域的興趣轉向實際投資Web3項目，進入加密貨幣變成了何時的問題，而不是是否的問題。當市場處于牛市時，許多人表達了對加密貨幣領域的興趣。如果你看看現在的機構興趣和采用情況與當時的情況相比，我認為當時有更多的參與者進入了這個領域并對此感興趣。

SEBA銀行高管認為，不僅是思想上的轉變，而且是行動上的轉變，這個行業將會變得更大。[2023/6/25 21:58:21]

市場發展比較早期，產品都很初步，比如期貨、期權產品，流動性低、定價有效性差，出現錯誤定價的機會多，量化投資可以很好地捕捉其中的定價偏離機會。

交易時間長，7*24小時交易，不適合人工盯盤和交易，而更有利于發揮量化系統在盯盤、預警和捕捉交易機會的優勢。

交易所也有做市需求。數字貨幣交易對繁多，而流動性難以匹配，大部分交易所都有流動性需求，也衍生出了做市商這一交易所生態的必備角色，這也是大部分量化團隊賴以生存的手段之一。

基于以上原因，大量的擁有傳統金融優勢的量化團隊涌入數字貨幣市場，帶來成熟的交易理念和系統，發掘交易機會。可以說量化交易策略的存在，使得數字貨幣市場的成熟化加快。

二量化策略分類與數字貨幣市場應用

量化投資也分成主動和被動類型，主動類型追求絕對收益，通過承擔各類風險因子，從而追求在任何市況下都可以獲得超額穩定收益的結構，數字貨幣的量化投資策略也大部分是以主動投資為主。

被動投資量化策略主要是追求和各類指數相似的回報，承擔的是大盤系統性風險以及各類細分行業或風格風險，以獲得配置回報，近年來加入因子分析的指數增強型量化策略獲得青睞，交易員可以增加某一類風險的暴露從而獲得超越指數的回報。

然而由于缺乏行業認可指數的存在，數字貨幣的被動量化投資非常少見，因此也是未來一個潛在的發力方向。

2.1主動量化概述

主動量化投資策略，基本分成分成趨勢類型和波動類型兩類。因為無論是傳統金融還是數字貨幣市場，市場的走勢都可以分解成兩種，一種是趨勢市，一種是波動市。其余走勢都可以看作是這兩類走勢的疊加。量化策略的意義，就是在趨勢市中抓住單邊機會，在波動市找到不合理的定價的機會。

無論采取哪類策略，重要的是判斷目前是趨勢市還是波動市。因為從歷年統計里看，量化對沖基金在牛市業績差于long-only基金或者long-short基金，而在波動市或者熊市可以跑贏后兩者，原因在于不同市場條件下，各類收益貢獻的比重差別很大，所以判斷市況是第一位的。

除要考慮趨勢和波動外，具體到交易層面，還需要考慮沖擊成本。量化交易特別是高頻量化，成交量都較大，持續的交易對市場本身就是一種影響，也會改變盈利的結構，甚至會直接沖擊盈利到變成虧損，當市場深度不夠的時候，對訂單的分析和下單的拆解也變得重要。算法交易在這方面具有很大優勢，我們也會在后面介紹。

2.2主動量化策略

2.2.1趨勢類策略

趨勢判斷主要是要判斷目前是什么樣的市場，是向上還是向下，以及什么樣的標的更適合這樣的市場。如果判斷錯誤則風險非常之高，但是對應的判斷正確的收益也極大。

量化選股

量化擇時

量化選股

量化選股或者選幣，就是構建一系列標的組合，無論是股還是幣。量化選股有很多種類型，最廣泛應用的就是多因子模型，其基本原理在于拆解可以構成標的物上漲和下跌的因素，也可以說是因子分析。

即在構建投資組合的時候，不是以標的物本身進行分類，而是按照因子進行分類，某一類因子給予多少權重。當然股票和數字貨幣也有不同，股票的因子會更多，因為涉及到很多基本面的因素，數字貨幣情緒面或者事件驅動類型的因子更多，但是關鍵在于，找到合適的因子進行模擬和回測。

Nansen：5月BNB鏈上活躍地址近1240萬個，超以太坊同期2.6倍:6月9日消息，Nancen 數據顯示，5 月 BNB Chain 月活躍地址近 1240 萬個，環比增長 14%；同期 Solana 月活躍地址約 950 萬個，環比增長 86%，以太坊月活躍地址約 470 萬個，環比下降 4%，Optimism 月活躍地址約 100 萬個，環比增長 22%。[2023/6/9 21:26:32]

