股市量化擇時系統

❶ 量化分析的量化投資策略

量化投資技術幾乎覆蓋了投資的全過程，包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、演算法交易，資產配置，風險控制等。
1·量化選股
量化選股就是採用數量的方法判斷某個公司是否值得買入的行為。根據某個方法，如果該公司滿足了該方法的條件，則放入股票池，如果不滿足，則從股票池中剔除。量化選股的方法有很多種，總的來說，可以分為公司估值法、趨勢法和資金法三大類
2·量化擇時
股市的可預測性問題與有效市場假說密切相關。如果有效市場理論或有效市場假說成立，股票價格充分反映了所有相關的信息，價格變化服從隨機遊走，股票價格的預測則毫無意義。眾多的研究發現我國股市的指數收益中，存在經典線性相關之外的非線性相關，從而拒絕了隨機遊走的假設，指出股價的波動不是完全隨機的，它貌似隨機、雜亂，但在其復雜表面的背後，卻隱藏著確定性的機制，因此存在可預測成分。
3·股指期貨套利
股指期貨套利是指利用股指期貨市場存在的不合理價格，同時參與股指期貨與股票現貨市場交易，或者同時進行不同期限，不同(但相近)類別股票指數合約交易，以賺取差價的行為，股指期貨套利主要分為期現套利和跨期套利兩種。股指期貨套利的研究主要包括現貨構建、套利定價、保證金管理、沖擊成本、成分股調整等內容。
4·商品期貨套利
商品期貨套利盈利的邏輯原理是基於以下幾個方面 ：(1)相關商品在不同地點、不同時間對應都有一個合理的價格差價。(2)由於價格的波動性，價格差價經常出現不合理。(3)不合理必然要回到合理。(4)不合理回到合理的這部分價格區間就是盈利區間。
5·統計套利
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，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。統計套利在方法上可以分為兩類，一類是利用股票的收益率序列建模，目標是在組合的β值等於零的前提下實現alpha 收益，我們稱之為β中性策略；另一類是利用股票的價格序列的協整關系建模，我們稱之為協整策略。
6·期權套利
期權套利交易是指同時買進賣出同一相關期貨但不同敲定價格或不同到期月份的看漲或看跌期權合約，希望在日後對沖交易部位或履約時獲利的交易。期權套利的交易策略和方式多種多樣，是多種相關期權交易的組合，具體包括：水平套利、垂直套利、轉換套利、反向轉換套利、跨式套利、蝶式套利、飛鷹式套利等。
7·演算法交易
演算法交易又被稱為自動交易、黑盒交易或者機器交易，它指的是通過使用計算機程序來發出交易指令。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格、甚至可以包括最後需要成交的證券數量。根據各個演算法交易中演算法的主動程度不同，可以把不同演算法交易分為被動型演算法交易、主動型演算法交易、綜合型演算法交易三大類。
8·資產配置
資產配置是指資產類別選擇，投資組合中各類資產的適當配置以及對這些混合資產進行實時管理。量化投資管理將傳統投資組合理論與量化分析技術的結合，極大地豐富了資產配置的內涵，形成了現代資產配置理論的基本框架。它突破了傳統積極型投資和指數型投資的局限，將投資方法建立在對各種資產類股票公開數據的統計分析上，通過比較不同資產類的統計特徵，建立數學模型，進而確定組合資產的配置目標和分配比例。

❷ 如何理解量化選股和量化擇時之間的關系

所謂量化投資，就是通過定量或統計的方法，不斷地從歷史數據中挖掘有效的規律並在投資行為中加以利用，甚至通過計算機程序自動執行下單的動作。也就是說，量化投資方法是靠「概率」取勝，其最鮮明的特徵就是可定量化描述的模型、規律或策略。

對於股票市場，量化投資主要包括量化選股、量化擇時、演算法交易、股票組合配置、資金或倉位管理、風險控制等。我們這里重點聊一聊量化選股和擇時策略，其中前者解決哪些股票值得關注或持有，後者解決何時買入或賣出這些股票，以期在可承受的風險程度下，獲得盡可能多的收益。

第一階段：選股
選股的目標是從市場上所有可交易的股票中，篩選出適合自己投資風格的、具有一定安全邊際的股票候選集合，通常稱為「股票池」，並可根據自己的操作周期或市場行情變化，不定時地調整該股票池，作為下一階段擇時或調倉的基礎。

