算法交易及在中国资本市场的应用前景

开篇：润墨网以专业的文秘视角，为您筛选了一篇算法交易及在中国资本市场的应用前景范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：算法交易已被广泛用于欧美和亚洲部分成熟市场的金融产品交易中，用于降低交易成本，减少市场冲击。在中国，算法交易还不成熟，目前尚处在初级的算法交易加经验判断阶段。本文考察我国证券投资基金进行股票交易时的内生成本，分析了算法交易在我国资本市场的应用前景。研究发现：(1)基金交易技术和交易水平存在较大提升空间，交易技术和水平的提高可以为基金公司节省巨大的成本；(2)基金之间的交易技术和交易水平差距较大；(3)基金买入股票的交易成本要显著低于卖出的成本；(4)不同板块的交易成本存在差距。

关键词：算法交易；交易成本；证券投资基金

JEL分类号：G20　中图分类号：F830　文献标识码：A　文章编号：1006-1428(2012)01-0024-04

作为投资者对资本和风险有效配置的实现手段，交易策略一直是资本市场理论界和实务界研究的重要问题之一。随着资产规模的不断增长，机构投资者交易行为对资本市场的影响越来越大。如何在不惊动市场的前提下买进或卖出大额证券并承担较低的交易成本及避免不必要的市场波动，即如何制定科学的、合理的资产交易策略，已经成为机构投资者和证券监管当局关注的问题。随着计算机技术的高速提升、硬件的高速存储能力、软件的高速并行算法以及金融数学的发展，算法交易(algorithmic trading)应运而生，为这一问题的解决提供了帮助。据海外专业机构统计，算法交易在欧美等发达资本市场中已成为主要交易手段。Aite Group LLC的研究显示，算法交易在欧盟和美国的所有股票交易中占到40％，其中在美国的一些市场中，该比重更达到80％以上。

算法交易在中国刚刚起步，与成熟市场相比存在较大差距。这具体表现为，一方面，交易执行技术尚不成熟，目前尚处在初级的算法交易加经验判断阶段，交易大多基于交易人员的经验，主观判断成分占绝大比例；另一方面，系统性地支持算法交易的成熟软件非常少，并且国内对此方面的理论研究还比较薄弱。尽管如此，国内市场日渐扩张的机构投资者资产规模、多样化的投资者需求和各类新型创新产品为算法交易的发展提供了萌芽的土壤。

一、算法交易的概念

算法交易是指把一个指定交易量的买人或者卖出指令放入模型，该模型包含交易员确定的某些目标。根据这些特殊的算法目标，该模型会产生执行指令的时机和交易额。20世纪80年代后期及90年代，美国证券市场的全面电子化成交和电子撮合市场ECN(Electronic Communication Networks)的发展为算法交易提供了发展的前提。区别于程序化交易模型只关注收益和风险的特点，算法交易使用数量化模型，在用户指定基准和约束条件下，通过在冲击成本与等待风险之间的平衡，来算出最佳的交易时机和交易额，并由系统自动执行交易指令。因此，算法交易又称自动交易(Automated Trading)、黑盒交易(Black-boxTrading)、无人值守交易(Robo Trading)。更为严谨地说，算法交易是指遵循数量规则、用户指定基准和约束条件的自动电子交易，包括组合交易(对一篮子股票进行一系列交易)和智能路由(Smart Routing)。

算法交易的内在逻辑在于利用市场交易量的特点。通过一定的数量统计方法，在风险可控、成本可控条件下执行订单。算法交易系统的核心是通过一套计算机程序，在一秒钟内产生若干交易指令(其中许多指令瞬间就可以被取消或被新的指令取代)，来寻求最佳的成交执行路径减小对市场的冲击，以降低市场冲击，减少交易成本。

算法交易的兴起主要受到以下几个因素的影响：

(1)2000年初美国和加拿大的股票最小报价单位由1/8美元调整为0.01美元的“十进制”运动，导致美国股票价差和报价深度的大幅缩小。

(2)电子交易技术和通讯技术的迅猛发展为算法交易提供了技术可行性。

(3)机构投资者管理的资产规模不断增长，其订单相对于市场冲击越来越大，大额订单交易变得更加复杂。

(4)相关的监管部门对交易行为的重视。例如，欧盟MiFID、美国Reg NMS及英国CP176等一系列相关法规的推出与实施推动了算法交易的发展。在上述法令颁布后，纽约证券交易所(NYSE)与伦敦交易所(LSE)的每股订单规模在不断下降，而订单数目迅速增长，表明投资者和证券监管部门逐渐认识到大额订单对价格的冲击影响，为避免交易冲击，投资者开始利用算法交易将大额订单分拆成小额订单进行交易。

