建研集團計算機量化

① 什麼是量化投資

你好，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。

② 計算機量化股票有什麼好的

申萬宏源量化策略交易軟體，通過軟體實現量化交易:
1.可以自己設定條件自動成回交，答
2.可以編寫自己的策略加入平台自動運行，
3.一鍵買賣多隻股票，
4.一鍵平倉，比例減倉，
5.快速交易，批量下單，組合交易，
6.機構大額減持，股份回購，
7.ETF一件套利，期貨套利，
8.大單拆小單，減少市場沖擊
9.分筆數據回測，發現主力建倉痕跡，
10.本地執行策略，安全高效。

現在越來越多的大戶和機構戶在用量化軟體，有工具的和沒工具的同樣在市場廝殺，誰的獲勝概率高？
歷史滾滾車輪，量化軟體的使用將逐步替代純人工交易，早了解，早使用，早受益。

③ 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)建研集團計算機量化擴展閱讀：

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。

④ 目前市面上的量化平台做到了什麼程度

你好，平時研究工作用的比較多的是優礦。

⑤ 請問國內哪家量化平台比較好

推薦澎博財經的真格量化。雲端運行，行情和交易速度都經過專業優化。
支持期貨、期權和50ETF的tick級別回測。
有完善的文檔和培訓教程。
支持編程語言為Python2.7和Python3.5.
上手很快，對用戶非常友好。

