介紹

如果您正在閱讀本文，您可能知道我是一名數據、投資和初創企業方面的作家。你們中的一些人可能還知道我是一家科技初創企業的聯合創始人——Quandl，一家幾年前被納斯達克收購的風險投資公司——或者可能是天使投資人。但我懷疑很少有人知道我之前的生活，我曾是一家日本對沖基金的量化分析師、交易員和投資組合經理。所以我想寫一篇關於那段日子的一次特別冒險的文章。請繼續閱讀！

“幸運比聰明更重要”

我大學畢業後的第一份工作是在日本一家對沖基金 Simplex Asset Management 擔任程序員兼分析師。我於 1998 年 8 月開始工作。一個月後，全球最大、最著名的對沖基金 Long Term Capital Management 破產了，令人震驚。

至少可以說，這是有問題的。

短期來看，這對我們來說其實是個好消息。我們當時新推出的基金提議交易許多導致 LTCM 倒閉的量化策略1 。LTCM 倒閉後，我們往往是唯一追逐這些機會的資本。如果我們早 3 年推出，我們就會和 LTCM 一起破產；3 年後，這些機會就會大大減少。正如我老闆喜歡說的，“幸運勝過聰明”。

但從長遠來看，我們很擔心。LTCM 的倒閉讓人們對他們和我們交易的策略的根本可行性產生了懷疑。光靠運氣是不夠的；我們需要一個 B 計劃。

這就是 B 計劃的故事。我想說，它是完全有意圖和戰略性的，但現實情況則更具探索性和突發性。最後，我們發現我們建立了一個當時還沒有名字的東西：一個可以跟蹤市場價格、運行模型、識別機會、設計交易、處理票據、管理對沖和退出頭寸的系統——所有這些都在幾秒鐘內完成。

幾秒鐘？是的，幾秒鐘。與今天的 HFT 系統相比，這慢得可笑；當時的市場領先很多。我們的原型 HFT 系統在近十年的大部分時間裡推動了 Simplex 的大部分交易活動（和利潤）。我是該系統的主要構建者和主要交易員之一；事情的經過如下。

第一部分：準備階段

天才為何失敗

LTCM 和 Simplex 均專注於“融合交易”——建立不同證券之間關係的量化模型；下注以利用這些關係中的不一致性（“錯誤定價”）；並在這些不一致性得到解決（“融合”）時獲利。

但是，如果錯誤定價沒有收斂，會發生什麼情況？或者更糟的是，如果它們出現分歧？你可以加倍交易，但正如凱恩斯令人難忘的（儘管是偽造的）所說，市場保持非理性的時間比你保持償付能力的時間更長。

LTCM 就曾遭遇過這種情況。1998 年夏天，他們的投資組合遭受了市場不利波動的嚴重衝擊，似乎他們持有的每一個倉位都受到了影響2 。這並非巧合，相反，它反映了 LTCM 歷史數據中未捕捉到的模式，即在危機中，“所有相關性都趨於一”。許多其他投資者的倉位與 LTCM 非常相似，而且槓桿率很高；當他們平倉時，導致 LTCM 的所有交易同時出現分歧。LTCM 毫無勝算3 。

我們在 Simplex 觀察到了這一切，並決心不遭受同樣的命運。但這似乎是趨同交易中不可避免的一部分。這種策略的風險狀況通常被描述為“在壓路機前撿硬幣”：你可以聰明、敏捷、靈活，但最終你會被壓垮。

我們需要一些新東西。理想情況下，需要具備以下特點：

• 不依賴市場與模式的融合

• 沒有使用過度槓桿

• 與其他投資者的頭寸不相關

這看上去不可能，但事實並非如此。

核心理念：噪音貨幣化

假設您有一個模型，可以識別或預測兩種或多種證券之間的關係。這種關係的偏差可以建模為“利差”——兩種債券收益率或債券與債券期貨之間的差額。只要這種關係成立，利差就應該“均值迴歸”，即它應該回到零，如下所示：

這意味著你可以圍繞它制定交易策略。每當價差低於（高於）某個閾值時，你就買入（賣出），當價差收斂到零時，你就退出。

這是典型的 Salomon-LTCM 交易風格：你賺了一段時間的錢，但最終市場出現了分化而不是趨同，你破產了。（即使後來市場再次趨同。）

但是讓我們放大該圖的中間部分，如下所示：

請注意，儘管在此窗口期間價差從未收斂，但仍存在許多峰值和谷值。如果我們可以交易這種噪音——賣出所有臨時峰值，買入所有臨時谷值，會怎麼樣？儘管缺乏收斂，我們還是會賺錢！

