多因子量化交易系統?

求助offer怎麼選？騰訊TEG數據挖掘崗/私募基金量化交易系統開發崗

量化對衝基金在國外發展稱為，甚至被稱為"抗跌神奇"。在國外一直被稱為股壇抗跌神話的量化對衝基金是否就此走下"神壇"？是否真的預示著其將有黯淡的未來？

按照現有量化基金主要的運作模式，大致分為三類：

一是多因子選股，單策略和多策略並行。多因子模型是應用最廣泛的一種選股模型。其基本思想是：找到影響股票投資收益率的一組主要指標，並依據這些指標構建一個股票組合，期望該組合在未來一段時間內獲得相對大盤的超額收益。除多因子選股外，很多量化基金還採取多種量化選股策略並行的模式，不同策略之間可以是平均分配資產，也可以設定不同的權重。

二是量化指數增強。量化指數增強型基金是指採取指數增強策略的主動管理型量化基金。與傳統的指數增強基金不同，這類產品具有以下幾個特點：1)股票投資範圍並沒有最低90%的限制，只需要滿足契約限定的是股票型或者混合型基金的配置要求；2)基金契約中並未明確增強的標的指數；3)實際運作過程中，投資標的指數成分股或者備選成分股的資產佔基金股票資產的比例沒有最低80%的限制。

三是引入對衝機制，做絕對收益。股票對衝策略是指通過使用衍生品或者融券等做空手段，對衝持有的股票多頭頭寸的風險暴露，達到降低投資組合市場風險、獲取選股Alpha收益的一種對衝投資策略。國內目前發行的產品主要是市場中性策略，即一般要求的投資組合的風險暴露不超過其多頭頭寸的15%至20%，並且長期維持在這一水平。

一、基礎篇

1、在市場不穩定的情況下如何穩健套利？

套利，本就是很穩健的一種盈利方式。套利和盈利不同，相信您問的是在市場不穩定的情況下穩健"盈利"。先明確量化和對衝的概念，可下載OA系統中"量化對衝產品基礎知識學習手冊"進行詳細學習。量化對衝產品在構建股票多頭的同時，也構建期貨空頭。這種操作在市場不穩定時，可以對衝市場的系統風險，從而留下股票多頭特有的盈利。

2、量化對衝產品的操作流程是怎樣的？

先用量化投資的方式構建股票多頭組合，然後空頭股指期貨對衝市場風險，最終獲取穩定的超額收益。

3、收益方面、安全性方面哪個更有優勢?

量化對衝產品在收益方面和安全性方面都有優勢，屬於風險和收益高度匹配的高性價比產品。

4、量化對衝程序化交易的對象是什麼？

股票、債券、期貨、現貨、期權等等。

5、通過期貨對衝的那部分資金是不是一定加槓桿的？

是的。期貨是保證金交易，本身就帶有槓桿性質。但這部分的槓桿不是為了博取高收益而主動加槓桿，而是為了"等市值對衝"。比如2個億的基金，1.6個億買股票，剩餘0.4億做股指期貨空頭（這0.4個億為保證金，相當於做了市值1.6個億的股指期貨空頭），這樣下來整個基金幾乎無風險敞口。

6、針對目前的市場，量化對衝策略是不是以市場中性為主要策略點？

是的。

7、量化對衝類產品收益大概在什麼範圍內？

我國主流的市場中性策略的量化對衝產品，年化收益大概在10%-20%。

8、如何確定準確的貝塔因子係數，來安全的對衝掉系統風險？

國內主流的市場中性策略量化對衝基金是等市值對衝，比如2個億的基金，1.6個億買股票，剩餘0.4億做股指期貨空頭（這0.4個億為保證金，相當於做了市值1.6個億的股指期貨空頭），這樣下來整個基金幾乎無風險敞口。

9、量化對衝選股範圍都是哪些？大概選擇多少支股票呢？

目前國內的量化對衝產品選股範圍主要在A股內。股票的數量取決於量化對衝基金中對選股的量化要求，達標即入池，但是大多數量化對衝基金選股都達......