容易犯的錯誤比如，把一些看似重要、但實際并不重要的因子，分配過多的權重，而增加了風險，所以還需要對因子的有效性進行檢驗。

股票的常見的因子包括：估值、成長、資本結構、動量。換手率、資金流入、行業輪動等。

數字貨幣常見因子包括：市值、成交量、動量、社交平臺、特殊事件、宏觀流動性等。

可以看出，基本面投資其實和量化投資有相通之處，使用量化方法去進行基本面投資，也是A股一些基金經理喜歡的策略，甚至基本面本身，只要是基于數據的，也可以算作量化的一種。其他一些量化選股模型還包括風格輪動、行業輪動、資金流等模型，有些也可以統一在多因子模型下，這里就不贅述。

量化擇時

量化擇時是一種估計走勢的方法，其實也可以算作因子分析的一種，是以市場方向的判斷作為主要利潤來源，但是風險也較大。

量化擇時起初就來源于比較簡單的技術分析手段分析，一般分成趨勢擇時指標、市場情緒擇時指標、牛熊線指標、市場異常指標、以及一些根據特殊指標進行調整的方法。

2.2.2波動類策略

波動類策略是試圖不承擔系統性風險的做法，無論系統是向上，向下還是波動，希望把系統風險排除在外。比如著名的阿爾法策略，就是把系統風險貝塔，通過衍生產品對沖掉，剩下的只是個股、個券，個幣的收益。波動類策略在牛市中仍然跑不過長倉基金，熊市和波動市則可以獲得超額收益，屬于長期穩健型的方法。

衍生品套利

統計套利

數字貨幣特有的套利

衍生品套利

在衍生品市場比較發達的產品上，可以使用這種套利方法。對于期貨而言，分成期現套利和跨期套利兩種。比如在現貨市場上買進低價格的現貨，在期貨市場上賣出高價值的期貨，以獲取價格回歸的利潤。基本依據是期貨到了結算日，價格會回歸現貨價格。跨期套利就是不同期限的期貨之間進行買賣套利。可以看出，期貨的套利是一種市場中性方法，需要市場不斷地波動從而產生定價偏差機會出現，平穩的市場很難產生套利機會。

對于期權而言，情況比期貨要復雜，因為期權的收益結構與標的物價格相比，不是線性的，所以根據不同類型的期權組合，可以構建出很多復雜類型的套利模型，傳統市場上根據收益結構圖，給出了非常形象的名字，比如蝶式套利、飛鷹套利、跨式套利、轉換套利、垂直套利、水平套利、反向轉換套利、雙限套利等。目前數字貨幣的期權市場剛剛發展了兩年左右，成交量還較小，集中在Deribit、CME等大型交易所，但毫無疑問期權會是一個很大的潛在市場。

統計套利

統計套利是指通過對相關投資標的的歷史統計規律進行研究，發現其相對應的長期均衡關系，當某一對品種的價值偏離到一定程度后，開始買入向下偏離的，賣出向上偏離的，甚至只進行單邊操作，在長期均衡關系回歸以后獲利了結。統計套利的標的可以從最簡單的配對交易(兩個標的之間)，到一系列標的投資，關鍵在于尋找出標的之間的協整關系。

比如對于數字貨幣市場，有人曾作過萊特幣/比特幣，以太坊/比特幣之間的配對交易，就是計算出一對數字貨幣比值的長期歷史均值，然后買入低估的那個，如果可以做空，在衍生品市場賣出，最后以求得價值的回歸。

數字貨幣特有的套利

此處介紹的是數字貨幣特有的套利模式，也就是說這類套利機會的存在，只存在數字貨幣交易所或者數字貨幣交易對之間。當然這些模式在其他產品上也曾經出現過，比如外匯的三角套利，但在數字貨幣交易上有了更新的應用，在此也一并歸入數字貨幣特有的套利模式中。

