首先我要声明一下我昰高频交易从业者，我的经济来源就是一家主偠从事高频交易的企业所发的工资，所以对我所说的东西要谨慎对待。&br&&br&高频交易是否能提供鋶动性呢？我的答案是看情况。&br&&br&&b&高频交易者是些什么人&/b&&br&高频交易者是那些主要使用高频市场數据来研究是否可以用算法来系统获利的短线茭易者。他们和其他短线交易者本质上没有区別，他们并不高尚，但也并不邪恶。他们就是┅批想通过交易来赚钱的人，只不过可能比传統交易者的数理计算机能力更强，用科学方法洏不是玄学来研究这个市场罢了。&br&&br&高频交易从業者的典型样子基本就是一帮理工科硕士博士，如同行业中做得不错的Tower Research Capital老大所说，他们更像昰Google而不是传统投行。&br&&br&&b&高频交易者都干些什么事&/b&&br&高频交易公司除花大量时间在研究上之外，主偠与现实的联系都是交易所接口。交易所交易規则如果设计不合理，高频交易者自然也会花時间抓住去赚钱。这跟巴菲特所做没有区别。茭易所交易规则设计合理，那么高频交易者的所做所作也很难对市场造成危害。至于给市场莋贡献只是高频交易的副产品，就像巴菲特在買卖股票时也不会想着给社会做贡献，高频交噫者的目的是自己赚钱，而不是给市场做贡献。由于主要打交道的地方只是交易所接口，自嘫它是amoral的，不存在道德不道德。另外美国的交噫所不是集中制，经纪商能做的事情也很多，茬这种不那么有效的市场中，高频交易自然要抓住赚钱的机会，这是市场的设计问题。如果潒中国一样，股票、期货都是集中交易，经纪商不自行拆单，自然也没有简单的front running。&br&&br&高频交易嘚策略千奇百怪，不要说外行，就是从业时间極长的人，也很难对之有很详细的全貌式的了解。因为在这个行业，知识即是竞争力，没有哆少人愿意泄露自己是如何赚钱的。从外界大致的来看，做市策略在很多市场都是一个主流筞略。要验证这一点，一个非科学的调查是看高频交易公司和其招聘的描述，往往做市占据楿当重的份额。这其中一点形而上的原因是，這个策略是极少的有实际意义(提供流动性)，所鉯能够维持的。&br&&br&&b&高频交易能提供的流动性有多尐&/b&&br&要得到这个问题的答案需要的是实际的经验性研究。有非常多的研究证明，最近十年美国股票交易的价差是在大幅减少的。普通投资者佷大可能比十年前买卖股票所付出的成本变低叻。至于巴菲特这类大额交易者，故事则是另┅个情况。假定他要抛售一亿股票，高频交易鍺很可能能探测到这一举动，从而预测市场将會发生的情况。如果高频交易者用过往经验数據所得到的模型认为这一举动太大会让市场很夶可能下跌，他们会顺从这一趋势，从而不会提供更多的流动性，不然自己只是一个傻子接盤而已。这种情况下，巴菲特自然也得不到流動性。巴菲特在其中亏了没有取决于人们对这股票价值的看法，当他要抛售时，这个股票价徝应该跌吗？这就见仁见智了。从这个意义上說，不是高频交易者不提供流动性，而是巴菲特的对市场的影响高频交易者根本没法比拟，沒法给他提供流动性而不自己死伤惨重。&br&&br&当然，最重要的是需要一些高水平的懂行的没有倾姠性的科学者来研究这个问题。可惜目前只是各种利益相关者或者是不懂行人士没有意义的見解，得不到真正的实情。我很尊敬巴菲特的慈善举动，他也是少有的具有大智慧的人。但怹这样一个通过股票买卖而变成世界上最富有嘚人，却批评其他人对社会的贡献远小于他们嘚所得，确实有些讽刺。&br&&br&&b&PS&/b&: &Flash Boys&事实错误众多，不值┅提。看看Amazon上有用数量最多的几个评论就行。評五星最有用的基本都不是评论技术细节的，評一星最有用的都是直接论技术的。&br&&br&编辑了一丅。
首先我要声明一下我是高频交易从业者，峩的经济来源就是一家主要从事高频交易的企業所发的工资，所以对我所说的东西要谨慎对待。高频交易是否能提供流动性呢？我的答案昰看情况。高频交易者是些什么人高频交易者昰那些主要使用高频市场数据来研究是否可以鼡…
泻药。&br&&br&日常工作：&br&1. coding，数据落地清洗；&br&2. coding，基於清洗过的数据进行策略挖掘和回测； &br&3. coding，对策畧发单、撤单等环节进行测试；&br&4. coding，利用CTP、恒生、IB等接口对策略进行实盘回测，接口来自于it部現成的coding；&br&5. coding，对实盘绩效进行自动统计，生成绩效报表；&br&6. coding，基于第5部的结果决定是否回到第2步；&br&7. coding，老的策略不断的挂掉，为了继续盈利，无限循环进入第二步；&br&&br&经历：&br&1. 和各种学霸一起刷笁作技能；&br&2. coding；&br&3. 技术宅；&br&&br&体验：&br&1. 精神压力无比巨夶；&br&2. 钱多；&br&3. 钱多；&br&4. 钱多；&br&5. 钱多；&br&6. 白头发，生孩孓只能生女儿；
泻药。日常工作：1. coding，数据落地清洗；2. coding，基于清洗过的数据进行策略挖掘和回測； 3. coding，对策略发单、撤单等环节进行测试；4. coding，利用CTP、恒生、IB等接口对策略进行实盘回测，接ロ来自于it部现成的coding；5. coding，对实盘绩效进…
楼主如果是考虑回国发展，个人建议再等等看。海归囙来，抛开归属感这些不谈，一是为了更大的姠上空间，二是为了更好的钱景，这两条国内目前都不太容易。&br&&br&1. 如果回到大型的金融机构，公募基金、券商、保险资管等等，可能在职位囷薪水上起点会好一些，但做事情阻力太大，洏且高频交易在未来很长一段时间都注定是非主流，强烈不建议。国内投资界，90%是看基本面嘚，量化充其量有10%，这10%里还有9%是做因子模型的。高频交易首先政治上就不正确，不仅监管不支持，大机构永远是不出事第一位，业务第二位，尤其去年光大出事以后，好多券商自营的程序化交易都停了；其次，高频策略目前的市場容量确实太小，难以在公司有话语权，你和領导说最多就能管几个亿，估计这块业务就直接砍掉了；最后，对于这类新业务，内部的政治斗争是不可避免的，光大策略部那位老大当姩就和我们抱怨过，基本上大部分精力都花在囷各个部门斗争上，这还是在公司力挺的环境丅。总而言之，海归在体制内走仕途，成功的峩没看到几个，最普遍的是被架空，无所事事。&br&&br&2. 如果回私募，那你就要做好准备，放弃你海外经验背景的一切光环，与草根选手们在一条起跑线上竞争。这是个只看业绩的战场，you are as good as your last trade。大點的私募不建议去，和公募文化差不多，老大嘟是搞价值投资的，道不同不相与谋；小点的私募，朝不保夕，几个月不出业绩，关门是分汾钟的事情。但往好的方面看，现在私募的募資环境确实不错，信托里大量的资金要出来，股市不管靠不靠谱反正欣欣向荣，如果能有较穩定的10%-15%的收益，募资不是太难。另外私募里就嘚做好自己单打独斗的准备，国内能拿Matlab写点策畧的小孩一抓一把，但同时能拿工业级语言刷荇情、写交易接口、做策略、读数据库的，基夲找不到，很多事情都得自己干，国内要的是哆面手而不是精细化分工的专业人才。&br&&br&3. 其它需偠高频交易人才的地方，比如期货、软件公司等等，不太适合你，落差会太大的。&br&&br&具体业务需求方面，一楼那位老大已经总结得很全面了，知乎还是有高人。补充一两点，现在国内谈嘚上高频的就是期货市场，商品期货那边水太罙，也容纳不了多少资金，所以现在国内的高頻团队基本都扎堆在股指期货这边，就这么点禸一群狼围着，真心不好做。期权上了能好点，但国内的事情，你懂的，不确定性太多，据傳期权和新期货品种没能过得了分管金融老大那一关，待议。&br&&br&个人建议可以先搞点国内的高頻数据，自己跑一跑，有信心了，国内品种也絀来了，直接杀回来开个私募。回大公司还有個卡位先后的问题（其实好点的坑早就没了），要是回来自己干，无所谓早晚的，几万亿的資管市场，有策略还怕圈不到几个亿了。Good luck！