量化選股的依據可以是基本面，也可以是技術面，或二者的結合。常用的量化選股模型舉例如下：
1多因子模型
多因子模型：採用一系列的「因子」作為選股標准，滿足這些因子的股票將作為候選放入股票池，否則將被移出股票池。這些因子可以是一些基本面指標，如 PB、PE、EPS 增長率等，也可以是一些技術面指標，如動量、換手率、波動率等，或者是其它指標，如預期收益增長、分析師一致預期變化、宏觀經濟變數等。多因子模型相對來說比較穩定，因為在不同市場條件下，總有一些因子會發生作用。
2板塊輪動模型
板塊輪動模型：一種被稱作風格輪動，它是根據市場風格特徵進行投資，比如有時市場偏好中小盤股，有時偏好大盤股，如果在風格轉換的初期介入，則可以獲得較大的超額收益；另一種被稱作行業輪動，即由於經濟周期的原因，總有一些行業先啟動行情，另有一些（比如處於產業鏈上下游的）行業會跟隨。在經濟周期過程中，依次對這些輪動的行業進行配置，比單純的買入持有策略有更好的效果。
3一致性預期模型
一致性預期模型：指市場上的投資者可能會對某些信息產生一致的看法，比如大多數分析師看好某一隻股票，可能這個股票在未來一段時間會上漲；如果大多數分析師看空某一隻股票，可能這個股票在未來一段時間會下跌。一致性預期策略就是利用大多數分析師的看法來進行股票的買入賣出操作。
與此類似的思路還有基於股吧、論壇、新聞媒體等對特定股票提及的輿情熱度或偏正面/負面的消息等作為依據。還有一種思路是反向操作，迴避羊群效應（物極必反），避免在市場狂熱時落入主力資金出貨的陷阱。

4資金流模型
資金流模型：其基本思想是根據主力資金的流向來判斷股票的漲跌，如果資金持續流入，則股票應該會上漲，如果資金持續流出，則股票應該下跌。所以可將資金流入流出情況編製成指標，利用該指標來預測未來一段時間內股票的漲跌情況，作為選股依據。
第二階段：擇時
擇時的目標是確定股票的具體買賣時機，其依據主要是技術面。取決於投資周期或風格（例如中長線、短線，或超短線），擇時策略可以從比較粗略的對股票價位相對高低位置的判斷，到依據更精確的技術指標或事件消息等作為信號來觸發交易動作。

一般來說，擇時動作的產生可以基於日K線（或周K線），也可以基於日內的小時或分鍾級別K線，甚至tick級的分時圖等。具體的量化擇時策略可以分為如下幾種：
1趨勢跟蹤型
趨勢跟蹤型策略適用於單邊上升或單邊下降（如果可做空的話）的行情——當大盤或個股出現一定程度的上漲和一定程度的下跌，則認為價格走勢會進一步上漲或下跌而做出相應操作（買入->持有->加倉->繼續持有->賣出）。

2高拋低吸型
高拋低吸型：高拋低吸型策略適用於震盪行情——當價格走勢在一定范圍的交易區間（箱形整理）或價格通道（平行上升或下降通道）的上下軌之間波動時，反復地在下軌附近買入，在上軌附近賣出，賺取波段差價利潤（下軌買入->上軌賣出->下軌買入->上軌賣出->…）。
3橫盤突破型
橫盤突破型：價格走勢可能在一定區間范圍內長時間震盪，總有一天或某一時刻走出該區間，或者向上突破價格上軌（如吸籌階段結束開始拉升），或者向下突破價格下軌（如主力出貨完畢，或向下一目標價位跌落以尋找有效支撐），此時行情走勢變得明朗。
橫盤突破型策略就是要抓住這一突破時機果斷開多或開空，以期用最有利價位和最小風險入場，獲得後續利潤（空倉或持倉等待機會->突破上軌則買入或平空/突破下軌則賣出或做空）。

常見的趨勢跟蹤型策略有：短時和長時移動均線交叉策略，均線多頭排列和空頭排列入場出場策略，MACD的DIFF和DEA線交叉策略等。如下圖所示：

常見的高拋低吸型策略一般通過震盪類技術指標，如KDJ、RSI、CCI等，來判斷價格走勢的超賣或超賣狀態，或通過MACD紅綠柱或量能指標與價格走勢間的背離現象，來預測波動區間拐點的出現。如下圖所示：

