高频交易对市场的影响

高频交易是一类特殊的算法交易。高频交易投资者作为市场中的流动性提供者，为市场的形成和交易的达成起到了基础性作用。然而，当高频交易发展过度时，其提供的流动性并不真实，会演变成飘忽不定的流动性，反而有可能加剧了市场流动性波动风险。文章分析了高频交易的特点及其对市场的影响，介绍了国外监管的经验。

高频交易的特点及市场影响

高频交易是一类特殊的算法交易，它基于某种交易策略，利用高速计算机以极高的频率关注相关信息，并发出交易指令自动完成买卖。美国商品期货交易委员会（Commodity Futures Trading Commission，简称CFTC）认为高频交易有如下四个方面的特征：一是通过算法程序进行决策、生成委托单、执行成交程序等；二是延时很短，目的在于最小化反应时间；三是指令进入系统的速度快、高速连接市场；四是信息量大，即不断有报单和撤单的交易行为。

目前学术界的部分实证研究表明，高频交易提高了市场流动性，降低了交易成本，使得市场中的价格更加有效。而且高频交易提供的流动性也有利于降低企业在股权融资时的成本，体现了其对实体经济的有益之处。但也有研究认为，从方法论看，上述实证研究只能说明变量间的相关关系，无法直接证明因果关系。同时，高频交易提供的流动性飘忽不定，反而可能造成金融市场结构的脆弱与不稳定，例如，2010年5月6日发生在美国市场的闪电崩盘，虽不能完全归罪于高频交易，但高频交易者其在短期内确实加剧了市场下跌。而且，高频交易势必会对低频交易者带来不利影响，形成新的信息不对称问题，让普通投资者质疑市场的公平性。

高频交易监管的国际经验

鉴于高频交易利弊仍有争议，各国虽允许相关机构从事高频交易，但也考虑采取措施加强对高频交易的监管，限制其过度频繁的交易可能对市场造成的不利冲击。

美国的主要监管措施

加强对高频交易行为的信息收集和日常监测。在美国，单只股票既可以在纽交所等传统交易所交易，也可在BATS等新兴电子交易平台进行交易，市场的分割催生了高频交易的诸多投资策略，也造成了监管者无法对全市场的交易数据进行合并跟踪和监测。为此，美国监管部门开始着手建立综合审计跟踪系统（Consolidated Audit Trail System），要求各交易所披露完整、格式统一的订单簿数据，并以此为基础对高频交易的订单进行合并监测和分析，据以制定有针对性的监管政策。同时，对高频交易者（High-Volume Traders）分配专门的识别代码，要求经纪商在交易发生后次日，将交易记录上报美国证监会，以便分析与调查是否存在操纵市场等行为。

针对高频交易行为可能对市场扰动建立相应的过滤机制。一是禁止无审核通路（Naked Access）。无审核通路是指经纪商在没有任何审查的情况下，将向交易所发布指令的席位和高速链路通道租用给交易者以提高交易速度。2010年1月13日，美国证监会担心指令错误会增加经纪商和其他市场参与者的风险暴露，要求经纪商实行风险监控流程，在指令到达交易所之前，过滤错误和超过交易者信用与资本金承受风险范围的交易指令。二是对过度指令进行收费。高频交易者频繁的交易挤占了交易所的系统容量。2010年5月6日闪电崩盘的下午，纽约证券交易所（简称NYSE）就没有足够的系统容量来处理非常时期大规模的报单与撤单。为此，美国开始考虑限制指令成交比例（Orders-to-Executions），并对过度指令收费。如纳斯达克曾研究是否将指令成交比例降至10以下，同时针对在全国最佳报价（the National Best Bid and Offer，简称NBBO）之外超过总指令量0.2%的每笔指令收取0.005～0.03美元的费用。

完善市场异常情况的应急处理机制。一是完善异常交易的熔断机制。熔断机制通常指当价格波幅触及所规定的点数时，交易随之暂停一段时间，或交易可以继续进行，但价格波幅不能超过规定点数的一种交易机制。美国原有的熔断机制仅针对指数，无法避免高频异常交易对个股的冲击。2010年6月10日美国证监会宣布对标普500（S&P    500）指数成分股适用新的熔断机制，即如果证券价格变动超过5分钟前价格的10%，则该证券暂停交易5分钟。同年9月10日，美国证监会又宣布将熔断机制的适用范围扩大至罗素100指数（Russell 1000）指数的成份股和某些交易型开放式指数基金（ETF）。二是建立错单取消机制（Breaking Erroneous Trades）。当交易执行结果存在如价格、数量、交易单位、证券代码等明显的错误时，交易可以在交易双方的申请下或者交易所官员的裁定下予以撤销。正常市场环境下，取消错单的申请必须在交易执行完成30分钟内进行，交易所对于错单的处理应该在收到申请后30分钟内就要完成，特殊情况下不应超过第二天开市前。

