在制定量化交易策略时，是采用更先进的方法更好，还是最好坚持简单的想法？
量化社区中一个古老的问题是，系统交易者是否应该坚持使用简单的量化策略，还是应该努力实施更先进的方法。
人们通常认为，散户算法交易者只使用更简单的策略，而量化对冲基金则采用高度复杂和数学复杂的方法。然而，最近情况发生了变化。
散户算法交易者现在能够凭借相对便宜的云计算、提供价格合理且易于使用的数据集的替代数据供应商以及开源研究框架来进行复杂的分析。
在本文中，我们将讨论散户量化分析师是否应该投入时间来执行这些高级策略，还是坚持更简单的想法。
投资者偏好
在列出简单策略与复杂策略的一系列优缺点之前，有必要概述我们将如何判断每种方法的相对优缺点。
其中一个关键问题是，每个投资者都有自己特定的偏好，因此他们有一套“目标函数”，用于他们试图通过系统交易实现的目标。
例如，一位投资者可能拥有庞大的资本基础，但可能需要定期提取从这些资本中获得的任何交易收益。保本——从而最大限度地减少亏损——对这样的投资者来说很重要。
另一位投资者可能拥有相对较小的资本基础，且只对增加总财富感兴趣。如果能获得更大的回报，整体损益净值曲线的波动性可能就不那么令人担忧了。
一些量化交易者更重视开发有效的系统交易策略所带来的智力刺激。他们实际上可能将获得正收益视为他们爱好的一个不错的“副作用”。
显然，投资者拥有许多不同的偏好。这些方面有助于为可能正在决定是否采用更高级方法的散户量化分析者构建简单与复杂的系统交易策略的讨论框架。
简单的策略更容易研究和部署到市场。它们需要不太复杂的数据和基础设施。即使信号本身是自动生成的，有些甚至也可以手动执行。
另一方面，高级策略在智力上更有回报，并且它们往往拥有更有利的夏普比率。也就是说，它们为每单位波动率提供更好的预期回报。对于关心如何最大限度地减少亏损和波动性的投资者来说，夏普比率将是一个需要考虑的重要指标。
在本文中，我们将详细探讨“简单是否胜过复杂”。我们将牢记上述动机以及其他优点和缺点。
简单的交易策略
交易策略是否被认为是“简单”，在很大程度上取决于投资者的教育背景和技术能力。拥有随机微积分博士学位的人与自学成才的散户量化分析者相比，对“简单”的定义可能截然不同。
就本文而言，如果交易策略应用于发达市场，在大型知名资产类别中，使用具有基本数学或统计复杂性的简单工具，我们将其大致定义为“简单”。
此类策略的例子包括技术分析“指标”信号，没有明确的投资组合构建或风险管理组件，适用于美股、ETF 或外汇等高流动性市场。
较简单策略的优点包括：
- 数据 - 所有系统交易策略都需要数据。简单的策略通常利用成熟资产类别中交易良好的工具的现成价格/交易量数据。此类数据获取成本非常低，甚至免费。它通常体积较小，可以通过易于使用的 API 直接从许多供应商处下载。
- 研究 - 有大量的回测环境可以测试“指标”风格的策略，从商业产品（如 TradeStation 或 MetaTrader5）到开源库（如 QSTrader、Backtrader 和 Zipline），甚至是 Pandas 等库。较简单的策略通常可以在其中一个框架中轻松实现。
- 交易成本 - 由于在发达、流动性强的市场中使用了简单的工具，因此估算交易成本相对容易。这反过来又使确定策略是否可能在样本外盈利变得更加简单。
- 基础设施 - 低频率执行的技术分析类型策略可以通过相对简单的基础设施实现自动化。根据所需的稳健性水平，可以设置 cron 作业以生成所需交易列表，同时可以手动执行。
- 容量 - 同样，由于在高流动性市场中使用简单的工具，因此不太可能出现容量限制的问题。
但是，使用较简单的策略时也有缺点：
- Alpha - 技术分析“指标”策略在金融市场中非常知名且普遍。目前还不清楚最简单的策略是否比基本的买入并持有或基于动量的战术资产配置更有价值。也就是说，策略本身可能不产生“alpha”，而是从市场本身或其他众所周知的学术风险因素中获得“beta”。
- 盈利能力 - 由于这种方法具有普遍性，一旦考虑到现实的交易成本，持续在样本外盈利可能具有挑战性。这就是为什么在任何回测中都必须尽可能有效地估计交易成本的原因。
- 统计测试 - 虽然不是简单交易策略的问题，但通常很少或根本没有对简单的策略进行稳健的统计分析。因此，许多在回测中显示高性能的此类策略可能仅仅是由于对样本内数据的过度拟合。
