算法交易简史：从人工喊价到纳秒竞速，一部由市场结构驱动的金融技术进化史

#

📌 核心观点：

算法交易的发展史，并不是简单的“机器替代人工”的故事，而是一部由市场结构变化、监管规则演进、计算能力提升、数据智能革命共同推动的技术进化史。

每一次市场革命——电子交易、ECN、小数化报价、Reg NMS、交易所共址、FPGA、机器学习、大模型——都会重新定义算法交易的形态。

一、史前时代：人工市场与公开喊价（1980 年以前）

#

在算法交易出现之前，金融市场是一个完全依赖人的系统。

交易主要通过：

• 交易大厅公开喊价（Open Outcry）
• 电话委托
• 人工做市商
• 场内专家制度

完成。

代表性市场：

• 纽约证券交易所（NYSE）
• 芝加哥商品交易所（CME）
• 伦敦证券交易所（LSE）

这一时期的问题非常明显：

• 执行速度慢
• 信息传递效率低
• 人工错误概率高
• 大额订单容易冲击市场

当全球资本规模不断扩大，人类交易员逐渐无法处理越来越复杂的订单流。

于是：

金融市场第一次需要“机器”。

二、电子交易时代：算法交易的物理基础（1970-1990）

#

算法交易真正的起点，并不是某个数学模型。

而是：

市场从物理空间进入数字空间。

2.1 关键基础设施革命

#

市场结构发生变化：

过去：

交易员
|
电话
|
交易大厅

后来：

交易系统
|
网络
|
交易所撮合系统

订单第一次成为：

可以被计算机理解、处理和优化的数据对象。

这为算法交易奠定了基础。

三、量化思想萌芽：从数学模型到自动交易

#

虽然早期没有“算法交易”这个概念，但量化思想已经出现。

3.1 配对交易与统计套利

#

核心思想：

如果两个资产长期存在稳定关系，当价格关系发生偏离时，可以通过交易价差获利。

例如：

股票 A ↑

股票 B ↓

历史关系破坏

↓

买入 A

卖出 B

等待回归

这一思想后来发展成为：

• 统计套利
• 因子投资
• 量化基金
• 自动化策略

代表机构：

• Renaissance Technologies
• D.E. Shaw
• Two Sigma

市场开始认识到：

价格变化中存在可以被机器发现的规律。

四、第一代算法：执行算法时代（1990-2000）

#

1990 年代，是算法交易真正商业化的时期。

这一阶段算法的目标：

不是预测市场。

而是：

如何更聪明地完成大订单。

机构投资者经常面对：

我要买 100 万股股票

问题：

如果一次性提交：

市场发现大单

↓

价格上涨

↓

交易成本增加

于是出现执行算法。

4.1 VWAP：成交量跟踪算法

#

VWAP：

Volume Weighted Average Price

目标：

让执行价格接近市场平均成交价格。

例如：

市场一天成交：

上午 20%

中午 30%

下午 50%

VWAP：

上午执行 20%

中午执行 30%

下午执行 50%

优势：

• 降低市场冲击
• 隐藏机构意图
• 自动完成大规模交易

4.2 TWAP：时间切片算法

#

TWAP：

Time Weighted Average Price

简单思想：

把大订单均匀拆分。

例如：

100万股

↓

每5分钟执行1万股

特点：

• 简单
• 稳定
• 易实现

4.3 Iceberg 冰山订单

#

机构不希望市场知道真实规模。

因此：

真实订单：

1000万股

显示：

1万股

市场只能看到：

“冰山的一角”。

五、高频交易革命：算法成为市场参与者（2000-2010）

#

2000 年之后，算法交易发生根本变化。

算法不再只是：

帮助人交易。

而变成：

自己参与竞争。

5.1 小数化报价：HFT 的经济起点

#

2001 年，美国股票市场完成报价改革：

从：

1/16美元

≈ 0.0625美元

变成：

0.01美元

结果：

买卖价差大幅缩小。

传统做市商：

每笔利润下降

为了生存：

交易次数增加

↓

自动化成为必然

高频交易由此兴起。

5.2 Reg NMS：流动性碎片化

#

2005 年，美国推出 Regulation NMS。

影响：

订单需要寻找最佳价格。

市场从：

一个交易所

变成：