为维护市场公平对特定高频交易行为进行限制。一是禁止闪电指令（Flash Orders）。闪电指令是指交易所或者经纪商不在第一时间将客户的买卖指令发送到公共交易平台，而是“扣压”最长0.5秒的时间。而在这短暂的不到1秒时间里，相关指令会向一些支付费用的大机构公开，其中的不少都是所谓的“高频交易商”，即借助高速计算机和复杂运算从事快速交易的大型机构。2009年9月，基于市场公平性的考虑，美国证监会提议禁止能使高频交易商比其他市场参与者提前数毫秒看到交易指令的闪电指令。二是提供公平的主机代管服务（Co-location）。主机代管指交易商通过将交易系统设置在某个交易所的数据中心，通过主机代管，交易机构可以让一笔交易的执行时间缩短数微秒。2010年6月11日，CFTC发布对主机代管的监管提案，要求各交易所为所有合格的市场参与者提供主机代管服务，并且不允许从收费、信息透明度等方面对各类市场参与者进行差别对待，从而避免了交易所有倾向性地为某一类市场参与主体提供主机代管服务，或者高频交易商独占主机代管服务的便利。

欧洲的主要监管措施

在欧盟层面，其制定的《金融工具市场指令2》（Markets  in Financial Instruments Directive 2, 简称MiFID2）力图对高频交易进行适当监管。但欧洲各国分歧较大，如法国主张征收金融交易税，德国拟出台限制高频交易中大量撤单行为的监管草案，而英国坚决反对，认为金融交易税等限制措施将损害金融业的竞争力。

德国认为MiFID2草案的审议时间较长，而针对高频交易的监管迫在眉睫。2012年9月，德国联邦金融管理局（BaFin）出台了全球第一部专门针对高频交易的监管草案（Act for the Prevention of Risks and the Abuse of High Frequency Trading），并分别于2013年2月、3月在德国众议院与参议院通过，其主要框架与措施如下：

将高频交易商纳入监管对象。在德国，高频交易商使用自己的账号交易或是没有提供金融服务时（除非高频交易商提供做市业务）无须受到BaFin的批准与监管；然而，在新的高频交易监管草案中，上述机构都将根据德国银行法案（German Banking Act）的要求被纳入监管对象，同时对新设立的高频交易商实行市场准入制，明确高频交易商从事做市业务时的做市义务。

建立有效的风险控制系统。在新的高频交易监管草案中，高频交易商的风险控制系统需要满足以下要求：

（1）交易系统要有弹性，能够有足够的容量应对极端情况下的交易；（2）交易系统保证没有错误指令的传输，同时具备市场一旦出现混乱情形时的自我保护功能；（3）交易系统不得干扰市场的正常运行。

界定高频交易中的市场操纵行为。欧洲证券与市场管理局认为如下高频交易中的行为可能形成市场操纵：试探性指令（Ping Orders）、误导簇交易（Quote Stuffing）、引发动量交易（Momentum Ignition）、分层与欺诈交易（Layering and Spoofing）。与通常市场操纵行为以是否影响市场价格为标准不同，高频交易中的市场操纵行为判定基于如下几点标准：（1）是否干扰或延迟了交易系统的正常运转；（2）是否使得第三方在交易系统中较难做出买入或卖出的决定；（3）是否对某些金融资产的供求关系造成错误或误导。

交易场所需要建立预防机制。无论是传统交易所还是多边交易设施（MTF）都需要建立预防机制，以应对市场价格急剧波动情形。例如：德意志交易所集团有根据市场波动中断高频交易的保护机制，判断市场是否波动过大的标准根据历史数据计算并严格保密；部分交易所对频繁报单、撤单、改变订单等行为归类为过度使用交易所设施，并对其征收一定的费用。

指令成交比例（Order-to-Trade）与最小报价单位（Minimum  Tick Sizes）的限制。设置一定的指令成交比例可以防止高频交易频繁报撤单、干扰交易系统的正常运行；提高高频交易的指令成交比例，更容易在市场中形成真实的流动性，而不至于市场中其他参与者无法获得高频交易提供的流动性，形成所谓飘忽不定的流动性。最小报价单位对于高频交易来说至关重要，例如高频交易中的做市策略其实就是利用信息不对称赚取买卖价差。与指令成交比例类似，过大的最小报价单位会导致市场流动性降低，过小的最小报价单位会影响市场价格发现过程，因为高频交易商会利用过小的最小报价单位来掩饰自身交易意图，从不使用高频交易策略的投资者处获取利润。科学测试并设定最小报价单位是此项监管措施的关键。与MiFID2草案不同，德国并未对高频交易商的指令停留时间有所限制。

