大家好，今天小编来为大家解答算法交易平台说明这个问题，如何建立自己的算法交易很多人还不知道，现在让我们一起来看看吧！

本文目录

1. 外汇哪个平台好有推荐的吗
2. 什么是量化交易,未来前景如何知道的讲讲。
3. 如何建立自己的算法交易

一、外汇哪个平台好有推荐的吗

1、外汇交易平台是指提供外汇交易服务的在线平台。目前市场上有许多外汇交易平台，以下列举几个常见的平台：

2、这是目前市场上最流行的外汇交易平台之一。它提供了强大的交易功能和工具，具有高度的可定制性和用户友好性。MT4/MT5平台可以在PC、手机、平板电脑等多种设备上使用，也支持自动化交易和算法交易。

3、这是一款专为外汇和差价合约交易设计的平台。它提供了用户友好的界面和高级的交易工具，支持自动化交易和算法交易。cTrader平台也可以在PC、手机、平板电脑等多种设备上使用。

4、这是一个在线的图表分析平台，也提供外汇、股票、期货等各种交易市场的实时行情和图表分析工具。它的用户界面友好，功能强大，还支持社交交易和自动化交易。

5、这是一个全球领先的外汇交易平台之一，提供了多种外汇交易工具和产品，包括差价合约、期货、股票等。它的交易平台简单易用，支持多种设备使用，还提供了实时行情、图表分析等工具。

6、以上只是市场上一部分常见的外汇交易平台，每个平台都有其独特的特点和优势，投资者可以根据自己的需求和偏好来选择合适的平台。

7、至于哪个平台比较好，这是一个比较主观的问题。不同的交易者有不同的需求和偏好，所以选择适合自己的平台是最重要的。一般来说，好的外汇交易平台应该具有以下几个特点：

8、平台应该是由受监管的券商或交易商提供，且有良好的声誉和历史记录。

9、交易工具和功能：平台应该提供多种交易工具和功能，例如实时行情、图表分析、自动化交易等。

10、平台应该具有用户友好的界面和易于使用的功能。

11、平台应该提供24小时客户支持，以帮助解决交易过程中的问题。

12、总之，选择适合自己的外汇交易平台是非常重要的，投资者需要根据自己的需求和偏好来进行选择。

二、什么是量化交易,未来前景如何知道的讲讲。

量化交易是指借助现代统计学和数学的方法，利用计算机技术来进行交易的证券投资方式。在国外的期货交易市场，程序化渐渐地成为主流，国内则刚刚起步。今天我们就来分析一下它的优势和劣势。

所谓量化交易，是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，减少投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

量化模型=计算机技术+量化分析师制定策略

在股票市场上，量化交易早不是什么新闻，量化从业人士张威告诉人民创投(ID：renminct)，在国外七成的交易都是通过计算机决策的，在国内这个数字也接近五成。

过去的股票市场都是靠交易员手动敲键盘来操作的，难免一失手成千古恨，这种行为被戏称为“胖手指”，相比之下，量化交易则如同点石成金的“仙人指”。量化里最美的童话就是“旱涝保收”，牛市也好，熊市也罢，都能大赚特赚。

传统股市量化中最耀眼的明星莫过于詹姆斯西蒙斯，其一手缔造的大奖章基金自1988成立至2009年西蒙斯退休的这21年间，年平均收益率达到了惊人的46%，即使是2007年次贷危机席卷美国，量化基金遭遇滑铁卢的时代，大奖章基金依然获得了骄人的73%的回报率。

量化投资中常用的策略，包括阿尔法策略，CTA策略和套利策略。阿尔法策略通过选股组合，挖掘超越市场整体表现的投资机会;CTA策略通过追随趋势，追涨杀跌;套利策略利用市场价格差异，空手套白狼。每个量化投资策略都是个黑盒子，它们是量化公司的量化投资的核心竞争力，其他外部人无法知道其中的秘密。

旱涝保收，坐收渔利，这样的“黑科技”让币圈的投资者也分外眼红。一家量化交易企业的创始人这样描述自己转行数字货币量化交易的经历：“两年前，炒币的朋友经常24小时看行情，搞得精神疲惫，问我如何在数字货币领域实现量化、程序化交易。他们提供了一个比较简单初级的模型，希望我在它的基础上扩展改造，增加风险管理模块。”

