机器学习在算法交易中的应用现状

算法交易简介

        算法交易（Algorithm Trading）起源于美国，它是采用量化分析手段，由计算机根据算法模型决定交易委托的下单时机、委托价格以及委托笔数等，通过自动发出指令实现证券买卖和资产组合管理。

        算法交易的主要目的是通过设计合理的交易策略，最大限度降低投资者交易成本，包括冲击成本和机会成本，减弱市场影响，提高投资收益。

算法交易市场规模（十亿美元） 数据来源：Markets and Markets Analysis

        算法交易中比较基础的策略有TWAP、VWAP和IS等交易策略。我们以市场上最常用的算法交易策略VWAP为例，其基本思想是通过拆分订单来匹配市场真实的成交量分布，减少市场冲击成本，获得与市场一致的 VWAP 价格（Volume Weighted Average Price，交易量加权平均价格）。这个策略也是许多其他算法交易策略的基础。

        对于算法策略的改进研究主要有两方面：

        第一方面集中在对交易量分布的预测。

        市面上比较常见的方法有：通过基于时间序列因素分解的乘法误差模型对市场交易量的预测。此外还有利用主成分分析方法对市场成交量进行动态分解建模，从而预测日内交易量。近些年来也有很多人使用高频数据从交易量预测层面对策略进行了模拟和优化，从而预测日内交易量分布。

        第二方面是对交易策略进行改进。

        主流的做法是利用价格信息分析日内各个决策点前价格变化，来对传统的比如VWAP策略的决策进行调整，从而提高了执行的效果及稳定性，从而节省了交易成本。另外一种做法是基于统计仿真的价格交易量模型，并通过动态策略来捕捉价格的波动性。对于国内A股，可以利用高频数据处理方法构建一种适合市场交易规则自相关的分时算法，其有效性