监管机构对高频交易更多的知情权。监管机构需要高频交易商提供更多的信息，包括：高频交易策略的具体内容、参数设置等，以便能够测试交易场所的系统能否承受此类策略，特别是在市场出现极端情形时。

量化投资与高频交易对国内市场的影响

量化投资与高频交易对国内市场的一般性影响

量化投资的策略原理极具多样化，并且实现手段也有程序化和非程序化之分，因此每一种量化投资对于市场产生的影响都不尽相同。总体而言，量化投资者作为有别于主观投资者的一类群体，有利于增加国内证券市场生态圈的参与者多样性，增加市场规模和流动性，改善市场价值发现功能，是稳定市场的重要力量，也代表了市场发展的方向。

不同量化投资策略对市场的影响

（1）阿尔法策略
阿尔法策略（包括多因子策略和事件驱动策略等）投资者相信可以通过分析找出被市场错误定价的股票，从而获取超额收益并战胜市场。阿尔法策略具有极强的价格发现功能，能发现被市场低估值的企业和股票，并纠正由于市场反应过度或者反应不足导致的行为偏差。

具体而言，多因子策略的目的是通过对冲获得长期稳定的绝对收益，这类产品追求的是相对稳定的收益和较小的回撤，因此在市场中一般换仓频率较低，从现货市场来看与主动的股票多头产品并无明显差异；在期货市场上来看，出于对冲需求，多因子阿尔法（alpha）策略通常扮演期货空头的角色，但套期保值的目的决定了其持仓时间一般较长，持仓头寸一般也较为稳定，因此不会成为短期内影响市场波动的主要因素。

事件驱动策略能够迅速地把握各个对于股价有显著影响的事件，特别是目前基于互联网技术的新兴文本挖掘策略，能够及时发掘市场热点，促进市场对市场信息快速反应，能够提高市场有效性。但从另一方面来看，对于事件信息的过度反应可能造成市场情绪过度反应，使股票价格在短期内偏离合理定价，但这也会引发其他的投资者捕捉这些错误定价的机会，使定价回归合理范围。

（2）CTA策略

由于本身的策略原理与传统投资有所区别，从海外历史数据来看，商品交易顾问（CTA）基金与股票市场各指数之间的相关性较低，在股票与债券市场表现不佳的时候通常也有较好的表现。因此从降低资产组合风险的角度来看，在传统的投资组合中引入CTA策略，对于包含股票与债券的投资组合来说意味着能提供优异的下跌保护，能够有效分散整体组合风险。一般而言，CTA策略会给市场提供更多的流动性，但可能由于单方向投资衍生品市场，容易追涨杀跌而加大市场波动。在极端市场状况下，可能因为单方向大量做空而为其他市场参与者和监管层诟病。

（3）套利策略

另一类量化投资中占比颇高的套利策略，更是市场发展的稳定器。如期现套利，当出现期货和现货价格偏离一定程度，套利者即会买入较低价格品种，卖出较高价格品种，从而赚取基差回归的利润。又如统计套利，根据标的物的历史价格运行规律，一旦发现某个品种出现高估或是低估，便进行卖出或是买入的配对操作，赚取价格回归的空间。

虽然套利策略难以对市场走势产生明显的影响，但是正是由于各种套利者的参与，才能促进价格回归合理，提高了市场的价格发现功能。有效的套利策略有助于纠正市场的错误定价与过度投机，降低标的证券价格的波动性。而当套利策略无法正常进行时，标的证券价格则容易出现偏离，甚至形成市场的大幅波动。

2. 量化投资对市场体量的影响

沪深300股指期货从上市以来就受到了投资者尤其是量化投资者的青睐。虽然沪深300现货指数在2010年至2012年期间持续走低，但是股指期货的成交金额在逐渐扩大，表明股指期货参与的积极性在不断地提高。一方面，股指期货为机构套期保值提供了有效工具；另一方面，作为一种投资标的，股指期货T+0及双向交易的交易特性受到以机构投资者为代表的量化资金参与者的追捧。根据中金所公布的年度数据，从总量上看，2010年至2014年，沪深300股指期货的总成交金额分别为41.1万亿、43.8万亿、75.8万亿、140.7万亿及163.1万亿元。反映机构投资者参与交易的持仓量也在逐年增长，从2010年年底的2.9万手增至2014年年底的21.5万手。同时，随着A股牛市的启动，2015年5月底，沪深300股指期货一跃成为全球第一大股指期货交易品种，在上市5年内赶超欧美市场20多年的交易量，与量化投资的贡献密不可分。

