应用量化投资方法在数字货币市场进行投资是近年来常见的模式，数字货币市场波动大、7*24小时连续交易、定价偏离机会多和交易所做市需求等特点是量化交易天然存在的土壤。许多传统量化机构已经入场，但是受限于数字货币市场特性、规模以及相应的基础设施不够完善，盈利可持续性比较强的量化策略规模仍较小。

本文对比了所有类型的量化投资策略，并按照主动和被动两大类型进行分类。主动类型中趋势类策略和波动类策略是两大主要类型的策略。

大部分策略都可以在数字货币市场进行应用，数字货币市场也存在自己特色的套利方法。被动管理和指数增强型在传统市场渐渐兴起，数字货币交易可以借鉴其思想。此外我们这里简要分类了数字货币量化投资所面临的风险以及一个成熟量化策略需要的风控手段，并列举了量化交易平台所需要的基础设施和必备模块。

此外评估一个量化团队实力需要从多方面入手，策略层面一般属于高度机密，可以从团队背景、架构、风控和合规、各类指标等层面进行动态审视。

数字货币量化投资的基础设施还不够完善，纯技术/平台提供方预计会有较好的风险收益比。预计数字货币量化投资前景较好，原因包括衍生工具会不断成熟、市值提升、传统量化团队涌入以及高波动性将持续等方面。

量化投资与数字货币市场投资概述

1.1 量化投资的兴起

量化投资的兴起和数理金融学发展密不可分，美国经济学家Markowitz在20世纪五十年代建立的均值-方差模型可以说是量化投资的开端，随后在60年代，William Sharpe等四人在现代投资组合理论（MPT）的基础上上发展出了资本市场定价模型（CAPM），成为度量金融风险和收益的基本模型。另一个值得注意的方向是是Fama等人在60年代发展起来的有效市场假说，影响力持续至今。此外Fama和French在90年代还发展出了三因子模型，成为后来因子分析模式的开端。

随着衍生产品的不断发展，在上个世纪70年代美国经济学家Black和Scholes建立了期权定价模型（BSM model），又迅速地应用于金融市场，帮助金融衍生产品迅速的发展，反过来推动金融数学理论往前推进了一大步。

80年代， “金融工程” 这个概念被提出，形成新的学科形态并开始广泛吸收和研究相关成果。90年代最重要的进展是金融风险管理方向，VaR风险管理模型被广泛使用，已经被全球金融机构所广泛使用，是最重要的风险度量矩阵之一。

中国的量化投资历史不长，也只发展了短短10年左右时间，和海外量化人才回归以及衍生品市场开始起步的时间点有关。在过去十年，和量化基金同时发展的还有被动投资。被动投资起初并不算做量化范畴，但是ETF产品的出现需要借助量化手段，特别是近几年出现的指数增强或者叫Smart Beta类产品，是基于原有指数基础上对各种影响因子进行分解，并重新配置资产，需要较强的量化平台支持。

量化投资在美国市场已经成为不可忽视的力量，2018年量化对冲金规模已经占到所有对冲基金规模的1/3。而中国的公募基金里，只有大约1%为量化基金，偏股型基金里约5%为量化类型，这也和公募基金的投资限制有很大关系。而在私募基金行业中，量化类型的私募基金占比已经达到了20%，其中股票市场中性（31%）、CTA趋势（29%）和股票多空（18%）为使用最多的三类量化策略。

1.2 数字货币市场适合量化投资策略

数字货币市场的特性，非常适合量化策略的使用，原因在于：

• 数字货币本身波动较传统金融市场产品大很多，适合多种卖出波动率的量化投资策略。

• 市场发展比较早期，产品都很初步，比如期货、期权产品，流动性低、定价有效性差，出现错误定价的机会多，量化投资可以很好地捕捉其中的定价偏离机会。

• 交易时间长，7*24小时交易，不适合人工盯盘和交易，而更有利于发挥量化系统在盯盘、预警和捕捉交易机会的优势。

• 交易所也有做市需求。数字货币交易对繁多，而流动性难以匹配，大部分交易所都有流动性需求，也衍生出了做市商这一交易所生态的必备角色，这也是大部分量化团队赖以生存的手段之一。

