搜索_期货套利高频[整]

1
2
3
4
5
高频交易的几个主要策略类型
Micro Structure
预测
统计套利
做市策略
1
2
3
4
5
产业客户的在正向市场进行正向套利几乎是无风险的。
为什么说正向市场的反向套利,价差拉不大呢?所谓正向市场就是现货价格低于期货价格,而且近月合约价格低于远月合约价格。所谓反向套利是指预期远近合约之间的价差会拉大,做多高价合约,做空低价合约。
“库存+基差”的交易理念不仅可以运用于单边的投机行情,得出这样的结论:
1. 期货高升水+高库存+有利润(高利润)+技术信号=择机做空
2. 期货深贴水+低库存+无利润(低利润)+技术信号=择机做多

搜索_期货自动化套利[整]

1、何谓:高频?T+0制度下,反反复复做同样一件事,不断的开仓、平仓、再开仓、再平仓。。。
2、何谓:对冲?在做空制度下,同时,持有空单和多单,以此将市场暴涨暴跌对账户的冲击降低到可接受范围;
3、何谓:套利?在狭义上,分跨期套利、跨品种套利,目前只针对跨期套利;
4、何谓:自动交易?借助计算机程序,将交易者简单、重复的交易策略,高效率执行;
要能做到“高频”,并非完全取决于程序,根本上,是取决于市场,市场如果不提供交易机会,“高频”根本做不到。
具体来说,实现“高频”,首先需要市场提供交易机会,其次,手续费足够低,低到价格跳动1次,就可以赚回手续费,还略有小利润,目前,我都是设定是价格跳动2次平仓(跨期套利,来回1趟,是成交4笔,单边手续费*4倍)。
实际中,还有一个重要地方,就是占用保证金的比例也是越低越好,这样,在资金不充裕的情况下,可以多下几个单,每一个单,都是一个价位,每一单的价位不一样,每一个单,在一个交易日内,都有可能自动来回N趟,产生净利润。
人与软件的最佳组合,就是,人负责思考、设计、完善交易策略,软件负责高效率执行,但凡涉及开仓、平仓的事,一定都要交给软件去做,毕竟,开仓、平仓,这些“小事”,都是重复性劳动,没有技术含量,这方面,机器最擅长,不出错,速度还快(我指的是,生成应该要报的单的速度)。
,借助计算机软件程序,可以大大地提高执行效率,一些原来很不受重视的微小利润,经过“积沙成塔”,总体利润,十分惊人,且始终用对冲套利的方法,降低了市场价格暴涨暴跌对账户的冲击,用总体数量规模,控制了持仓浮亏对账户的冲击。
我并非在某个价位上有多笔持仓浮亏,而是,每一个持仓浮亏单,均是不同价格,且由于是对冲套利持仓,不担心绝对价格的暴涨暴跌,第二日的跳空、停板等等,事实上,当日持仓浮亏单,第二日及以后,很容易盈利平仓,
所有平仓,全部是盈利平仓,所有持仓都是当日浮亏的,

搜索_套利or商品期货套利思路[整]

商品期货的跨期套利有哪些思路?

地址:https://www.zhihu.com/question/26641266/answer/135352890
1,跨期的价格点统计

搜索_期权经验[整]

关于美股期权套利的一些感想

1
2
3
4
5
6
7
8
9
做好期权套利,我总结了几条心得如下。
(1)要做时间的朋友,站在时间得利的一方。这样才能安心睡觉。每天,每时每分,期权都在替你赚钱。(虽然这种方式没法获取暴利)
(2)期权套利,不要想着获取暴利。期权获取暴利的方法,学过的人都会。但是那是在赌博。利用安全的期权套利策略,虽然每个月只能赚1%2%的收益。但是年化10%20%的收益已经很可观了。不要去追求暴利。
(3)尽量不要购买1个月内到期的虚值期权。那些期权的时间升水会迅速贬值。很快就会变成废纸。
(4)开仓的时候,做好保护。例如,买出一个put,那么在更低的价位买入一个put。虽然套利的收益会减少。但是不担心股票大跌。可以睡好觉。
(5)不要贪。期权开仓占用的保证金不多。很容易让人控制不住大量的开仓。超出自己资金能力的开仓,是把自己置于危险境地。不要追求暴利。虽然按照自己的资金能力开仓,每个月可能只能赚取1%2%的收益。但是这已经足够了。年化可以达到10%20%呢。3年半的时间,本金就可以翻一倍。
(6)更大的收益还是要靠股票。期权只是我的一个兴趣,平时按照游戏的心态来操作。真正想获得更大的理财收益。还是要锚定成长好的公司股票。例如2年前的亚马逊、阿里巴巴等公司的股票。
我是把期权套利当成了一种好玩的游戏。就像玩王者荣耀那样。比王者荣耀健康,能赚钱,还不费时间。我一周才开仓两次。每次最多半个小时。还是在晚上10点半美股开市以后。
人在成长的过程中,总要学会一些技能。期权套利是一个值得掌握的技能。掌握这个技能之后,感觉像推开了新世界的大门。从来没想过,原来股市还能做这样的操作。学会这个技能,一定不后悔。推荐朋友们学习。