常見的橫盤突破策略包括布林帶上下軌突破、高低價通道突破、Hans-123、四周法則等。如下圖所示：

必須要強調的是，趨勢跟蹤型策略和高拋低吸型策略適用於完全不同的市場行情階段——如果在單邊趨勢中做高拋低吸，或是在震盪行情中做趨勢跟蹤，則可能會造成很大虧損。因此，對這二者的使用，最關鍵的是，第一要盡量准確地判斷當前行情類型，第二是要時刻做好止損保護（和及時止盈）。

總結一下：
在瘋牛秘籍和瘋牛形態系列產品中，提供了大量對股市規律的揭示、以及基於這些規律制定的量化策略，例如基於各類公告事件、資金動向、技術指標等制定的策略和規律，以及次日機會、底部形態反轉等對應的交易時機。
這些實時動態的策略可為投資者的選股和擇時操作提供高效的、有價值的參考。

❸ 什麼叫量化數據和類別數據

量化數據是將一些不具體，模糊的因素用具體的數據來表示，以一定范圍內線性變換的數據反映自然界或社會的狀態，從而達到分析比較的目的。

類別數據是按照現象的某種屬性對其進行分類或分組而得到的反映事物類型的數據，又稱定類數據。

雖然量化分析可以幫助更加方便和直觀地衡量風險和收益，但需要強調指出的是，美國華爾街頂級量化金融大師、哥倫比亞大學著名教授伊曼紐爾·德曼，在《數學建模如何誘騙了華爾街》一文中，毫無忌諱地承認：根本不可能（通過數理分析方法）發明出一個能夠預測股票價格將會如何變化的模型；如果我們相信人類行為可完全遵守數學法則，從而把有著諸多限制的模型與理論相混淆的話，其結果肯定會是一場災難。

(3)股市量化擇時系統擴展閱讀：

股市的可預測性問題與有效市場假說密切相關。如果有效市場理論或有效市場假說成立，股票價格充分反映了所有相關的信息，價格變化服從隨機遊走，股票價格的預測則毫無意義。

眾多的研究發現我國股市的指數收益中，存在經典線性相關之外的非線性相關，從而拒絕了隨機遊走的假設，指出股價的波動不是完全隨機的，它貌似隨機、雜亂，但在其復雜表面的背後，卻隱藏著確定性的機制，因此存在可預測成分。

股指期貨套利是指利用股指期貨市場存在的不合理價格，同時參與股指期貨與股票現貨市場交易，或者同時進行不同期限，不同(但相近)類別股票指數合約交易，以賺取差價的行為，股指期貨套利主要分為期現套利和跨期套利兩種。股指期貨套利的研究主要包括現貨構建、套利定價、保證金管理、沖擊成本、成分股調整等內容。

❹ 什麼是期貨量化交易與程序化交易一樣的嗎

量化投資理論是藉助現代統計學和數學的方法，利用計算機技術從龐大的歷史數據回中海選能帶答來超額收益的多種「大概率」事件以制定策略，用數量模型驗證及固化這些規律和策略，然後嚴格執行已固化的策略來指導投資，以求獲得可持續的、穩定且高於平均的超額回報。
量化從一開始也不是作為定性的對立面而提出的方法，它是將定性分析中的技術分析策略用模型固化，替代過程中可以用電腦進行的部分並將其效用極大優化。量化交易策略幾乎覆蓋了投資的全過程，包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、演算法交易，資產配置，風險控制等。

程序化交易將具體的交易時機，倉位，止損止盈，獲利標准編寫進交易程序中，也可能獨立於程序外。程序化只是交易執行的一種方式。

❺ 量化投資

沒有你想的書

我多年來都有關注這方面的書 可是也沒有在國內找到

數量化投資是將投資理念及策略通過具體指標、參數的設計，體現到具體的模型中，讓模型對市場進行不帶任何情緒的跟蹤；相對於傳統投資方式來說，具有快速高效、客觀理性、收益與風險平衡和個股與組合平衡等四大特點。量化投資技術幾乎覆蓋了投資的全過程，包括估值與選股、資產配置與組合優化、訂單生成與交易執行、績效評估和風險管理等，在各個環節都有不同的方法及量化模型：

一、估值與選股

估值：對上市公司進行估值是公司基本面分析的重要方法，在「價值投資」的基本邏輯下，可以通過對公司的估值判斷二級市場股票價格的扭曲程度，繼而找出價值被低估或高估的股票，作為投資決策的參考。對上市公司的估值包括相對估值法和絕對估值法，相對估值法主要採用乘數方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；絕對估值法主要採用折現的方法，如公司自由現金流模型、股權自由現金流模型和股利折現模型等。相對估值法因簡單易懂，便於計算而被廣泛使用；絕對估值法因基礎數據缺乏及不符合模型要求的全流通假設而一直處於非主流地位。隨著全流通時代的到來和國內證券市場的快速發展，絕對估值法正逐漸受到重視。