CFTC：執法監管不是管理市場，而是用適當方式充分保護客戶或促進創新:金色財經報道，商品期貨交易委員會（CFTC）主席Rostin Behnam表示，對于CFTC可能獲得的任何立法或法律授權，我不會從其他人那里拿走它。目前我們與SEC存在監管真空，對數字商品資產的監管存在差距。事實是比特幣是一種商品，這是由美國法院裁定的，而且根據美國法律，不受監管。執法監管不是管理市場，而是用適當方式充分保護客戶或促進創新。[2023/6/7 21:20:26]

跨交易所套利

早期曾出現在不同交易所的相同交易對，價格不一致且持續存在的情況，于是可以在高價交易所賣出，在低價交易所買入同一個交易對獲利。

比如在兩個交易所都掛牌的數字貨幣，可以在兩邊同時進行操作。比如交易員在A交易所存有ETH，在B交易所存有BTC，A交易所的ETH/BTC價格高于B交易所，則可以在A交易所賣出ETH獲得BTC，在B交易做通BTC買入ETH，這樣可以免除交易所之間轉賬手續費，然后ETH和BTC都獲得了同步的增長。

交易所內多數字貨幣對套利

需要交易所內有多個數字貨幣對，且互為計價貨幣和標價貨幣，比如BTC/USDT,ETH/USDT,ETH/BTC三個對，在某一時刻，肯定會出現不一致的情況，在計算手續費后，可以進行三角套利，賣出較高的，買入較低的。

比如BTC/USDT=8000,ETH/USDT=200,ETH/BTC=0.2542,顯然ETH/BTC被高估了，那可以同時賣出ETH/BTC，并買入ETH/USDT，這樣ETH和BTC的基礎頭寸大致不變，但是BTC的量增加了。或者是，用USDT買入ETH，賣出ETH/BTC,得到BTC后賣出BTC/USDT，用USDT買入ETH，循環往復。

以上跨交易所套利和交易所內多數字貨幣對套利結合，進行跨交易所三角套利，但是就更復雜，因為要考慮轉賬手續費、轉賬時間和交易機會的存續性等因素。跨交易對三角套利起源于外匯市場，但是外匯市場參與人多，套利機會較少。早年數字貨幣套利的交易機會也很多，現在也開始變少，原因就是量化套利的人越來越多。

法幣交易對套利

這是一種結合外匯和數字貨幣的三角或多角套利模式，就是當不同法幣交易對，比如BTC/JPY,BTC/KWR，JPY/KWR之間出現價差的時候，可以進行跨數字貨幣和外匯的套利。

但是這種套利需要交易者有多國的銀行賬戶和法幣出入金渠道，不是簡單地交易策略的問題，而且也要考慮合規成本，目前各國也開始追蹤數字貨幣的洗錢、黑市交易。早前有團隊比較擅長這種模式，但是能持續做下去的并不多，以后估計也不會成為主流模式。

2.3被動量化策略類分類

被動投資

資產配置

2.3.1被動投資

被動投資其實就是指數投資，現在數字貨幣市場也沒有受認可的指數，大部分的指數都是各類公司自己編制，缺乏一致性和認可度。比特幣的市值仍然占據60%以上，編制一個大盤指數也只是將前幾大數字貨幣按照一定的權重配置一遍，收獲的大盤收益主要還是比特幣的收益。

指數增強是另外一個有意思的方向，但對于數字貨幣市場目前不會很實用。比如相對收益是一個很流行的概念，是相對一個大盤指數的收益，現在沒有一個數字貨幣的大盤收益指數，因此意義不大。

我們可以借鑒的是，通過一個相對合理的籃子，加入我們的主觀判斷和因子的調整，獲得一個比比特幣收益高，但是比山寨幣收益穩健的組合，然后通過不斷地調倉，保持收益的穩定性。但這仍取決于我們想獲得什么樣的收益。

指數投資或者是指數增強，仍然是屬于趨勢投資，基本邏輯是未來數字貨幣市場會上升。

2.3.2資產配置

資產配置是這些年興起的概念，多使用于傳統的跨資產類別投資，如在股票、貴金屬、期貨、固定收益、貨幣市場基金等反向，方法如等權重投資、全天候投資等。

美元指數DXY回落至105下方，為8月以來新低:金色財經報道，數據顯示，美元指數DXY回落至105下方，為8月以來新低，日內跌0.76%。美國國債收益率下跌，10年期國債收益率日內下跌12.50個基點，報3.576%。[2022/12/1 21:16:24]