⑥ 在投行內部做量化交易與獨立出去做量化交易有何不同

這里我們只說量化交易，不討論量化研究和量化定價這一塊的業務。
量化交易是分兩個階段的。第一個階段是2008年以前，或者說Dodd-Frank法案以前，投行內部林立著各樣的很多對沖基金或者類對沖基金的實體，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投資銀行的自營交易業務也很像對沖基金。在這一階段，這些類對沖基金的實體和外面的對沖基金是沒有啥區別的，業務很類似——賭方向、做部分對沖（Partial Hedging）、跨市場套利，也非常敢於承擔風險。
當時在投行內做對沖基金類型的量化交易有著非常大的優勢，因為兩點——第一是銀行有著非常良好的融資渠道，融資成本顯著地低於當時的對沖基金，如果你嘗試去組建過一個基金，你就知道資金成本對於一個對沖基金的影響多麼大——巴菲特這么多年的成功是離不開長期1.6倍的財務杠桿和其低於中央銀行存款准備金率的資金渠道的（詳細內容參見AQR的論文——Buffet's Alpha）。 炒股需要經常總結，積累，時間長了就什麼都會了。為了提升自身炒股經驗，新手前期可以私募風雲網那個直播平台去學習一下股票知識、操作技巧，對在今後股市中的贏利有一定的幫助。
第二是銀行有著一個灰色的信息流——客戶的交易記錄。這個交易信息，就是今天，也是非常有用的內部消息。幾周前Bill Gross從PIMCO離開時，所有投行的Sales都瘋了，不停地研究之前PIMCO在自己銀行的倉位，然後分析那些債券最有可能最先被清盤，從而給其它客戶交易建議。而當年文藝復興多次更迭合作的投行，就是因為其大獎章基金的交易記錄得不到妥善的保密，很多合作銀行的自營交易桌跟著交易。
這兩個優勢造成了當時的自營交易極其暴利，而且管理層為了做大業績，全力支持明星交易員放大杠桿——而實際上，金融危機期間很多的CEO都是靠著自營交易的暴利業績從交易大廳升職到管理層的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
這也造成了，為什麼很多高盛離職的自營交易員在金融危機後，當銀行不能做自營交易後出來自立門戶開設對沖基金，卻完全無法復制當年的業績——因為他們是因為整個組織的強大而獲得超額收益，當失去了資金優勢和信息優勢後，一切都成為了浮雲。
2008年，准確說是2009年後，一切都變了。
首先是政府明令規定自營交易不讓幹了，於是各種投行旗下的基金，放入資管部的放入資管部（比如Goldman Sachs Global Alpha進入GSAM），獨立營業的獨立營業（比如PDT從摩根斯坦利分離），要不直接就關門大吉了（比如UBS、德銀）。
還有一些碩果僅存的，一般是在股票交易部門，打著對沖為名，通過會計手法，維持著極小的自營規模，這種類似的團隊很多投行都有。但是不成氣候了，也不會造成任何系統性的風險——當然，各種馬路傳奇故事也銷聲匿跡了。
銀行內部還有沒有量化交易了，其實還有——那就是隨著計算機技術進步的自動化做市交易。做市在國內這個概念剛剛出現——因為期權做市商制度的引入。但是在美國這個是從華爾街開始就有的交易體系了。簡單來說，就是假設你經營一家買可樂的小店，你有兩個主要的交易——一是從總經銷商那裡拿貨，用的價格是Bid，二是分銷給街邊下象棋和夕陽下奔跑的孩子們，這是Ask。Bid是你的進價，Ask是你的出貨價格，Bid一般小於Ask（除非你是搞慈善的）。你持續的維持報出這兩個價格，同時根據你的存貨來調整報價或者對應報價的數量——比如你的存貨太多，大爺不出來下象棋了，你就降低Bid，這樣很難進到貨了，而保持Ask，等待有人來消耗你的庫存。
這個過程就是基本的做市商交易流程，在金融中，由於沒有實際的總經銷商供貨，你的報價（Bid-Ask）是基於你對於對應資產的Fair Price的估計來決定的，通常是你算出來的均衡價格加減一個值構造成Bid-Ask組合。在很長的時間內，這個報價都是靠人來完成，這個過程是枯燥的，而且很容易出錯——而對於期權類產品（非線性價格）也很難快速報價。我之前和期權交易員合作過很長時間，他們的工作不一定智力上很難，但是對於人得耐力絕對是一種挑戰——因為在開市後他們要注意力高度集中的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐，報價，報價，在這交易大廳報價... ...
於是，從簡單的資產起，從交易所級別開始支持API交易了。什麼是簡單的資產，就是Vanilla類別的，比如個股、指數、外匯、國債等等。因此投行由於本來就是大量資產的做市商，開始把原來這套過程通過計算機來完成。後面大家發現計算機是完美勝任這項工作的，因為計算機能夠高速計算庫存來調整報價，還能報出很多復雜的單類型。因此從2000年開始個股、指數開始逐步被自動化做市來包攬，2005年後個股期權自動化做市大熱，而2008年後外匯自動化做市也相當成熟了，2010年開始國債自動化做市也在美國興起——這也是我目前在工作的內容。
那麼對沖基金呢，除了傳統的量化Alpha，他們難道不能也做這個業務嗎？實際上，很多對沖基金的自動化做市業務比投行還要好——比如Citadel，比如KCG。但是區別何在？區別在於兩點，第一是很多對沖基金不是專屬做市商（Designated market maker）。DMM的特權是其有專屬席位——在美國這樣高度商業化的國家，DMM也是非常稀有的。原因在於，DMM是有責任的，那就是在各種大型金融危機中，當流動性極差的時候，DMM還是要持續的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐... ... 在流動很差的時候這是非常危險的，因為大家丟給你的都是不好的資產，比如大跌的時候，都在賣，你的Bid反復被Hit，然後又沒人來hit你的Ask，浮動虧損可以非常大。那麼DMM的特權呢，DMM可以獲得非常高比例的rebate，也就是說，傭金返點非常高。這是對於其承擔的義務的回報。

