金融

资产管理新纪元,算法交易如何为买方创造价值?

对照美国,解读中国算法交易的未来趋势与格局

2020年04月27日
调研 | 卢施宇 徐天 撰写 | 卢施宇
  • 金融科技
  • 金融
  • 卡方科技

在国际金融市场,算法交易(Algotrading)已经成为券商经纪业务的关键成功因素。在中国,算法交易还未上升到资本市场核心战略,但可以看到各家开始进行布局,提升自身算法交易能力。

不同于美国算法交易以头部券商为主的格局,中国目前算法交易参与者更加混合,既包括瑞银(UBS)、瑞信(Credit Suisse)、中信等国内外券商,也包括众多背景深厚的独立第三方团队,代表公司包括卡方科技、金纳科技等。

吸引了海内外众多参与者,算法交易这一市场前景几何,未来谁更有机会脱颖而出?爱分析通过对中美市场的研究,以及对卡方科技和多位量化基金、卖方交易从业人员的调研,解读中国算法交易市场的机遇和长期趋势。

美国量化基金崛起带动算法交易发展

在美国,算法交易自20世纪90年代起步,目的是优化股票经纪业务(Equity Trading)的成本和效率。随着最近10余年量化对冲基金的扩张,算法交易的规模迅速扩张,目前美国股市约75%的交易由算法执行。

后金融危机时代的10余年中,美国量化对冲基金规模:三家典型的头部量化对冲基金,文艺复兴(Renaissance Technologies),D.E. Shaw,Two Sigma,资产管理规模(AUM)均超过500亿美金,其中Two Sigma在2008年之后AUM增长超过10倍。

量化对冲基金崛起的同时,各家大型对冲基金、共同基金等,也在投资组合中不断尝试量化策略,以期寻找到更稳定的投资回报。例如AUM超过1500亿美金的桥水基金主要采用量化辅助的全天候配置策略,也有部分采取全量化策略的基金;超大型的资管公司,如贝莱德(BlackRock),同样有基金采取量化策略。

美国市场大型买方的“算法化”对券商经纪业务提出了新需求:量化策略和量化配置策略天然要求交易执行、风控等环节快速且成本最优,以交易员人工执行交易为主的传统模式在效率、成本等方面难以满足量化买方的需求,券商的股票经纪业务从人工驱动转向算法驱动。

如今,在华尔街大型券商中,纯粹负责股票交易执行的交易员(Trader)逐渐减少,尤其是在流动性好的交易标的上,算法交易上已经取得了对交易员的明确优势。在其他一些交易品类上,如期权、外汇等流动性高的交易品类,同样进入了算法交易为主的阶段。

长周期来看,算法交易能力已经成为影响头部券商机构经纪业务格局最重要的影响因素之一。

例如,高盛在金融危机前长期占据美国股票经纪业务市场份额第一名,其交易数据库和风控引擎SecDB是核心竞争力,却忽略了在算法交易领域的投入,使得高盛近年在算法交易能力落后美银美林、摩根士丹利等主要竞争对手,间接导致了高盛在过去10余年里在股票经纪业务市场份额下滑。

为弥补这一差距,高盛不得不加大在算法交易领域的投入。根据路透社2019年报道:高盛预计未来三年投入超过2亿美金,作为证券部门技术投入,其中大部分用于招聘算法工程师,以期在数年中缩小其在算法交易领域与竞争对手的差距。

中国资本市场的算法交易需求兴起

相比美国,中国金融市场在量化、算法交易等领域,大约有10年以上的差距。

从发展历史来看,文艺复兴成立于1982年,历史接近40年;而中国第一批量化私募则成立于2006年,距今不足15年;从管理规模来看,中美头部量化基金的AUM有着30倍左右的差距,中国量化基金全行业AUM约等于文艺复兴一家,大约是美国2005年之前的水平;从策略上来看,中国买方更多采用量化增强或量化配置,而非全量化策略。

但如今,趋势正在发生变化,中国有机会用较短的时间赶上这一差距。

首先,交易品类逐渐丰富、交易机制逐渐市场化,利好量化策略和量化基金。例如2010年沪深300股指期货推出,无疑给股票量化对冲策略带来巨大的利好,后续上证50、中证500等股指期货推出,让量化对冲策略有了更多的用武之地。

证监会、中金所对于衍生品的交易限制也在逐渐“松绑”,例如2019年放宽估值期货日内过度交易行为的监控(单个合约500手),下调保证金,降低交易手续费等,无疑降低了量化对冲基金的交易成本。

其次,社保基金、商业理财子公司、保险基金等长期资金入场。但从风险偏好角度看,长期资金暂时并不会大量直接投向股票市场和股指期货,而是投向各类基金,其中波动率较小的量化基金更能赢得长期资金的偏爱。