機器學習怎樣應用於量化交易

機器學習怎樣應用於量化交易（一）

曾有朋友問過，國內現在量化領域機器學習應用的少，是否因為效果不如簡單的策略。其實，把機器學習應用在量化交易上始終面臨著兩難，卻並不是無解的兩難。很多時候並不是機器學習不work，而是真正懂如何用正確科學的統計思維使用Machine Learning的人才太少。

機器學習涉及到特徵選擇、特徵工程、模型選擇、數據預處理、結果的驗證和分析等一整套建模流程，廣義角度來說就不單單是模型選擇的問題。所以，如果認為“用支持向量機成功預測股票漲跌” 這樣的研究，就是把機器學習應用於量化交易，這種狹義的認識無疑是買櫝還珠，對機器學習領域散落遍地的珍珠視而不見。如果把機器學習的崛起放在歷史進程中考量，無非就是趨勢的延續：現在，可通過系統的數據分析證實過去模糊不定的經驗，機器學習算法將未曾被察覺的規律得以浮現紙面。

在我看來，未來的發展概有兩個方向：

1.針對量化交易的統計學習算法被提出，使其適合於噪聲大，分佈不穩定的金融數據分析；

2.對於機器學習的熱情迴歸理性，從工具為導向迴歸到問題為導向。

針對如何以問題為導向，在機器學習算法中挑選合適的工具，分享一些思路。

1.多因子模型的因子權重計算

當我們在構建多因子模型且已經選定了一系列因子之後，要如何根據不同的市場情況調整各個因子的權重呢？在以往的研究中發現，與其它算法相比較，隨機森林算法對於存在非線性、噪音和自變量共線性的訓練集的分析結果更出色。所以，目前在多因子模型的權重上，採用當期收益率對上期因子進行隨機森林迴歸分析，以確定下一期多因子模型的因子權重。

2.缺失值處理

處理缺失值在金融的量化分析中是個無可避免的問題。選取合理的缺失值處理方法，依賴於數據本身的特點、數據缺失的情況、其對應的經濟學意義，以及我們需要使用數據進行何種計算。在嘗試構建多因子模型時，我們選擇了兩種缺失值替換方法：（1）採用期望最大化算法 來用同一變量的已知數據對缺失值進行極大似然估計。（2）把模型中包含的所有因子作為特徵變量，並賦予其相同的權重，再採用機器學習中的K-近鄰算法來尋找最相似的標的，保證缺失值替換後，不會強化一部分因子的影響力。

其實在量化領域，機器學習解決著線性模型天生的缺陷或弊端，所以還是有著很深的介入的。除去凸優化、降維(提取市場特徵)等領域的應用，目前“非動態性”和“非線性”是兩個重要的弊端。金融關係之間並非靜態，很多時候也不是線性的。統計學習的優勢此時就會體現出來，它們能夠迅速地適應市場，或者用一種更“準確的”方式來描述市場。

在國內，機器學習在量化內應用跟領域有很大的關係，跟頻率也有很大的關係。比如，CTA的運用可能就要多於股票，它處理數據的維度要遠小於股票，獲取市場的長度和動態又強於股票。股票市場的momentum要弱於期貨市場的momentum，它的趨勢與股票相比更明顯和低噪聲。這些特徵對於機器學習發揮作用都更加有利。

很可能國內一些交易執行算法的設計上就借鑑了機器學習。我們可以通過學習訂單薄特徵，對下一期盤口變化做一些概率上的預測，經過一定樣本的訓練之後，可以顯著地提升算法表現。

而我仍謹慎看好深度學習等機器學習方法的原因在於，在認識市場上，現行的大部分方法與這些方法並不在一個維度上，這個優勢讓它們與其他方法相比，捕捉到更多的收益。也就是說，一個新的認識市場的角度才能帶來alpha。

機器學習在量化交易裡面有多大的用處？

構 建 組 合的 難 點 在 於預測 ， 而 機 器 學 習可以 通 過 過 去的數 據 進行 分 析或 者 迴歸 來預 測 未來 信 息的走 勢， 從而 做 出 更 為 有 利 的 選 擇. 你 可以 來 米筐 量 化 平臺實現自 己的機 器 學習 策 略。