二、算法交易的全球发展现状

借助于电脑的高速计算能力，算法交易正在风靡全球金融市场。其交易的证券基本涵盖了市场上包括股票、期货、期权、债券、交易所交易基金(EFT)、外汇等大部分品种。

在欧美成熟市场，算法交易已经成为股票交易的主流模式，大部分的股票交易都是通过算法交易来完成。算法交易的用户主要是经纪商、对冲基金、养老基金、共同基金，以及公司中有自己算法交易系统的自营交易部门。据Elkins/McSherry统计，在美国算法交易已成为基金业界的主流，在2010年，全美90％的投资经理在建立投资组合时至少使用一次算法交易(见图1)。算法交易在欧洲投资界也被大量使用，英国是欧洲地区使用算法交易比例最高的国家，2007年LSE的所有交易中有60％的交易采用了算法交易，有50％的基金经理使用算法交易进行投资管理。

在诸如东京证券交易所、香港交易所和新加坡交易所等亚洲部分成熟市场中，算法交易的发展也很迅速。例如，在日本和香港有超过80％的机构投资者在股票交易时采用算法交易，在2010年香港、日本和新加坡证券市场的算法交易使用率已经超过了30％，并且预测未来增速同样可观。一些亚洲新兴市场的算法交易也有一定的发展，2010年8月4日，雷曼兄弟公司通过印度全国证券交易所提供的直接下单功能(DMA)执行了印度市场的第一笔算法交易委托。

算法交易发展如此迅速，归功于其自身优势，包括：匿名性、减少市场冲击、提高交易执行效率、降低交易成本、减少人力成本、增加投资回报、确保复杂的交易及投资策略得以执行。根据TABB Group的统计，选择算法交易的投资者中，有18％是因为可以匿名交易，其次是可以降低交易成本，占了16％，减少市场冲击和获得最佳成交价量这两者分别占14％和9％。

尽管算法交易存在诸多优点，但其对证券交易所和经纪商交易系统的订单处理能力具有较高的要求，会对交易所系统的安全性产生一定的影响，前文中在Neg NMS法规出台后NYSE订单笔数与换手率出现显著增加的情况就表明了这一点。

三、算法交易应用――交易成本分析

与程序化交易模型通常只关注收益与风险不同，算法交易关注的是被机构投资者忽视的“内生成本”(隐性成本)。而利用算法交易可大大降低内生成本对

投资收益的腐蚀。交易成本分析正是算法交易的应用，是考察投资者的算法交易是否有效的工具之一。所谓交易成本分析是指从算法交易的角度出发，考察投资者证券投资活动中需要付出的隐性成本。交易成本包括外生成本和内生成本。其中，外生成本包括佣金、印花税等，由交易所和监管部门制定收费比率，一般在股票实际交易之前就可以确定大小；内生成本是指股票成交过程中受到市场条件、执行情况等因素影响而产生的成本，也称为交易执行成本，包括机会成本和冲击成本两部分。前者指从投资者下达订单开始到订单执行完毕(或者最终没有执行而撤单)这段时间内的价格风险；后者指订单交易行为对市场价格的影响程度。一般用订单执行前后市场价格的差值来衡量。

一般而言，交易成本分析所指的成本为内生成本分析。Plexus(2007)的研究刻画了美国市场的交易成本的“冰山”模型，指出直接成本(佣金、税费等)约为9BPS，执行差额(价格冲击成本)约为15BPS，交易前成本(机会成本、为交易成本)约为40BPS。这表明内生成本在交易总成本中占有较大比重。

目前，交易成本分析方法分为三类，即基于交易前价格选择的成本分析、基于交易中价格选择的成本分析和基于交易后价格选择的成本分析(见表1)。交易前价格包括：决策时价格、前一日收盘价、当日开盘价、到达价格；交易中价格包括：交易量加权平均价、时间加权平均价、OHLC(开盘、最低、最高和收盘价平均)、交易额加权平均价；交易后价格包括：当日收盘价。

全球范围来看，交易量加权平均价格(VWAP，Volume weighted averaging price)使用最为广泛，其次是执行差额(IS，Implement Shortfall)和到达价格(AP，Arrival Price)。表2以VWAP与IS为例，给出两种算法的优缺点(见表2)。

归纳起来，VWAP的优点在于：应用简单、市场冲击成本较低；其缺点在于：忽视了机会成本、可通过自身交易行为影响基准价格。IS的优点在于：不易操纵、将机会成本纳入评价基准中；其缺点在于：对数据要求较高(需要投资者的决策时间和订单执行情况)、没有具体的执行策略指导而只能单纯作为一种评价基准。