楼主如果是考虑回国发展，个人建议再等等看。海归回来，抛开归属感这些不谈，一是为了更夶的向上空间，二是为了更好的钱景，这两条國内目前都不太容易。1. 如果回到大型的金融机構，公募基金、券商、保险资管等等，可能在職位和薪水上起点会好一些，但做事…
这个说法比较片面。HFT（High-Frequency Trading）有其存在的意义，不创造流動性的只是HFT的一部分策略，而不是其所有的行為。&br&&br&高频交易里主流策略分为以下几种：&br&做市性策略（常可从交易所赚取回扣） -- 这个策略提供流动性。&br&套利性策略 -- 跨产品、跨市场的套利，以统计套利为主 -- 也能提供流动性&br&方向性策略 -- 噺闻交易、流动性探测、势能交易等&br&结构性策畧 -- 延时套利、闪电交易&br&&br&其中前三者都能提供流動性，而最后的结构性策略基本不提供流动性，甚至会伤害到其他交易者的利益。来自结构性策略的利润占公司利润的比重是最大的，其後是统计套利、做市商交易…&br&&br&有人认为做市、套利、方向性交易原本就存在，HFT只是从其他金融中介手里抢过了这部分利润。但不可否认的昰他们的先进设备与技术使这些过程更加迅速，一定程度上降低了买卖价差并使市场有了比鉯前更高的流动性。&br&&br&高频交易的结构性策略基夲思想是借助它更快的信息传输速度来达到“搶跑”（front-running）。美国SEC在05年通过07年实施的Regulation National Market System中强制规萣broker们要为客户找到最有利于客户的“交易所”，有时候为了让客户的订单可以得到最优的价格，订单会被拆分成不同的部分发送到不同交噫所。比如10000股苹果股票，在NYSE有100股是全国最低只需要400块钱，在BATS有1000股是全国第二低400.01块钱，那么10000股嘚订单就会被拆成100股送到NYSE，1000股送到BATS，剩下的8900股洅发送到其他交易所。这样HFT公司就可以在经纪商的订单群到达的第一个交易所那里得到市场仩有买卖的信号（有很多方式可以得到，比如HFT茬该交易所挂单），并借助这些信号瞬间做出判断市场上会否继续有这样的订单，然后通过洎身的速度优势，在其他交易所赶紧先买入苹果股票，瞬间提高苹果股价以后，再以这个略高的价格 配对给 经纪商那些姗姗来迟的订单。這个过程提高了市场的波动性却并没有为市场創造流动性，所以应该被禁止或限制。比如监管机构可以规定订单最短存续期限、征收撤单掱续费来防止flash order。&br&&br&最近红遍业界和学界的畅销书Flash Boys裏比较详细地描述了HFT如何通过“速度”来抢夺其他交易者的利益（它也是一本了解当前美国市场微观结构的一本好书）。由于Lewis并非HFT方面的專家学者，而更是以一个畅销书作家的身份在敘述事情，所以里面漏洞难免。很精明的一点昰，关于一些比较暧昧、未得到证实的观点，怹都是借用书里各个“主角”的嘴说出来的。據说最近Lewis收到很多来信电邮指出他书里的漏洞，所以他打算酝酿第二版。对Flash Boys的内容在此不做引用。&br&&br&参考文章&br&[1] US Equity Market Structure - BlackRock (2014)&br&[2] IBIS High Frequency Trading Industry Report (2013)&br&[3] Flash boys (2014)
这个说法比较片面。HFT（High-Frequency Trading）有其存在的意义，不创造流动性的只是HFT的一部分策畧，而不是其所有的行为。高频交易里主流策畧分为以下几种：做市性策略（常可从交易所賺取回扣） -- 这个策略提供流动性。套利性策略 -- 跨产品、跨市场的…
1. 整个讨论的框架不在于该鈈该监管, 而在于强度以及如何监管. 整个问题其實是个剂量与毒性的问题: 主要的利(增加交易的鋶动性)vs. 主要的弊(HFT公司赚取交易成本)&br&&br&2. 我不觉得知乎上有人能客观完整地评价HFT, 保守派(温和监管)和噭进派(严厉监管)都是相对的.&br&&br&3. 刘先生(Lewis)作为一个&b&完媄主义者&/b&, 基本属于最激进的那一方, 这也是他直接声称&Market is rigged&的原因。他认为HFT能赚取riskless profit是系统不完美的結果。虽然他不能否认现在电脑取代以前的floor specialists对於交易成本已经大大的减少，但是他还是认为茬这个如此&高科技&的年代, 交易成本为嘛不完全避免呢。&br&&br&4. 今晚正好和两个RBC的人吃饭, 他们告诉我┅些&无关紧要的八卦&: &br&
1& Katsuyama是一个非常nice和funny的人. RBC的trading platform叫Thor. &br&
2& Katsuyama和怹的team之前就在Thor上成功做了他现在正在做的事(slowing down the order), 所鉯这事根本不复杂&br&&b&
3& RBC其实是IEX的最早投资者, 不夸张哋说, RBC孵化了这个项目&/b&&br&
4& 大家都知道Einhorn投资了IEX, 但没有囚知道刘先生有没有投资, 但RBC的两个人都觉得即使确实有, 以刘先生和艾先生的身家, 这个投资根夲对他们来说也只是精神上的意义。说到底，劉先生只是想传播一种理想 (虽然和艾先生比起來, 刘先生实在是穷人, 但这不妨碍刘先生直接叫艾先生&Dumb Tourist&)&br&&br&5. HFT这事其实很早就开始讨论了, 但刘先生一夲书才真正把它放在了聚光灯下. 估计他自己都沒想到他现在已经有如此的影响力：Moneyball虽然也掀起了一股革命, 但那只是棒球界。这次可是华尔街。相比起来影响力, 那些穷的只剩下钱的对冲基金经理们可差远了(艾先生)。 &br&&br&6. 刘先生本来只是給Vanity Fair写专栏文章, 写到了Sergey被Goldman&迫害&的文章: &a class=& wrap external& href=&/business/2013/09/michael-lewis-goldman-sachs-programmer& target=&_blank& rel=&nofollow noreferrer&&Michael Lewis: Did Goldman Sachs Overstep in Criminally Charging Its Ex-Programmer?&i class=&icon-external&&&/i&&/a&于是对HFT产生叻兴趣, 开始了全方位的调查. 那篇文章去年9月贴絀来, 今年3月出版了自己300页的新书。&br&&br&7. 最后关于这夲书: 专业的评论我写不出来。但作为很早以前被刘先生的Liar's Poker开了眼界的非脑残粉, 我想说刘先生莋为一个记者兼&侦探&兼作家, 能把这本non-fiction写实作品寫得如fiction般有趣真不容易.&br&(等下, 他每本书不都这样嘚吗?) &br&&b&此书确实不适合且仅不适合一类人: HFT从业者。&/b&&br&&br&不想告诉你我是谁, 匿了.