搜索_港股A股套利[整]

搜索_港股A股套利

同一支股票在港股和A股上为何会有巨大差价?没人做套利交易吗?

搜索_期货日内策略[整]

为什么说没有学会资金管理交易实际还没入门

扣掉手续费后,可能只有策略D会赚钱。但平均下来可能每天也只赚1点,因此这四个策略绝不是可实际交易的策略。同样类似的策略交易起来,若是搭配输缩赢冲,竟然还是有如此大的损益差异。
许多人穷极一辈子专研至高无上的武功,许多人也穷极一辈子专研稳赚不赔的交易策略,用尽毕生精力找出买点卖点,却忽略了最简单直接的资金控管原则,到头来还是一场空。
换句话说,在这四个策略里面,策略D几乎完胜!比较神奇的是策略A最好的次数还略多于策略B,不过那有可能是统计取样上的误差!
四个策略的平均损益如下,回测时间为2014.01.02 ~ 2014.07.21。平均下来,也是策略A获利<策略B<策略C<策略D。
既然是赌博,感觉上就是不好,应该是会赔钱。但我们先说结论,实验结果证明策略ABCD都不一定会赚钱,但重复实验多次下来,有很高的机率,呈现一种态势。
约有68%的槪率,损益排名为: 策略A < 策略B < 策略C < 策略D
我们分别模拟四个策略各10,000次,从2014.01.02回测到2014.07.21,一共花了18,400秒(无平行处理)。以下为统计数据:
10,000次里,有6779次,绩效排名为策略A < 策略B < 策略C < 策略D。
如果是够随机,策略排名共有4!=24种,理论上这24种排名应该平均分布在10,000次的模拟中,也就是应该只有1/24 = 4.2%。
然而,光是’策略A<策略B<策略C<策略D’ 这单个排名,就占了将近68%的比例。足见,输缩赢冲在策略的获利上,占了绝对的影响力!
我们再来观察每个策略拔得绩效冠军的比例:10,000次里,有9,565次,策略D绩效最好;有247次,策略C绩效最好;有35次,策略B绩效最好;有153次,策略A绩效最好。
策略A: 每天开盘随机交易1手,不停损,不停例,收盘平仓
策略A在开盘建立新仓后,就不管它了,放到收盘平仓就好。
策略B: 每天开盘随机交易1手,20点停损,20点停利,若无停损停利则收盘平仓
策略B稍微有点停损停利概念,设定为20点停损,20点停利。也就是输赢赚的都一样,输没冲没缩,赢也没冲没缩。
策略C: 每天开盘随机交易1手,20点停损,30点停利,若无停损停利则收盘平仓
策略C稍微有点输缩赢冲的概念了,当亏损20点时,结束。当获利20点时,继续放着,直到获利30点为止。获利比亏损大10点,理论上只要胜率高于40%就会赚!
策略D: 每天开盘随机交易1手,20点停损,当获利30点加码一手,当加码后获利归0或收盘则全数平仓
策略D 实现了输缩赢冲的概念,当亏损20点时,停损;当第一次获利30点时,加码一手,如果加码后又把获利吐回,则离开市场!
任何再好或再烂的交易策略,如果搭配好的资金控管,例如输缩赢冲,都会变得更好一些。
4.资金管理是制胜法宝
另外,把损失看做“交易”这门生意的成本,成本不可避免,但可以控制
最后,要养成坚决止损的好习惯
其次,意识到损失并不等于错误。
首先,从理智上和情感上承认损失是交易中必然的一部分,
3.怎么样才能做到坦然接受损失?
要看到那30次损失并不意味着他做错了任何事情。实际上,他每一件事都做对了,而那30次损失仍然在所难免,因为概率使然。
2.为什么损失是交易中必然的一部分?