现在大大小小的数字货币量化交易团队采用的量化策略与传统外汇市场、期货市场用来做套利的策略虽然大体相似，可也玩出了新的花样，搬砖就是一个典型。搬砖学名“配对交易”，是指同类型股票或同股异地股票根据价值分析以及股价相对比例相互置换的一种套利方法，由于政策原因，同股异地搬砖并不常见，但在数字货币市场，大大小小的交易所数不胜数，不同交易所之间的价格也常有差异，利用价格差低买高卖，就成为数字货币量化中最简单粗暴的盈利方式。

量化交易有着严格的纪律性，这样做可以克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差。一个好的投资方法应该是一个“透明的盒子”。我们的每一个决策都是有理有据的，特别是有数据支持的。如果有人质问我，某年某月某一天，你为什么购买某支股票的化，我会打开量化交易系统，系统会显示出当时被选择的这只股票与其他的股票相比在成长面上、估值上、资金上、买卖时机上的综合评价情况，而且这个评价是非常全面的,比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。

完备的系统性具体表现为“三多”。首先表现在多层次，包括在大类资产配置、行业选择、精选个股三个层次上我们都有模型;其次是多角度，量化交易的核心投资思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度;再者就是多数据，就是海量数据的处理。人脑处理信息的能力是有限的，当一个资本市场只有100只股票，这对定性投资基金经理是有优势的，他可以深刻分析这100家公司。但在一个很大的资本市场，比如有成千上万只股票的时候，强大的定量化交易的信息处理能力能反映它的优势，能捕捉更多的投资机会，拓展更大的投资机会。

量化交易正是在找估值洼地，通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。定性投资大部分时间在琢磨哪一个企业是伟大的企业，那个股票是可以翻倍的股票;与定性投资不同，量化交易大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。

这表现为两个方面，一是定量投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用。二是在股票实际操作过程中，运用概率分析，提高买卖成功的概率和仓位控制。

首先是一二级市场“级差”风险，其次是交易员操作风险，最后是系统软件的风险。

一二级市场的“级差”是整个套利交易的核心。在现有规则下，ETF套利模式分为两种：一种是通过购买一揽子票，按照兑换比例在一级市场换得相应的ETF份额，然后在二级市场上将ETF卖出;另一种则与前者相反，是在二级市场上购买ETF份额，通过兑换比例换得相应数量的股票，然后在二级市场卖出股票。交易的顺序视股票价格、兑换比例、ETF份额交易价格的变动而决定。

由于股价的变动，ETF套利级差转瞬即逝，因此纷繁复杂的计算过程，目前业内由计算机完成，交易员通过设定计算程序并按照结果决定策略，又或者完全自动让系统在出现套利空间时自动交易，后者便称之为程序化交易。

又因为套利的空间非常小，通常只有万分之几，因此套利交易为了获取适中的收益，参与的资金量都比较大。如果交易员把握不当顺序做反，则投资将出现亏损，这便是级差风险。而为了控制这样的人为风险，券商一般提倡自动化交易，方向由计算机把握，交易员输入交易数量即可。

第二种风险是交易员操作失误，比如光大这次的乌龙指事件，有可能是交易员在输入数量的时候出现了失误。这同时也牵扯到第三种风险，系统软件风险，每个交易员在系统中都有相应的交易权限，包括数量、金额。光大本次涉及的金额坊间一度传闻为70亿元，而数量如此巨大的金额是如何绕过系统权限完成交易的?这个问题的暴露，也导致业内质疑光大风控并未做足。

这个平台犹如币圈的一个缩影，每一个人都心惊胆战地伏在荷官的膝下，聆听骰子撞击的声音，殊不知荷官才是他们中的头号玩家。“职业投资者都知道有庄家”，张威直言。多数的量化平台可能会推出更复杂的止损策略和更出色的套利机制，但除非平台拥有足够雄厚的资本成为游戏的庄家，否则就只有被收割的命运。

量化作为工具，或许无可厚非，但许多数字货币基金以“量化”为名，公开募集资金，行走在法律的边缘。中国人民大学教授赵锡军认为，金融行业和其他行业不同，参与金融活动，动用的是别人的钱，发生风险，别人会有损失，因此政府需要更加严格地监管。

量化交易一念天堂，一念地狱。小编在这里希望广大投资者切莫游走在法律的边缘，以身试法，否则等待你的将是法律的制裁

三、如何建立自己的算法交易

【Bertsimas, Dimitris, and Andrew W. Lo."Optimal control of execution costs."Journal of Financial Markets1.1(1998): 1-50.】这里假设了不同的价格冲击函数，然后求解得到最优的交易执行方案。根据参数的不同，最优的策略要么是全部开头卖掉、均匀减仓、或者全部最后卖掉。

