量化交易弊端

❶ 高頻交易和量化交易到底有什麼區別

從歷史上看，很多高頻交易公司的創始人都是交易員出身，原來就從事衍生品的做市、套利等業務。一開始這些工作並不需要多高深的知識。隨著計算機技術的發展，交易的自動化程度和頻率也逐漸提高，這些公司逐漸聘請一些數學、統計、計算機背景較強的人員加入以適應形勢的發展。當然，這個過程也出現了一些分化，有的公司還是保留了交易員在公司的主導地位，並且始終未放棄人工交易，最終形成了人機結合的半自動交易；而另外一些公司對新鮮技術的接受程度更高一些，往往採取全自動的交易模式。事實上，也沒有證據表明全自動交易的公司就比半自動交易的公司更為優越，到目前為止，也只能說是各有利弊。
人工交易的最大弊端在於手動下單的地方離交易所較遠，在行情劇變的時候往往搶不到單。在這一點上，全自動交易的公司可以通過託管機房來最大程度減少信號傳輸的時間，不過自動化交易往往因為程序過於復雜，加上很多公司人員流動較大，在程序的維護上會出現一些失誤，最終程序出錯釀成大禍，比如著名的騎士資本。
至於過度擬合無法抵禦黑天鵝事件，那是人工交易和自動交易都無法避免的問題。一般來說，Getco、Jane Street、SIG、Virtu Financial等是半自動交易，Tower Research、Hudson River Trading、Jump Trading等是全自動交易。
量化投資公司跟高頻交易公司則有很大的不同。首先，美國的量化投資公司基本上都是量化背景極強的人創辦的，比如說文藝復興的創始人西蒙斯是數學家出身，DE Shaw的創始人David Shaw是計算機教授出身，AQR的創始人Cliff Asness是金融學家出身，而高頻交易公司則更多是傳統交易員創辦的；其次，量化投資一般依賴於復雜的模型，而高頻交易一般依賴於運行高效的代碼。
量化投資公司的持倉時間往往達到1—2個星期，要預測這么長時間的價格趨勢需要處理的信息自然非常龐大，模型也因此更為復雜，對程序的運行速度反而沒那麼敏感；高頻交易處理信息的時間極短（微秒或毫秒級），不可能分析很多的信息，因此模型也趨於簡單，競爭優勢更多依靠代碼運行的效率，很多人甚至直接在硬體上寫程序；而最後，量化投資的資金容量可達幾百億美元，而高頻交易公司往往只有幾千萬至幾億美元，但由於高頻交易的策略表現遠比量化投資穩定，如Virtu Financial交易1238天只虧1天，因此一般都是自營交易，而量化投資基金一般來說都是幫客戶投資。

❷ 3分鍾了解深度學習跟量化交易是什麼關系

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，機器學習演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演算法被提出，使其適合於雜訊大，分布不穩定的金融數據分析；2.對於機器學習的熱情回歸理性，從工具為導向回歸到問題為導向。針對如何以問題為導向，在機器學習演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，與其它演算法相比較，隨機森林演算法對於存在非線性、噪音和自變數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回歸分析，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）採用期望最大化演算法 來用同一變數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數，並賦予其相同的權重，再採用機器學習中的K-近鄰演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。金融關系之間並非靜態，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「准確的」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系，跟頻率也有很大的關系。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雜訊。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演算法的設計上就借鑒了機器學習。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，可以顯著地提升演算法表現。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。

❸ 量化寬松（貨幣超發）有什麼好處和壞處

通貨膨脹，月工資五千，以前可以養十口人，現在只能養兩個人，就是這個結果

❹ 什麼是量化交易，未來前景如何知道的講講。

量化交易，有時候也稱自動化交易，是指以先進的數學模型替代人為的主觀判斷，避免在專市場極屬度狂熱或悲觀的情況下做出非理性的投資決策。
在股票市場上，量化交易早不是什麼新聞，在國外，七成的交易都是通過計算機決策的，在國內這個數字也接近五成。
過去的股票市場都是靠交易員手動敲鍵盤來操作的，難免一失手成千古恨，這種行為被戲稱為「胖手指」，相比之下，量化交易則如同點石成金的「仙人指」。量化里最美的童話就是「旱澇保收」，牛市也好，熊市也罷，都能大賺特賺。
量化交易的優勢：1. 嚴格的紀律性 2. 完備的系統性 3. 妥善運用套利的思想 4. 靠概率取勝
量化交易的風險性：首先是一二級市場「級差」風險，其次是交易員操作風險，最後是系統軟體的風險。
滿意請採納答案，有不明白的可以繼續提問。