其他文章[整]

在中国,做量化交易一天的工作是怎样的?

2、开仓条件
为叙述简便,以下我们主要对多头的开平仓条件进行叙述,空头开平仓条件类似。
1)开仓时间:股指期货的交易时间为上午9:15—11:30和下午13:00—15:15(结算日下午交易时间为13:00—15:00)。统计表明,开盘一段时间的波动往往比较剧烈,趋势也不明显,加之我们只做日内交易,需要用到前一段时间的价格信息,所以我们限定开仓时间在某个时点之后,比如9:45;另外,尾盘波动一般较小,收益与风险不成比例,14:45之后我们也不再开仓
2)漂移率mu:如何区分横盘与趋势几乎是所有交易者都必须面临的难题。统计规律告诉我们,不是所有的市场都在我们的掌控范围之内,我们只做有行情、有趋势的市场,其趋势用漂移率mu来刻画。要求mu1 < mu < mu2
3)波动率sigma:每一个交易时段,多空双方都会展开一场对决,多方因为价格上涨而受益,空方因为价格下跌而获利,波动率sigma在一定程度上描述了多空双方的力量均衡程度,明智的交易者应该在多空双方胜负逐渐明朗的时候才选择进场。要求sigma1 < sigma < sigma2。
4)其他条件:简单移动平均线MA作为市场上应用最为广泛的指标,也可用来辅助漂移项,以确认趋势的形成。要求MA1 < MA2。
3、平仓条件
理论上,在任何一个价位都能找到做多或做空的理由(实盘交易中也正是如此,否则便不可能成交了):认为趋势还将延续,则顺势而为;认为趋势已经到头,则逆市入场,区别只在于获利的概率大小。如果说开仓条件还比较平常的话,平仓条件的设定则是能否盈利以及盈利多少的关键。通过实证分析,我们建立了如下几种平仓条件:
条件1、资金止损
在期货市场中,输家最致命的弱点就在于缺乏随机性概念,自认为能战胜概率。资金管理的第一目标是确保生存第二才是稳定盈利。对于每一笔交易,交易者都必须预先知道能承受多大损失。止损点位过大,连续几次亏损就将使交易者出局;止损点位过小,又会频繁的止损。研究显示,在不损及长期展望的情况下,单笔交易的损失不宜超过保证金的2%。本文的模型也参考了这个标准。
条件2、资金止盈
一些交易者喜欢预先设定获利目标,一旦价格触及预先设定价位,便及时获利了结。这是因为这些交易者是情绪化的,为了取得确定的报酬,宁可牺牲期望报酬更大的机会,因为后者涉及不确定性。当前,A股市场正处于半强有效阶段,羊群效应比较明显。统计数据显示,股指日内涨得越高,投资者情绪也越高,潜在的获利机会也就越大,反之亦然,这就是力度的体现。但由于A股的日内涨跌幅限制,我们设置资金止盈点为earn0。
条件3、技术止损与技术止盈
1)止损不等于亏损。开仓后,一旦价格朝预期方向变化,则实时调整止损点位,让账户在保本与获利之间选择,而不再是亏损或获利。本文模型采用“50%法则”,即半数的帐面获利是自己的,另外半数的账面获利属于市场。举例来说,如果价格已经发生10点的有利走势,即时设定停损点为5。为避免频繁离场,一般要求账面获利点位超过earn1。
2) 交易者通常会对自己的仓位抱有某种念想,持有多单就预期上涨,持有空单就预期下跌,技术止损则要求交易者摒弃这种幻想。它是技术性的提前退出,而非被动止损。举例来说,如果当前持有多头仓位,程序又发出开空信号,那么或者离场,或者开反向仓位。
条件4、时间因素
对交易者而言,“数学期望”是一个非常重要的概念。刚开始建仓时,我们设定的止盈点位会比较高,但随着时间的推移,交易者应根据实际情况灵活调整止盈点位的大小。如果时间已临近收盘,而账面浮动盈利微小,若此时交易者还将止盈点位设为earn0,显然不合时宜。本模型采用的即时止盈点为earn0 * f(t),其中 f(t) 是当日剩余交易时间长度的函数。
条件5、强制平仓
为降低次一交易日指数跳开的风险,当日收盘前强制平仓。

搜索_交易者如何从亏损走向盈利的[整]

作为交易者的你是如何从亏损慢慢走向盈利的?