選股：在當前品種繁多的資本市場中，從浩瀚復雜的數據背後選出適合自己投資風格的股票變得越加困難。在基本面研究的基礎上結合量化分析的手段就可以構建數量化選股策略，主流的選股方法如下：

資產配置方法與模型
資產配置類別 資產配置層次 資產配置方法 資產配置模型
戰略資產配置 全球資產配置 大類資產配置 行業風格配置 收益測度 風險測度 估計方法 馬克維茨 MV 模型 均值 -LPM 模型 VaR 約束模型 Black-Litterman 模型
戰術資產配置 ( 動態資產配置 ) 周期判斷 風格判斷 時機判斷 行業輪動策略 風格輪動策略 Alpha 策略 投資組合保險策略

基本面選股：通過對上市公司財務指標的分析，找出影響股價的重要因子，如：與收益指標相關的盈利能力、與現金流指標相關的獲現能力、與負債率指標相關的償債能力、與凈資產指標相關的成長能力、與周轉率指標相關的資產管理能力等。然後通過建立股價與因子之間的關系模型得出對股票收益的預測。股價與因子的關系模型分為結構模型和統計模型兩類：結構模型給出股票的收益和因子之間的直觀表達，實用性較強，包括價值型(本傑明·格雷厄姆—防禦價值型、查爾斯·布蘭迪—價值型等)、成長型(德伍·切斯—大型成長動能、葛廉·畢克斯達夫—中大型成長股等)、價值成長型(沃倫·巴菲特—優質企業選擇法、彼得·林奇—GARP價值成長法等)三種選股方法；統計模型是用統計方法提取出近似線性無關的因子建立模型，這種建模方法因不需先驗知識且可以檢驗模型的有效性，被眾多經濟學家推崇，包括主成分法、極大似然法等。

多因素選股：通過尋找引起股價共同變動的因素，建立收益與聯動因素間線性相關關系的多因素模型。影響股價的共同因素包括宏觀因子、市場因子和統計因子(通過統計方法得到)三大類，通過逐步回歸和分層回歸的方法對三類因素進行選取，然後通過主成分分析選出解釋度較高的某幾個指標來反映原有的大部分信息。多因素模型對因子的選擇有很高的要求，因子的選擇可依賴統計方法、投資經驗或二者的結合，所選的因子要有統計意義上或市場意義上的顯著性，一般可從動量、波動性、成長性、規模、價值、活躍性及收益性等方面選擇指標來解釋股票的收益率。

動量、反向選股：動量選股策略是指分析股票在過去相對短期的表現，事先對股票收益和交易量設定條件，當條件滿足時買進或賣出股票的投資策略，該投資策略基於投資者對股票中期的反應不足和保守心理，在投資行為上表現為購買過去幾個月表現好的股票而賣出過去幾個月表現差的股票。反向選股策略則基於投資者的錨定和過度自信的心理特徵，認為投資者會對上市公司的業績狀況做出持續過度反應，形成對業績差的公司業績過分低估和業績的好公司業績過分高估的現象，這為投資者利用反向投資策略提供了套利機會，在投資行為上表現為買進過去表現差的股票而賣出過去表現好的股票。反向選股策略是行為金融學理論發展至今最為成熟，也是最受關注的策略之一。

二、資產配置

資產配置指資產類別選擇、投資組合中各類資產的配置比例以及對這些混合資產進行實時管理。資產配置一般包括兩大類別、三大層次，兩大類別為戰略資產配置和戰術/動態資產配置，三大層次為全球資產配置、大類資產配置和行業風格配置。資產配置的主要方法及模型如下：

戰略資產配置針對當前市場條件，在較長的時間周期內控制投資風險，使得長期風險調整後收益最大化。戰術資產配置通常在相對較短的時間周期內，針對某種具體的市場狀態制定最優配置策略，利用市場短期波動機會獲取超額收益。因此，戰術資產配置是在長期戰略配置的過程中針對市場變化制定的短期配置策略，二者相互補充。戰略資產配置為未來較長時間內的投資活動建立業務基準，戰術資產配置通過主動把握投資機會適當偏離戰略資產配置基準，獲取超額收益。

