第 1 期:加息 vs 降息
Last updated
Last updated
230617 第 1 期。
记录每周值得分享的金融量化和金融科技相关内容,周六发布。
开源内容也可以通过 量化科技周刊 网页访问。
“加息 vs 降息” 由 fotor.com AI 生成。显然和人类的的理解还是有很大的不同。
本周最重要的议题之一是美国是否加息。
美国5月通货膨胀年率上升 4%,为两年来最低。衡量众多商品和服务变化的消费者价格指数(CPI)当月仅增长 0.1%,比一年前增长4%,后者是大约两年来的最低水平。文章还指出,不包括食品和能源价格的核心 CPI 当月增长 0.4%,比一年前增长5.3%,表明价格压力已经有所缓解,但仍然很高。根据目前的通胀数据,美联储本周很可能不会加息,而本周最后的结果也证明如此。
美联储的政策是由其维持价格稳定和最大就业的双重任务,以及其对过剩流动性和资产泡沫可能引发的通胀和金融不稳定风险的担忧所驱动的。美国的名义利率上升和美元走强,可能会吸引资本流入美国和导致资本流出新兴市场,尤其是那些外债高和经常账户赤字大的国家。(via)
通货膨胀和利率对我国经济的影响更为复杂,取决于各种因素,如贸易流动、汇率、资本流动、国内需求和供应以及政策反应。2023 年 4 月,我国的通货膨胀率为 2.9%,低于3%的官方目标,但衡量工厂门市价格变化的生产者价格指数(PPI)却飙升了 12.8%,为 2008 年以来最高。这表明中国的制造商正面临着原材料和能源成本的上升,这可能会挤压他们的利润,影响他们的投资和生产决策。
我国央行一直保持着审慎的货币政策立场,以防止人民币对美元过度升值,这将损害中国的出口竞争力。然而,如果美联储在未来加息,可能会对人民币造成下行压力,并引发外流。中国人民银行可能会因此提高利率或收紧其他政策工具,以捍卫其货币和维持金融稳定。
目前美国停止加息,A 股港股再次迎来喘息空间,在政策预期加上和美股估值差距太大下,七翻身说不定有提早到来的机会。(via)
美国上周按揭贷款需求的大幅增长,主要是由于利率从近期高点回落的。上周 30 年期固定利率按揭贷款的平均合同利率从前一周的 6.81% 下降到 6.77%,这是自 5 月中旬以来的最低水平。按揭贷款需求增长的两个方面:重新贷款和购房贷款。重新贷款需求上周增长了 10%,是近两个月来的最高水平,但仍比去年同期低了 27%。购房贷款需求上周增长了 4%,是近一个月来的最高水平,但仍比去年同期低了 24%。 但是按揭贷款需求的增长可能只是暂时的,因为利率仍处于较高水平,而且房价和住房供应短缺也限制了购房者的选择。
相对而言内地的按揭贷款利率今年以来一直都是处于历史低位。在 2024 年美国利率有可能降低的情况下,因为货币流动性的限制,今年有可能是地产最艰难的一年。低利率政策有利于降低房地产开发和购买的成本,刺激房地产需求;高利率政策有利于抑制房地产投机和泡沫,稳定房地产市场。但是,利率政策并非唯一影响因素,还要考虑其他因素,如经济增长、收入水平、人口结构、土地供应、调控政策等。
Meta 的 AI 软件高管表示,正在与 AMD 进行密切合作,便于 AI 开发者使用免费工具摆脱 AI 芯片的单一主导厂商,转向 AMD 等公司提供的其他方案。对于踏空英伟达的投资者,也许可以换一个角度从 AMD 入手。
在过去半年时间里,特斯拉做了四件事助推了股价。
全球大降价刺激了市场需求,德州工厂的产能稳步上升,成本降低,全新改款的Model 3即将上市,CyberTruck的产能预期提高,还有将充电桩开放给通用和福特。在这些因素的共同作用下,特斯拉的股价在今年已经上涨超过一倍,领跑纳斯达克科技股。
而中国电动车车企蔚来,在被迫降价并且推出新款车型后,在本周也迎来了一波大涨。
文章介绍了指数增强策略的概念和方法,并以沪深300指数为例,基于动量策略构建了一个指数增强交易策略,并进行了量化回测和分析。以下为文章的一些论点,
指数增强策略是一种旨在超越基准指数表现的投资策略,即在不改变总体投资风险的情况下,获取超过该指数的回报。