地址:https://www.zhihu.com/question/57812212?sort=created
投资这条路,也是一样的。
这里的危险之处在于投资理财这件事,有极大的迷惑性,我这些年来,观察到,这种迷惑性,让许许多多人吃了大亏。明明投资理财这件事,像律师,医生一样复杂,可是,门槛却比流水线工人和环卫工人还要低,并且,低得多。
让我们把思维拉到真实的世界。
第一:你是怎么学习游泳的?
再来说骑自行车。
开车呢?
都是从易到难,
可是,到了投资理财这件事,就莫名的变得不一样了。我已经看过身边无数人,从来不学习投资的,但是,他就是敢投。这真的让我百思不得其解。
各位,看到了吗?我说了那么多废话在骑车,游泳,商业上面,就为了表达一个观念,没有人在不会游泳的时候,直接一个猛子往深水区扎。也没有人在不会骑车的时候,直接骑上机动车道。也没有人,在完全没有商业运营的基础上,直接拿着老本就去商场搏杀。可是,你看到了吗?就真的有人在完全没有经验的前提下,用软件排排价格,按照最便宜的价格,一次性买个近千万的分级基金,这究竟是为什么呢?我很困惑。
首先,我第一件事,就是学习不亏损
这里,配套的武器就是《聪明的投资者》这本书,不简单,凡有人问我投资看什么书,第一本,我肯定推荐这本书,要知道,格雷厄姆写完这本书的时候,他是经历了人类历史上最大的股灾之后,写出来的这本书,他在这次股灾中,损失巨大,受挫非常之严重,整本书,透彻的写出了对亏损的厌恶,没有多少内容教你如何如何赚钱,绝大多数内容教你如何如何避免亏损。这本书,对于我来说,就像是《野外生存手册》,整本书教给我的,是怎么在丛林里活下来。我的建议是,好好看《聪明的投资者》,反复的看,反复的做笔记,反复的做思考。让这种厌恶亏损的思维深深的进入自己的身体里,血液里,思想里。
这里我多说一句,许多人,看到巴菲特说,自己真正大的改变,是和查理芒格一起投资以后,并且,看上去,赚钱的量来说,也是那以后比较多。这里很有误导性。为什么呢?这是一个先后顺序的问题
格雷厄姆的思想,是基础性思想,就像,有一天,索普告诉你,我如何取得世界冠军,是因为我穿了最新科技的鲨鱼皮泳衣,这个时候,并不代表你穿了鲨鱼皮泳衣就可以游得像他一样快,你还是得先学习怎么不淹死,然后,再去提升。巴菲特也是一样,他也是数十年打下非常扎实的基础,然后,查理芒格的思维引爆了他,他再走向快车道。
现在,很多人,一上来,就想走快车道,这是很危险的。相当于,给你舒马赫的赛车,你去赛道,也是灾难,你还得一步步来,一点点学。我从来都认为,先做好资产的保护,远远重要过如何赚钱,赚多少钱。这是最重要的事情。当然,这是我的一家之言,很多天赋异禀的朋友,不一定要认可。这本书,反复的看,你就会发现,好多时候,根本没有股票可以买,我当时的确就是这样的,整个A股,的确没有什么股票可以买,那么,怎么办?我选择的就是,不买,非常轻仓。
第二,是开放心态看投资。
最后,就一定是找到自己合适的投资方式
你打心里喜欢投机,你就专心研究投机;你打心里喜欢趋势交易,你就专心研究趋势交易;你打心里喜欢价值投资,你就不要管别人说什么,专心做一个价投;你打心眼里喜欢量化交易,你就好好去研究你的策略……
然后就是要抱着“投资本是一件难度极高的事情”的态度,持续学习,如履薄冰的去做一个合格的投资者,这样,你就可以远离亏损了!

搜索_商品期货的趋势性[整]

怎么看不同商品期货品种趋势强弱?