數字貨幣其實可以成為全天候投資中的一個新的配置類型，例如其按照增長和通脹把經濟周期分成四個象限，每個象限配置一系列最受益資產，數字貨幣可以成為這一攬子配置貨幣里面的一個部分。但是由于風險較高，權重不會太大。

現在借助量化手段，全天候策略可以自動的根據輸入信息進行權重調配，這也是結合了基本面和量化的數量型方法。

2.4算法交易

算法交易也誕生于美國，和金融市場的電子化密不可分。在20世紀70年代大量的交易所開始把委托指令流改成使用計算機系統進行自動化處理，這樣每一筆的交易訂單都可以被計算機程序所捕獲，從而獲得下單的時間、價格、數量等多方面信息，為算法交易提供了最主要的數據來源。算法交易的興起，使得市場訂單中很大部分的訂單都按照算法執行，也顯著提升了市場信息傳播效率。

算法交易的核心就在于對交易所訂單的拆解分析和對市場的狀態的有效評估，從而不斷調整算法，降低時間成本和沖擊成本等。算法交易的主要策略都在于對訂單價格、交易量和成本的分析，一般策略包括TWAP、VWAP、MVWAP、VP、Step、IS等幾個常見類型。

中國資本市場使用算法交易起步較晚，但是電子交易系統非常先進，只是在相關技術研究和市場制度上有一些落后，不利于算法交易的展開，監管方面也有一些限制。

算法交易既可以是被動的，也可以是主動的，也可以是綜合主動被動到一起。被動型算法交易主要是執行既定算法內容，核心是減少沖擊成本和價格滑動。主動性算法交易更加復雜，需要進一步判斷市場狀況，除降低成本外，也在分析訂單過程中逐步尋找市場機會。也可以把二者結合起來。

三數字貨幣量化投資風險歸類與風控措施

3.1風險歸類

應用量化投資到數字貨幣市場的風險有兩類：

一類是所有類型投資策略都要面對的數字貨幣風險，如市場風險、尾部事件、流動性風險等。

市場風險：數字貨幣本身的波動性，既是盈利來源，也是風險的來源。由于數字貨幣缺乏財務基本面，沒有利息，也沒有預期現金流，使得估值完全由預期和流動性定價，較一般金融產品波動更大。基于數字貨幣的衍生產品，繼續把這種波動放大了好幾倍。目前期貨和期權市場，大部分也是基于比特幣，小部分基于以太坊，其他幣種的衍生品幾乎沒有，就是因為風險過大交易所都可能難以管理。

尾部風險：數字貨幣市場特有的尾部風險，是數字貨幣目前的基礎設施不夠完全導致的。總而言之就是流動性看似較大，但比較分裂，操控市場或者影響市場所需要的資金量其實很小。巨大的波動容易抽干流動性。可歸因于是基礎設施的缺乏，使得量化交易的量做不到太大。而這種情況，預計還會持續幾年，直到新型的基礎設施慢慢取代現有的設施。

流動性風險：前面已說明流動性是數字貨幣的定價來源之一。黃金本身就是流動性的池子，比特幣也慢慢有向流動性池子發展的趨勢。但是由于市值很小，所以相對黃金，很容易受到流動性的干擾，而且還兼具風險資產特征。典型的例子就是3.12的暴跌，以及暴跌后的迅速反彈，主因是流動性，次因是風險偏好。此外很多數字貨幣交易對的流動性也不穩定，不同交易所的交易對和上下幣規則都略有不同，這對小幣種的流動性干擾較大。

另一類是量化投資策略所特有的風險，如量化模型設計風險，數據的完整性風險，硬件故障等市場外黑天鵝風險，模型擬合、回測與未來的關系，過擬合等多類風險，可以分成兩類：

屬于經驗性的，如策略不夠聰明、回測不到位、擬合沒做好、參數有問題、基礎模型缺乏證明支持等。

屬于技術性的，如缺乏足夠的數據、硬件支撐，API數據接口問題，網絡延遲問題等。

Watcher.Guru：Coinbase出現宕機問題:金色財經報道，Watcher.Guru在社交媒體上稱，Coinbase的幾種代幣服務已經關閉。[2022/11/9 12:35:15]

