演算法交易

NYSE)引入訂單傳送及成交回報系統( Designated Order Turnaround, DOT)與開盤 自動報告服務系統( Opening Automated Reporting System, OARS)。進入 80 年代 後期，美國證卷市場已全面發展電子化交易，並廣泛地應用在股票與期貨的跨市 算術平均價( Time Weighted Average Price, TWAP)、成交量加權平均價( Volume Weighted Average Price, VWAP)[7]。

隨著電子市場日益成長，各式各樣的演算法策略也如雨後春筍般出現，這些 策略包含統計套利、期限套利、均值回歸及趨勢追隨等。根據2003~2012 共十年 的統計資料顯示[8]，在 2007 年演算法交易的交易量成長為去年的一半，而在 2009 年後，發展漸趨穩定，確保演算法交易的地位，並促使未來更多樣化的演算法被 開發出來。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖 二-1 演算法交易之交易量發展趨勢

（資料來源：[8]）

二、 定義

演算法交易( Algorithmic Trading)又稱為自動交易( Automated Trading)，是指 先擬定好交易策略，將其編譯成電腦程式，利用電腦程式的演算法來決定交易下 單的價格、時機和數量等。演算法交易的目的即是優化交易的進行，間接地管理 交易成本和風險，從中獲取利潤。

三、 交易策略

演算法交易的目標在於降低交易成本及風險， Merton[9]指出，證卷創新的 關鍵之一即是降低交易成本，而 Domowitz 等[10]在他的研究發現，未採用演算 法交易的成本遠超過有採用，此外， Barclay 等[11]的研究顯示演算法交易的可

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

流動性，有效避免市場衝擊，降低交易風險。因此，大部分的交易策略將圍繞在 降低交易成本及降低交易風險兩大目標，以下為常用交易策略類型[12]：

1. 委託執行演算法：將大單指令拆分成多個小單指令，避免大單指令對市 場價格的衝擊，從而降低交易風險以尋求更好的下單價格。

2. 套利策略：典型的套利通常包含三個以上的證卷，選擇彼此之間市場價 格差異大且相關性低，以確保這幾筆交易無風險利潤。

3. 統計演算法：透過數量預測模型在市場尋求投資機會。

除了上述三種交易策略外，實際被應用在市場的交易策略不勝枚舉，但往往 因為背後的獲利潛能，而被視為商業機密，無法搬上檯面，徒具策略名稱而已。

這也是本研究希望能藉由此平台，讓投資開發者在上面腦力激盪，以追求更優化 的交易策略。

‧

一、 Massively Parallel Processing

在介紹HAWQ 之前，要先了解極大量平行化運算( Massively Parallel Processing, MPP)的架構， MPP 是透過大量的節點進行平行運算處理工作，將一 個工作切成許多步驟( Step)，並由每個節點產生的執行器( Executor)來執行，而 其中每一個節點的作業系統與記憶體都是彼此分開。

再來分析 MPP 架構的優缺點，

優點：

1. 資源隔離( Shared Nothing)：一個執行器在執行步驟時，基本上不能訪問 其他節點的資源，省去數據傳輸的時間。

2. 平行處理( Parallelism)：每個執行器會在各自的節點上同時執行相同步 驟，以加速程序工作的進行。