今天看來，這一點顯而易見，但相信我，當時並非如此。極其聰明、數學技能嫻熟、金融知識豐富的量化研究人員和交易員會糾結於兩個問題：“當價差高於零時，買入價差怎麼可能有意義——這筆交易的預期值為負！”和“如果價差永遠不會收斂，你怎麼可能用收斂模型賺錢？”。

而這些只是我們辦公桌上的同事！讓投資委員會、風險管理、機構 LP、主要經紀人和其他人員參與進來需要花費大量時間和精力。我們必須撰寫多份研究報告，進行模擬和回溯測試，展示實際的實時交易結果，但人們仍然不明白這是如何運作的。積習難改。

買賣價差的終結

當然，說要交易噪音是一回事，有效地做到這一點又是另一回事。

問題一如既往地是買賣價差。你想要瞄準的噪音越細，克服交易成本就越困難。如果你支付 1bp 來進入或退出交易，你需要 2bps 的機會才能收支平衡，至少是這個數字的 3-4 倍才能值得承擔風險。（這就是為什麼你的交易有一個進入門檻）。在 1990 年代後期，市場效率低下，但並沒有那麼低效；我們試圖捕捉的波動要小得多。

但我們發現了一些有效的技巧4 ：

• 不要直接交易價差成分，而要交易流動性代理。你在精準定位中放棄的東西，可以通過往返交易計數來彌補。

• 將策略分層疊加，並僅交易跨多個策略的“淨變化”。

• 抓住機會進行多邊交易。隨機化交易以最大程度降低方向性風險。

• 跟蹤大宗交易以預測做市商的短期對沖流量。

• 對不同場館之間的價格差異做出比競爭對手更快的反應。（這在當時仍然是可能的！）

• 在市場動盪時進行大量交易；當市場其餘部分仍在對宏觀事件做出反應時，進入或退出收斂頭寸。

• 在時間（頻率）和空間（策略）上最大化交易數量。

• 要知道，立即完成的粗略對沖優於花費時間或金錢的完美對沖。

所有這些都指向一個結論：我們需要在流動市場中交易六種不同（但重疊）收斂信號的投資組合中實現快速、自動化的執行。

現在我們必須建造它。

第二部分：細節中的魔鬼

國庫中有寶藏

我們決定從美國國債開始，這個市場足夠高效，量化模型可以發揮作用；波動性足夠大，噪音交易可以實現；流動性足夠強，可以實現零買賣價差。

儘管債券市場流動性強、效率高，但從技術上講，它仍停留在 20 世紀 80 年代。絕大多數交易都是通過電話完成的。電子交易場所分散且不透明；電子交易執行不到市場的 10%。只有少數參與者知道如何正確定價國債收益率曲線；那些知道的人通常依靠隔夜模型運行，用 Excel 電子表格進行盤中更新。（其中包括全球最大銀行和資產管理公司的交易員）。對我們來說，這是一個完美的市場！

數據統治著我周圍的一切

第一步是獲取數據。第一步始終是獲取數據5 。

在那個年代，還沒有一個方便的 API 可以用來獲取債券市場數據6 ，所以我們只能強行獲取：

• 我們詢問了 5 家不同的投資銀行（擁有最大的財政特許經營權的銀行），瞭解他們早上、中午和收盤時的定價情況，他們用這些數據來標記自己的賬簿。

• （我們最終要求每家銀行對其每個主要業務部門（TKY、LON 和 NYC）都執行此操作，以獲得更廣泛的覆蓋範圍）。

• 有時這些是純文本，有時這些是圖像或 PDF 或其他文檔格式。當時 OCR 技術還不夠好，所以我們在東京和香港設立了兩個獨立的後臺辦公室，手動輸入這些運行的價格。

• 我們對所有主要（可執行）交易場所進行了自動日內截圖。

• 我們對彭博和路透社終端也採取了同樣的措施，特別關注收盤時的價格。

• 我們的母公司與多家主要經紀公司有合作關係（針對不同的基金、交易策略和地理位置），我們也從他們那裡獲得價格。

當然，我們隨後必須進行糾錯、移除異常值、修復系統性偏差等7 。由於大多數債券的價格都是以與少數“基準”債券的差價來報價的，我們還必須對所有報價進行標準化，以便與基準保持一致。然後，我們必須將所有這些原始材料提煉為每隻債券的單一“黃金”時間戳價格。

我們還沒完！與股票不同，國債有固定期限。從建模角度來看，這意味著債券每天都不一樣。今天你有 10 年期債券；明天它就是 9 年期、364 天的債券。為了實現完美的日常模型一致性（這將在下一節中變得重要），我們需要構建一個具有恆定期限的“虛擬”債券世界，這些債券是實際債券的線性組合。