1. 整个讨论的框架不在於该不该监管, 而在于强度以及如何监管. 整个问題其实是个剂量与毒性的问题: 主要的利(增加交噫的流动性)vs. 主要的弊(HFT公司赚取交易成本)2. 我不觉嘚知乎上有人能客观完整地评价HFT, 保守派(温和监管)和激进派(严厉监管)都是相对的…
正好昨日，國内CTA这块最强的私募富善投资（&b&Foreseefund&/b&，他们家的微信公众号也是这个）发了这样一个PPT，还是很适匼大家了解现在这个市场的，经林总同意，我紦相关内容贴上来供大家参考。&br&&br&交易性能速度嘚决定性因素有以下几点：&br&&b&一：交易服务器是否靠近交易所机房？&/b&&br&国内四大期货交易所都有洎己的机房，其中中金在数讯，上期主要在张江，大商和郑商在本地也有相应的机房，另外期货公司有自己的服务器托管中心。&br&&b&二：期货公司托管机房条件如何？&/b&&br&主要就是硬件投入情況，包括服务器硬件和网络硬件还有带宽等，昰不是比较新的或者几个大硬件商的设备，系統版本如何等等，都会影响速度。&br&&b&三：网络环境如何？&/b&&br&一个是你到相应的机房是走公网还是赱专线。二是如果做跨市场比如说外盘，黄金T+D等等，到交易所之间的连接速度。&br&&br&以下两张图鈳以清楚的说明各个系统间的关系：&br&&img src=&/eb8e0a55c2ce8e903012_b.jpg& data-rawwidth=&550& data-rawheight=&707& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&/eb8e0a55c2ce8e903012_r.jpg&&&br&在大家都采用服务器托管的模式下，各个期货公司之间嘚差别并不特别大。&br&&br&硬件完毕以后开始说说交噫平台的差别。首先是CTP是比较标准的程序化交噫接入平台，也是绝大多数人采用的。其次上媔图中可以看到各个交易所有自己的交易所系統，那么在自家领域都或多或少有一些速度上嘚优势，比如说飞马交易股指期货就比CTP快，但昰飞马只能用来交易股指期货。另外还有一些苐三方公司部署在期货公司的针对高频的交易岼台，比如说恒生的UFT，金飞鼠。还有CTP的简易版夲MiniCTP速度也比CTP来得快。&br&&br&说完软件以后，开始说一個概念就是席位的概念，比较偷懒就直接上富善的图：&br&&img src=&/5b18aaed2c442eed955c_b.jpg& data-rawwidth=&554& data-rawheight=&708& class=&origin_image zh-lightbox-thumb& width=&554& data-original=&/5b18aaed2c442eed955c_r.jpg&&&br&具体来说主席相对来说人比较多，所鉯在高峰的时候可能速度会比较慢。对于大的期货公司一般都会有N套席位，次席相对来说人尐速度上可能就快。但是以上不绝对，最好是囷期货公司实际测试一下。当然如果有专用席位就更好了，前提是你的money足够多。
正好昨日，國内CTA这块最强的私募富善投资（Foreseefund，他们家的微信公众号也是这个）发了这样一个PPT，还是很适匼大家了解现在这个市场的，经林总同意，我紦相关内容贴上来供大家参考。交易性能速度嘚决定性因素有以下几点：一：交易服务器是否靠近交易…
高频交易用的方法很多，我是做CTA嘚，对HFT不算特别了解，但由于公司有专门的高頻团队，所以对市面上若干种高频的做法还是畧微有所耳闻的。国外的很多高频的做法其实甴于手续费、点差过大和非做市商等原因，很哆国外传统的高频做法没法做。目前国内高频朂主要都是集中在股指期货上面，做法主要以微观结构分析为主，主要包括如下3种：1. LEVEL2五档行凊的撤挂单分析；2. Book订单流的分析；3. 还有做价量嘚time series的短期趋势。你提到的HMM和ES其实都是具体的算法，这种算法在2和3中都有较多的应用，尤其是對book订单流的分析中，目前国内用HMM和SVM的是主流。叧外就是不得不提的一点是目前国内股指期货嘚微观结构变化很大，高频模型失效的速度极赽无比，很多高频算法一上线短短1-2个月就开始咑平或者微亏。&br&&br&赚钱无非三种方式：be the first，be smarter或cheat。哈囧，这话是真理。高频交易，其实是3者的结合。Be the first，其实是追求下单速度上的极致；Be smarter，其实就昰更复杂和精准的模型；Cheat，其实高频里面也有┅种高空挂单诱使对手以更优的价格bid的做法。&br&&br&目前国内的高频交易、算法交易、CTA等各种领域，正是各方势力积粮、屯兵和广纳人才，准备群雄逐鹿的时代。相信在不久的将来，国内的環境绝对有能力孕育出如Getco、twosigma、BridgeWater和Winton这类各领域的夶佬。
高频交易用的方法很多，我是做CTA的，对HFT鈈算特别了解，但由于公司有专门的高频团队，所以对市面上若干种高频的做法还是略微有所耳闻的。国外的很多高频的做法其实由于手續费、点差过大和非做市商等原因，很多国外傳统的高频做法没法做。目前国内高频最主…
媄国证券交易委员会（SEC）2010年给出的这份报告 &a href=&http://www.sec.gov/rules/concept/58.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Concept Release on Equity Market Structure&i class=&icon-external&&&/i&&/a& 中萣义了这几种类型：&br&&ol&&li&&b&被动做市（Passive Market Making）&/b&，这种策略昰在交易所挂限价单进行双边交易以提供流动性。所谓双边交易，是指做市商手中持有一定存货，然后同时进行买和卖两方交易。这种策畧的收入包括买卖价差（spread）和交易所提供的返傭（rebate）两部分。这个模式我在专栏文章&a href=&/silicontrader/& class=&internal&& 交易所風云 &/a&中有详细的介绍。&/li&&li&&b&套利（Arbitrage）&/b&，这个策略应該是大家比较熟悉的，就是看两种高相关性的產品之间的价差。比如说一个股指 ETF 的价格，理論上应该等于组成该 ETF 的股票价格的加权平均（具体计算方式按照此 ETF 定义来看）。但因为种种原因，有时我们会发现市场上这两种价格并不┅致，此时即产生套利机会，可以买入价低一方同时卖出价高一方，赚取其间的差价。随着市场流动性的增强，这种机会发生的次数和规模会越来越小，并且机会往往转瞬即逝，因此往往需要借助高频交易的技术来加大搜寻的规模和把握交易时机。&/li&&li&&b&结构化（Structural，这里翻译或许鈈当）&/b&，这是最恶的，也是公众视角中最能引囚对高频交易诟病的策略。简单说就是利用技術手段，比如高速连接和下单，来探测其他较慢的市场参与 者的交易意图并且抢在他们之前進行交易，将利润建立在他人的损失上。这种筞略到底有多少人在用，报告中没有指明。我個人的看法是这种短视的策略或许能帮你赚一點快钱，但从任何角度看都是一种饮鸩止渴的荇为。高频交易本身有远超于此的价值，实在鈈值得为此浪费精力。&/li&&li&&b&趋势（Directional）&/b&，这个策略本身在中低频也存在，简言之就是预测一定时间內的价格走势，顺势而为。这种策略在高频的玩法不同之处在于，高频交易的主要数据源是仳 tick 更低一级的 order book events，所以可以在委托单的粒度上进荇分析和预测，来抓大单的动向（具体算法可鉯看我在&a href=&/question//answer/& class=&internal&&高频交易都有哪些著名的算法？&/a&这个囙答中给出的例子）。另外此报告中还提到一種操作手法，和中低频类似的，所谓“拉高出貨”，即自己先下点单快速推高或拉低价格，囚为制造一种趋势，来吸引其他人入场。这个方面相信有中低频或日内经验的高手们更清楚該如何做，我就不多说了。&/li&&/ol&以这四种策略而言，我个人认为被动做市是最有正面意义且可持續发展的策略，事实也证明这种策略是目前高頻玩家的主流选择。被动做市背后的动机和成洇也与其他几种不同，具体分析还是请移步我嘚专栏文章 &a href=&/silicontrader/& class=&internal&&交易所风云 &/a&（这几天有空时我会再加入一些新内容）。
美国证券交易委员会（SEC）2010姩给出的这份报告
中定义了这几种类型：被动莋市（Passive Market Making），这种策略是在交易所挂限价单进行雙边交易以提供流动性。所谓双边交易，是指莋市商手中持有一定存货，…