交易所 A

交易所 B

交易所 C

于是出现：

谁能更快发现价格差，谁就能获利。

六、HFT 技术军备竞赛：从毫秒到纳秒

#

高频交易推动金融 IT 进入极限优化时代。

6.1 Co-location 共址交易

#

过去：

交易公司

↓

网络

↓

交易所

后来：

交易服务器

↓

交易所机房

距离直接变成竞争优势。

6.2 FPGA 硬件加速

#

传统软件：

应用程序

↓

操作系统

↓

CPU

↓

网卡

FPGA：

行情

↓

硬件逻辑

↓

交易决策

优势：

• 无操作系统开销
• 并行处理
• 延迟确定性强

延迟演进：

秒

↓

毫秒

↓

微秒

↓

纳秒

七、算法交易成为盈利机器（2005-2015）

#

这一阶段出现大量自动化策略：

算法已经从：

执行工具

变成：

盈利引擎

八、算法风险时代：闪电崩盘与监管（2010-2015）

#

自动化也带来了新的风险。

8.1 2010 Flash Crash

#

2010 年 5 月：

美国市场：

• 道琼斯瞬间暴跌近千点
• 随后快速恢复

事件说明：

算法之间的互动可能产生人类无法预测的市场行为。

8.2 Knight Capital 软件事故

#

2012 年：

程序错误导致：

• 大量异常订单
• 数亿美元损失

金融行业开始认识：

交易系统必须像航空系统一样：

严格测试。

九、机器学习时代：从规则到智能（2010s）

#

2010 年之后：

算法进入智能化阶段。

9.1 传统算法：

#

人制定规则

↓

机器执行

机器学习：

大量数据

↓

模型学习

↓

发现规律

↓

产生信号

技术：

• Gradient Boosting
• Random Forest
• Neural Network
• NLP

9.2 另类数据革命

#

量化机构开始分析：

• 新闻
• 卫星图片
• 社交媒体
• 财报文本
• 宏观数据

竞争核心：

从：

谁交易更快

变成：

谁理解信息更深

十、AI 时代：大模型重新定义算法交易（2020s）

#

最新一轮革命：

不是更快。

而是：

更智能。

10.1 大语言模型进入金融

#

过去：

新闻

↓

人工NLP模型

↓

交易信号

现在：

新闻

研报

公告

电话会议

↓

Foundation Model

↓

投资洞察

大模型可以帮助：

• 新闻理解
• 财报分析
• 因子挖掘
• 策略生成
• 代码开发

十一、未来交易系统：多代算法共存

#

未来不会是：

AI 替代传统算法

而是：

AI预测

↓

机器学习模型

↓

VWAP/TWAP执行

↓

FPGA低延迟交易网关

↓

交易所

现代系统：

是多个技术时代叠加的产物。

十二、算法交易五代演进图谱

#

关键规律：

新算法不会消灭旧算法，而是在旧系统之上继续叠加。

十三、FPGA：算法世界的物理底座

#

金融交易最终受到物理限制。

硬件演进：

未来交易基础设施：

CPU

*

GPU

*

FPGA

*

高速网络

共同组成。

十四、中国金融市场的技术演进

#

中国市场也经历类似路径：

人工交易

↓

电子交易柜台

↓

集中交易系统

↓

程序化交易

↓

量化交易

↓

低延迟交易

↓

AI投资平台

随着：

• 量化基金
• ETF
• 衍生品
• 做市业务

发展，

市场越来越依赖：

• FPGA
• 高速网络
• 分布式计算
• AI模型

结语：算法交易是一部不断叠加的技术史

#

回顾 50 年：

从：

人工喊价

到：

电子交易

再到：

执行算法

然后：

高频交易

最终：

AI智能交易

算法交易的发展规律非常清晰：

金融技术不是简单替代，而是持续叠加。

VWAP 仍然存在。

FPGA 仍然决定速度。

机器学习仍然寻找规律。

大模型正在理解世界。

未来最强的交易系统，不属于单一技术。

而属于：

AI提供智能

机器学习提供预测

FPGA提供速度

传统算法提供可靠执行

共同组成的新一代金融基础设施。

从交易大厅的喊价声，到交易所机房里的纳秒脉冲，算法交易完成了一场人类金融史上最深刻的技术迁移。

而下一场革命，已经开始。