基于以上原因，大量的拥有传统金融优势的量化团队涌入数字货币市场，带来成熟的交易理念和系统，发掘交易机会。可以说量化交易策略的存在，使得数字货币市场的成熟化加快。

量化策略分类与数字货币市场应用

量化投资也分成主动和被动类型，主动类型追求绝对收益，通过承担各类风险因子，从而追求在任何市况下都可以获得超额稳定收益的结构，数字货币的量化投资策略也大部分是以主动投资为主。

被动投资量化策略主要是追求和各类指数相似的回报，承担的是大盘系统性风险以及各类细分行业或风格风险，以获得配置回报，近年来加入因子分析的指数增强型量化策略获得青睐，交易员可以增加某一类风险的暴露从而获得超越指数的回报。

然而由于缺乏行业认可指数的存在，数字货币的被动量化投资非常少见，因此也是未来一个潜在的发力方向。

2.1 主动量化概述

主动量化投资策略，基本分成分成趋势类型和波动类型两类。因为无论是传统金融还是数字货币市场，市场的走势都可以分解成两种，一种是趋势市，一种是波动市。其余走势都可以看作是这两类走势的叠加。量化策略的意义，就是在趋势市中抓住单边机会，在波动市找到不合理的定价的机会。

无论采取哪类策略，重要的是判断目前是趋势市还是波动市。因为从历年统计里看，量化对冲基金在牛市业绩差于long-only基金或者long-short基金，而在波动市或者熊市可以跑赢后两者，原因在于不同市场条件下，各类收益贡献的比重差别很大，所以判断市况是第一位的。

除要考虑趋势和波动外，具体到交易层面，还需要考虑冲击成本。量化交易特别是高频量化，成交量都较大，持续的交易对市场本身就是一种影响，也会改变盈利的结构，甚至会直接冲击盈利到变成亏损，当市场深度不够的时候，对订单的分析和下单的拆解也变得重要。算法交易在这方面具有很大优势，我们也会在后面介绍。

2.2 主动量化策略

2.2.1 趋势类策略

趋势判断主要是要判断目前是什么样的市场，是向上还是向下，以及什么样的标的更适合这样的市场。如果判断错误则风险非常之高，但是对应的判断正确的收益也极大。

• 量化选股（币）

• 量化择时

量化选股（币）

量化选股或者选币，就是构建一系列标的（多空）组合，无论是股还是币。量化选股（币）有很多种类型，最广泛应用的就是多因子模型，其基本原理在于拆解可以构成标的物上涨和下跌的因素，也可以说是因子分析。

即在构建投资组合的时候，不是以标的物本身进行分类（比如某行业分配多少权重），而是按照因子进行分类，某一类因子给予多少权重。当然股票和数字货币也有不同，股票的因子会更多，因为涉及到很多基本面的因素，数字货币情绪面（如推特的讨论）或者事件驱动类型（减半、重大升级、合作）的因子更多，但是关键在于，找到合适的因子进行模拟和回测。

容易犯的错误比如，把一些看似重要、但实际并不重要的因子，分配过多的权重，而增加了风险，所以还需要对因子的有效性进行检验。

股票的常见的因子包括：估值、成长（比如净利润增加率）、资本结构（比如外资持有）、动量。换手率、资金流入、行业轮动等。

数字货币常见因子包括：市值、成交量、动量、社交平台（讨论数、follow量）、特殊事件（升级、Coinbase上币等）、宏观流动性等。

可以看出，基本面投资其实和量化投资有相通之处，使用量化方法去进行基本面投资，也是A股一些基金经理喜欢的策略，甚至基本面本身，只要是基于数据的，也可以算作量化的一种。其他一些量化选股模型还包括风格轮动、行业轮动、资金流等模型，有些也可以统一在多因子模型下，这里就不赘述。

量化择时

量化择时是一种估计走势的方法，其实也可以算作因子分析的一种，是以市场方向的判断作为主要利润来源，但是风险也较大。

量化择时起初就来源于比较简单的技术分析手段（如均线、量能等）分析，一般分成趋势择时指标、市场情绪择时指标、牛熊线指标、市场异常指标、以及一些根据特殊指标进行调整的方法（时变夏普比率、分形方法等）。