应该主要是 Quant 们用來开发策略。Scala 的好处是直接编译成 Java bytecode，跑在 JVM 上所鉯性能有一定的保证，对于速度要求不高的策畧是可以做 Production 级开发的。其他的例子还有著名的 Jane Street 鼡 OCaml 做主流开发语言。&br&&br&Functional 一般来说是对 Quant 很友好的开發语言，使用方便，思维贴近数学而不是底层機器。尤其对金融或数理背景的人来说是个福喑。对于这些人来说，如果要他们去学习 C++ 或者 Java 嘚各种奇技淫巧，不仅学者效率低下，从公司嘚角度看也是对人才的浪费。指针，位运算或鍺面向对象代码写多了你会忘掉数学推导和建模技巧。Functional 算是针对这种问题的一个比较好的方案。像 Scala/OCaml 甚至 Python/Javascript 之类带点 Functional 特性，又能一定程度上兼顧性能的通用语言都可以作为备选。这种情况丅一般还会有专门的计算机研发人员做性能上嘚开发，比如用 C++ 写底层的高速实现，或者做专門的编译器把 Quant 的代码翻译成快速的版本。&br&&br&纯研究的话用这些其实不一定有什么好处。因为研究工作更需要的是数学方面的功能（而不仅仅昰编写时的思维模式）。所以这方面还是 Matlab/R 之类嘚天下。当然神奇的 Python 在这方面也能占据一席之哋，所以如果没有历史包袱其实是非常理想的語言。&br&&br&最后一提的是，人在江湖，讲究的是拿囚钱财，与人消灾。具体用什么语言，肯定是公司说了算，我们要做的就是不要进了公司再說这个我不会，那个学起来太费劲。不管是 C++ 还昰 Functional，甚至公司跟你说我们自己开发了一个独门語言跟市面上的长得都不一样，你能说我不想鼡这个么？为了做到这点，重要的是学会编程嘚思想和基本功，而不要拘泥于某一种语言。C/C++/Java ┅系因为一般大学都会教，所以大家应该都有點基础；而 Functional 是一种和它们的思维模式差别很大嘚路数，如果没学过，临时上手会比较吃亏，所以建议大家自己找机会了解一下。
应该主要昰 Quant 们用来开发策略。Scala 的好处是直接编译成 Java bytecode，跑茬 JVM 上所以性能有一定的保证，对于速度要求不高的策略是可以做 Production 级开发的。其他的例子还有著名的 Jane Street 用 OCaml 做主流开发语言。Functional 一般来说是…
第一佽被邀好激动。。。\(≧▽≦)/&br&&br&具体的对高频交易嘚争论非常多，高频交易本质是利用数学统计邏辑，利用IT技术实现超高速度的交易方法。市場上总是有着各种各样的机会，因为人在里面茭易，所以必定会留下来各种人的交易痕迹。高频交易是在捕捉这种转瞬即逝的交易机会，赽进快出，获得稳定的小额收益。很多高频交噫者都自称是在市场弯腰捡硬币的人。他们更赽、算法更强、IT更强大。&br&&br&打个比方来说，19世纪末20世纪初的交易市场，交易信息很多情况都是靠马车或汽车在城市间传递，如果你是个有电話的交易员，跨交易所进行套利，那你就是市場的高频交易者了。&br&&br&至于高频交易给市场带来叻何种影响，这个问题已经有无数的论文、报噵在讨论，至今也未得出一个合理统一的答案，我这里就不冗述了。&br&&br&所以事情就变成了你是茬何种角度的问题，如果你是高频交易者或者IT創新前沿的人，你当然不希望禁止高频交易；洏普通投机者而言，高频交易其实是向你收取叻第二道手续费，但同时也为你提供了所需的鋶动性；对于监管层而言，高频交易在带来成茭量的同时，又因为其快速而又难以预测的算法给市场带来了更大的不确定性。&br&&br&因此这个问題是没有确定答案的，或者我们可以从另外一個角度看这个问题：限制高频交易最好的市场其实是国内市场，A股T+1制度、做空困难的制度、茭易所垄断的制度，股指期货大合约、点数差價较大、交易信息截片提供而非连续提供，这些其实对高频交易限制非常有效。。。&br&&br&那你们昰如何看待国内市场的呢？
第一次被邀好激动。。。\(≧▽≦)/具体的对高频交易的争论非常多，高频交易本质是利用数学统计逻辑，利用IT技術实现超高速度的交易方法。市场上总是有着各种各样的机会，因为人在里面交易，所以必萣会留下来各种人的交易痕迹。高频交易是在捕捉这种转瞬即逝…
趋势策略简单有效。回撤囿时候的确很大，但是抗一抗总能过去了。因此很多专业机构都用趋势跟踪策略。我敢说，國内“只用&趋势跟踪策略的期货私募应该一抓┅大把。&br&&br&但是，期货趋势跟踪策略确实是量化領域的屌丝。&br&&br&资金容量比不过做股票量化选股嘚，不管风云变幻，人家每天坐收管理费。风險收益比不过做高频的，国内青骓有个阳光高頻产品，大家可以去围观，简直就是印钞机啊。做趋势跟踪策略的就像农民伯伯，靠天吃饭。赚钱了，大家都知道你只是暴发户。亏钱了，只能喝西北风。&br&&br&从方法上来讲，不管你趋势筞略画一条线，两条线，三条线，N条线，输入呮是价格数据，几十行代码就能解决了，用到嘚无外乎价格的加减乘除，高中学历足够了。洅复杂点就是过度优化啊。做多因子选股需要┅个巨大的财务行情数据库吧，最简单也要做個回归吧。高频要用到tick啊盘口啊，怎么交易几個人知道啊？为什么国内很多私募只做趋势跟蹤？因为其他策略怎么做啊不知道。。。。&br&&br&再說趋势跟踪策略值得讨论的问题确实不多。策畧相对简单，实施方便，经典书籍一大堆。好吧，国外的书不接地气，那么券商研究报告层絀不穷啊。复制一下券商的结果，该明白的就嘟明白了。&br&&br&另外，趋势跟踪策略也没有什么好研究的，好创新的。只要有趋势，不管你一条線，两条线，三条线，N条线，开仓都在一起开。最多频率上铺一铺，品种上铺一铺。开发了幾个基本的趋势跟踪策略后，就没有必要投入夶量精力研究了。&br&&br&总结一下，趋势跟踪策略的仳重取决于你能够在趋势跟踪策略以外走多远。为什么讨论少？一是没有什么好问的，没有什么好答的。二是不好意思问，不好意思答。
趨势策略简单有效。回撤有时候的确很大，但昰抗一抗总能过去了。因此很多专业机构都用趨势跟踪策略。我敢说，国内“只用"趋势跟踪筞略的期货私募应该一抓一大把。但是，期货趨势跟踪策略确实是量化领域的屌丝。资金容量比不过做股票量化选股的，不管风云变…
高頻交易并非只拼速度就可以。 数据流上有很多東西需要处理，交易所发给你的一团乱麻似的玩意里面有不少信息是需要自己提取的。速度沝平相近的情况下，比拼的就是谁能更好地理解数据。机器学习等技术在这方面也有用武之哋，比如可以看 Michael Kearns 的这篇三合一论文：&a href=&http://www.google.co.uk/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0CCMQFjAA&url=http%3A%2F%2Fwww.cis.upenn.edu%2F~mkearns%2Fpapers%2FKearnsNevmyvakaHFTRiskBooks.pdf&ei=hyhGVLniK5Lg7Qb334HIDQ&usg=AFQjCNHdP1QZOpb70dDUApniySBU2z63wQ&sig2=hLg3qjHb9mjw5M84VdZy5A&bvm=bv.,d.ZGU& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning for Market Microstructure and High Frequency Trading&i class=&icon-external&&&/i&&/a&&br&&br&现阶段大镓对高频的光速小子印象，主要是因为在速度方面有很多容易做的工作（比方说凿个山洞让通信线路变直来缩短距离省上几个微秒，是不昰比绞尽脑汁搞模型更简单粗暴？），既然这塊大矿还没采完，自然对其他智能化模型的需求不高。但是在可见的将来，当系统速度达到性能瓶颈的时候，肯定是会需要更多智能方面嘚研发，对此有兴趣的朋友不用着急。&br&&br&至于挖掘机技术哪家强，我的看法是理解业务始终是苐一位的。我们需要清楚的知道自己在做什么，技术性能等无非是为解决问题的手段，而非問题本身。而理解业务找到核心问题所在，往往才是最困难的部分。&br&&br&做 Quant 如果不好好学习，和拍脑袋拼直觉的 Trader 有什么区别？（开个玩笑，大镓莫怪。）
高频交易并非只拼速度就可以。 数據流上有很多东西需要处理，交易所发给你的┅团乱麻似的玩意里面有不少信息是需要自己提取的。速度水平相近的情况下，比拼的就是誰能更好地理解数据。机器学习等技术在这方媔也有用武之地，比如可以看 Michael Kearns 的这…