3.2風控措施

3.2.1策略風控

策略主導的多指標風控原則

策略模型是一個負責從下單到平倉的一整套程序，大部分的策略模型，是把風控的模塊包含進去了，如什么時候應該止損，什么時候應該停掉策略。

這部分模型是由量化策略員直接負責的。其中的各類指標，還要和和風控等部門協商。

此外就是一個團隊基本能承擔的風險是有上限的，當運用多策略模型時，單一策略又需要分配風險指標，所以策略模型的外在限制比較多，而這些可以內化為一個個多指標的風控程序。

高級算法過濾

除此以外，有些量化團隊還專門設立獨立的算法風控，比如使用自然語言處理NLP、關系網絡、知識圖譜等多類技術手段，去尋找和勾勒市場上并非顯而易見，但是會有實質影響的風險。

相當于在策略和交易部門之外，單獨設立一個算法為主導的風控監控體系，負責監控整體的風險暴露并和策略交易團隊溝通。

風控預警和日志

預警屬于前置的風控，即一般的風險提示、預警線、平倉線提示等。日志屬于后置的風控，把風險事件和風控事件記錄下來，以背日后查閱，并方便改進風控和策略模型。

3.2.2合規風控

傳統金融市場，比如A股會要求下單次數、撤單次數、下單和撤單之間的時間差等。預計以后合規的數字貨幣交易市場可能也會有類似要求，比如可交易/不可以交易什么類型的數字貨幣。這就需要修改策略模型，尤其是高頻交易模型，以符合監管要求。

3.2.3?人工干預風控

主要是指策略啟停、手工下單、系統急剎，以及各類人為定義的風控規則，目的是防止策略出現黑天鵝，尤其是自動交易類型的。歷史上比如2012年騎士資本因為自動分單系統升級后，提示模塊的缺失，導致45分鐘內發送了天量訂單，導致虧損4.6億美元。就是非常需要人工干預的情形。

量化模塊雖然非常嚴謹，但是系統的bug非常難以避免，尤其是涉及升級、負責人員的更替、系統年代久遠、缺乏開發日志及注釋等多種情況的出現，都會導致出現bug。此時就需要賦予高級風控和管理人員進行手工干預甚至啟停的功能，并配合風控預警等模塊進行干預。

四數字貨幣量化投資的基礎設施和交易平臺

我們認為量化交易至少需要以下5類基礎設施：

交易場所：現貨交易所、衍生品交易所、OTC交易所，以及主經紀商

交易產品：各種數字貨幣交易對、數字貨幣期貨、數字貨幣期權

數字貨幣管理系統：包括冷熱錢包、托管、保險等

法幣銀行通道和資金管理系統

量化交易系統

數據API接口：包括實時交易所數據、鏈上數據和其他宏觀數據

數據庫：歷史行情數據庫和歷史其他類型數據庫

監控系統：捕獲行情數據和特殊事件

回測平臺和仿真交易平臺：對策略進行歷史和實時驗證

策略開發平臺：可以自行開發策略或者使用成熟的策略開發平臺

多賬戶管理系統：多賬戶資金管理、風險權重分配

核心模塊：量化策略策交易引擎

交易系統：訂單發送、執行、成交報告

交易平臺的開發步驟：

典型的量化平臺可以分成三大模塊：1行情數據模塊；2行情計算模塊；3量化交易模塊。下圖為一整套量化交易平臺模塊之間協作流程示意圖，其中量化交易引擎為核心模塊，包含算法描述、監聽腳本、第三方庫等部分，并匹配監聽各類事件，驅動量化策略執行。

五量化團隊評估方法和行業格局

量化策略比較隱秘。如何評估和建立對量化團隊的評價標準，是一項非常復雜的工作。量化策略是如同食品行業的秘方一樣，隱秘而又被行業冠以神秘色彩。

業績選擇性披露。量化團隊的生存線就在于領先的量化策略，其披露一般是有限的。市場上所見的量化團隊神話，也存在選擇性披露的情況。比如數學家西蒙斯設立的大獎章基金雖然收益最好，但是有外部投資人的其他下屬基金卻表現一般。

某些基金在某一年大賺，但是之后就泯然于行業，因此那種基業長青的基金很少，無論量化還是非量化。

不能過于看重團隊背景。僅以團隊背景去做評估也會碰到意外情況，最著名的例子就是長期資本管理公司LTCM的失敗，是諾貝爾獎級別的量化公司倒閉的先例。

多種指標配合。以業績去看也會有問題，業績都是后視的，存在幸存者偏差，之前的業績并不代表之后的業績。如何評估帶有一定的運氣成分。

尤其是以外部投資人的角度去參與，也很難看明白單一模塊，以及各個模塊之間的聯動特征，即便借助代碼審計。此外最大回撤和夏普比率、索提諾比率等衡量風險控制的指標也需要注意。