事實證明，這並非易事，因為虛擬債券必須遵守一組難以同時滿足的條件（行為良好、權重平滑、收益率和息票匹配、稀疏數據和不對稱處理）。我花了很多時間弄清楚這8 的數學問題。

好還不夠快，但快就足夠好

我們的主力是收益率曲線模型，我們稱之為 N3，即“正常三因子”的縮寫。N3 是一組非線性耦合微分方程，給定 12 個輸入參數，它將輸出任意期限的收益率。其中 8 個參數是常數，表示經濟中不變的結構方面；我們每年校準一次這些參數，運行優化（EM 算法），該優化需要花費數小時來運行，並且需要十多年的歷史數據。其餘 4 個參數每天都在變化，反映了市場對定義當前經濟狀況的 4 個數字的隱含值：隔夜融資利率、預期（實際）增長率、預期通脹率和風險溢價9 。

使用 N3 的傳統方法是，我們在收益率曲線上選擇 4 個“錨點”——固定的 1 周、2 年、10 年和 30 年期限的利率——並使用它們來求解 4 個每日變化的參數（4 個方程，4 個未知數）。然後，該模型將能夠預測其他每個點的收益率；然後我們可以買入（賣出）相對於其預測收益率而言看起來便宜（高）的債券。（當然要考慮票息效應、現金流時機、融資成本、流動性和其他瑣碎細節。）

但解決起來很慢。不是完整的 EM 校準需要 6-8 小時，而是幾十秒到幾分鐘。這對於我們想要抓住的機會來說還不夠。

我們花了很多時間尋找能夠更快完成這一任務的方法，包括硬件和軟件。但都沒有奏效10 。

然後，突破了！

我們意識到我們不需要為市場數據的每一次變動重新求解 N3。N3 複雜得令人難以置信，但對於較小的變動，它可以線性近似。所以我們每 60 分鐘左右進行一次完整求解；在完整求解過程中，我們還計算了每個參數相對於每個錨定債券價格的小變動的所有偏導數。然後，對於我們 60 分鐘重置之間的任何市場變動，我們只需進行線性近似——一個簡單的矩陣乘法足以生成新的參數值，另一個矩陣乘法足以生成曲線11上其他地方的預測收益率。

我們在整個工作流程中應用了這一概念突破。每項日內計算（實際債券與虛擬債券、價格空間與參數空間、因子敏感度、對沖比率）都轉換為線性近似。矩陣一直向下！

結構和基礎設施

因此，我們有了一個可以快速識別市場機會的系統。下一步是將其連接到交易執行基礎設施。

國債市場參與者大致分為三類：

• 客戶：希望買賣債券的資產管理人（包括 Simplex 等對沖基金）

• 交易商：大型銀行，通過做市和持有庫存來促進這些交易

• 經紀商：為交易商間交易提供執行場所的專業公司，但本身並不交易或持有庫存

當時，客戶與交易商之間的交易完全通過語音進行。交易商與交易商之間的交易有時是語音的，有時是電子的。其中一些是直接的，另一些則通過經紀人進行。最後，客戶與客戶和客戶與經紀人之間的交易並不存在：交易商小心翼翼地守護著他們的中介地位。

我們繞過了他們。我們說服了幾家經紀商允許我們直接在他們的電子平臺上交易，讓我們能夠以經銷商無法比擬的速度獲得流動性。幾個電子平臺還配備了自動售票系統，這真是太好了。

七秒或更短

但我們不能沒有交易商。他們仍然控制著最大的流動資金池，對於許多債券發行來說，他們是城裡唯一的遊戲。他們的流動交易臺只通過語音與客戶進行交易。

我們需要一種比其他任何人都更快地執行語音交易的方法。

這最終成為了經典的工作流程工程。我們找出了語音交易中的基本步驟，並儘可能地實現了自動化：

• 確定需要經銷商（而非經紀人）執行的機會

• 設計交易：交易部分、方向、債券編號和名義金額

• 自動生成報價請求信息

• 將消息粘貼到彭博社併發送給經銷商銷售人員

• 收到報價並解析價格

• 拿起電話說“完成”或“不”

• 從經銷商處獲取交易單並解析

• 將交易納入我們的投資組合

這些步驟大部分都是自動化的；唯一需要人工操作的是發送 BBG 消息，然後對回覆表示同意或不同意。最難的部分是培訓經銷商銷售人員以一致的格式報價，以便我們可以自動解析它們。（哦，我多麼希望一個法學碩士能為我們做到這一點）。我們最終構建了一個原型交易捕獲工具——一個可以粘貼經銷商消息的小部件，應用程序會提取所有詳細信息並將其傳輸到系統中。我們有一個用於實時報價，另一個用於交易確認，它們的效果非常好。