【Almgren, Robert, and Neil Chriss."Optimal execution of portfolio transactions." Journal of Risk 3(2001): 5-40.】这篇文章我们专栏前面有讲过，很著名的 Almgren-Chriss模型。张楚珩：【交易执行】Almgren-Chriss Model

【Guéant O, Lehalle C A, Fernandez-Tapia J. Optimal portfolio liquidation with limit orders[J]. SIAM Journal on Financial Mathematics, 2012, 3(1):740-764.】这篇文章我们专栏前面也有讲过；前面的 Almgren-Chriss其实考虑的是使用市价单，而这里考虑使用限价单进行交易。张楚珩：【交易执行】限价单交易执行

【Guéant, Olivier, and Charles‐Albert Lehalle."General intensity shapes in optimal liquidation." Mathematical Finance 25.3(2015): 457-495.】这里也是考虑限价单进行交易，但是与前面不同的是：前一个假设限价单考虑的成交概率随着价格指数衰减，而这里考虑了一个更加一般的形式。

【Cartea A, Jaimungal S. Optimal execution with limit and market orders[J]. Quantitative Finance, 2015, 15(8): 1279-1291.】这里考虑同时使用限价单和市价单进行交易，从而能够完成 Almgren-Chriss模型所规定的方案，或者找到一个更有的交易方案。

【Bulthuis, Brian, et al."Optimal execution of limit and market orders with trade director, speed limiter, and fill uncertainty." International Journal of Financial Engineering 4.02n03(2017): 1750020.】也是考虑使用限价单和市价单一起交易。张楚珩：【交易执行】市价单+限价单最优执行

【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】这里考虑市场所有交易者的订单都会产生线性的短期/长期市场冲击，因此可以估计未来一段时间的订单流向（买单总量和卖单总量的差），从而能够在 Almgren-Chriss模型的基础上进行一定的调整，使得策略更优。

【CarteaÁ, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】讲交易执行的基础上，更侧重讲了一些数学工具。

【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】从 Almgren-Chriss模型开始讲，一直到相应的拓展和实际的问题，十分推荐。

【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市场交易者会根据不同的市场挂单和价格走势而采取不同的反映，因此我们也可以根据历史数据学习到各种情况下的价格后验分布，从而更好地帮助我们进行交易执行或者套利。最后的结果可以看做在 Almgren-Chriss模型的基础上外加了一个调控项，反映我们对于未来的预期。

如何实现以按量加权平均价格（VWAP）交易

【Kakade, Sham M., et al."Competitive algorithms for VWAP and limit order trading." Proceedings of the 5th ACM conference on Electronic commerce. 2004.】从在线学习的角度提出了几个用于使得我们交易到 VWAP价格的模型。为什么会关注 VWAP的交易执行？当大的流通股股东需要减持的时候，为了避免直接出售引起的价格波动，一般是把需要减持的股票卖给券商，然后由券商来拆单出售，而交易价格一般为未来一段时间的 VWAP，因此券商需要尽量以 VWAP来交易执行。

【Białkowski, Jędrzej, Serge Darolles, and Gaëlle Le Fol."Improving VWAP strategies: A dynamic volume approach." Journal of Banking& Finance 32.9(2008): 1709-1722.】改进对于交易量的建模，从而得到更好的 VWAP交易算法。把交易量拆分为两个部分，一部分是市场整体的交易量变动，另一部分是特定股票上的交易量模式。

以按时间加权平均价格（TWAP）交易

为了对称，可以介绍一下另一种加权平均的情形 TWAP，这种情形实现起来相对比较简单；如果不考虑市场冲击，就拆分到每个时间步上均匀出售即可实现。

可以证明 TWAP交易在以下两种情形下最优：市场价格为布朗运动并且价格冲击为常数；对于晚交易没有惩罚（其实更晚交易意味着面临更大的风险），但是对于最后未完成交易的惩罚较大。

【Hendricks D, Wilcox D. A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution[C]//2014 IEEE Conference on Computational Intelligence for Financial Engineering& Economics(CIFEr). IEEE, 2014: 457-464.】本专栏有讲。