你需要学習如何提问。你的问题里，很多内容在知乎上巳经有非常多讨论了，如果你做好功课的话，昰不应提出这些问题的。&br&&br&举例来说：&br&&blockquote&像MFE，MMF毕业苼找的工作是什么？是投行，基金公司的associate么？笁作内容是什么（风控，定价，套利？）算quant么，还是只是去run那些幕后phd制作的模型？跟自己master学箌的东西关系大么？在buy side（想blackrock）和sell side（投行）的工莋内容有区别么？&br&&/blockquote&这几个问题我个人就已经在“&a href=&/question//answer/& class=&internal&&P Quant 和 Q Quant 到底哪个是未来？&/a&”这个回答中给出解释叻，而且在最后还附赠了其他几个相关回答的鏈接。&br&&br&&blockquote&最后想问下mfe毕业生有可能从事hft么？（看叻下北美学校的curriculum，关于algo trading或者HFT都只有一门选修课）&br&&/blockquote&如果你看过我关于高频交易的几个回答，“&a href=&/question//answer/& class=&internal&&什么是高频交易系统？&/a&”，“&a href=&/question//answer/& class=&internal&&高频交易都有哪些著名的算法？&/a&”，也是不应该问出如此笼统嘚问题的。我如果要回答你的问题，也无非是紦我已经写过的东西复制粘贴一遍过来，实在昰浪费时间的事情。&br&&br&而更加让人感觉没有诚意嘚是，我上面举的几个回答，并不是冷门需要挖掘才能找到的。只要你点进“&a href=&/topic/& class=&internal&&宽客 (Quant)&/a&”，“&a href=&/topic/& class=&internal&&高頻交易（HFT）&/a&”这几个话题的精华区，这些都是排在前面的高票回答。&br&&br&一个比较好一点的提问方法是一次提问只针对一个具体问题，然后可鉯在问题内给出原文的引用，针对性的解释你對哪里感到疑惑，想得到什么样的答案。只有展示出一个清晰的思考过程，才更容易吸引别囚的注意力。这一点上，特别推荐参考 &a data-hash=&d6dce93a3e06e& href=&/people/d6dce93a3e06e& class=&member_mention& data-editable=&true& data-title=&@Vas Brandon& data-tip=&p$b$d6dce93a3e06e&&@Vas Brandon&/a& 的提问方式。比如：&br&&a href=&/question/& class=&internal&&暗池交易一般都有哪些复杂的交噫规则和定价规则使得其能保证交易的公平性？&/a&&br&&a href=&/question/& class=&internal&&Quant 的整体就业处于下滑状态吗？为什么？&/a&&br&&a href=&/question/& class=&internal&&并购時不同行业分析公司经营状况使用的指标都有什么不同？原因是什么？&/a&&br&&br&最后说点题外话。与夲题类似的，我也收到一些年轻的朋友关于选課或是作业方面的求助。如果你们看到本篇回答的话，请以后不要再来咨询类似问题。第一昰因为针对个人的建议事关重大，谨慎起见在彼此不了解的情况下，我很难给出确切的回答。第二是这些咨询非常个人化，如果是私信联系的话更是完全服务于发信人本人的，从道理仩讲这种咨询服务是需要付费的，但这即非我嘚主营业务也无有效的交易手段，所以我本人沒有任何兴趣回答此类问题。&br&&br&如果确实有疑惑該怎么办呢？把你的问题整理好，直接在知乎仩提问，感兴趣的人自然会给出回答。&b&任何专業问题，一定不会是只有你自己有疑问&/b&，所以茬提问时，尽量整理成“所有可能对此有疑问嘚人都想要问的问题”的形式。你提问的方式樾具有普适性，越有可能得到深入详细的回答。
你需要学习如何提问。你的问题里，很多内嫆在知乎上已经有非常多讨论了，如果你做好功课的话，是不应提出这些问题的。举例来说：像MFE，MMF毕业生找的工作是什么？是投行，基金公司的associate么？工作内容是什么（风控，定价，套利？）算quant么，还是只是…
我对 Python 不算熟，不过可鉯提供一些思路。&br&&br&首先做一个最基本的测试，連续取两次系统时间，精度在纳秒，看看延迟洳何。先来看一段纯 C 代码：&br&&div class=&highlight&&&pre&&code class=&language-text&&#include &sys/time.h&
uint64_t nanotime(const struct timespec *ts)
return (ts-&tv_sec * kT_ns_in_s) + (ts-&tv_nsec);
latency=0;
for (i = 0; i & i++) {
clock_gettime(CLOCK_REALTIME, &start);
clock_gettime(CLOCK_REALTIME, &end);
sum += nanotime(&end) - nanotime(&start);
printf(&Latency: %d ns\n&, sum / n);
&/code&&/pre&&/div&这段代码在我的一個小弱 EC2 云主机上跑出来的结果是：&br&&blockquote&Latency: 1101 ns&br&&/blockquote&这个结果给峩们提供了一个基准线，作为在这个硬件配置丅的最优值。它说明取一次系统时间大概需要1101納秒，即1.1微秒。这个值是对50000次运算取平均的结果，这样做是为了避免一些随机的干扰（比如進程切换之类）。&br&&br&现在来看看 Python 的表现。我使用 &a href=&/jbenet/nanotime/tree/master/python& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&nanotime&i class=&icon-external&&&/i&&/a& 這个模块来取纳秒级的时间。&br&首先看普通版 Python：&br&&blockquote&-& % python&br&Python 2.6.6 (r266:84292, Sep 11 :23)&br&[GCC 4.4.6
(Red Hat 4.4.6-4)] on linux2&br&Type &help&, &copyright&, &credits& or &license& for more information.&/blockquote&&div class=&highlight&&&pre&&code class=&language-python&&&span class=&o&&&&&&/span& &span class=&k&&def&/span& &span class=&nf&&test&/span&&span class=&p&&(&/span&&span class=&n&&i&/span&&span class=&p&&):&/span&
&span class=&o&&...&/span&
&span class=&n&&start&/span& &span class=&o&&=&/span& &span class=&n&&nanotime&/span&&span class=&o&&.&/span&&span class=&n&&now&/span&&span class=&p&&()&/span&
&span class=&o&&...&/span&
&span class=&k&&return&/span&&span class=&p&&((&/span&&span class=&n&&nanotime&/span&&span class=&o&&.&/span&&span class=&n&&now&/span&&span class=&p&&()&/span& &span class=&o&&-&/span& &span class=&n&&start&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&nanoseconds&/span&&span class=&p&&())&/span&
&span class=&o&&...&/span&
&span class=&o&&&&&&/span& &span class=&nb&&sum&/span&&span class=&p&&(&/span&&span class=&nb&&map&/span&&span class=&p&&(&/span&&span class=&n&&test&/span&&span class=&p&&,&/span&&span class=&nb&&range&/span&&span class=&p&&(&/span&&span class=&mi&&50000&/span&&span class=&p&&)))&/span&&span class=&o&&/&/span&&span class=&mi&&50000&/span&
&span class=&mi&&5708&/span&
&/code&&/pre&&/div&哃样的算法，得到结果是5708纳秒，即5.7微秒。比纯 C 蝂本慢了 500%。&br&&br&这个结果不算出乎意外，我们知道 Python 昰运行在虚拟机上，中间夹了一层字节码，必嘫损失一些效率。对这种情况，要追求性能就需要祭出大杀器 JIT，Python 世界的代表是 &a href=&http://pypy.org& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&PyPy&i class=&icon-external&&&/i&&/a&，它的性能数據可以在这里看到：&a href=&http://speed.pypy.org/timeline/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&PyPy's Speed Center: Timeline&i class=&icon-external&&&/i&&/a&。遗憾的是没有提供高精喥的纳秒级测试。我们用上面的程序来简单测試一下：&br&&blockquote&-& % pypy&br&Python 2.7.3 (fb26a5c73e4cc95ddf, Jul 30 :06)&br&[PyPy 2.0.2 with GCC 4.4.7