- 自由裁量权 - 手动执行的简单的策略可能会导致将自由裁量权元素应用于该过程。例如，由于“繁忙”的开盘时间而延迟交易的进入，或使用“直觉”来推翻交易。这使得确定策略的真实表现变得具有挑战性。
- 投资组合构建 - 简单的策略通常会避免使用任何稳健的投资组合构建或风险管理技术。虽然经常采用“止损”，但很少有人将波动率目标、等额波动率加权（又称“风险平价”）或跨市场多元化作为提高风险调整后回报的潜在机制。
- 智力回报 - 简单的策略通常不使用任何复杂的数学或高级分析。如果投资者的目标是智力回报，那么简单的策略不太可能实现这一目标。
可以看出，虽然更简单的交易策略更容易实施、测试和交易，但这种简单性可能会以牺牲统计稳健性和长期盈利能力为代价。
高级交易策略
高级的策略包括基于统计假设检验、广泛的资产类别领域知识、严格的投资组合构建方法以及流动性较差、利基资产类别或工具的策略，例如新兴市场、大宗商品和衍生品。
这些策略通常是机构量化对冲基金的领域，但由于数据的可用性和更好的模拟工具的普及，这些策略现在在散户量化交易中变得越来越普遍。
复杂策略的优势包括：
- 相关性 - 根据设计，高级的策略往往在设计上与整体市场和由其他交易策略组成的任何现有投资组合的相关性较低。这往往会导致整体投资组合的夏普比率更高。
- 盈利能力 - 凭借高级领域知识，可以合理地估算交易成本。这意味着通常更容易确定策略是否可能在样本外盈利。因此，可以在实时测试期之前拒绝许多无利可图的回测想法。
- 统计测试 - 严格的交易策略统计分析通常伴随着更高级的方法。这意味着，统计分析通常伴随着更先进的方法。这意味着，与可能在样本内过度拟合的简单策略相比，部署的策略在样本外表现下降幅度较小。
- Alpha - 由于在欠发达市场中使用利基工具，因此此类策略中“Alpha”的潜力更大。由于策略知识在整个市场的传播速度降低，这种Alpha往往衰减得更慢。
- 投资组合构建 - 投资组合构建和风险管理与更先进的方法相辅相成。这有助于使投资者的目标与策略绩效保持一致。
- 智力回报 - 高级策略需要更复杂的分析、更成熟的数学知识和更广泛的软件开发。对于一些业余投资者来说，这更像是一个目标，而不是创造财富。因此，他们通常会被更复杂的系统交易方法所吸引。
与简单策略一样，高级策略也存在某些缺点：
- 数学复杂性 - 通常需要统计分析、时间序列分析、随机微积分或机器学习的背景来处理一些更高级的系统交易方法。虽这些知识当然可以自学，但通过本科学位、MFE 和/或博士学位获得相关知识要容易得多。
- 专业知识 - 即使拥有多个研究生学历，仍然需要拥有利基资产类别或工具类型的合理领域知识，才能从任何先进的系统交易技术中持续产生alpha。这些专业知识通常是通过多年的工作经验获得的，在银行或基金的特定“柜台”工作。
- 数据 - 一般来说，数据成本随抽样频率、范围广度、历史长度、数据质量和资产类别/工具的特异性而变化。高级的策略依靠利基市场来产生alpha。因此，数据可能非常昂贵。必须考虑这些成本才能使策略产生利润。
- 研究 - 如果策略用于交易更复杂的工具，那么需要一个专门的回测环境。通常这意味着从头开始开发完全自定义的代码。这是一项巨大的时间投资。它还需要广泛的软件工程技能，以避免引入错误。
- 基础设施 - 即使已经建立了一个强大的回测框架来研究高级策略，也同样需要一个复杂的基础设施来进行交易。它可能需要完全自动化。需要复杂的部署、测试和监控。
- 容量 - 一些高级的策略方法之所以“有效”，是因为它们受容量限制。大型基金无法交易这些策略，因为时间投资不值得他们能够产生的绝对回报。这意味着可以应用于高级方法的资本金额存在上限。
可以看出，虽然先进的交易策略提供了更多的 alpha 机会和潜在的高盈利，但这需要更复杂的数学知识、必要的专业知识和更复杂的自动交易基础设施。
总结
总而言之，很明显，简单的交易策略可以更快地推向市场。它们需要的专业知识要少得多，即使信号是自动生成的，也可以手动执行。然而，与高级的方法相比，它们更有可能过度拟合且利润较低。
复杂的策略提供不相关的“alpha”、合理的盈利能力和智力回报。然而，这是以更高的数据成本、花在开发研究和交易基础设施上的更多时间以及需要更深的教育背景为代价的。
原文链接：https://www.quantstart.com/articles/simple-versus-advanced-systematic-trading-strategies-which-is-better/