跳转至


课程  因子投资  机器学习  Python  Poetry  ppw  tools  programming  Numpy  Pandas  pandas  算法  hdbscan  聚类  选股  Algo  minimum  numpy  algo  FFT  模式识别  配对交易  GBDT  LightGBM  XGBoost  statistics  CDF  KS-Test  monte-carlo  VaR  回测  过拟合  algorithms  machine learning  strategy  python  sklearn  pdf  概率  数学  面试题  量化交易  策略分类  风险管理  Info  interview  career  xgboost  PCA  wavelet  时序事件归因  SHAP  Figures  Behavioral Economics  graduate  arma  garch  人物  职场  Quantopian  figure  Banz  story  量化传奇  rsi  zigzag  穹顶压力  因子  pe  ORB  策略  Xgboost  Alligator  Indicator  factor  alpha101  alpha  技术指标  wave  quant  algorithm  pearson  spearman  tushare  因子分析  Alphalens  涨停板  herd-behaviour  因子策略  momentum  因子评估  review  SMC  聪明钱  trade  history  indicators  zscore  波动率  强化学习  顶背离  freshman  resources  others  AI  DeepSeek  network  量子计算  金融交易  IBM  weekly  LLT  backtest  backtrader  研报  papers  UBL  quantlib  jupyter-notebook  scikit-learn  pypinyin  qmt  xtquant  blog  static-site  duckdb  工具  colors  free resources  barra  world quant  Alpha  openbb  数据  risk-management  llm  prompt  CANSLIM  Augment  arsenal  copilot  vscode  code  量化数据存储  hdf5  h5py  cursor  augment  trae  Jupyter  jupysql  pyarrow  parquet  数据源  quantstats  实盘  clickhouse  notebook  redis  remote-agent  AI-tools  Moonshot  回测,研报,tushare 

Need for speed


近期,三家外资高频量化巨头被海关调查。这一事件揭开了高频交易(HFT)领域一个公开的秘密:硬件竞速 (Hardware Race)

实际上,在高频交易领域,存在两个公开的秘密,硬件竞速和规则操弄。这是量化巨头在量化这样一个激烈投机的赛道能赚取令人咋舌的巨额利润的惟二秘密。今年7月,我们以《房间里的大象: Alpha衰减下的量化困局》为题,介绍过Jane Street 在印度被监管机构处罚,就是量化巨头通过规则操弄获得不正当利润的一例。

我一向支持监管要尽可能地少,让市场自己调节。但是,对高频量化领域的监管,我特别赞成。高频量化甚至不是投机,因为投机还是一种风验博弈;高频量化就是抢劫。这样的大象必须赶出房间,关进笼子。

01 硬件竞速是怎么玩的?

高频量化的多数策略其实特别 low,没啥技术含量(特指算法):因为在纳秒级的交易中,不光复杂的算法执行不了,一旦算法出错,谁也承担不起以纳秒速度亏钱。

所以,多数策略本质上是吃价差、吃时间差;有时候甚至通过 spoofing 欺骗来人为制造出价差。既然算法没有难度,难度就会体现在如何做到先下手为强上。一般做法就是定制硬件,甚至定制网络。

光纤还是太慢了

一些量化巨头早就开启了微波通讯,而不是光纤来传送数据。所为何来呢?

主要有三个原因:

首先,一个行业内广为接受的经验法则是, 光纤电缆的实际铺设长度通常是两点间直线地理距离的1.4到1.6倍 。也就是说,光纤路径比直线路径长了 40% - 60%(微波塔之间可以建立几乎笔直的视距传播)。

比如在芝加哥到纽约之间,这是全球高频交易最重要的一条线路,连接着位于芝加哥的芝加哥商业交易所(CME)和位于新泽西州(临近纽约)的纳斯达克等交易所的数据中心。

两地之间的直线距离约约 1,150 公里,理论最快时间是1150 km / 300,000 km/s ≈ 3.83 毫秒。而最新的微波网络在这条线路上的单向延迟已经可以做到 4.0 毫秒左右。这已经非常接近理论上的物理极限了。

其次,光在玻璃(光纤是石英玻璃)中的传输速度大约是20.4万公里/秒,远低于光在真空中的传播速度。

最后,光在光纤里并不是沿着光纤中心传播的,会以一个特定的角度撞击到纤芯和包层的交界面上。由于光是从高折射率介质射向低折射率介质,并且入射角足够大(大于临界角),光会发生全内反射,就像镜子一样被反射回纤芯。

所以,光的实际传播路径是一条连续的“Z”字形或螺旋形折线,而不是一条『直』(曲)线。这条折线的长度,大约是光纤物理长度的101.5%左右。

这三个因素可合称为路径惩罚。除此之外,普通商业网络还存在路由跳数过多、网络路径长度不确定等因素。这些因素叠加起来,就导致量化巨头可以比其它投资者至少以快6.7毫秒的速度获得行情。

在高频量化中,毫秒之差绝不是领先我们不止是几纳秒,而是几『光年』。

CPU/网卡肯定也不够快

即便拥有了最快的微波线路,当市场数据包以近乎光速的速度抵达服务器时,量化巨头仍然不会满意(某种程度上也是竞争的结果)。这时候,他们又发现了新的瓶颈:服务器内部的处理延迟

传统的数据处理要经过『网卡 -> 操作系统 -> CPU -> 交易程序』这条路径。对于高频交易来说,每一步都慢得像在散步。这个过程中,包括了网卡接收、通知操作系统处理导致的硬件中断、CPU 用户与内核模式切换、数据拷贝以及应用程序处理的延迟,简单来说,无论如何优化,也会需要微秒级的延迟。

为了争夺这微秒级的延迟,使用 FPGA 就轻松解决了。它是一种半定制芯片,可以使用硬件电路来执行程序,并且与网卡芯片直接相连,这样,当有数据进来时,就直接跳过了 CPU 处理,直接进入 FPGA 芯片进行计算,直到发出信号响应。

通过 FPGA 可以把延迟降低到纳秒级。

能不能直接抢呢?

当然也是可以的。这就是把数据中心设在交易所旁边。你可以通过微波、FPGA 实现条条大路通罗马,但奈何有的人可以直接出生在罗马。

不过,硬件竞速的路已经基本走到头了。随着监管趋于严格,高频交易者也越来越倾向于铤而走险,通过规则操弄获得不正当利润。这一部分我们已经在《房间里的大象: Alpha衰减下的量化困局》中详细介绍过了。

02 重新找回价值

未来量化巨头的路在哪里?

最近有一则新闻比较有意思。著名量化投资公司 Qube(市值 340 亿美元)组建了一支人类选股者组成的团队。每位分析师获得了 2 亿至 5 亿美元的初始资金,用于交易和研究。

Qube 不是首个由纯量化转向混合模式的,之前已经有 D.E shaw,Engineers Gate 和 Squarepoint 等量化巨头都已转向了混合模式。显然,人类交易员的策略绝不可能是高频交易策略,他们将更多地回归投资的本质 -- 发现价值本身。

这也许是每一个量化巨头要走的路。