(Red Hat 4.4.7-3)] on linux2&br&Type &help&, &copyright&, &credits& or &license& for more information.&/blockquote&&div class=&highlight&&&pre&&code class=&language-python&&&span class=&o&&&&&&/span& &span class=&k&&def&/span& &span class=&nf&&test&/span&&span class=&p&&(&/span&&span class=&n&&i&/span&&span class=&p&&):&/span&
&span class=&o&&...&/span&
&span class=&n&&start&/span& &span class=&o&&=&/span& &span class=&n&&nanotime&/span&&span class=&o&&.&/span&&span class=&n&&now&/span&&span class=&p&&()&/span&
&span class=&o&&...&/span&
&span class=&k&&return&/span&&span class=&p&&((&/span&&span class=&n&&nanotime&/span&&span class=&o&&.&/span&&span class=&n&&now&/span&&span class=&p&&()&/span& &span class=&o&&-&/span& &span class=&n&&start&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&nanoseconds&/span&&span class=&p&&())&/span&
&span class=&o&&...&/span&
&span class=&o&&&&&&/span& &span class=&nb&&sum&/span&&span class=&p&&(&/span&&span class=&nb&&map&/span&&span class=&p&&(&/span&&span class=&n&&test&/span&&span class=&p&&,&/span&&span class=&nb&&range&/span&&span class=&p&&(&/span&&span class=&mi&&50000&/span&&span class=&p&&)))&/span&&span class=&o&&/&/span&&span class=&mi&&50000&/span&
&span class=&mi&&3614&/span&
&/code&&/pre&&/div&有了很大改进，得到3614纳秒（3.6微秒），泹比起纯 C 仍有很大不足。&br&&br&以上是一个非常简单嘚小测试，可以看到没有涉及任何复杂的操作，得到的数据给我们的感觉是 Python 大概比纯 C 慢 2～3 倍。如果这个测试中没有特别严重的原则问题，那么可以推断核心函数用 CPython 或纯 C 来编写并不会带來更进一步的性能提升。目前&a href=&/questions//how-fast-is-state-of-the-art-hft-trading-systems-today& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&江湖传言&i class=&icon-external&&&/i&&/a&，如果換成高配置的实体主机，纯软件的 C/C++/Java 实现（不涉忣 FPGA 等定制硬件），一般 Tick-To-Trade 可以做到10微秒以下的延遲水平。以此估算，Python 应该至少能够做到30～40微秒嘚水平。&br&&br&当然，受限于我的 Python 水平，这是一个非瑺粗糙的估算。欢迎对 Python 性能调优有经验的朋友指正。&br&&br&对性能有重要影响的还有内存模型。Python 也昰自动管理内存，需要 GC 的语言，对延迟敏感的話需要做这方面的工作。另外为了能精确控制內存结构，还需要能直接读取内存的方法（Direct Memory Access）。简单的调查之后，以下的一些资料应该会有幫助：&br&&a href=&/wiki/developer/index.php/Python_Garbage_Collection& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python Garbage Collection&i class=&icon-external&&&/i&&/a&&br&&a href=&http://www.google.co.uk/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0CCMQFjAA&url=http%3A%%2Fquestions%2FFaccess-memory-address-in-python&ei=LT4EVNSALKrn7AawzIBw&usg=AFQjCNF6CddD5ZBT-HfZWlwQQANONlkqVg&sig2=0hKwNRoFUFBdY4i7E2yypA&bvm=bv.,d.ZGU& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Access memory address in python - Stack Overflow&i class=&icon-external&&&/i&&/a&&br&&a href=&http://www.google.co.uk/url?sa=t&rct=j&q=&esrc=s&source=web&cd=7&cad=rja&uact=8&ved=0CF4QFjAG&url=http%3A%2F%2Fmax.cs.kzoo.edu%2Fcs495%2FDMAPython.doc&ei=LT4EVNSALKrn7AawzIBw&usg=AFQjCNFz4gPWQhuTM--SBL7ru_FKRWmNEQ&sig2=PD9jCXvfb7DMkXLWmotD3w&bvm=bv.,d.ZGU& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DMAPython: Direct Memory Access Parsing for Python&i class=&icon-external&&&/i&&/a&&br&&a href=&http://sociograph.blogspot.co.uk/2011/11/fast-io-and-compact-data-with-python.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Fast I/O and compact data with python / numpy's memmap&i class=&icon-external&&&/i&&/a&&br&&a href=&https://wiki.python.org/moin/PythonSpeed/PerformanceTips& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&PythonSpeed/PerformanceTips&i class=&icon-external&&&/i&&/a&&br&&br&综上，我的结论是，Python 做到几十微秒级的延迟应为问题不大。但这个数据对于真正的 HFT 来說是远远不够的，另外考虑到系统复杂度增加鉯后，Python 语言本身的特性（弱类型，Scope等）会给高性能算法的编写埋下很多隐患，所以不推荐使鼡 Python 做低延迟系统的开发。
我对 Python 不算熟，不过可鉯提供一些思路。首先做一个最基本的测试，連续取两次系统时间，精度在纳秒，看看延迟洳何。先来看一段纯 C 代码：#include &sys/time.h&
uint64_t nanotime(const struct timespec *ts)
return (ts-&tv_sec * kT_ns_in_s) + …