動態評價。因此評價良量化團隊首先要動態的看問題，不能唯業績論。不同市場下不同策略收益差別很大，這里面還有一定的運氣成分。

所以需要保持客觀、并不斷地跟蹤。每個公司都會宣稱自己的風控模塊完備，但直到出現風險事件，才知道誰的風控最優。

根據我們對行業的理解，目前數字貨幣量化投資盈利最豐厚的是兩類策略：

做市商策略：目前數字貨幣量化交易最強的團隊還是來自于傳統量化基金，他們的主要策略就是做市商策略，即通過在不同的交易所提供流動性，而在其他交易所完成頭寸的cover，利用的是現貨交易所之間的價格差，以及自身交易引擎可以瞬間捕捉機會的優勢，策略體量比較大。

高頻交易策略：這類策略的特點是盤子容量較小，但是收益比較穩定，優秀團隊年化可以達到30%-40%以上，但是擴展需要整體數字市場的市值往上再走一步。這些團隊的出身也是傳統量化基金出身。

其他類型的策略，或者是風險較大，或者就是很難效仿，難有特別優秀且持續的案例出現。目前行業還缺乏成熟客觀可靠的評價體系，也欣喜的看到一些同行在著手建立，希望可以看到更多更客觀的評價標準。

六量化投資在數字貨幣行業應用的局限性

6.1工具限制

金融工具是展開量化交易的基礎。量化投資是和金融工具豐富程度密切相關的，有更多的金融工具，就有更多可以選的量化方法。

假設只在一個現貨市場，開展純粹的量化交易，則只能使用趨勢判斷型類的策略的，相反那些喜歡判斷波動率類的策略則完全沒有辦法運作。

期貨交易所Bitmex在2016年上線永續期貨合約，2017年CME和CBOE才開設期貨，最大的期權交易所Deribit在2018年才建立。稍后現貨交易所才跟進，紛紛加入了期貨和期權產品。沒有這些交易所和衍生產品，現貨的風險對沖不掉，期貨的風險也沒法對沖。所以量化交易需要對應的交易場所和工具。

A股市場，比如在2015年股災后對股指期貨開始加大監管，比如增加開倉限制，增加平倉手續費等，都導致最重要的對沖系統性風險的手段的缺失。

結果就是，A股最流行的量化投資方法是因子模型，因子模型就是類似把各種股票的特征歸因到各種因子，比如規模、動量、估值、價值、成長因素等，但反而海外流行的套利型策略就不多。原因就是A股的衍生工具還是太少，公募也限制做空，只能在做多的時候選用因子模型。

6.2市場規模限制

量化策略容量是有限的，是因為市場本身規模就有限，如果量化策略規模過大，本身會擾動市場，導致交易利潤變低。

比如期現或者跨期套利，期貨市場近期成交的一般會好于遠期成交，那捕捉價差的策略就要適應遠期期貨的成交，一旦超過這個限制，就變成單方面在近期的風險暴露。

而且數字貨幣市場的流動性，是分散在各個交易所里面的，一方面創造了跨交易所套利的機會，一方面也限制了套利的規模，策略要同時匹配不同交易所的成交量，不然就使得套利機會變得很薄。

6.3競爭行為

有效的策略，可能知道的人越少越好。同一類型的策略，對于參數選擇的不同，也會產生千差萬別的效果。同一個市場機會，套利的人越多，可拿到的利潤就越少。

這和在趨勢性市場做多不同，做多的人越多，做多策略就越可能成功。套利策略是，使用的人越多就成功概率就越少。策略運行的有效時間也是有限的，一個成功策略運行久了，同行業也會紛紛效仿，導致一段時間之后就開始失效，所以沒有萬能不變的策略，需要不停的開發，但都需要成本。而目前數字貨幣市場可應用的策略還較少，也容易被同行所效仿。

6.4面對極端市場各類策略也會失效

極端市場條件下策略也會失效。比如市場中性策略在極端條件下，可能會讓中性發生偏移，變成單向風險暴露。比如當期貨找不到對手方開倉或者平倉，表面上的中性策略就可能變成趨勢策略。

