量化投資思想策略與r語言實戰

⑴ 為什麼要用R語言做量化投資

你用python也行啊，joinquant聚寬的寬客社區就有很多python的策略，和學習資源

⑵ 量化投資中，MATLAB和python哪一個好

Matlab在矩陣處理方面的強大優勢Python無法比擬，我曾經用Matlab和Python跑同一個演算法，涉及到矩陣中Symbol求導。Python用的是Numpy，Sympy和Scipy，感覺Sympy中Matrix雖然功能強大，但是速度很慢，而且需要專注其中各種細節。如：其對Complex類型是無法自動expand的，常常出現(1+I)(2I+1)這種結果，這時需要調用.expand來解決。Matlab可以使你專注於模型，Python要超過Matlab還需要時間。但是Python在內容抓取，機器學習，等有強大的第三方包，如Scarpy，Skikit-learn等，發展很快。概括之：現在用Matlab，未來用Python

⑶ 什麼是量化投資——數量化投資與程序化交易

2010-11-02 14:49:32 作者： 來源：永安期貨 瀏覽次數：0 量化投資，簡單地說，就是利用數學、統計學、信息技術的量化投資方法來管理投資組合。數量化投資、程序化交易、演算法交易、自動化交易以及高頻交易都是數量化交易的特定方式， 其描述內容的側重點各有不同。數量化交易應用IT技術和金融工程模型偶那個幫助投資者指定投資策略、減少執行成本、進行套利和風險對沖。數據、速度、風險管理是數量化交易系統建設中的關鍵問題。期貨市場的數量化自動交易模型正逐步由投資者編制自用，演變為有一定規模的投資咨詢顧問組成的專業團隊參與。 程序化交易，也可稱之為系統交易或演算法交易，設計人員將市場常用之技術指標，利用電腦軟體將其寫入系統中，結合市場歷史數據，分析和組合各種指標建立數學模型，將交易策略系統化。當交易策略的條件滿足時，程序化系統自動發出多空訊號，並且有效掌握價格變化的趨勢，讓投資人不論在上漲或下跌的市場行情中，都能抓住交易策略，進而賺取波段獲利。程序化交易的操作方式不求賺取誇張利潤，只求長期穩健的獲利，於市場中成長並達到財富累積的復利效果。經過長時期操作，年獲利率可保持在一定水準之上。 程序化交易又是一種個性化交易，每個投資者（或機構）都可以根據自己的投資經驗和智慧，編寫自己的交易模型，進行電腦自動交易。交易模型是交易思想的凝練和實際化，正確的交易思想在嚴格的操作紀律實行下將獲得良好、穩定的投資收益，而通過交易模型正是將正確的交易思想與嚴格的操作紀律很好地結合在一起，幫助人們獲取良好、穩定的投資收益。程序化交易在投資實戰中不僅可以提高下單速度，更可以幫助投資者避免受到情緒波動的影響，消除交易時人性的恐懼、貪婪、遲疑及賭性等情緒，實現理性投資。設計出色的程序化系統可以確保廣為流傳的交易成功三項基本原則的順利實施：順應市場趨勢、控制虧損交易、做足盈利交易。總而言之，模型策略的出色設計、資金的有效風險控制、行情交易軟體的穩定可靠、數據的及時流暢以及下單速度的快捷,組成了優秀的程序化交易系統，它是量化投資的一種具體實現途徑。上傳：錢文

⑷ 什麼是α，β收益，量化投資的策略創建與分析

α收益：一攬子可以自定義低估、同質化並且有波動的股票，不斷買入更便宜的，賣出更貴的，從而獲得的收益。

例如：幾個跟著滬深300的ETF，你發現手中持有的滬深300ETF溢價2%了，而市場上同時存在一個折價1%的ETF，那麼就賣出溢價高的滬深300ETF，去買折價的，這樣雖然始終持有滬深300ETF，但獲得了超越滬深300指數本身的收益，就是α收益。

解釋一下同質化：明顯所有的滬深300ETF是同質化的，也可以認為最小市值20個股票是同質化的，所有銀行股是同質化的，分級A是同質化的。下文中有解釋自定義低估。

β收益：基本面本身上漲是β收益。

例如，自定義最小市值的10個股票為一個指數，這些最小市值從5億漲到20億，這就是β收益。自定義最低股價10個為一個指數，從牛市的5元跌到2元，那麼β收益就是負的

量化策略創建三個步驟：

1. 策略的理論基礎

2. 歷史回測

3. 找到策略黑天鵝。

（一）策略的理論基礎：（大致分為三類）：

基本面理論

按基本面又可以分為：1.價值型；2.成長型；3.品質型；按中國特色A股基本面又可以添加；4.小市值型；5.股價型

技術面理論

按技術面又可以分為：1.趨勢型，2.趨勢反轉型，3.縮量反彈，4.指數輪動，5.擇時

風險套利

風險套利（或者稱輪動）：不斷買入更便宜的，賣出更貴的。

注意：

有些理論基礎並不牢固，並且不能很好解釋（這也導致了各種投資流派互相不服）

有些量化跳過了理論基礎，直接根據歷史統計進行量化（本文不討論），例如，統計兩會前後漲跌，一季度歷史表現最好板塊

對策略理論的解釋：

基本面策略可以定義什麼是低估，比如低PE是低估，低市值是低估，低股價是低估，高ROE是低估，高成長是低估；也可以自定義低估，PB*PE是低估，總市值*流通市值小是低估