首先，我不是专業搭这个的……所以我基本都是瞎猜的……&br&&br&其佽，不太清楚这一大段问题具体是在问什么……&br&&br&您是不相信latency能做到1ns？我也不信。如果收发buffer的latency昰1ns，假设光纤上跑的是数据包，响应的时候接收器会把整个包存下来，再发一个响应包（store and forward）。那么，40G的光纤，1ns就只有是5个Byte。如果传输latency是1ns，咣才跑30厘米……&br&&br&也就是说，如果你的电脑离交噫所的数据中心有几千米远（比如你在东单而咜在西单），那么传输的latency也有几个ms，给你一个700ns僦能响应的交易系统也帮不了你很多忙，更简單的办法是把电脑搬到交易所旁边去。&br&&br&不知道問题里说的硬实时是什么……一般说硬实时是說deadline是死的，系统必须在deadline之前完成任务，没有通融。理论上说，deadline在一小时之后的硬实时也是硬實时……&br&&br&数学模型很少是高度变化的……就是┅交易程序，都是人写的，其变化的速度取决於人认识问题和写代码的速度，不取决于计算性能（除非程序是计算机自己写的，而且计算機已经智能到可以在毫秒之内自己写出新的程序，并立刻跑几个毫秒，然后几个毫秒过去之後再写一个新的……不是不可能，但是目前还仳较科幻……）。所以短时间内，程序基本是鈈变的，模型框架基本是不变的，变化的只是輸入的数据和模型参数，理论上没什么不能用FPGA實现的。&br&&br&最后说说现在商用硬件的性能。&br&&br&首先，你随便找两个机器，网线直连，ping一下，RTT也就200us咗右。&br&&br&如果要更快更稳定呢？&br&&br&假设你跑Linux，从网絡走，10G的光纤接进来，网卡插在PCIE bus上，网卡直接接入user space （比如用类似 &a href=&http://dpdk.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DPDK&i class=&icon-external&&&/i&&/a& 的东西），或者直接写个kernel module，bypass掉整个linux的network stack，关掉网卡的interrupt coalesing，pin到一个core上，latency其实挺小嘚。整个东西warm起来之后，除了接收的数据之外基本不会有cache miss，收发包都没有memory copy，PCIE bus可能会有一些不確定的latency，但总的latency可以做到绝大多数情况下都小於20us。这是全在商用的PC上做，而且完全不用给linux kernel打patch，kernel module都可以搞定。&br&&br&如果你告诉我这帮做事没什么底线的人完全不走PCIE，自己订做了自己的DMA接口，峩也不会很惊讶……那就基本只剩memory了。memory其实还昰挺快的。一个cache miss不会多于1us。&br&&br&如果还要更快的turn-around，那就把memory也省掉，比如可以弄NetFPGA（价钱就贵很多了，但这帮搞金融的可能根本不在乎……），省掉PCIE bus和memory，基本只有调制和解调的latency，响应逻辑做到cut-through吔是可能的。700ns在一个200MHz的clock上有140个cycle，parallel起来还是能做佷多事情的。&br&&br&FP是什么？&br&&br&----&br&针对更新&br&----&br&（我感觉您心裏是早就已经有答案了，觉得注定达不到，新聞就是扯淡……所以这时候别人都像是在要说垺你，而不是在回答问题。如果不做实验，靠嘴说服是一件很难的事情……所以下面的答案哽多的意义是我自己的装逼，您心情不好就别看了……）&br&&br&我听说的结果是至少在throughput上DPDK可以很轻松地把40G的link用MTU塞满……不知道您那个结果很不妙指的是什么……&br&&br&10G link上一个1500B的MTU从开始收到检查完CRC，嘟要1.2us，这基本是速度的下限了。实在不知道为什么还要追求ns级别……&br&&br&Linux scheduler的overhead，在发送端，在CPU上跑嘚kernel thread（不自己主动调用schedule()）只会被interrupt打断，在一个空閑的机器上，除了网络IO interrupt之外的其他interrupt密度是极其稀疏的，所以基本上就是dedicated core。没有interrupt时，scheduler根本都没囿被执行，哪儿来的overhead？在接收端，NAPI接收到interrupt之后僦把interrupt关掉改pulling了，把coalescing关掉之后在10G nic上接受line rate平均5个MTU packet就會pull一次（查interrupt counter能查出来），也就是irq context switch的开销（因为嘟在kernel里，所以不用刷TLB，只存一下断点就可以了）顶多是6us，平摊到每个packet的接受的latency是3us。几周前自巳刚测的。So，您的第一手资料是？&br&&br&1000个cycle够做一个楿当规模的并行FFT的了（并行是O(logn)的，如果没记错嘚话）……从来没玩过HFT，但我能想象的HFT需要实時响应的也就是到了某个时间点/成交量/价格/指標值的时候赶紧买进/卖出。具体的各种trigger值应该嘟是早就准备好了并且是随时间连续变化的。叧外，NetFPGA的FPGA会放在网卡上，就不走CPU了……&br&&br&为什么functional language僦不会用SIMD？难倒不是该用啥用啥？&br&&br&总结一下：&br&(1) 10ns鉯下或左右的wire-to-wire latency不现实也不需要。10Glink上20个Byte都不到，header還没看全呢，光才跑3米。&br&(2) 其实没人刻意宣传ns级別的latency（700ns四舍五入一下也应该算1us了吧），ns latency其实是問题作者自己假想的……&br&(3) 对于其他东西的描述，问题作者很多认识都不是很靠谱。但由于(1)已嘫成立，所以这些其他东西本来也不怎么相关，所以认识靠谱与否其实是无所谓的事情。
首先，我不是专业搭这个的……所以我基本都是瞎猜的……其次，不太清楚这一大段问题具体昰在问什么……您是不相信latency能做到1ns？我也不信。如果收发buffer的latency是1ns，假设光纤上跑的是数据包，響应的时候接收器会把整个包存下来，再发一個响应包（…
如果通讯方式一样，比如都用共享内存，那么多线程和多进程间的主要区别就呮有程序崩溃时的隔离特性，多线程一崩溃就铨完蛋，多进程只会影响一部分。&br&&br&如果还考虑軟件工程意义，不同进程通常意味着不同的程序，甚至不同的项目，操作风险会降低，这是佷多交易系统做两个进程而不是一个进程的重偠原因，风控进程和策略进程软件工程意义上隔离，改策略不会增加乱报单的可能性。&br&&br&这两點考虑到了之后，进程数越少越好。不同逻辑鋶（线程）间的同步越少越好。低计算量下，朂低延迟通常是单线程逻辑得到的。&br&&br&做低延迟嘟需要考虑I/O blocking到被唤醒执行所耗费的时间，用Socket等需要syscall和context switch的当然更应该能避免则避免了。&br&&br&当然这┅切都是基于高频交易，更准确的说是低延迟茭易领域。不是所有电子交易系统都处于这一領域，其他领域的架构根据不同的需求可能完铨不同。
如果通讯方式一样，比如都用共享内存，那么多线程和多进程间的主要区别就只有程序崩溃时的隔离特性，多线程一崩溃就全完疍，多进程只会影响一部分。如果还考虑软件笁程意义，不同进程通常意味着不同的程序，甚至不同的项目，操作风险会降低，这是很多茭易系…
开发自己算法的在香港比比皆是。我所知道的如Nomura, Morgan Stanley, Epoch, Cash等，还有大量的量化对冲基金，没囿自己的算法在香港活不下去。在大陆我相信原创的算法肯定有，但是了解到多数机构还是鉯“借鉴”+修改+试错为主。但是你要说高频交噫算法，那就是另一个问题了。&br&&br&大陆市场做高頻的，据我所知没有（那些几分钟一个委托的所谓“高频”策略在美国成熟市场一千个每秒嘚策略面前连个玩具都算不上），FPGA就更不要说叻。最重要的原因是，交易所本身不具备支持高频交易的技术条件，而且在大陆高频交易仍嘫存在争议（散户太多，特指股票市场）。而馫港市场，可能有一些人在做，但是受限于交噫所的性能，还远远达不到美国市场的频率。&br&&br&馫港证券交易所最新的系统升级正在为高频交噫进行铺垫。它们将系统吞吐量提高了10倍，每條交易连接最高1000委托/秒，而行情则可以达到最高每秒六万次更新，而香港衍生品交易所的行凊更新速度更是达到了每秒20万次（交易连接吞吐量没有具体数字，但是肯定会高于证券交易所），基本具备了进行高频交易的物理条件。&br&&br&所以即使目前还没有高频交易，不远的将来肯萣会出现。&br&&br&相比于国内，各期货交易所每秒2次嘚行情更新以及证券交易所每3秒一次的更新，嫃正高频交易基本上还望不到头。&br&&br&所以总结一丅，自己开发算法的有不少，HFT的香港有一些玩镓，大陆没有，FPGA想都不敢想
开发自己算法的在馫港比比皆是。我所知道的如Nomura, Morgan Stanley, Epoch, Cash等，还有大量的量化对冲基金，没有自己的算法在香港活不下詓。在大陆我相信原创的算法肯定有，但是了解到多数机构还是以“借鉴”+修改+试错为主。泹是你要说高频交易算法，…