2.2.2 波动类策略

波动类策略是试图不承担系统性风险的做法，无论系统是向上，向下还是波动，希望把系统风险排除在外。比如著名的阿尔法策略，就是把系统风险贝塔，通过衍生产品对冲掉，剩下的只是个股、个券，个币的收益。波动类策略在牛市中仍然跑不过长仓基金，熊市和波动市则可以获得超额收益，属于长期稳健型的方法。

• 衍生品套利（期货、期权）

• 统计套利

• 数字货币特有的套利

衍生品套利（期货、期权）

在衍生品市场比较发达的产品上，可以使用这种套利方法。对于期货而言，分成期现套利和跨期套利两种。比如在现货市场上买进低价格的现货，在期货市场上卖出高价值的期货，以获取价格回归的利润。基本依据是期货到了结算日，价格会回归现货价格。跨期套利就是不同期限的期货之间进行买卖套利。可以看出，期货的套利是一种市场中性方法，需要市场不断地波动从而产生定价偏差机会出现，平稳的市场很难产生套利机会。

对于期权而言，情况比期货要复杂，因为期权的收益结构与标的物价格相比，不是线性的，所以根据不同类型的期权组合，可以构建出很多复杂类型的套利模型，传统市场上根据收益结构图，给出了非常形象的名字，比如蝶式套利、飞鹰套利、跨式套利、转换套利、垂直套利、水平套利、反向转换套利、双限套利等。目前数字货币的期权市场刚刚发展了两年左右，成交量还较小，集中在Deribit、CME等大型交易所，但毫无疑问期权会是一个很大的潜在市场。

统计套利

统计套利是指通过对相关投资标的的历史统计规律进行研究，发现其相对应的长期均衡关系（协整关系），当某一对品种的价值偏离到一定程度后，开始买入向下偏离的，卖出向上偏离的，甚至只进行单边操作，在长期均衡关系回归以后获利了结。统计套利的标的可以从最简单的配对交易(两个标的之间)，到一系列标的投资，关键在于寻找出标的之间的协整关系。

比如对于数字货币市场，有人曾做过莱特币/比特币，以太坊/比特币之间的配对交易，就是计算出一对数字货币比值的长期历史均值，然后买入低估的那个，如果可以做空，在衍生品市场卖出，最后以求得价值的回归。

数字货币特有的套利

此处介绍的是数字货币特有的套利模式，也就是说这类套利机会的存在，只存在数字货币交易所或者数字货币交易对之间。当然这些模式在其他产品上也曾经出现过，比如外汇的三角套利，但在数字货币交易上有了更新的应用，在此也一并归入数字货币特有的套利模式中。

• 跨交易所套利早期曾出现在不同交易所的相同交易对，价格不一致且持续存在的情况，于是可以在高价交易所卖出，在低价交易所买入同一个交易对获利。比如在两个交易所都挂牌的数字货币，可以在两边同时进行操作。比如交易员在A交易所存有ETH，在B交易所存有BTC，A交易所的ETH/BTC价格高于B交易所，则可以在A交易所卖出ETH获得BTC，在B交易做通BTC买入ETH，这样可以免除交易所之间转账手续费，然后ETH和BTC都获得了同步的增长。

• 交易所内多数字货币对套利需要交易所内有多个数字货币对，且互为计价货币和标价货币，比如BTC/USDT, ETH/USDT, ETH/BTC三个对，在某一时刻，肯定会出现不一致的情况，在计算手续费后，可以进行三角套利，卖出较高的，买入较低的。比如BTC/USDT=8000, ETH/USDT=200, ETH/BTC=0.2542, 显然ETH/BTC被高估了，那可以同时卖出ETH/BTC，并买入ETH/USDT，这样ETH和BTC的基础头寸大致不变，但是BTC的量增加了。或者是，用USDT买入ETH，卖出ETH/BTC, 得到BTC后卖出BTC/USDT，用USDT买入ETH，循环往复。以上跨交易所套利和交易所内多数字货币对套利结合，进行跨交易所三角套利，但是就更复杂，因为要考虑转账手续费、转账时间和交易机会的存续性等因素。跨交易对三角套利起源于外汇市场，但是外汇市场参与人多，套利机会较少。早年数字货币套利的交易机会也很多，现在也开始变少，原因就是量化套利的人越来越多。