基本面理論提供了一攬子同質化並且有波動的股票。有些基本面策略的股票間波動較小，例如最低PE股，一段時期內總是那麼幾個銀行股；有些波動較大，比如小市值型

技術面理論有些很難定義什麼是低估，比如趨勢型；有些則看似可以定義低估，例如，BIAS最小，20日跌幅最大，其實也不是

能自定義低估的策略是風險套利，不能自定義低估的策略是統計

基本面本身能上漲，就獲得了β收益

我得出的結論是：風險套利策略的核心是對自定義低估的輪動，即不斷獲得α收益！！

如何獲得α收益：大部分基本面策略的收益是因為風險套利獲得的；也就是不斷買入更低估的，賣出更貴的；也就是因為調倉周期內因不同股票的波動而產生收益，因此適當縮短周期有利於提高收益；所以在一年內交易次數越多，alpha收益越大（投資大師說的減少交易次數，並不適用於套利）

理論本身獲得的β收益並不多，甚至為負（價值型由於近幾年市場估值不斷降低，不調倉的話，收益是負的）

我們應當尋找的是：基本面理論本身能上漲，且能提供同質化，波動較大的策略（即獲得α，又獲得β）

統計策略其內在邏輯說服力小，是過去的概率來預測未來

（二）歷史回測：回測中最重要一點是：不要欺騙自己

歷史回測中要用到一個哲學思想，叫做奧卡姆剃刀:較簡單的理論比復雜的理論更好，因為它們更加可檢驗

改變測試起始時間。調倉周期超過2天的策略，應該試遍每個起始時間，取平均收益，這才最接近策略真實歷史回測，因為理論上起始時間變化一兩天對策略收益影響是不大的，如果變化很大就說明過度優化。

不要創建靜態股票池。歷史上每個階段都有大牛股，完全可以收集大牛股作為股票池，算好調倉周期，每個階段買最牛的，收益可以美到不敢想像

不要用PE.PB等指標精確逃頂抄底，最多用來確定一個大致范圍。每次大頂點位都是不同的，這樣的擇時毫無意義。

先用25個以上股票測試，確定策略有效性，再減少數量做策略，如果25個測試無效，那麼一兩個即使收益很好，也該放棄。

改變條件權重。如果稍微改變權重，收益變化很大，那麼就降低策略未來預期收益，別指望策略以後會表現這么好。

盡量從07年開始測試。除非你能確定每個時間市場的風格，顯然這是不可能的。

同一套擇時系統，如果用在策略1上回撤是30%，用在策略2上回撤是15%，你肯定會選擇策略2，如果策略1和2本質上是差不多的策略，別太高興，在未來，策略1和2表現誰好誰壞也是難說的

（三）找到黑天鵝：每個策略都有黑天鵝

價值型，成長型，品質型策略，黑天鵝是過一個季度，可能財務數據完全變了，因此持倉個數不能太少，行業要分開

小市值，低價，低交易額策略，黑天鵝是出現仙股

統計類，技術類策略，黑天鵝是理論本身就不完美

⑸ 完全不懂金融，想學習量化投資需要學習哪些金融科目

我個人認為學抄習量化投資在金融襲方面需要具備兩個方面的知識：
1、首先是要了解金融市場與金融產品，只有這樣才能在眾多市場與標的中選擇合適的來構建投資組合，這一方面需要了解的基礎知識有：金融市場與金融機構、投資學、金融衍生品等等；
2、其次是需要了解如何量化，相信你應該有足夠的IT背景，編程沒啥問題，其次的話就是要了解數理來溝通金融產品選擇與編程落地，需要了解的科目有：概率論、統計學、計量經濟學、金融經濟學、數理金融等。

⑹ 金融工程，量化投資學什麼軟體好Python還是Matlab

這真的非常難說。。總的來看美 國大部分用python，國 內可能用matlab的比較多（因為盜內版什麼容的問題呵呵）。我個人是覺得python有更好的靈活性，比如可以和C鏈接等等，很多美國的hedge fund等公司都在從matlab轉到python。matlab的好處是：收錢的東西質量有保證。所以matlab在optimization等方面的toolbox寫得非常棒！總的來說就是簡單好用。問題就是它的syntax非常惡心（這點和R類似。。）。另外速度比較慢（當然R更慢）。。我個人是比較喜歡python多一點，但是很多時候搞量化分析偷懶就會用matlab和R，因為很多東西都是現成的。。