三、股價預測

股價的可預測性與有效市場假說密切相關。如果有效市場假說成立，股價就反映了所有相關的信息，價格變化服從隨機遊走，股價的預測就毫無意義，而我國的股市遠未達到有效市場階段，因此股價時間序列不是序列無關，而是序列相關的，即歷史數據對股價的形成起作用，因此可以通過對歷史信息的分析來預測股價。

主流的股價預測模型有灰色預測模型、神經網路預測模型和支持向量機預測模型(SVM)。灰色預測模型對股價的短期變化有很強的預測能力，近年發展起來的灰色預測模型包括GM(1, 1)模型、灰色新陳代謝模型和灰色馬爾可夫模型。人工神經網路模型具有巨量並行性、存儲分布性、結構可變性、高度非線性和自組織性等特點，且可以逼近任何連續函數，目前在金融分析和預測方面已有廣泛的應用，效果較好。支持向量機模型在解決小樣本、非線性及高維模式識別問題中有許多優勢，且結構簡單，具有全局優化性和較好的泛化能力，比神經網路有更好的擬合度。

四、績效評估

作為集合投資、風險分散、專業化管理、變現性強等特點的投資產品，基金的業績雖然受到投資者的關注，但要對基金有一個全面的評價，則需要考量基金業績變動背後的形成原因、基金回報的來源等因素，績效評估能夠在這方面提供較好的視角與方法，風險調整收益、擇時/股能力、業績歸因分析、業績持續性及Fama的業績分解等指標和方法可從不同的角度對基金的績效進行評估。

績效評估模型 / 指標

績效評估准則
擇時 / 股能力
業績歸因分析
風險調整收益
業績持續性
Fama 業績分解

模型 / 指標
T-M 模型

H-M 模型

GII 模型

C-L 模型
資產配置收益

證券選擇收益

行業選擇收益

行業內個股選擇收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
雙向表分析

時間序列相關性
總風險收益

系統風險收益

分散化投資收益

五、基於行為金融學的投資策略

上世紀50～70年代，隨著馬科維茨組合理論、CAPM模型、MM定理及有效市場假說的提出，現代金融經濟學建立了一套成熟的理論體系，並且在學術界占據了主導地位，也被國際投資機構廣泛應用和推廣，但以上傳統經濟學的理論基石是理性人假設，在理性人假設下，市場是有效率的，但進入80年代以後，關於股票市場的一系列研究和實證發現了與理性人假設不符合的異常現象，如：日歷效應、股權溢價之謎、期權微笑、封閉式基金折溢價之謎、小盤股效應等。面對這些金融市場的異常現象，諸多研究學者從傳統金融理論的基本假設入手，放鬆關於投資者是完全理性的嚴格假設，吸收心理學的研究成果，研究股市投資者行為、價格形成機制與價格表現特徵，取得了一系列有影響的研究成果，形成了具有重要影響力的學術流派－行為金融學。

行為金融學是對傳統金融學理論的革命，也是對傳統投資實踐的挑戰。隨著行為金融理論的發展，理論界和投資界對行為金融理論和相關投資策略作了廣泛的宣傳和應用，好買認為，無論機構投資者還是個人投資者，了解行為金融學的指導意義在於：可以採取針對非理性市場行為的投資策略來實現投資目標。在大多數投資者認識到自己的錯誤以前，投資那些定價錯誤的股票，並在股價正確定位之後獲利。目前國際金融市場中比較常見且相對成熟的行為金融投資策略包括動量投資策略、反向投資策略、小盤股策略和時間分散化策略等。

六、程序化交易與演算法交易策略

根據NYSE的定義，程序化交易指任何含有15隻股票以上或單值為一百萬美元以上的交易。程序化交易強調訂單是如何生成的，即通過某種策略生成交易指令，以便實現某個特定的投資目標。程序化交易主要是大機構的工具，它們同時買進或賣出整個股票組合，而買進和賣出程序可以用來實現不同的目標，目前程序化交易策略主要包括數量化程序交易策略、動態對沖策略、指數套利策略、配對交易策略和久期平均策略等。