参考美国市场,买方的“算法化”必然催生对卖方或第三方算法交易的需求。

在各类买方中,对交易效率、成本敏感的量化基金对于算法交易最为刚需,但并不只有量化基金对算法交易有需求,上市公司、公募基金、高净值个人等均是算法交易的目标买方客群。

例如,上市公司股东解禁退出场景,是一个典型的低频、大额交易场景,同样是算法交易能够服务的场景之一。传统上A股大额交易可以通过场外形式撮合交易,但需要对手方持有超过半年,并不利于寻找交易对手方。而算法交易则可以通过场内的形式,将大额交易拆分,平滑交易对市场的冲击,并且避免暴露交易意图给对手方。

对于公募基金、高净值个人、QFII等,算法交易同样能在优化效率、降低成本上产生价值。例如公募基金可能会要求在5分钟下单一篮子股票(数十只到百只),每只股票交易量通常只有几十手,这一场景下算法显然远远优于交易员人工处理交易的效率。

如果进行一个简单的类比:中国量化基金和算法交易发展阶段相当于金融危机前的美国,那可以合理推断,2020年代将是中国算法交易发展的黄金10年。在年交易额约150万亿的A股市场中,假设5年内算法交易能占到30%的比例,按0.02%的佣金比例计算,则股票算法交易将成为数百亿规模的市场。

从成本投入来看,当前国际大型买方和券商在算法上的年投入超过1亿美金,那么在未来5年中国头部买方在算法上的年投入破亿是可以期待的。

算法交易领域中美长期格局或将大不同

国际上,目前算法交易服务主要由券商提供,每家大型券商均有自己拥有的独门算法能力。但格局并非一直如此,21世纪以来美国算法交易的格局也经历了大幅变化。

从发展历程来看,最初第三方算法交易服务商凭借技术和服务模式创新获得先发优势,在美国占据了很大的市场份额。21世纪初是第三方算法交易服务商的顶峰,ITG和Instinet一道作为全球前两名的暗池配对撮合网(Crossing Net)服务提供商。

在认识到行业变革大趋势后,头部券商在算法交易和暗池交易领域重金投入,最终凭借更强大的资金实力和更丰富的客户资源后来居上。最终Instinet在2005年以19亿美金卖身Nasdaq,后又转手野村证券;ITG也于2019年被美股做市商Virtu Financial以10亿美金收购。算法交易市场最终在后金融危机时代回归以头部券商主导的格局。

从市场参与者来看,中国算法交易领域与20世纪初的美国颇为相似:既包括瑞信、瑞银、中信建投等国内外券商,也有卡方、金纳等第三方算法交易服务商参与,恒生电子、迅投等IT服务商也会为券商提供算法交易服务。

但由于中美市场的巨大差异,中国或许并不会呈现券商独大的局面:

第一,美国的买方传统上更倾向于由做市商进行股票交易执行,因此头部券商极为重视交易能力的建设,会设法保持最顶尖的算法交易能力。而中国买方更加倾向于将交易执行环节掌握在自己手中,券商出售的主要是交易所席位,即交易资格和相关IT系统,导致多数券商一直也没有建设算法交易能力的动力;

第二,美国头部券商科技投入极高,自有科技人员数量大。例如,高盛科技人员约10000人,相当于中国的四大行级别;中国头部券商300-500人的科技团队规模无法望其项背。

从结果上,美国头部券商自研算法,而对于希望现阶段建设算法交易能力的中国券商来说,受限于每年有限的科技预算(包含软件、硬件、科技人员薪资以及相关费用),短期内很难维护足够大的算法团队。

另一方面,独立第三方服务商在中国市场已经取得了先发优势。

尽管中国整体算法交易规模远远落后美国,但国内领先的第三方服务商多有国外顶级买方或卖方背景,在算法上与国际并不存在代差。例如金纳科技等多家服务商的核心团队来自瑞银香港;卡方科技的核心算法团队则来自Laurion Capital、千禧年(Millennium)等知名买方。

而恒生、迅投等为券商PB市场的头部IT厂商,金融背景的缺失导致了其在算法交易领域一直停留在自动化执行层面,算法层面与国际头部券商差距较大。

从国际经验来看,算法交易领域的技术壁垒较高,客户粘性也很强,买方一旦选择了某家作为主要算法交易服务商,轻易并不会进行转移。目前独立第三方服务商凭借算法优势,在买方客户尤其是量化基金客群中已经取得优势。

长期来看,头部几家券商有机会自建团队,与现有独立第三方服务商形成竞争;但双方同样有可能长期保持合作关系,独立第三方为券商提供算法服务,例如卡方科技已经服务十余家券商,其中不乏中信证券等头部券商。

算法交易如何为买方创造价值?