地址:http://uc.m.howbuy.com/news/detail.htm?id=2886627
比如工业品和有色金属期货价格受工业生产影响较大;而农产品期货则更多受天气、政策等因素影响;贵金属期货,比如黄金、银因其具备避险功能,其价格更多受国际安全形势等因素影响。
我们发现化工类期货和煤焦钢矿类期货品种整体的趋势要强于其他品种,趋势性更加明显。
首先,趋势性强弱与期货商品的定价机制有关。
国际化程度较高的期货品类趋势较弱,主要是因为该品类价格形成受到的各方博弈力量更加多元,趋势不会显得很明显;相反,则该期货品类的趋势性越强。
比如贵金属中黄金和白银,都属于国际化定价的商品期货品类,国内价格受到国际市场的影响较大。作为一种避险资产,如没有太大的经济社会动荡,此类贵金属很难具备趋势性。
而期货市场上螺纹钢、稀土、焦炭等工业品期货品类国家化程度较低,其价格走势受国内市场的影响远大于国际市场,市场上多空博弈力量相对较少,因此其价格波动性越大、趋势一旦形成也更加明显。
其次,交易量也会影响趋势的强弱。
交易越活跃,市场上的资金大进大出,越是容易形成趋势性行情;反之,若交易量较小、不易形成趋势。比如南华期货商品中,鸡蛋和粳稻年成交量较小、不足其他品类十分之一,其趋势性较弱,价格走势相对平稳。
最后,其他因素影响商品期货品种的供需结构,也会导致商品期货具备趋势。
农产品总体来说,在商品期货品类中趋势性相对较弱。主要是因为农产品的需求比较稳定,价格变化更多受供给端影响,除非天气和政策的影响,农产品期货很难具备趋势性。
工业品期货,尤其是原材料类型的基础性商品期货,受经济形势影响较强,其供需结构往往受整个经济基本面的影响。当经济进入下降通道或者上升通道的时候,往往工业品商品期货更容易有较强的确定性趋势。比如2013年-2015我国经济进入L型通道,产能严重过剩,此时螺纹钢作为工业生产原材料其价格具有很强的下降趋势。主要原因为供给过剩,经济需求不旺盛。

搜索_有什么好的止盈策略[整]

地址:https://www.zhihu.com/question/30676567/answer/70772420
我的策略是止盈小止损大,以高胜率比的趋势跟踪系统为主。具体过程以通过如下程序化代码验证:
以做多为例,止赢设置TakeProfitSet(N),止损设置StopLossSet(M),开仓后,每达到止盈位一次就加仓一手,同时止盈位按新入场价位自动上调,止损位也上调N点,若达到止损位则全部平仓。
加仓次数为X+Y,X取决于当前的盈利资金量(每盈利10000元X增加1,IntPart((NetProfit()+10000)/10000);),Y为手动设置的值(一般为1-15左右)
以下以本人一个RB的5分钟交易系统为例,进行说明:

多图预警,测试期间开平次数大于5000次。
(1) 胜率91.24%~


这些图的开平仓信号,宝宝连参数都没调。
胜率从90%+到5%+基本都有。
基本都是“符合统计”的正期望系统。
写个程序一天跑50个不一样的没有问题。
估计非常多的交易者都做过类似的事儿。
纯技术面,且已经去掉了必要的滑点损耗。
猜猜宝宝贴这么多图是为了啥?

搜索_资金管理方法[整]

我比较认同这样一个观念,投机行为可以看做一个把市场数据映射为收益率曲线的函数

1、交易系统包含若干模块:交易模块(滤网+策略)、组合模块、资金模块。
其中交易模块主要承担盈利功能,组合和资金模块的功能是降低最大回撤和提高资金曲线稳定性。
脱离以上基础,片面谈资金管理该如何做,容易陷入混乱。
2、资金模块的功能是控亏和提高稳定性,不是盈利。
1)控亏:通过总仓位比例控制亏损,保证交易能够无限重复。
2)提高稳定性:尽可能的通过分散提升稳定性。
3、以上方案,基于你的交易模块核心策略能够通过严格的压力测试——单一策略能够通过多品种、多周期等压力测试。
如果不能通过压力测试,决定业绩风险敞口的不是多个策略的平均值,而是表现最差的那个策略,和木桶理论很类似。

量化钢铁侠_研究量化2个月放弃创业职业投资[整]