指数增强策略有多种形式,如动量策略、价值策略、因子模型策略、对冲策略、风险平价策略和组合优化策略等。
本文构建了一个基于动量的沪深300指数增强策略,即在每个月结束时,选择过去一年表现最好的N%的股票进行投资。
回测结果显示,该策略在2010年1月至2023年5月期间,累计收益率为1360%,年化收益率为16.8%,最大回撤为29.7%,夏普比率为1.2,相比于沪深300指数的累计收益率为97%,年化收益率为4.9%,最大回撤为48.7%,夏普比率为0.3,具有明显的优势。
该策略也存在一些局限性,如参数敏感性、交易成本和流动性等。因此,在实际应用中,需要根据市场环境和投资目标进行适当的调整和优化。
正态分布的模数是一组数据值中出现频率最高的值。
如果 X 是一个离散的随机变量,模数是概率质量函数(PMF)取得最大值的值 x。
连续概率分布的模式通常被认为是其概率密度函数具有局部最大值的任何值x,因此任何峰值都是模式。
Proof: Mode of the normal distribution 这篇文章给出了高斯分布的模数和平均值重合的证明。
而 Kurtosis of Gaussian Distribution 则给出了高斯分布的 Kurtosis 为 3 的证明。
这篇文章科普了 Vol Trading 中常见的两个指标 Open Interest 和 Trading Volume 的联系和区别,并简单介绍了这两个参数在交易中的运用。
这篇文章详细介绍了 Deribit volatility (DVOL) 波动率指数的计算过程并提供了完整的代码。这对于其他的一些指数的计算也有指导意义。
对应也有一篇英文版本 DVOL — Deribit Implied Volatility Index。
金融证券行业是一个极其细化的行业,许多从业者在多年之后仍然不太了解金融证券系统中不同部分的来源和作用。这篇文章图文并茂地讲解了整个证券系统的历史演变过程,并且对区块链技术有可能产生的影响提出了见解。
在高频交易中任何性能问题都有可能导致原本可能盈利的策略失效。
这篇文章介绍了一种影响多核处理器性能的问题,叫做伪共享(false sharing)。伪共享是指多个处理器核心同时访问同一个缓存行(cache line)中的不同变量,导致缓存行频繁失效和更新,从而降低并行性能。文章通过一个示例程序,展示了伪共享的产生和影响,并给出了一些避免伪共享的方法,如:
使用缓存行对齐的数据结构,如java.util.concurrent.Exchanger。
使用填充(padding)技术,在变量之间插入无用的字节,使它们不在同一个缓存行中。
使用@sun.misc.Contended注解,让JVM自动为变量添加填充。
摘要如下:
伪共享是一种多核处理器中的性能问题,它会导致缓存行失效和更新,增加内存访问延迟。
伪共享可以通过一些技术来避免,如缓存行对齐、填充和注解。
伪共享的检测和优化需要对硬件和软件有深入的理解,以及使用合适的工具和方法。
这篇文章是 Prometheus 作者 Fabian Reinartz 在早期的一篇博客。它记录了 Fabian 如何从无到有地创造出 Prometheus 底层的数据库 TSDB。
交易中很多数据都是时序数据,了解时序数据库的原理对交易系统的构建和策略的实现有非常重要的意义。
高频交易相关的最重要 Java Framework 可能是
Disruptor
Chronicle Queue
Vert.x
Chronicle Queue 解决了 JVM IPC 的性能问题。这篇文章给出了 Chronicle Queue 的一些基本的使用方法。
搭建交易所中最重要的一部分是 Order Book 和 matching engine 的实现。这篇文章介绍了 Order Book 和 matching engine 的一些基本内容并且给出了 Scala 的代码实现。
关于 matching engine A Matching Engine for our values 清晰地给出了框架,在架构上有一定的指导作用。
(完)