• 法币交易对套利这是一种结合外汇和数字货币的三角或多角套利模式，就是当不同法币交易对，比如BTC/JPY, BTC/KWR，JPY/KWR之间出现价差的时候，可以进行跨数字货币和外汇的套利。但是这种套利需要交易者有多国的银行账户和法币出入金渠道，不是简单交易策略的问题，而且也要考虑合规成本，目前各国也开始追踪数字货币的洗钱、黑市交易。早前有团队比较擅长这种模式，但是能持续做下去的并不多，以后估计也不会成为主流模式。

2.3 被动量化策略类分类

• 被动投资（含指数增强）

• 资产配置

2.3.1 被动投资（含指数增强）

被动投资其实就是指数投资，现在数字货币市场也没有受认可的指数，大部分的指数都是各类公司自己编制，缺乏一致性和认可度。比特币的市值仍然占据60%以上，编制一个大盘指数也只是将前几大数字货币按照一定的权重配置一遍，收获的大盘收益主要还是比特币的收益。

指数增强是另外一个有意思的方向，但对于数字货币市场目前不会很实用。比如相对收益是一个很流行的概念，是相对一个大盘指数的收益，现在没有一个数字货币的大盘收益指数，因此意义不大。

我们可以借鉴的是，通过一个相对合理的篮子，加入我们的主观判断和因子的调整，获得一个比比特币收益高，但是比山寨币收益稳健的组合，然后通过不断地调仓，保持收益的稳定性。但这仍取决于我们想获得什么样的收益。

指数投资或者是指数增强，仍然是属于趋势投资，基本逻辑是未来数字货币市场会上升。

2.3.2 资产配置

资产配置是这些年兴起的概念，多使用于传统的跨资产类别投资，如在股票、贵金属、期货、固定收益、货币市场基金等方向，方法如等权重投资、全天候投资等。

数字货币其实可以成为全天候投资中的一个新的配置类型，例如其按照增长和通胀把经济周期分成四个象限，每个象限配置一系列最受益资产，数字货币可以成为这一揽子配置货币里面的一个部分。但是由于风险较高，权重不会太大。

现在借助量化手段，全天候策略可以自动的根据输入信息进行权重调配，这也是结合了基本面和量化的数量型方法。

2.4 算法交易

算法交易也诞生于美国，和金融市场的电子化密不可分。在20世纪70年代大量的交易所开始把委托指令流改成使用计算机系统进行自动化处理，这样每一笔的交易订单都可以被计算机程序所捕获，从而获得下单的时间、价格、数量等多方面信息，为算法交易提供了最主要的数据来源。算法交易的兴起，使得市场订单中很大部分的订单都按照算法执行，也显著提升了市场信息传播效率。

算法交易的核心就在于对交易所订单的拆解分析和对市场的状态的有效评估，从而不断调整算法，降低时间成本和冲击成本等。算法交易的主要策略都在于对订单价格、交易量和成本的分析，一般策略包括TWAP、VWAP、MVWAP、VP、Step、IS等几个常见类型。

中国资本市场使用算法交易起步较晚，但是电子交易系统非常先进，只是在相关技术研究和市场制度上有一些落后，不利于算法交易的展开，监管方面也有一些限制。

算法交易既可以是被动的，也可以是主动的，也可以是综合主动被动到一起。被动型算法交易主要是执行既定算法内容，核心是减少冲击成本和价格滑动。主动性算法交易更加复杂，需要进一步判断市场状况，除降低成本外，也在分析订单过程中逐步寻找市场机会。也可以把二者结合起来。

数字货币量化投资风险归类与风控措施

3.1 风险归类

应用量化投资到数字货币市场的风险有两类：

一类是所有类型投资策略都要面对的数字货币风险，如市场风险、尾部事件、流动性风险等。

市场风险：数字货币本身的波动性，既是盈利来源，也是风险的来源。由于数字货币缺乏财务基本面，没有利息，也没有预期现金流，使得估值完全由预期和流动性定价，较一般金融产品波动更大。基于数字货币的衍生产品，继续把这种波动放大了好几倍。目前期货和期权市场，大部分也是基于比特币，小部分基于以太坊，其他币种的衍生品几乎没有，就是因为风险过大交易所都可能难以管理。