職業散戶可以使用量化交易技術嗎？

當然可以，任何交易者都可以使用量化交易技術，而且股票交易數據是很容易採集的，就是分析起來比較麻煩，如果題主是職業散戶，倒不如使用一些軟件炒股輔助，策略炒股通主要對有量化思路但又沒有編程能力的散戶非常試用。它量化了所有股票數據數據，而且還提供多因子策略模型供用戶建立自己的策略，通過手機點選就能實現，非常好用。

量化交易中所謂「回測易，實盤難」的問題怎麼解釋？

不同風格的策略對於回測的要求是不同的，比如對於多因子選股或者趨勢策略等，需要注意的幾點是：

1. 區分好樣本內數據和樣本外數據，這個和機器學習很類似，樣本內數據用於訓練，樣本外數據用於校驗。這樣做的目的是為了避免過擬合陷阱。

2. 收益的分佈，看看你回測後所有交易的收益分佈，看看你的收益來源是少數的幾次大的收益還是來源多次的小的收益。來源於大的收益，你的收益波動性就很大，實盤往往會達不到你的效果。

3. 參數的穩定性。如果你某個參數過敏感，隨便調整下就對收益影響很大，那你實盤的情況和模擬盤也有很大可能會有出入。

這類策略嚴格來說，避免了一些常見的坑，還是比較容易做到回測和實盤類似的。

京東量化最新推出了一些通達信的技術指標還不錯，你們可以去看一下，應該能學到好多東西。

喬治·索羅斯寫過一本叫《量化投資》的書嗎？

沒有

中國的丁鵬

裡什 K.納蘭 寫的

打開量化投資的黑箱

都不錯

量化交易策略被投資大眾稱為“黑箱”，以難以理解並且難以描述而得名。儘管這種投資方法具有一定的複雜度，但如果得到很好的指導，您同樣可以順利進入這個領域，領略到其中的奧妙。

《打開量化投資的黑箱》作者裡什·納蘭是一位專業基金經理，在本書中他站在一個非純粹技術性的視角介紹了量化交易策略，用生動的文筆帶領讀者遊歷整個“黑箱”。

本書的寫作翔實生動，涉獵了金融界豐富的真實案例和市場趣聞，富於智慧地描繪了華爾街的數量金融奇才們是如何工作的。

閱讀本書的過程，是您掀開量化交易神祕面紗的過程，是您慢慢理解數量金融大師及其投資策略的過程，也可能是您對量化交易越來越感興趣的過程。

量化投資—策略與技術的作品目錄

《量化投資—策略與技術》策略篇第 1章 量化投資概念1.1 什麼是量化投資 21.1.1 量化投資定義 21.1.2 量化投資理解誤區 31.2 量化投資與傳統投資比較 61.2.1 傳統投資策略的缺點 61.2.2 量化投資策略的優勢 71.2.3 量化投資與傳統投資策略的比較 81.3 量化投資歷史 101.3.1 量化投資理論發展 101.3.2 海外量化基金的發展 121.3.3 量化投資在中國 151.4 量化投資主要內容 161.5 量化投資主要方法 21.第 2章 量化選股 252.1 多因子 262.1.1 基本概念 272.1.2 策略模型 272.1.3 實證案例：多因子選股模型 302.2 風格輪動 352.2.1 基本概念 352.2.2 盈利預期生命週期模型 382.2.3 策略模型 402.2.4 實證案例：中信標普風格 412.2.5 實證案例：大小盤風格 442.3 行業輪動 472.3.1 基本概念 472.3.2 m2行業輪動策略 502.3.3 市場情緒輪動策略 522.4 資金流 562.4.1 基本概念 562.4.2 策略模型 592.4.3 實證案例：資金流選股策略 602.5 動量反轉 632.5.1 基本概念 632.5.2 策略模型 672.5.3 實證案例：動量選股策略和反轉選股策略 702.6 一致預期 732.6.1 基本概念 742.6.2 策略模型 762.6.3 實證案例：一致預期模型案例 782.7 趨勢追蹤 842.7.1 基本概念 842.7.2 策略模型 862.7.3 實證案例：趨勢追蹤選股模型 922.8 籌碼選股 942.8.1 基本概念 952.8.2 策略模型 972.8.3 實證案例：籌碼選股模型 992.9 業績評價 1042.9.1 收益率指標 1042.9.2 風險度指標 105第 3章 量化擇時 1113.1 趨勢追蹤 1123.1.1 基本概念 1123.1.2 傳統趨勢指標 1133.1.3 自適應均線 1213.2 市場情緒 1253.2.1 基本概念 1263.2.2 情緒指數 1283.2.3 實證案例：情緒指標擇時策略 1293.3 有效資金 1333.3.1 基本概念 1333.3.2 策略模型 1343.3.3 實證案例：有效資金擇時模型 1373.4 牛熊線 1413.4.1 基本概念 1413.4.2 策略模型 1433.4.3 實證案例：牛熊線擇時模型 1443.5 husrt指數 1463.5.1 基本概念 1463.5.2 策略模型 1483.5.3 實證案例 1493.6 支持向量機 1523.6.1 基本概念 1523.6.2 策略模型 1533.6.3 實證案例：svm擇時模型 1553.7 swarch模型 1603.7.1 基本概念 1603.7.2 策略模型 1613.7.3 實證案例：swarch模型 1643.8 異常指標 1683.8.1 市場噪聲 1683.8.2 行業集中度 1703.8.3 興登堡凶兆 172第 4章 股指期貨套利 1804.1 基本概念 1814.1.1 套利介紹 1814.1.2 套利策略 1834.2 期現套利 1854.2.1 定價模型 1854.2.2 現貨指數複製 1864.2.3 正向套利案例 1904.2.4 結算日套利 1924.3 跨期套利 1954.3.1 跨期套利原理 1954.3.2 無套利區間 1964.3.3 跨期套利觸發和終止 1974.3.4 實證案例：跨期......