我們並沒有將其縮短到七秒或更短，但是我們的速度已經非常快了。

幕後故事

伴隨著這些大範圍的攻擊還有許多較小的攻擊：

• 我們的狀態監控機沒有聲卡。我破解了它的啟動蜂鳴聲（使用時鐘週期），這樣它就可以播放一段曲調，如果這段曲調被記錄為頻率的話。從那時起，每當系統崩潰時，帝國進行曲就會在辦公室裡響起。

• 由於數據庫速度、字段和大小的限制，我們一度將整個掉期市場編碼為一個單一的“二進制大對象”（BLOB），我們可以將其加載到內存中並進行查詢。（我無法告訴你當時的數據庫技術有多糟糕。）

• 我們需要一個 UX 來顯示頭寸、操作、對沖、實時損益和風險。Excel 有一個流函數，理論上可以做到這一點，但它很慢，容易掛起或崩潰，而且無法審計12 。我們找到了一個名為 MarketView 的 Excel 克隆，它針對報價流進行了優化；它完全不適合用作電子表格，但我們不在乎——我們在服務器端進行了所有計算，並使用 MV 作為啞顯示器。

• 我們最初想從東京總部建立和交易該系統，但我最終搬到了新澤西州，並在那裡設立了一個衛星交易辦公室。這是共置的早期例子！

岔路和驚喜

途中也發生過一些不幸的事：

• 當時，我們的超級自動化交易對帳系統將我們的所有頭寸通過電子郵件發送給了所有交易對手，而不是我們的後臺辦公室。令人驚訝的是，這個錯誤被另一個錯誤所抵消，該錯誤由同一代碼更新引入，導致我們的電子郵件服務器癱瘓。所以我們又活了13天。

• 當時我弄錯了交易名義金額中的零 — — 公平地說，這是一筆日元交易，有很多零 — — 最終以極小的倉位執行了一項超級複雜的多邊交易。第二天我發現了這個錯誤；這一次，我很高興市場走勢與我相反，因為我能夠在更好的水平14上增加全部（預期）規模。

• 當時整個交易系統因為一個嚴重的錯誤而不得不暫停數週：一個低級優化程序一直在兩個同樣有效的解決方案之間切換（這是一個“略微”不確定的系統）——我們最終發現這是由於我們的退火算法、隨機數生成器和特徵值的工作方式之間存在不穩定的相互作用造成的。

• 那一次——實際上不止一次——我們的主經紀商驚慌失措地打電話給我們，因為他們的交易部門告訴他們，我們買入（或賣出）的資金數倍於我們的融資限額。他們不知道我們已經在其他地方抵消了這些交易——他們似乎從未想過，一隻基金可以在不面臨毀滅性交易成本的情況下進行如此大規模的迴轉，我們也不會告訴他們。

• 不算是一次意外，但有一點很有趣：我們的每一位交易商都看到了我們與他們印刷的業務量（但不知道有膠印），都確信我們是在為他們競爭對手的頭寸融資15 。所以他們開始向我們提供越來越好的交易條件。這也成為我們可以進行交易的信息。

• 那時我們發現，對於任何收斂價差，我們設定的“公允價值”並不重要：只要價差有噪聲，我們的損益表就對其實際水平不敏感。回想起來，這個顯而易見的發現讓我們的學術研究團隊有點抓狂。

獲勝的感覺如何？

轉向這種新的 HFT 方法是一個緩慢的過程。我們可能花了一年時間思考和解決這個問題，進行研究、構建原型、回溯測試、解決各種數學細節等。又花了一年時間構建實際的核心繫統。然後又花了一年時間逐漸提高我們的交易量，找出自動化領域，解決錯誤，為黃金時段做好準備。

但它確實奏效了。而且效果比我們預期的還要好。在美國市場，高頻曲線交易的利潤佔比迅速從 10% 上升到 50%（有些月份甚至達到 80%）。

比損益表更棒的是交易足跡。我們發現了系統中的一個重大漏洞。投資組合風險、信用額度、相關性——行業慣例是根據收盤頭寸計算所有這些。但我們的收盤頭寸通常“持平”！我們交易的噪音會在盤中均值迴歸，因此我們所有的買入和賣出都會抵消。只看我們收盤賬簿的交易對手會得出結論，我們承擔的風險很小，因此不需要我們支付太多保證金16 。