極端市場可能會導致各種價格都已經失靈，倉位計算都可能失真，這都是難以化解的風險。所以如何應對數字貨幣的極端市場條件，也是一個量化策略特別需要關注的地方。

七數字貨幣量化投資展望

本報告初步介紹量化投資的發展脈絡和特征，并結合數字資產量化投資現狀作了簡要分析。

傳統的的基本面投資是一類比較詳細的指導原則，其大的框架和細的指標已經相對成熟，需要更迭的是對新興行業的納入。而量化投資策略的則是一大類投資策略的總和，而不是具體的指導原則。其各種細分領域都處在不斷進化的過程中，不存在包打天下的量化策略和長時間有效的情況。

雖然量化投資策略已經形成比較固定的大類原則，但是理論和實戰之間的差距也非常巨大。其特征就是會有不斷的新的內容補充進來，并淘汰過時的策略和算法，而前沿策略則始終是部分頭部量化團隊黑箱而不可盡知。

還有一個值得觀察的方向是，主觀投資與量化投資處于融合過程，特別是傳統股票投資。

一是如果市場上有足夠的研究人員對某一標的物的評級，就可以通過量化方法進行排序整理，把一個主觀評級信號變成一個量化信號；

二是在因子模型里面，本身也有很多基本面的因素，當然甚至也可以加入研究人員的主觀判斷作為某一項因子。

主觀投資其實也經常使用量化方法，比如根據各類基本面指標進行排序、歸因等，所以也是在相互學習。未來這類融合，也可以發生在數字貨幣市場。

數字貨幣適用于量化投資的原因前面已經提到，行業初期的跨交易所套利就是量化策略時段有效性的一個例子。目前最主要的原因還是全部的流動性分散在不同的池子，所以現貨和現貨之間的套利仍然會持續存在。

未來量化策略作用于數字貨幣的前景較大，原因在于：

期貨期權等衍生產品的規模會很大，來源于各類人士的主觀需求，如礦工套保、交易者獲利、項目司庫管理、金融服務需求等；

數字貨幣市場的規模還有很大提升空間，增長到一定程度就會有更多類型的衍生產品出現，而且隨著成熟，基本面投資可能也會逐漸成為主流投資方法的一種，使得因子分析可以有更好的使用場景；

已經看到很多傳統量化團隊進入數字貨幣，這給整體不那么“專業”的數字貨幣量化提供新的彈藥，鯰魚的攪局會促使量化團隊不斷提升水平。

數字資產高波動的特性將持續很長時間，收益空間足夠大，直到其主流化完成。

綜上而言，在本行業發展量化投資，一方面需要不斷地更新技術，改進交易策略，另一方面也需要行業自然發展的配合，目前的行業體量和各類工具仍不足以支撐完善的的量化策略，機構的進場將帶來新的量化需求和行業水平的提升。一些專注于量化平臺/策略開發的技術服務商在目前階段或值得關注。

關于我們：

HashKeyGroup是立足香港的金融科技集團，由資深金融和技術專家創立。管理團隊主要來自于領先的金融或科技公司，如瑞銀集團、巴黎銀行、螞蟻金服、匯豐、摩根大通等。集團行政總裁李啟泰先生，具有25年的投行經驗，曾服務于瑞銀集團。董事長肖風博士，也是金融領域以及區塊鏈行業資深從業者。集團旗下包括HashkeyHub、HashQuark、HashKeyTrading、TokyoHash，以及HashKeyCapital等公司，面向不同細分領域和方向。

HashkeyHub是一站式數字資產管理平臺，用戶可在Hub內存儲、交易、增長自己的數字資產。HashKeyHub的定位是大眾通往區塊鏈世界的橋梁，同時也是整個HashKeyGroup的生態入口，目前用戶可使用對接HashQuark的staking服務進行Pos挖礦，實現資產增長；同時也可使用對接HashKeyTrading的聚合交易服務，進行一鍵比價，以最優價格快速成交；未來將提供更多區塊鏈的專屬服務諸如Defi、Web3.0等，敬請期待！

Tags：數字貨幣BTCETHASH數字貨幣交易違法構成犯罪嗎mBTCETHYS幣SPLASH COIN

AVAX