第二就是絕大多是對沖基金不是Broker，也是你一般想買股票不會去找他們報價。在外匯和債券這類市場中，有兩級市場，一個是B2C市場，也就是零售市場，裡面基本都是Broker-Client，而第二級就是B2B市場，都是Broker-Broker。一般來說，B2B市場的Bid Ask Spread要低一些。一個形象的例子就是，我小時候去批發書的商店買書，一個商店有本習題集沒有，於是老闆去隔壁家拿了一本，賣給我，最後肯定這個老闆要把一部分價格還給隔壁家，我付的價格和老闆付給隔壁家的價格就是B2C到B2B市場的差價。
這里投行又耍流氓了，他們有著B2C市場的接入優勢，因此只要客戶量夠大，基本都能把自動化做市實現盈利——因為根據大數法則，一定時間內，買賣雙方的交易量應該是均衡的。
那麼對沖基金靠什麼——靠更好的策略。對沖基金如果要做高頻做市的，基本在B2B市場參與，他們不是DMM，但是也自己去報價，然後靠著對於價格走向的准確判斷，來調整報價，實現拿到多數對自己有利的單，或者持有更久符合預測方向的單，來達到盈利。這種不是DMM卻自發去做做市商的行為，叫做Open Market Making。
Citadel是期權自動化做市的王者，頂峰時期一年的利潤可以到1 Billion（2009），而整個市場那年的利潤也就是7 Billion左右。因此如果策略逆天，沒有客戶流，也能靠做市賺錢的。
此外，做市業務之外，對沖基金還多了很多機會。因為很多業務銀行做起來不劃算——比如商品。考慮一個金融類公司，不能光討論交易策略，宏觀上你一定要思考資金成本等問題，這才是投資之道在投資之外。商品這些之前銀行幹了很多壞事的業務（詳細參加高盛的銅交易和JP的風電交易）都被監管方克以了極高的資本罰金。這是Basel III裡面的規定，也就是你拿著1元的股票和1元的監管資產過夜受到的處罰是完全不同的，具體演算法參見Basel對於RWA（Risk Weighted Asset）計算的細則。這一系列監管，造成了對沖基金有了大量的新業務——因為投行退出。而大量銀行的人才也流向了對沖基金。
現在門徑這么清晰，那麼投行和對沖基金做量化交易的工作差別就很明顯了——投行主要以自動化做市為中心的高頻信號、客戶流分析、報價博弈論等研究為主。而對沖基金主要是傳統的量化Alpha、量化資產配置為主——當然還有公開市場自動化做市了。
希望可以幫助到你，祝投資愉快！

⑦ 如何建立量化交易模型

量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。
量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統

⑧ 量化策略一般用什麼平台回測分別有什麼優劣勢

盈時量化策略回測平台，不會編程也能玩轉量化。

盈時「策略機器人」集策略智能生成、策略評估、篩選優化、批量生成等功能於一體的互動式策略生成平台。平台以計算機智能生成演算法為核心，使用了機器學習、模式識別、統計學、可視化技術等人工智慧技術，包含策略構建模塊、混編計算模塊、策略績效優化模塊等組件，在策略優化方面使用了高效的遺傳編程與NSGA-II等演算法，進而充分利用CPU多核心性能，實現多進程同步高效生成策略。

語言：Python

適用人群：期貨投資者（有無編程基礎都可）

資料庫：期貨

回測用時：需要排隊分鍾記

支持的功能：支持將策略使用在交易開拓者的平台，屬於實盤交易。策略給出建議，但需要自己手動確定進行買賣。

自動生成策略原理與簡介：通過設置參數，運用機器學習的方法，一鍵生成源碼策略。

備註：國內首個利用深度學習的人工智慧量化平台，不懂編程也能做量化。

盈時，專注於為客戶提供高品質的量化交易技術咨詢服務和領先的量化交易產品，是一家從事金融數據分析、金融軟體開發、程序化交易演算法與交易策略研究等業務的科技公司。

⑨ 目前市面上的量化交易平台做到了什麼程度

個人對比了一下 ricequant。米狗量化貌似更有優勢，同樣是不用寫程序，米狗量化的模型定義和回測模型更加智能化。