這也意味著我們不需要太多融資，也就是隔夜槓桿非常小：我們的資產負債表回報率非常高。最後，我們的損益表很少與收盤時市場走勢相關，也就是說，它很少與其他市場參與者相關，即使他們交易的是類似的模型和策略。

無需模型收斂；有限的槓桿或融資需求；極小的利潤空間；以及與市場其他部分的低相關性：這確實是聖盃。

實際情況是，我們專有的、研究密集的、模型驅動的自營交易策略開始呈現出成功的流動交易臺的行為特徵。這在直覺上是有道理的：畢竟，我們一直在低買高賣，而且從不長時間持有交易；底層邏輯可能是由收斂模型決定的，但交易模式是做市商17 。事實上，我們甚至開始將自己視為“多證券做市商”，我們的核心模型使我們能夠覆蓋比任何單一工具或行業專家更廣泛的對沖範圍。

它是美麗的，我非常謙虛地說。

市場很複雜，但我們很簡單

是的，這是我們的非官方座右銘。是的，這很糟糕。

核心基礎設施到位並證明其有效後，我們想要更多。我們在堆棧上添加了一層又一層的內容：

• N3 是一個很棒的模型，但它只是一個模型。我們意識到，如果“公允價值”不重要，如果“市場與模型的趨同”不重要——如果唯一重要的是盤中噪音——那麼任何能夠持續識別盤中噪音的模型都應該在我們的系統中發揮作用。所以我們添加了多個模型並並行運行它們；其中一些是基於經濟的，其他只是老式的相關性搜索；都是數據，沒有數學。

• 我們還開始交易更多工具：掉期、歐洲美元、期貨、期權、交叉貨幣基礎——只要能夠快速交易，任何與我們的核心國債賬簿相比表現出某種日內相關性或均值迴歸的東西都可以交易。（但我們從未經營過真正的全球賬簿，儘管數學上是合理的；我們覺得有太多“未知的未知數”和不對稱的宏觀風險讓人難以接受。）

• 我們對市場影響的認識變得更加老練：何時交易、交易多少；市場結構中的危險信號和綠燈；機會和殘餘流量的半衰期；季節（實際上是晝夜）影響；如何圍繞宏觀事件進行交易等等。

小而強大

考慮到這個項目的雄心壯志（在技術範圍、交易金額和新穎性方面），我們僅憑一個驚人的小團隊就完成了所有這一切：

• TB 是該項目的高級投資組合經理和推動者；他現在是貝萊德的高級主管。

• HL 是該系統的首席程序員和架構師；隨後，他成為其他幾家對沖基金的首席技術官。

• RO 和 GG 是初級分析師，他們做了大量有關編碼和數據的具體工作；他們最終開始在我們構建的系統上進行交易，如今他們都是成功的投資組合經理。

• 至於我的角色：我連接了交易和技術。我是一名交易員和投資組合經理，同時也是技術人員，所以我做了很多模型/數據/策略研發工作，並構建了許多原型；系統上線後，我也是系統上最穩定的日常交易員。

五個人！小團隊總能發揮超乎尋常的作用。

回想起來，還有一件事讓我印象深刻，那就是我們都太年輕了。TB 和 HL 是隊裡的高年級生，我認為他們兩個都還沒滿 30 歲。我當時 24 歲，披著青春的無敵面紗。RO 和 GG 更年輕，剛從本科畢業。

一切美好的事物

但阿爾法衰變是不可避免的，一切美好的事物都會結束。

我提到，我們的高頻交易賬簿在鼎盛時期從 0% 上升到總損益的 80%。它維持了一段時間的高水平。但隨後又回落到 20% 左右，並保持在這個水平。

發生了什麼？競爭。我不認為我們所構建的任何東西是真正獨特或不可複製的，我相信許多其他人也在嘗試類似的方法；空氣中瀰漫著某種氣氛18 。我知道至少有一家銀行的曲線交易基礎設施與我們幾乎完全相同，而且毫無疑問有多家基金在玩同樣的遊戲。我們每天至少能可靠地看到一兩次的 1-2bp 的往返機會變得越來越少，直到完全消失。任何錯誤定價都會很快被反向交易。

這段經歷非常不錯。我相信有些公司在機會減少時才投入資源；我們很幸運（既幸運又聰明）走在了前面，因此獲得了幾年的強勁表現。我們也相當快地意識到阿爾法何時開始下降，並轉向不同的策略，而不是試圖用更大的頭寸來彌補。

我繼續在 Simplex 工作了一段時間，但最終厭倦了並辭職了。幾年後，我與他人共同創立了 Quandl。不過那是另一個故事了！

多倫多，2024 年 12 月