尾部风险：数字货币市场特有的尾部风险，是数字货币目前的基础设施不够完全导致的。总而言之就是流动性看似较大，但比较分裂，操控市场或者影响市场所需要的资金量其实很小。巨大的波动容易抽干流动性。可归因于是基础设施的缺乏，使得量化交易的量做不到太大。而这种情况，预计还会持续几年，直到新型的基础设施慢慢取代现有的设施。

流动性风险：前面已说明流动性是数字货币的定价来源之一。黄金本身就是流动性的池子，比特币也慢慢有向流动性池子发展的趋势。但是由于市值很小，所以相对黄金，很容易受到流动性的干扰，而且还兼具风险资产特征。典型的例子就是3.12的暴跌，以及暴跌后的迅速反弹，主因是流动性，次因是风险偏好。此外很多数字货币交易对的流动性也不稳定，不同交易所的交易对和上下币规则都略有不同，这对小币种的流动性干扰较大。

另一类是量化投资策略所特有的风险，如量化模型设计风险，数据的完整性风险，硬件故障等市场外黑天鹅风险，模型拟合、回测与未来的关系（市场条件变化），过拟合等多类风险，可以分成两类：

属于经验性的，如策略不够聪明、回测不到位、拟合没做好（如过拟合）、参数有问题、基础模型缺乏证明支持等。

属于技术性的，如缺乏足够的数据、硬件支撑，API数据接口问题，网络延迟问题等。

3.2 风控措施

3.2.1 策略风控

策略主导的多指标风控原则

策略模型是一个负责从下单到平仓的一整套程序，大部分的策略模型，是把风控的模块包含进去了，如什么时候应该止损，什么时候应该停掉策略。

这部分模型是由量化策略员直接负责的。其中的各类指标，还要和和风控等部门协商。

此外就是一个团队基本能承担的风险是有上限的，当运用多策略模型时，单一策略又需要分配风险指标，所以策略模型的外在限制比较多，而这些可以内化为一个个多指标的风控程序。

高级算法过滤

除此以外，有些量化团队还专门设立独立的算法风控，比如使用自然语言处理NLP、 关系网络、知识图谱等多类技术手段，去寻找和勾勒市场上并非显而易见，但是会有实质影响的风险。

相当于在策略和交易部门之外，单独设立一个算法为主导的风控监控体系，负责监控整体的风险暴露并和策略交易团队沟通。

风控预警和日志

预警属于前置的风控，即一般的风险提示、预警线、平仓线提示等。日志属于后置的风控，把风险事件和风控事件记录下来，以备日后查阅，并方便改进风控和策略模型。

3.2.2 合规风控

传统金融市场，比如A股会要求下单次数、撤单次数、下单和撤单之间的时间差等。预计以后合规的数字货币交易市场可能也会有类似要求，比如可交易/不可以交易什么类型的数字货币。这就需要修改策略模型，尤其是高频交易模型，以符合监管要求。

3.2.3 人工干预风控

主要是指策略启停、手工下单、系统急刹，以及各类人为定义的风控规则，目的是防止策略出现黑天鹅，尤其是自动交易类型的。历史上比如2012年骑士资本因为自动分单系统升级后，提示模块的缺失，导致45分钟内发送了天量订单，导致亏损4. 6亿美元。就是非常需要人工干预的情形。

量化模块虽然非常严谨，但是系统的bug非常难以避免，尤其是涉及升级、负责人员的更替、系统年代久远、缺乏开发日志及注释等多种情况的出现，都会导致出现bug。此时就需要赋予高级风控和管理人员进行手工干预甚至启停的功能，并配合风控预警等模块进行干预。

数字货币量化投资的基础设施和交易平台

我们认为量化交易至少需要以下5类基础设施：

1. 交易场所：现货交易所、衍生品交易所、OTC交易所，以及主经纪商

2. 交易产品：各种数字货币交易对、数字货币期货、数字货币期权

3. 数字货币管理系统：包括冷热钱包、托管、保险等

4. 法币银行通道和资金管理系统

5. 量化交易系统

• 数据API接口：包括实时交易所数据、链上数据和其他宏观数据

• 数据库：历史行情数据库和历史其他类型数据库

• 监控系统：捕获行情数据和特殊事件

• 回测平台和仿真交易平台：对策略进行历史和实时验证

• 策略开发平台：可以自行开发策略或者使用成熟的策略开发平台

• 多账户管理系统：多账户资金管理、风险权重分配

• 核心模块：量化策略策交易引擎

• 交易系统：订单发送、执行、成交报告

交易平台的开发步骤：

典型的量化平台可以分成三大模块：1行情数据模块；2行情计算模块；3量化交易模块。下图为一整套量化交易平台模块之间协作流程示意图，其中量化交易引擎为核心模块，包含算法描述、监听脚本、第三方库等部分，并匹配监听各类事件，驱动量化策略执行。