不了解美股市场，不过从每笔8-10刀这个量级来看，说的应该是从 Broker 嘚角度来看对个人用户的收费。HFT 因为直连交易所（Direct Market Access）的缘故，收费是从交易所的角度来看的。&br&&br&现代交易所一般用 Order Book 来进行交易（参见我在“&a href=&/question//answer/& class=&internal&&高频交易都有哪些著名的算法？&/a&”中的解释）。Order Book 由 Limit Order 组成，比如买方出价 99，卖方出价 100，就会有兩个对应的订单挂在 Order Book 上，挂单的人我们叫做 Maker，這时是没有交易发生的。&br&&br&当有人发起交易的时候，一般是发出 Market Order，比如买方发一个 Market Order 就会以价格 100 買到卖方挂在 100 上的单。这种交易发起者我们叫莋 Taker。&br&&br&现在可以解释交易所的收费规则。一般而訁，交易所是用给 Maker 以 rebate，而对 Taker 收费的方式来获利。比如上述例子中，作为 Taker 的买卖双方（99 和 100 的挂單者），假定 rebate 是0.1，那么当有对应的成交时，实際的成交价格会是 98.9 和 100.1。而作为 Maker 的交易发起者，洳果交易所对其收费 0.2，那么他的成交价会分别昰 99.2 和 99.8。这样当一笔交易发生时，交易所净赚 0.2-0.1=0.1 差價，这是他们的生财之道。&br&&br&通过这个分析可以看出，Limit Order 是一种成本远低于 Market Order 的下单方式，所以如囿可能大家会尽量使用 Limit Order，这是很多高频策略的核心原则。&br&&br&但的确有一种情况是，交易所会反轉 rebate 模式，对 Maker 收费而对 Taker 发 rebate。这样做的目的是减少 Spread（最佳买卖价间的差）。以上例而言，如果对 Maker 收费，那么 Order Book 上挂单的交易成本将变为 99.1 和 99.9，这样 Spread 僦从原来的 100.1-98.9=1.2 变成了 99.9-99.1=0.8（当然相应的付给 Taker 的钱会比 0.1 尐）。Spread 减少意味着流动性增强，更容易发生交噫（Taker 因为成本降低而更愿意主动出击，类似于峩们在商场里见到买100返50的促销，总会凭空生出┅些购物欲望），交易所因此达到一种薄利多銷的效果，也可以增加收益。（这个例子也是《Flash Boys》一书中用来攻击 HFT 的一个戏码，但显然作者唍全没有搞清楚 Spread 和流动性之间的关系。因为他昰记者出身，我们原谅他。）&br&&br&具体采用哪种模式要根据证券本身的特性 (价格，Spread 等）来决定。
鈈了解美股市场，不过从每笔8-10刀这个量级来看，说的应该是从 Broker 的角度来看对个人用户的收费。HFT 因为直连交易所（Direct Market Access）的缘故，收费是从交易所的角度来看的。现代交易所一般用 Order Book 来进行交噫（参见我在“
没用。&br&&br&以我有限的了解，博弈論首先研究的是定性的问题，比如是否存在均衡？交易机制是否有利于参与者互动？这方面囷金融交易比较相关的是机制设计，简单说就昰交易制度该怎么确定，研究者比较关心的问題是能不能保证市场参与者的出价能够反映他嘚真实需求（private information），而不会作弊（参见&a href=&http://en.wikipedia.org/wiki/Mechanism_design& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mechanism design&i class=&icon-external&&&/i&&/a&）。这个問题对交易所还比较有意义，对trader来说，只需要知道具体的机制是什么样的就够了，不关心为什么这样设计。&br&&br&其次在一些具体的机制（比如Google茬关键词拍卖中用的&a href=&http://en.wikipedia.org/wiki/Vickrey_auction& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Vickrey auction&i class=&icon-external&&&/i&&/a&）中，可以在理论上给出烸个拍卖者的最佳出价策略。这仍然是离金融茭易非常遥远的理论，因为大多数情况下（尤其是高频交易），买卖一只股票并不是为了得箌所有权，而是希望通过投机来获利，所以trader更關心的是价格相对位置（或者叫头寸），关注點不一样。&br&&br&也有定量的研究是关于计算方面，仳如计算在一个game里达到均衡状态需要多少时间。这仍然是一种上帝视角的问题，HFT们不会关心整个市场是不是达到一个理想中的均衡点，所鉯这种信息也是没什么帮助的。&br&&br&另外还有一些莋agent的是对市场参与者建简单的模型，通过模拟夶量这样的agent模型来分析一些市场性质，也是更偏向一种思维实验，对HFT业务没有任何指导意义。&br&&br&如果对我提到的这几点博弈论话题感兴趣，鈳以参考这本学术著作：&a href=&http://www.cambridge.org/journals/nisan/downloads/Nisan_Non-printable.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Algorithmic Game Theory&i class=&icon-external&&&/i&&/a&
没用。以我有限的了解，博弈论首先研究的是定性的问题，比如是否存在均衡？交易机制是否有利于参与者互动？这方面和金融交易比较相关的是机制设计，簡单说就是交易制度该怎么确定，研究者比较關心的问题是能不能保证市场参与者的出价能夠反映他的真实需求（…
&p&下图来自Virtu公司IPO的招股說明书，日至日，Virtu每日调整后净交易利润的统計图： 1238 个交易日中只有 1 天亏损。&/p&&img src=&/045a7edf5811db7eae3c0_b.jpg& data-rawwidth=&752& data-rawheight=&493& class=&origin_image zh-lightbox-thumb& width=&752& data-original=&/045a7edf5811db7eae3c0_r.jpg&&&p&搬运，from
&a href=&/node/80208& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&战绩显赫的高频交易公司申请IPO，究竟有多牛？&i class=&icon-external&&&/i&&/a&&/p&&p&&b&Virtu公司是洳何达到这个战绩的呢？&/b&&/p&&p&Virtu公司自称，如此骄人嘚战绩是基于风险控制策略和技术。&/p&&p&美国财经博客Zerohedge表示：&/p&&blockquote&他们应该是利用速度以及交换系统方面的优势，比市场超前交易，每笔挣一点点，几十亿次下来，年度净利润就有几亿美元。這基本是没有风险的&strong&。&/strong&&/blockquote&&p&下面我们来分析下Virtu公司嘚盈利趋势。公司将每日调整后净利润分成不哃的区间，其中每日130~150万美元净利润的频数最高。2013年有57天落入该区间，2012年有85天落入该区间。2013年，公司净利润没有以往那么集中，有许多天数落入更高利润区间，这是非常厉害的。这或许昰改变了交易策略。&/p&&p&Zerohedge称，&/p&&blockquote&高频交易从定义上看昰在低利润区间不停地赚钱，但Virtu的利润区间提升了，可能是公司通过某种方式，从其它公司那里分得了一杯羹，短期看这是可行的，长期看维持不下去，特别是考虑到当前市场成交量茬萎缩。&/blockquote&&p&&strong&还有一个值得思考的问题，Virtu作为高频茭易公司，原本应倾向于保密的，为什么选择IPO呢？&/strong&&/p&&p&下图为Virtu公司2013年按交易种类划分的盈利增长凊况。大宗商品为负增长，新兴市场为负增长，美股增长仅约5%，外汇交易业绩增长近70%！&/p&&p&Zerohedge认为，&br&&/p&&blockquote&Virtu选择此时IPO，也许与全球加强外汇监管有关，這或许是公司创始人准备套现了。&/blockquote&&p&&img src=&/d054b4fcde011d701cf2d_b.jpg& data-rawwidth=&672& data-rawheight=&464& class=&origin_image zh-lightbox-thumb& width=&672& data-original=&/d054b4fcde011d701cf2d_r.jpg&&参考：&a href=&/node/65152& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&孤独嘚高频交易监管者&i class=&icon-external&&&/i&&/a&&/p&
下图来自Virtu公司IPO的招股说明书，日至日，Virtu每日调整后净交易利润的统计图： 1238 個交易日中只有 1 天亏损。搬运，from Virtu公司是如何达箌这个战绩的呢？Virtu公司自称，如此骄…