量化對衝領域有哪些經典的策略和傳奇人物

阿斯內斯是法瑪在芝加哥大學指導的金融博士，其博士畢業論文在三因子模型的基礎上加入了動量因子，以四因子模型的形式完成了一系列的實證分析。博士畢業後阿斯內斯進入高盛，成為了一名量化交易分析員，隨後在高盛組建了全球阿爾法基金，主要從事以量化為導向的交易工作，業績不俗。1997年他離開高盛創辦了自己的AQR資本管理公司，目前該公司是全球頂尖的對衝基金之一。雖然沒有直接的證據證明阿斯內斯在工作中採用的是多因子模型基礎上的股價預測技術，但是可以想見的是，市值、賬面市值比、動量因子和因子模型應該與其量化交易策略存在一定的關聯。阿斯內斯在一些訪談和學術論文中也時常談到價值、動量/趨勢、低風險、套息等相關概念，是為佐證。 由學術研究進入量化交易實業領域的一個更為極端的例子，應該是文藝復興科技公司的西蒙斯，這也是中國讀者較為熟悉的一個量化交易從業者。西蒙斯於1961年在加州大學伯克利分校取得數學博士學位，年僅23歲，並在30歲時就任紐約州立大學石溪分校數學學院院長。他在1978年離開學校創立了文藝復興科技公司，該公司因為旗下的量化旗艦基金——大獎章基金傲人的業績而聞名。關於西蒙斯所使用的量化交易策略，坊間一直有諸多猜測。許多人認為其所使用的應該是基於隱馬爾科夫模型的量化交易策略，原因在於西蒙斯的早期合夥人鮑姆是隱馬爾科夫模型估計算法的創始人之一，同時文藝復興科技公司招聘了大量的語音識別專家，隱馬爾科夫模型正是語音識別領域的一個重要技術工具。作者對這一說法持懷疑態度，不過不管怎樣，從文藝復興科技公司比較另類的人員構成來看，這應該是一個比較純正的使用量化交易策略進行運作的對衝基金公司。 雖然大部分的量化對衝基金正在使用的交易策略都或多或少的進行保密，但是仍然有一些量化交易策略在多年的使用後開始慢慢為外界所熟知，統計套利就是其中之一。這個策略的概念最早產生於摩根斯坦利，當時的做法也被稱為配對交易，實際上就是使用統計的方法選取一對歷史價格走勢相似的股票，當兩支股票之間的價格差距變大、超出一定閾值之後，就分別做多和做空這兩支股票，依靠該價格差在隨後的時間裡迴歸到正常水平來獲取收益。由於這種量化交易策略既源自於統計分析、又存在等待價差迴歸的套利特性，因此被稱之為統計套利。而隨著對這類交易策略的進一步深入研究，統計套利策略目前已經遠遠超出了配對交易的範疇，變得更加的複雜和多樣化。 肖曾經是摩根斯坦利這個統計套利交易組的成員之一，他於1980年在斯坦福大學獲得計算機博士學位，隨後留校進行學術研究。肖在1986年加入摩根斯坦利後負責該組的技術部門，但是在兩年之後、如同統計套利的首創者班伯格（注）一樣、由於政治鬥爭等原因從公司離職，並創立了自己的德劭基金公司。結合了肖的大規模並行計算研究背景和在摩根斯坦利接觸到的統計量化策略，德劭基金公司利用計算機量化模型作為主要的策略進行交易並取得了巨大的成功。值得一提的時，肖在對衝基金領域紮根之後，仍然不忘科學研究，其成立的德劭研究公司致力於通過強大的計算機硬、軟件能力在分子動力學模擬等生化科研領域取得前沿性進展。這與阿斯內斯一直在金融雜誌上發表學術論文的行為，相映成趣，當然肖的學術研究相對而言可能更為極客一些。 相比起統計套利，傳統意義上的套利策略是一個更為人熟知、更經典的量化交易策略。實際上現代金融框架的一部分都是基於“無套利”這樣一個假設原則建立起來的，可見套利策略的深入人心與重要性。如果說統計套利的重點在於刻畫和預測多個資產間的統計關係，那麼傳統套利可能就更重注於各個資產的價值計算，以及策略執行時的交易成本估計和優化。只不過......