地址:https://xueqiu.com/1876906471/69414603
笔记:
【投资起源】“打酱油十年,浑浑噩噩坐了几年过山车”
过去两年,净值曲线大起大落,我觉得必须对自己的投资方式进行深刻的反思。今年3月份,我开始在量化平台上测试自己的交易系统,回测了不同的投资体系,各种因子,各种模型。一个月的收获大于过去数年,解决了困惑我很长时间的问题,推翻了几年以来的选股体系,同时利用自己趋势投资的经验,重建交易系统

【成长历程】“趋势投资变为价值投资,亏得更惨”
通过量化工具,相当于对历史数据开了上帝视角,更加清晰地看到了市场的内在逻辑,帮助自己树立信心,克服人性的弱点

搜索_机器学习和量化投资[整]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
查询:机器学习和量化投资
技术增强。模聚。机当特(高信噪比,自相关,稳定,可解释)。特征组选降,线模型,调参数

机器学习在量化投资中的应用:从技术分析谈起
地址:https://zhuanlan.zhihu.com/p/20196760?columnSlug=wcliu
要点:
分类思路
1,技术因子的买入信号当作输入向量x_t的一个因子[0,1],类似的很多技术指标,可以构造出完整向量。次日的收益当作预测目标y_t(正1其他0)。文献[234]
2,趋势的表征,明日正负?no。ma正负
3,构建y_t的时候,不能只去想收益的平均值,还要考虑它的波动。重新思考下y_t=r_t(平均收益) – lambda * sigma_t(标准差)的正负。这里,lambda常量是投资者对风险的厌恶程度。Lambda越大,厌恶性越强。
增强学习思路
知道x_t,及每天,持有这只股票还是不持有(不允许做空)。给x_t换名“状态”(state),两种投资选择“动作(action)”。增强学习,定义一个回报(reward),现成的r_t – lambda * sigma_t[文献5]。
[1] Brock, William, Josef Lakonishok, and Blake LeBaron. "Simple technical trading rules and the stochastic properties of stock returns." Journal of finance (1992): 1731-1764.
[2] Gencay, Ramazan. "Non-linear prediction of security returns with moving average rules." Journal of Forecasting 15.3 (1996): 165-174.
[3] Franses, Philip Hans, and Kasper van Griensven. "Forecasting exchange rates using neural networks for technical trading rules." Studies in Nonlinear Dynamics & Econometrics 2.4 (1998).
[4] Shambora, William E., and Rosemary Rossiter. "Are there exploitable inefficiencies in the futures market for oil?." Energy Economics 29.1 (2007): 18-27.
[5] Li, Jian, and Laiwan Chan. "Reward Adjustment Reinforcement Learning for Risk-averse Asset Allocation." Neural Networks, 2006. IJCNN'06. International Joint Conference on. IEEE, 2006.


机器学习(非传统统计方法如回归)在量化金融方面有哪些应用?
地址:https://www.zhihu.com/question/27420308/answer/38632429
Clever Liu
要点:
1,机器学习前提,分类为例,样本数据应该是独立同分布。(我感觉是相关性)。股票收益为低自相关,高噪声,不稳定。
2,当前的预测目标直接return,由于具有低相关,高噪导致失败。这类文章喜欢用大公司做测试,好处在于价格稳定,低噪声强相关。
3,限价单思路。将机器学习的方法应用于限价订单层次的数据上,典型的论文就是今年新晋的ACM fellow,Michael Kearns在ICML06上发表的Reinforcement learning for optimized trade execution,试图为历史数据的每一个时间点构建状态(state),可运用增强学习的框架
4,利用股票数据既有的性质,在线学习(online learning)的算法。典型的是之前NTU计算机系的PhD, Bin Li在ICML,IJCAI的一系列论文。抓住了股票的均值回归(mean reversion)的性质。认为股票隐含价值,股价在附近波动。他的这一系列论文,其实就是在怎么找这个'均值'方面有些许变化。在时间点t,最开始他认为这个均值就是t-1的股价,后来他又认为这个均值是过去一个窗口时间上的均值。这些论文的思路、算法都很简单,但思想是不曾有过的
暗池交易,神经网络统计套利

