大数据时代下程序化交易的研究的现状及风险监测的方案的探讨.docVIP

大数据时代下程序化交易的研究的现状及风险监测的方案的探讨 　　摘 要 近年来，大数据在各行业开始得到充分重视，以高频数据为基础的程序化交易不仅在海外市场蓬勃发展，在国内市场也悄然兴起，日益成为各方关注的热点。伴随着美国股市“闪电崩盘”、国内“816光大事件”等风险事件的发生，程序化交易的利弊也成为各方热议焦点。文章从程序化交易的数据基础、数据模型、风险管理出发，对国内外学术界关于程序化交易的理论和实证研究进行梳理，同时针对程序化交易引发的系统性风险提出了两种监测方案，以期为我国证券市场的程序化交易监管提供参考。 　　关键词 程序化交易；系统性风险；风险监管 　　[中图分类号]F222 [文献标识码]A [文章编号]1673-0461（2015）12-0065-04 　　一、引 言 　　近年来，在商业、金融及其他诸多领域，决策日益基于数据和分析而作出，而非基于经验和直觉，进而带来思维、生产和生活方式的巨大变革，由此开启了所谓的大数据时代。对于天然具有数据属性的资本市场来说，大数据能够为证券投资提供充分的信息技术支持。但同时，大数据滋生的新型证券生态对资本市场安全也带来了新的挑战。其中，程序化交易就是资本市场中基于大数据的一个典型范例。 　　所谓程序化交易（Program Trading），又称篮子交易（Basket Trading），是现代证券交易方式的重大创新，它是近年来证券交易市场结构变迁和技术创新的自然结果，也是证券交易市场竞争的必然产物。程序化交易的业绩回报在国内外均表现优异，但其交易过程中所引致的风险事件也层出不穷。2010年5月，道琼斯30种工业股票平均价格指数在20多分钟内暴跌约1000点，降幅达9%；2012年3月，美国第三大交易所BATS在首次公开募股阶段发生闪电崩盘；2013年8月，光大证券因系统设置缺陷导致天量错单，成为国内首例程序化交易风险事件。这些程序化交易中的焦点事件，势必引起金融监管部门的思考和关注。2010年9月，美国SEC正式提议禁止闪电交易；2012年9月，德国政府通过规范程序化交易的立法草案；同年10月，欧洲议会通过欧洲金融工具市场指令II草案；光大“8.16事件”也引起了我国监管部门的高度重视，对券商程序化交易系统的排查工作已经展开。考虑到程序化交易作为一种新型交易模式，在我国起步较晚，背后可能存在的风险尚未充分释放，一旦市场开放而监管没有同步，将会形成巨大的漏洞，建立起切合中国实际、跟踪市场走向的程序化交易风险监管方案，具有重要的意义。本文将立足于金融高频数据，对程序化交易的研究现状进行梳理，并针对如何防范程序化交易引发的系统性风险提出量化分析方案。 　　二、程序化交易研究现状 　　（一）程序化交易的数据基础研究 　　程序化交易往往建立在金融高频数据行情基础之上。研究金融高频数据，对于准确把握程序化交易意义重大。 　　Robert Wood（2000）是研究金融高频数据库创建领域的先驱，其成果阐述了日益增长的股市交易以及股票价格数据库对市场结构的影响[1]。考察我国金融高频数据库建设现状，专业金融资讯软件发展迅速，如万得（WIND）资讯数据库、锐思（RESSET）金融研究数据库等。同时，各大金融机构建立高频数据发布窗口，对专业数据库进行了补充和完善。 　　基于繁荣的金融衍生品市场和灵活的交易体制，国外在金融高频数据挖掘方面成果较成熟。结果表明，高频数据可用来比较不同交易系统（如NYSE公开叫价系统和NASDAQ计算机交易系统）在价格发现方面的有效性[2]；还可用于研究某支特定股票买卖报价的动态性[3]，相关研究如J.Hasbrouck（1999）、Zhang M.Y.等（2001）；在一个指令驱动的股票市场（如中国台湾股市交易所），高频数据还可用于研究指令动态，Cho，D.等（2003）利用在中国台湾股市交易所中交易的340多只股票的5分钟收益率数据研究了设定日股价上下限的影响，并发现了向股价上限趋近磁效应的显著证据[4]。该方向也引起了国内学者的重视，朱建平（2011）在方法论框架下，将金融高频数据单独作为研究对象进行讨论，并对金融高频数据挖掘研究做了展望[5]。 　　（二）程序化交易的数据模型研究 　　随着金融数据挖掘工作的展开，如何建立数据模型，成为学术界关注的一个重要问题。现有金融高频数据模型大致可分为三类： 　　第一，价格变化模型。基于金融高频数据具有离散化和集中于“无变化”特征， Hauseman，Lo和Mackinlay（1992）提出了顺序概率值模型（Orderd probit model），将价格和波动的取值看作是价格本身、交易持续期、交易额、收益率的当期和延迟期的线性函数[6]； Rydberg和Shephard（2003）提出分解模型（