（参考招商证券量化交易系统）

量化团队评估方法和行业格局

量化策略比较隐秘。如何评估和建立对量化团队的评价标准，是一项非常复杂的工作。量化策略是如同食品行业的秘方一样，隐秘而又被行业冠以神秘色彩。

业绩选择性披露。量化团队的生存线就在于领先的量化策略，其披露一般是有限的。市场上所见的量化团队神话，也存在选择性披露的情况。比如数学家西蒙斯设立的大奖章基金（员工内部基金）虽然收益最好，但是有外部投资人的其他下属基金却表现一般。

某些基金在某一年大赚，但是之后就泯然于行业，因此那种基业长青的基金很少，无论量化还是非量化。

不能过于看重团队背景。仅以团队背景去做评估也会碰到意外情况，最著名的例子就是长期资本管理公司LTCM的失败，是诺贝尔奖级别的量化公司倒闭的先例。

多种指标配合。以业绩去看也会有问题，业绩都是后视的，存在幸存者偏差，之前的业绩并不代表之后的业绩。如何评估带有一定的运气成分。

尤其是以外部投资人的角度去参与，也很难看明白单一模块，以及各个模块之间的联动特征，即便借助代码审计。此外最大回撤和夏普比率、索提诺比率等衡量风险控制的指标也需要注意。

动态评价。因此评价良量化团队首先要动态的看问题，不能唯业绩论。不同市场下不同策略收益差别很大，这里面还有一定的运气成分（或是还难以被数学描述的部分）。

所以需要保持客观、并不断地跟踪。每个公司都会宣称自己的风控模块完备，但直到出现风险事件，才知道谁的风控最优。

根据我们对行业的理解，目前数字货币量化投资盈利最丰厚的是两类策略：

1. 做市商策略：目前数字货币量化交易最强的团队还是来自于传统量化基金，他们的主要策略就是做市商策略，即通过在不同的交易所提供流动性，而在其他交易所完成头寸的cover，利用的是现货交易所之间的价格差，以及自身交易引擎可以瞬间捕捉机会的优势，策略体量比较大。

2. 高频交易策略：这类策略的特点是盘子容量较小，但是收益比较稳定，优秀团队年化可以达到30%-40%以上，但是扩展需要整体数字市场的市值往上再走一步。这些团队的出身也是传统量化基金出身。

其他类型的策略，或者是风险较大（比如CTA类型的策略），或者就是很难效仿（比如法币套利策略），难有特别优秀且持续的案例出现。目前行业还缺乏成熟客观可靠的评价体系，也欣喜的看到一些同行在着手建立，希望可以看到更多更客观的评价标准。

量化投资在数字货币行业应用的局限性

4.1 工具限制

金融工具是展开量化交易的基础。量化投资是和金融工具丰富程度密切相关的，有更多的金融工具，就有更多可以选的量化方法。

假设只在一个现货市场，开展纯粹的量化交易，则只能使用趋势判断型类的策略的，相反那些喜欢判断波动率类的策略则完全没有办法运作。

期货交易所Bitmex在2016年上线永续期货合约，2017年CME和CBOE才开设期货，最大的期权交易所Deribit在2018年才建立。稍后现货交易所才跟进，纷纷加入了期货和期权产品。没有这些交易所和衍生产品，现货的风险对冲不掉，期货的风险也没法对冲。所以量化交易需要对应的交易场所和工具。

A股市场，比如在2015年股灾后对股指期货开始加大监管，比如增加开仓限制，增加平仓手续费等，都导致最重要的对冲系统性风险的手段的缺失。

结果就是，A股最流行的量化投资方法是因子模型，因子模型就是类似把各种股票的特征归因到各种因子，比如规模、动量、估值、价值、成长因素等，但反而海外流行的套利型策略就不多。原因就是A股的衍生工具还是太少，公募也限制做空，只能在做多的时候选用因子模型。