自2005年股权分置改革以来，全流通、红筹股回归、新股IPO等使得A股市场的规模迅速扩大。截至2011年10月底，沪深两市上市公司超过2304家，总市值超过24万亿元。市场的快速扩容也激发了投资者的交易热情，截至2011年10月底，沪深市场投资者开户总数约为2亿户，股票成交金额达4.5万亿美元，全球交易所中排名第三。市场规模和结构的变化直接影响了投资者的交易方法与策略，近年来国内各大券商研究机构对数量化研究逐渐重视起来，纷纷成立相关的研究部门或小组对其进行专门研究，共同基金对数量化投资策略的重视程度也在不断提高。数量化分析不再限于基金的事后绩效评估，而是积极地参与到主动投资、选择股票组合的领域。但是和欧美市场相比，国内由于对算法交易及交易系统认识的缺乏，算法交易还不是很普遍。

本文采用VWAP方法对我国证券投资基金的股票交易行为进行交易成本分析，以探究我国算法交易未来的发展空间。鉴于基金交易规模较大，我们采用剔除自身交易的VWAP模型来计算超额VWAP，即剔除基金自身交易的VWAP与市场平均VWAP的差值。VWAP是目前应用最为广泛的基准价格之一，在欧洲和日本等国家和地区应用较多。VWAP以交易量为权数对价格进行平均，其计算公式如下：

VWAP=∑(交易价格×交易股数)/∑(交易股数)=买卖总额/交易股数　(1)

我们将买入方向的超额交易成本定义为∑∑Cij(pi，j-pi，j)，而卖出方向的超额交易成本为一∑∑Ci,j(pi，j-pi，j)。其中，Ci，j为在交易日i投资者买人(卖出)股票j的数量，Pi，i为在交易日i投资者买入(卖出)股票j的价格，Pi，i在交易日i剔除该基金当日交易后股票j的交易均价。为了能够统一统计口径、方便比较，我们将计算得出的VWAP除以相应买入或卖出金额，得到每交易一元股票时的超额交易成本。

我们以2008年280支证券投资基金作为研究样本，考察我国以基金代表的机构投资者的交易情况。我们利用VWAP指标分别计算了我国证券投资基金交易沪市各板块股票(所有股票、上证50指数成分股、上证180指数成分股以及除去上证50、上证180指数成分股和ST股票外的其他股票)的交易成本(见表3)。结果表明：

(1)我国证券投资基金的交易技术和交易水平存在较大提升空间，如果基金能够按照最简单的VWAP方法进行交易的话，交易技术和水平的提高可以为基金公司节省巨大的成本。

(2)基金之间的交易技术和交易存在较大差距。以2008年期间基金买入上证50指数成分股的超额VWAP为例，交易技术最优的基金的交易成本为-120个基点，而交易技术最差的基金为123个基点，二者相差243个基点。

(3)基金买入股票的交易成本要显著低于卖出的成本。在2008年基金买入时的交易成本平均为10.98，而卖出时基金交易成本为15.64，二者相差近50％。这表明，相对于卖出交易而言，基金在执行买入指令时能更好地控制交易节奏。

(4)基金交易不同板块股票时，交易成本存在较大差距。例如，买入上证50指数成分股票的交易成本较买入180成份股和其他股票的成本要大，而卖出上证50指数成分股票的交易成本较卖出180成份股和其它股票的成本要小。

以上结果表明，算法交易在我国资本市场中具有广阔的应用前景，机构投资者可以通过算法交易来降低交易成本、减少市场波动。算法交易在我国证券市场的应用不仅有助于投资者交易成本的降低，更有助于减少大额交易引起的市场异常波动。

五、研究结论

随着机构投资管理资产规模日益庞大，智能化算法及通信技术的快速发展，算法交易逐渐成为金融工程的一个重要发展方向，并被认为是智能化算法、数学模型与投资者主观意愿的完美结合。在欧美和亚洲部分先进市场，算法交易已被广泛用于金融产品交易，来降低交易成本，简化基金经理及分析师的工作。在中国，算法交易还处于起步阶段，目前只有少数基金公司进行了算法交易的测试和使用，与海外相比存在不小的差距。然而，日益壮大的指数基金和机构资产管理规模为算法交易的发展提供了广阔的基础。

通过对我国证券投资基金股票交易成本的分析和比较，我们发现：(1)基金交易技术和交易水平存在较大提升空间，交易技术和水平的提高可以为基金公司节省巨大的成本；(2)基金之间的交易技术和交易水平差距较大；(3)基金买入股票的交易成本要显著低于卖出的成本；(4)不同板块的交易成本存在差距。以上结果表明，算法交易在我国资本市场中具有广阔的应用前景。机构投资者可以通过算法交易以较低的交易成本、较小的市场波动来完成预期交易目的。