演算法交易，也稱自動交易、黑盒交易或無人值守交易，是使用計算機來確定訂單最佳的執行路徑、執行時間、執行價格及執行數量的交易方法，主要針對經紀商。演算法交易廣泛應用於對沖基金、企業年金、共同基金以及其他一些大型的機構投資者，他們使用演算法交易對大額訂單進行分拆，尋找最佳路由和最有利的執行價格，以降低市場的沖擊成本、提高執行效率和訂單執行的隱蔽性。任何投資策略都可以使用演算法交易進行訂單的執行，包括做市、場內價差交易、套利及趨勢跟隨交易。演算法交易在交易中的作用主要體現在智能路由、降低沖擊成本、提高執行效率、減少人力成本和增加投資組合收益等方面。主要的演算法包括：交易量加權平均價格演算法(VWAP)、保證成交量加權平均價格演算法(Guaranteed VWAP)、時間加權平均價格演算法(TWAP)、游擊戰演算法(Guerrilla)、狙擊手演算法(Sniper)、模式識別演算法(Pattern Recognition)等。

綜上所述，數量化投資技術貫穿基金的整個投資流程，從估值選股、資產配置到程序化交易與績效評估等。結合量化投資的特點及我國證券市場的現狀，好買認為量化投資技術在國內基金業中的應用將主要集中在量化選股、資產配置、績效評估與風險管理、行為金融等方面，而隨著包括基金在內的機構投資者佔比的不斷提高、衍生品工具的日漸豐富(股指期貨、融資融券等)以及量化投資技術的進步，基金管理人的投資策略將會越來越復雜，程序化交易(系統)也將有快速的發展。

❻ 如何量化炒股

我在其中遇到很多煩惱，在量化投資中，不知道你是不是有這樣的煩惱，下面是我的煩惱：

1、專業量化炒股工具太復雜，有沒有適合普通股民的量化分析工具呢？ 有自己的選股方法和參考指標，如何去驗證是否能帶來收益呢？ 很多牛人都有自己的炒股策略，誰的才是真的好呢？ 增減或替換選股指標，需要大量的數據運算，耗時費力，該如何避免呢？

不過這些問題數庫多因子量化平台可以幫你解決，3分鍾量化選股，做自己的股票分析師。

數庫多因子量化平台是數庫公司為了普及量化投資，為廣大股民提供的新型可視化量化工具，通過尋找與股票未來收益最相關的因子作為選股標准，綜合運用多因子構建模型對股票進行評價，選取綜合得分高的股票，以期獲得超額收益。

總結：無論你是小白還是專業人士，都可以在數庫多因子量化平台上盡情施展自己的炒股策略，炒股變得不再乏味煩心，而是便捷高效，輕松實現高收益。

❼ 如何構建簡單實用的量化擇時策略

所謂量化擇時，簡單來講就是利用某種數量化的方法判斷市場走勢。如果專判斷是上漲，則買入屬持有；如果判斷是下跌，則賣出清倉；如果判斷是震盪，則進行高拋低吸。這個問題顯然沒那麼簡單。大盤明天是漲還是跌？下周是漲還是跌？下個月是漲還是跌？明年是漲還是跌？如果有誰能像章魚帝那樣准確預測，那一定富甲天下了！

像這樣的難題，有什麼比較好的解決方案呢？大數據擇時？機器學習？人工智慧？這些乍聽之下就感覺高大上的量化擇時方法對於許多在短短半年內歷經三次股災險死還生的投資者而言，恐怕是既心嚮往之而又感無能為力吧！其實，正如我們前面的簡單策略所展示的那樣，只要我們不過於貪婪，即使沒有這些高大上的方法，通過構建一個簡單實用的量化擇時系統，也可以在較長時期內跑贏市場，獲取相對穩定的長期投資收益。

比較常用的量化擇時方法，除了隱馬爾科夫(HMM)、支持向量機(SVM)等基於機器學習(Machine Learning)理論的較復雜方法之外，還包括趨勢擇時、市場情緒擇時、有效資金模型、赫斯特指數等諸多方法。我們前面所展示的正是基於移動均線的趨勢擇時策略。

❽ 如何系統地學習量化交易

接觸量化交易大概有半年的時間，順序大概是這樣： 1. 學習了量化的回分析理念，主答要用於期現基差套利。 2. 學了Python，自己嘗試著寫了一套選股系統，主要是數據處理和一些策略，表現一般。 3. 改用MATLAB，還是拿來做分析和寫策略。然後在tb上實現。 4. 接觸了一些c++和c#的平台，正在看c++ premier。 最近發現hft很多人自己寫平台，去看了ctp的介面，發現一點都看不懂，問了做程序的朋友，說是要去學學網路協議。 看到自己一年下來，居然接觸了這么多東西，感到非常驚訝。但是確實每個都是和程序化有關的。最近還打算辭職去讀個書，系統的學習編程。