交易成本无疑是各类买方在交易执行环节的核心关注因素:能否按照指定价格及时买入或卖出指定数量的证券,付出尽可能低的交易费用。交易成本也是算法交易能够明确优化的方向。

交易成本分为两大类:一方面是显性成本,例如交易佣金、过户费、印花税等,是每笔交易的刚性成本,没有办法通过交易行为优化;另一方面是隐性成本,主要包括买卖差价、冲击成本、机会成本、择时成本,可以通过更优的交易行为和算法来进行优化。

除了基本的执行效率、成本节约,部分算法还能实现在交易环节赚取alpha收益,但这一点难度最高,尤其是长周期、大交易量下稳定实现alpha。

以其中最容易测算的冲击成本为例,业内一般用“滑点”来衡量冲击成本,计算方式是与市场VWAP(交易量加权平均价格)或TWAP(交易时间加权平均价格)进行比较。

根据调研,沪市人工交易的平均冲击成本为60基点(1基点=万分之一),而算法交易可以大大优化冲击成本,如TWAP或VWAP等经典算法策略,可以将冲击成本控制在5-15个基点,而新一代的算法长周期下相对VWAP可以实现±2基点的结果。

根据卡方科技CEO何剑勇介绍,公司最新一代的算法T/VAWP-PLUS近年来跑赢市场主流算法5-7bp,即可以在交易执行环节为买方赚取alpha。

其中秘诀在于算法的不断迭代和AI技术的应用。

算法交易类型庞杂,可以分为被动式策略和主动式策略两大类,其中TWAP和VWAP属于被动式策略,以降低冲击为第一出发点;而后来出现的Sniper(狙击手)、Sniffers(搜索者)等算法则属于主动式策略,例如Sniper通过一定规律来寻找交易方向相反的大型对手方进行交易,优化交易成本。还有结合两类策略特点的综合型算法交策略,卡方科技则主要属于这一类。

卡方科技初期在算法使用了基于多因子模型的算法策略组合,后期为了进一步改善算法效果,卡方科技加入了机器学习算法,通过学习优秀交易员的交易行为进一步提升算法容量并优化结果,且交易执行完成率大于99.9%。为保持算法相对市场的领先性,卡方科技大约2周就会对算法策略进行一次升级。

当然,算法交易发挥价值还需要客户的充分认知。何剑勇表示,目前除了部分量化客户外,买方和券商整体对于算法交易认知程度不够。为了更好地传递算法交易的价值,卡方科技会为客户提供培训服务,也让客户更好地应对未来算法交易可能为行业带来的冲击。

从算法服务到资产管理平台的长期发展路径

从商业模式来看,为买方提供算法服务是一门好生意。

中国公募基金和私募基金体量相对较小,IT投入能力弱。而算法交易服务商可以通过在交易执行环节降低滑点这一卖点切入,多用多付,比IT服务卖License的商业模式想象空间更大。

例如,金纳科技曾经提出“比均价低一分钱”的口号获取市场,按交易量万分之一左右向客户进行收费。而卡方科技直接将商业模式与交易效率提升挂钩,即按照交易成本与交易效率提升来收费,在这一模式下,客户能够在每笔交易中获取价值,付费意愿更强。

除了向买方直接收费的商业模式,卡方科技也会服务卖方,包括中信证券、银河证券等十余家券商。对于卖方来说,优质的算法交易能力无疑是PB业务的重要亮点,有助于获取量化风格客户、收取到更高的交易佣金,并增加交易量,卖方有极强动力与卡方科技合作。相对于直接服务买方,卖方强大的营销网络有助于卡方科技更快地实现业务增长和建立品牌。

而且算法产品标准化程度高,部署环节不需要进行定制,卡方科技算法交易平台ATGO在买方或者券商部署效率极高。

2019年全年,卡方科技交易规模突破3000亿,其中绝大部分来自量化基金,何剑勇预计在覆盖更多卖方之后,公司2020年交易规模将实现数倍增长。

算法服务商只是卡方科技当前的定位,其业务并不限于提供算法服务。目前,卡方科技的ATGO算法交易平台提供合规风控功能,严控撤单率、自成率等关键风控指标,且具备100万笔/秒的并发处理能力,相比传统系统的风控处理速度明显更快。

长期来看,卡方科技将从算法交易出发,向数据、投研,以至于全流程业务管理平台扩张,逐步解决私募、公募、银行理财子公司、保险资管公司等买方的全方位需求。

联系我们