⑺ 量化投資策略的優勢有哪些

量化投資策略的優勢有哪些?
量化投資策略有如下五大方面的優勢，主要包括紀律性、系統性、及時性、准確性、分散化等。
(1)紀律性：嚴格執行量化投資模型所給出的投資建議，而不是隨著投資者情緒的變化而隨意更改。紀律性的好處很多，可以克服人性的弱點，如貪婪、恐懼、僥幸心理，也可以克服認知偏差，行為金融理論在這方面有許多論述。
(2)系統性：量化投資的系統性特徵主要包括多層次的量化模型、多角度的觀察及海量數據的觀察等等。多層次模型主要包括大類資產配置模型、行業選擇模型、精選個股模型等等。多角度觀察主要包括對宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度的分析。
(3)及時性：及時快速地跟蹤市場變化，不斷發現能夠提供超額收益的新的統計模型，尋找新的交易機會。
(4)准確性：准確客觀評價交易機會，克服主觀情緒偏差，妥善運用套利的思想。量化投資正是在找估值窪地，通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會。與定性投資經理不同，量化投資經理大部分精力花在分析哪裡是估值窪地，哪一個品種被低估了，買入低估的，賣出高估的。
(5)分散化：在控制風險的條件下，充當准確實現分散化投資目標的工具。分散化也可以說量化投資是靠概率取勝。這表現為兩個方面，一是量化投資不斷的從歷史中挖掘有望在未來重復的歷史規律並且加以利用，這些歷史規律都是有較大概率獲勝的策略。二是依靠篩選出股票組合來取勝，而不是一個或幾個股票取勝，從投資組合理念來看也是捕獲大概率獲勝的股票，而不是押寶到單個股票上。

⑻ 量化投資要學那個語言好

Matlab 和 C++,一個建模一抄個執行，足夠了。實在不愛用Matlab的話，R和Python也行。多看書多學習，英語也是很重要的。可以找視頻和書籍學習。

個人推薦《量化投資：以python為工具》主要講解量化投資的思想和策略，並藉助Python 語言進行實戰。《量化投資：以Python為工具》一共分為5 部分，第1 部分是Python 入門，第2 部分是統計學基礎，第3 部分是金融理論、投資組合與量化選股，第4 部分是時間序列簡介與配對交易，第5 部分是技術指標與量化投資。《量化投資：以Python為工具》首先對Python 編程語言進行介紹，通過學習，讀者可以迅速掌握用Python 語言處理數據的方法，並靈活運用Python 解決實際金融問題；其次，向讀者介紹量化投資的理論知識，主要講解量化投資所需的數量基礎和類型等方面；最後講述如何在Python 語言中構建量化投資策略。

⑼ 量化投資—策略與技術的本書特色

第一，實戰性。書中的案例絕大多數來自於實際的市場數據，只有很少一部分是純理論的分析。尤其是策略篇中的內容大部分來自於專業投資機構的研究報告，具有極強的實戰價值。
第二，基於中國市場。與量化投資最接近的書籍當屬「金融工程」，但金融工程中絕大多數的案例都來自於國外市場，很多策略在國內市場還不具備投資條件。本書中的案例基本上都是對國內市場（股票、期貨等）中的實際交易數據的分析，特別適合國內的投資者。
第三，理論性。量化投資離不開最新的數學和計算機理論的支持，本書用了將近一半的篇幅來闡述與量化投資有關的基礎理論，並用了很多案例來說明這些理論的應用方法。避免了一般投資策略書籍重技術而忽視理論的缺點，從而使量化投資更加科學化。
本書主要內容
本書的內容分為：策略篇和理論篇。策略篇中闡述了各種量化投資的策略與方法，理論篇則詳細介紹了支持量化投資的各種數學工具。
策略篇一共介紹了8個方面的投資策略，分別是量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、期權套利、演算法交易及其他策略。
投資策略 概述
量化選股 量化投資最重要的策略，主要是研究如何利用各種方法選出最佳的股票組合，使得該股票組合的收益率盡可能高的同時，保持盡可能的穩定性。量化選股一章闡述了8種不同角度的策略，分別為多因子模型、風格輪動模型、行業輪動模型、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
量化擇時 量化投資中最難的，也是收益率最高的一種策略，主要研究大盤及個股走勢，並進行相應的高拋低吸操作。如果能夠正確判斷大盤，則收益率會比單純的買入-持有策略收益要高很多。這一章主要闡述了8種擇時模型，分別是趨勢擇時、市場情緒擇時、有效資金模型、牛熊線模型、Hurst指數模型、SVM模型、SWARCH模型和異常指標擇時

⑽ 量化投資:思想,策略與R語言實戰 講義

推薦你在網路上搜索一下有很多的