作者:Edward.Fu
1,因子和数据的预处理了,如何normalize,如何/什么时候winsorize,如何/什么时候threshold,如何做bootstrapping,如何做cross_validation
2,如何调参了。一个是为了最大化提取特征的信息而调参,一个是搞模型时根据实际情况和假设条件调参。
如何选择模型的问题了,几个方法很适合quant行业,OLS,lasso,group lasso,ridge,elastic net,nnls,svm,svr,markov,hmm,gbdt,neural network,generic algorithm, decision tree, random forest,PCA,DL。
3,因子组合的问题了,这里面分为2个,1是降维,2是分配weight,
4,就是深度神经网络和DL了,这是理想中的彼岸花。确定好目标,自动寻找筛选组合特征一气呵成,听起来很好,实际在交易中确实不太现实

作者:王胖子
1,参数优化为主。另外有时会用unsupervised 。Learning去学习结构。还是落实在做参数优化。不过会能更自动一些。
2,核心的model线不线性倒不必在乎那么多,用线性模型主要是因为有强解释力,非线性模型比较解释不清楚
4,能把feature engineering做得好,后用简单的线性模型就能完成了。

郭睿
1,模式识别,先聚类,在次日涨跌统计,选择概率大的
2,

机器学习在量化金融里的应用很多,不可能一一详细解答, 你在网上搜索的话相关论文上千篇,我这里随便给你几个链接做参考吧。A Machine-Learning View of Quantitative Financehttp://www.qminitiative.org/UserFiles/files/S_Cl%C3%A9men%C3%A7on_ML.pdfMachine Learning and Algorithmic Trading In Fixed Income Marketshttp://www.datascienceassn.org/sites/default/files/Machine%20Learning%20and%20Algorithmic%20Trading%20In%20Fixed%20Income%20Markets.pdfMachine Learning in Financial TradingMachine Learning in Financial Trading你可以读这本书 "Machine Learning for Financial Engineering" 下载 Machine Learning For Financial Engineering.pdf另外一本书 "Statistically Sound Machine Learning for Algorithmic Trading of Financial Instruments"100币求书 - Statistically Sound Machine Learning for Algorithmic Trading佐治亚理工有门课你可以看看 Machine Learning for TradingML4Trading - QuantwikiAlgorithmic Trading Strategies with MATLAB Examples


国内目前的量化交易是否很少涉及到机器学习?
地址:https://www.zhihu.com/question/47913794?sort=created&page=2
1,机器学习处理问题必须是可解释(人自己也能处理)不过时间不划算
2,交易是互动系统,即使有规律一旦被2个人发掘就会扰乱,很多规律夹杂的系统。
个人:所以,两个条件,第一本身有规律,第二,这个规律别人都没发现(规律也有大小性,别人如果发现比自己大的也会导致自己失效)
1,线性鲁棒,可解释,可归因
2,非线性和无监督,更黑箱
1,机器学习特定,语音图像,高信噪比,边界清晰,可复现,特征可解释
2,股票,低信噪,不可复现,特征可无限多,难解释

清华海归博士眼中的量化交易,到底是什么样子?
地址:https://wallstreetcn.com/articles/293562
1,很多时候统计找出来的因子是“相关”,并不是“因果”。不从因果出发,策略就站不住脚。
“如果你发现昨天上涨了,今天上涨概率大,就做出一个模型,历史数据回测相当好。但其实只是一个相关性,并不是一个因果。不知道这个因子什么时候就失效了,因为因子本质上是没有逻辑的”。价格只是结果,并不是原因。巍子走了很多弯路,慢慢摸索,深深体会到做策略,一定要有逻辑。而逻辑从哪里来?巍子思考的结果是:基本面。
2,哪怕是使用样本外的数据,也不是真正的样本外。历史数据来区分样本内、样本外,本来已经暗含了过度拟合。只有真正把这个模型提交了,拿市场的数据跑出来的,这才是真正的“样本外”。一位做外汇的朋友告诉巍子,自己用3年的数据做回测,机器学习的方法比传统方法好。巍子建议说,那你不妨再往前3年看看?结果再往前3年,果然就很差。
“你怎么保证接下来实盘是过去3年,还是过去6年的行情?”
3,巍子不喜欢“量化原教旨主义信徒”,很多做量化的团队,讲起各种理论、模型滔滔不绝。他是实用主义者,他相信赚钱不分三六九等,并不是说量化赚钱就“高级”,手动赚钱就“低级”。“能用加法赚到钱,我绝对不用乘法,更别说微积分了。”
4,没有一劳永逸、一直赚钱的策略。巍子觉得有了一个策略,死守着的人是没有前途的。他更看重的是不断产生新想法的能力:
zh
Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×