量化投資策略的趨勢判斷型量化投資策略

量化選股就是利用數量化的方法選擇股票組合，期望該股票組合能夠獲得超越基準收益率的投資行為。量化選股策略總的來說可以分為兩類：第一類是基本面選股，第二類是市場行為選股。基本面選股介紹了多因子模型、風格輪動模型和行業輪動模型。市場行為選股介紹了資金流模型、動量反轉模型、一致預期模型、趨勢追蹤模型和籌碼選股模型。 與股指期貨套利類似，商品期貨同樣存在套利策略，在買入或賣出某種期貨合約的同時，賣出或買入相關的另一種合約，並在某個時間同時將兩種合約平倉。在交易形式上它與套期保值有些相似，但套期保值是在現貨市場買入（或賣出）實貨、同時在期貨市場上賣出（或買入）期貨合約；而套利卻只在期貨市場上買賣合約，並不涉及現貨交易。商品期貨套利主要有期現套利、跨期套利、跨市場套利和跨品種套利4種 有別於無風險套利，統計套利是利用證券價格的歷史統計規律進行套利的，是一種風險套利，其風險在於這種歷史統計規律在未來一段時間內是否繼續存在。統計套利的主要思路是先找出相關性最好的若干對投資品種（股票或者期貨等），再找出每一對投資品種的長期均衡關係（協整關係），當某一對品種的價差（協整方程的殘差）偏離到一定程度時開始建倉——買進被相對低估的品種、賣空被相對高估的品種，等到價差迴歸均衡時獲利了結即可。統計套利的主要內容包括股票配對交易、股指對衝、融券對衝和外匯對衝交易。 期權（Option）又稱選擇權，是在期貨的基礎上產生的一種衍生性金融工具。從其本質上講，期權實質上是在金融領域將權利和義務分開進行定價，使得權利的受讓人在規定時間內對於是否進行交易行使其權利，而義務方必須履行。在期權的交易時，購買期權的一方稱為買方，而出售期權的一方則稱為賣方；買方即權利的受讓人，而賣方則是必須履行買方行使權利的義務人。期權的優點在於收益無限的同時風險損失有限，因此在很多時候，利用期權來取代期貨進行做空、套利交易，會比單純利用期貨套利具有更小的風險和更高的收益率。

各種機構使用的交易方法，我們散戶可以使用嗎？

完全沒有問題，雖然機構的交易方法複雜多變，但是市面上已經有一些為散戶提供機構交易法的炒股輔助平臺了，比如策略炒股通App，只需要在手機上安裝就可以使用各種量化交易手段和多因子選股手段幫助我平時實盤操作。