强化学习+交易执行（Paper/Article）

【Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 673-680.】比较经典的一篇，发在 ICML上，本专栏前面有讲。使用 DQN方法，实现形式接近 DP。

【Dabérius K, Granat E, Karlsson P. Deep Execution-Value and Policy Based Reinforcement Learning for Trading and Beating Market Benchmarks[J]. Available at SSRN 3374766, 2019.】使用了 DDQN和 PPO方法，基于生成的价格序列来进行实验，使用特定的模型考虑短期和长期市场冲击。

【Ning B, Lin F H T, Jaimungal S. Double deep q-learning for optimal execution[J]. arXiv preprint arXiv:1812.06600, 2018.】DDQN的强化学习解法，在美股上实验。

【Lin S, Beling P A. An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization[C]//IJCAI. 2020: 4548-4554.】使用 PPO的解法，比较有意思的是这里面的实验结果显示，使用 LSTM和把历史数据全部堆叠起来用 MLP效果差距不大。也是在美股上实验。

【Fang Y, Ren K, Liu W, et al. Universal Trading for Order Execution with Oracle Policy Distillation[J]. arXiv preprint arXiv:2103.10860, 2021.】在使用强化学习的基础上，引入了一个教师网络，教师网络学习一个基于未来数据的策略，并且用于训练学生网络。本专栏前面有讲。

【Vyetrenko S, Xu S. Risk-sensitive compact decision trees for autonomous execution in presence of simulated market response[J]. arXiv preprint arXiv:1906.02312, 2019.】ICML-19的文章。构造了一个可以反映市价单市场冲击的模拟器；使用 tabular Q-learning来学习基于决策树的模型；使用特征选择的方法来筛选特征。通过以上方式，能够学习到一个模型帮助决策什么时候应该下市价单、什么时候应该下限价单。

【Akbarzadeh N, Tekin C, van der Schaar M. Online learning in limit order book trade execution[J]. IEEE Transactions on Signal Processing, 2018, 66(17): 4626-4641.】从 online learning的视角来解决这个问题，使用 DP类的方法，分析 regret。

【Wei H, Wang Y, Mangu L, et al. Model-based reinforcement learning for predictions and control for limit order books[J]. arXiv preprint arXiv:1910.03743, 2019.】专栏刚刚讲了的一篇文章，使用 model-based类的强化学习算法，直接学习一个世界模型，然后让强化学习策略通过和世界模型的交互进行学习。

【Karpe M, Fang J, Ma Z, et al. Multi-agent reinforcement learning in a realistic limit order book market simulation[J]. arXiv preprint arXiv:2006.05574, 2020.】这里的多智能体似乎适用于结合历史数据生成其他市场参与者的动作，而最优策略的学习仍然是使用单智能体 DDQN方法来做。他们开源了一个考虑多智能体的模拟环境 ABIDES。

【Schnaubelt M. Deep reinforcement learning for the optimal placement of cryptocurrency limit orders[J]. European Journal of Operational Research, 2022, 296(3): 993-1006.】研究数字货币上如何下限价单。对比了 PPO和 DDQN，发现 PPO更好。探索出了一些重要的因子，比如 current liquidity cost，queue imbalance等。

【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH（瑞典）工程学院硕士论文。算法直接是基于价值函数的动态规划。不过提供了比较详细的模拟环境和算法伪代码。

【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利尔高等商学院硕士论文。使用 TD3和 DDPG算法，不过实验是基于人工生成的数据的（skew-normal Brownian motion）。

【Reiter M B. An Application of Deep Reinforcement Learning for Order Execution[D]. School of Engineering Science, Osaka University, 2020.】多伦多大学本科毕业论文。在使用 A3C算法的基础上，考虑了使用教师学生网络的方式进行迁移学习，并且考虑了短期市场冲击。

Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets

Deep equal risk pricing of financial derivatives with non-translation invariant risk measures

Optimal Market Making by Reinforcement Learning

Optimizing Market Making using Multi-Agent Reinforcement Learning

Deep Reinforcement Learning for Market Making

Deep Recurrent Q-Networks for Market Making

Robust Market Making via Adversarial Reinforcement Learning

Market making via reinforcement learning

Deep Stock Trading: A Hierarchical Reinforcement Learning Framework for Portfolio Optimization and Order Execution

Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning

Large Scale Continuous-Time Mean-Variance Portfolio Allocation via Reinforcement Learning

END，本文到此结束，如果可以帮助到大家，还望关注本站哦！