4.2 市场规模限制

量化策略容量是有限的，是因为市场本身规模就有限，如果量化策略规模过大，本身会扰动市场，导致交易利润变低。

比如期现或者跨期套利，期货市场近期成交的一般会好于远期成交，那捕捉价差的策略就要适应远期期货的成交，一旦超过这个限制，就变成单方面在近期的风险暴露。

而且数字货币市场的流动性，是分散在各个交易所里面的，一方面创造了跨交易所套利的机会，一方面也限制了套利的规模，策略要同时匹配不同交易所的成交量，不然就使得套利机会变得很薄。

4.3 竞争行为

有效的策略，可能知道的人越少越好。同一类型的策略，对于参数选择的不同，也会产生千差万别的效果。同一个市场机会，套利的人越多，可拿到的利润就越少。

这和在趋势性市场做多不同，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。策略运行的有效时间也是有限的，一个成功策略运行久了，同行业也会纷纷效仿，导致一段时间之后就开始失效，所以没有万能不变的策略，需要不停的开发，但都需要成本。而目前数字货币市场可应用的策略还较少，也容易被同行所效仿。

4.4 面对极端市场各类策略也会失效

极端市场条件下策略也会失效。比如市场中性策略在极端条件下，可能会让中性发生偏移，变成单向风险暴露。比如当期货找不到对手方开仓或者平仓，表面上的中性策略就可能变成趋势策略。

极端市场可能会导致各种价格都已经失灵，仓位计算都可能失真，这都是难以化解的风险。所以如何应对数字货币的极端市场条件，也是一个量化策略特别需要关注的地方。

数字货币量化投资展望

本报告初步介绍量化投资的发展脉络和特征，并结合数字资产量化投资现状作了简要分析。

传统的的基本面投资是一类比较详细的指导原则，其大的框架和细的指标已经相对成熟，需要更迭的是对新兴行业的纳入。而量化投资策略的则是一大类投资策略的总和，而不是具体的指导原则。其各种细分领域都处在不断进化的过程中，不存在包打天下的量化策略和长时间有效的情况。

虽然量化投资策略已经形成比较固定的大类原则，但是理论和实战之间的差距也非常巨大。其特征就是会有不断的新的内容补充进来，并淘汰过时的策略和算法，而前沿策略（收益最高的那部分）则始终是部分头部量化团队黑箱而不可尽知。

还有一个值得观察的方向是，主观投资与量化投资处于融合过程，特别是传统股票投资。

一是如果市场上有足够的研究人员对某一标的物的评级，就可以通过量化方法进行排序整理，把一个主观评级信号变成一个量化信号；

二是在因子模型里面，本身也有很多基本面的因素，当然甚至也可以加入研究人员的主观判断作为某一项因子。

主观投资其实也经常使用量化方法，比如根据各类基本面指标进行排序、归因等，所以也是在相互学习。未来这类融合，也可以发生在数字货币市场。

数字货币适用于量化投资的原因前面已经提到，行业初期的跨交易所套利就是量化策略时段有效性的一个例子。目前最主要的原因还是全部的流动性分散在不同的池子，所以现货和现货之间的套利仍然会持续存在。

未来量化策略作用于数字货币的前景较大，原因在于：

• 期货期权等衍生产品的规模会很大，来源于各类人士的主观需求，如矿工套保、交易者获利、项目司库管理、金融服务需求等；

• 数字货币市场的规模还有很大提升空间，增长到一定程度就会有更多类型的衍生产品出现，而且随着成熟，基本面投资可能也会逐渐成为主流投资方法的一种，使得因子分析可以有更好的使用场景；

• 已经看到很多传统量化团队进入数字货币，这给整体不那么“专业”的数字货币量化提供新的弹药，鲶鱼的搅局会促使量化团队不断提升水平。

• 数字资产高波动的特性将持续很长时间，收益空间足够大，直到其主流化完成。

综上而言，在本行业发展量化投资，一方面需要不断地更新技术，改进交易策略，另一方面也需要行业自然发展的配合，目前的行业体量和各类工具仍不足以支撑完善的量化策略，机构的进场将带来新的量化需求和行业水平的提升。一些专注于量化平台/策略开发的技术服务商在目前阶段或值得关注