3. 量化投资对市场流动性的影响

从成熟市场的经验来看，量化投资是市场流动性的主要提供者之一。高频交易主要提供短期流动性，中长期的流动性往往也由交易频率较慢的量化基金提供。

量化投资和市场流动性是相互作用的。量化投资选择的交易标的必须是流动性较好的股票或衍生品。交易标的的流动性越高，那么可适用的交易方法的范围就越大，反之亦然。量化投资的前提是在低成本的条件下快速入场和出场，那么较低的市场流动性会增加交易成本和降低入场出场效率，从而给投资收益造成负面影响，同时导致风险管理效率降低。因此，市场流动性与量化投资的成功与否也有着非常重要的联系。

4. 量化投资对个股价格的影响

量化投资通常一次性交易成百上千只股票，所以单只股票的走势对其影响不大，基于这样的特点，量化基金一般不会卷入内幕交易的丑闻。

5. 高频交易对市场的影响

从交易手段上看，量化投资经常通过程序化交易实现，程序化交易，尤其是高频交易，对市场的影响与普通的交易有所区别。

在目前A股普通买卖T+1，融券券源有限、卖出资金与买入行为不能形成资金闭环的制度设计下，只要投资风控得当，股票现货市场程序化交易的频率和体量就十分有限，难以对市场秩序形成持续性的影响；目前国内高频交易策略主要存在于期货市场。
在正常情况下，高频交易有增加市场流动性等积极作用；但部分不当使用的高频交易操作手法也易对市场产生一定的负面影响：过于高频的交易可以视为技术领先的投资者对市场征收的税，容易造成技术方面的军备竞赛，并提高其他投资者的交易成本；在市场流动性不足、风控措施不足时可能增加市场扰动；在大幅波动的市场环境下，一些跟踪趋势的方向性高频交易策略也有可能对极端行情推波助澜，需要一定的风险控制措施。

— — — — — — E N D — — — — — —

真格量化可访问：
https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887

往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法
如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统
Python调用C++
如何选择数据库代理
统计套利揭秘

一个Call搅动市场？让我们温习一下波动率策略
如何用真格量化设计持仓排名跟踪策略
还不理解真格量化API设计？我们不妨参考一下CTP平台
理解同步、异步、阻塞与非阻塞
隐波相关系数和偏度——高维风险的守望者
Delta中性还不够？——看看如何设计Gamma中性期权策略

Python的多线程和多进程——从一个爬虫任务谈起
线程与进程的区别
皮尔逊相关系数与历史K线匹配

Python2和Python3的兼容写法
Python代码优化技巧

理解Python的上下文管理器

如何写出更好的Python代码？这是Python软件基金会的建议
评估程序化模型时我们容易忽视的指标

看看如何定位Python程序性能瓶颈

什么是Python的GIL

投资研究中的大数据分析趋势及应用

理解CTP中的回调函数

如何围绕隐含波动率设计期权交易策略
看看如何用Python进行英文文本的情感分析
算法交易的分类

Python编码的最佳实践总结

什么是波动率锥？如何用波动率锥设计期权策略？
期权的波动率策略与时间价值收集策略对比

期权用于套期保值和无风险套利

隐含波动率对期权策略的影响

卖出期权交易的风险管理原则和技巧
期权交易中的“大头针”风险
期权做市商策略简介

精细化您的交易——交易成本评估与交易执行策略
海外市场交易执行策略的实践
设计期权套期保值方案时应注意的问题
美式期权、欧式期权比较分析——定价与风险管理
构建您的AI时代武器库——常用的机器学习相关Python库
期权波动率“微笑曲线”之谜
运算任务愈发繁重，如何加速Python程序运行？
证券市场微观结构理论模型是什么

是瞬间成交还是漫长等待？——如何衡量市场流动性
波动率指数及其衍生品介绍

Python的异常处理技巧

Python中的阻塞、异步与协程

&#34;香草&#34;之外的更多选择——几种常见的路径依赖奇异期权
什么是CTP？——了解上期所CTP快速交易系统
了解季节性——以谷物和油籽为例
是前因还是后果?——在真格量化中进行格兰杰因果检验

Python导入模块的技巧
Python程序员常犯的十个错误

搜索数据泄露天机？——舆情指数与期货行情关联性分析思路

机器学习常见算法分类汇总

如何使用Data Pipeline 自动化数据处理工作？
CTP API的委托介绍和在真格量化中的订单流控制