❺ 量化投資 用python好 還是c++

Python是非常適合做quant類工作的語言，本身就是科學計算方面的統治級語言，現在加入了IPython，pandas等重量級神器，為Quant類工作量身定做，而且仍在飛速發展中，以後會越來越重要。

關於其他語言，首先介紹一下我自己最喜歡的一個比較小眾的組合，Mathematica+Java/Scala。 Mathematica的優點在於：本身提供函數式的編程語言，表達能力非常強大，比如Map/Rece是標配，很多時候不需要去做煩人的for循環或下標控制，排版經常可以直接照數學公式原樣輸入，即直觀又不容易寫錯；代碼和輸出混排的排版方式使得建模時的演算和推理過程非常流暢，甚至還可以直接生成動畫，對於找直觀理解非常有幫助（這幾點分別被IPython和R偷師了一部分）。Mathematica的缺點在於對金融類的時間序列數據沒有很好的內建支持，使得存儲和計算都會比較低效，因此需要用內嵌Java的方式來補足，對於數據格式或性能敏感的操作都可以用Java/Scala實現。這個組合在我心目中無出其右，不論是快速建模，還是建模轉生產，都遠遠領先於其他選擇。但Mathematica的商用授權很貴，如果公司本身不認可的話很難得到支持，這是最致命的缺陷。另外隨著Python系的逐漸成熟，領先優勢在逐漸縮小，長遠看Python的勢頭更好一些。

其他答案里也列舉了不少其他語言，我自己既做Quant的工作，也做軟體開發的工作，這里想從一個軟體工程師的角度，說說我的理解。平時工作中會和一些偏Quant背景的人合作，很容易發現建模能力好的人往往在計算機方面基礎比較薄弱（因為以前的訓練重點不在這里）。他們也可以快速學習掌握一種像C++，Java這樣的語言，實現很多必要的功能。但是一方面這些語言陡峭的學習曲線和繁瑣的開發步驟會給他們真正要做的工作增加不必要的負擔，另一方面一旦涉及到性能敏感的情景，他們對計算機體系結構缺乏理解的缺點就容易暴露，比如說很可能他們沒有計算復雜度，內存碎片，cache miss，甚至多線程等概念，導致寫出的程序存在相當大的隱患。

即使是計算機功底扎實，如果每天的工作需要在C++，Python，R/Matlab，甚至一眾腳本語言之前來回切換，思維負擔也會非常重，人的精力是有限的，很難同時兼顧數學建模和底層代碼調試這種差距巨大的工作。長期發展下去最可能的結果就是要麼遠離建模，專心做生產環境開發，要麼遠離生產環境，專心建模。這種局面顯然不論對個人還是團隊都是有很大弊端的。

如果深入思考這個問題，相信不難得出結論，對於Quant來說，C++這種相當面向機器的語言肯定不是最佳選擇。的確在歷史上，它比更面向機器的C已經友好了很多，但是在計算機技術飛速發展的今天，如果還需要Quant大量使用C++做建模類的工作顯然是很遺憾的事情。設想一下你拿到一份股票數據，不論你是想分析價格走勢，成交量分布，還是波動性，第一件要做的事一定是畫出圖來看看，有一個直觀認識。如果你的工具是C++，肯定有很多時間花在編譯，調試，再編譯的過程上，好容易能解析文件了，接下來怎麼算移動平均？怎麼算波動性？全都要自己寫代碼。再然後怎麼畫圖？這整個工作流簡直慘不忍睹，這些問題浪費掉你大部分精力，而他們全部和你真正感興趣的工作毫無關系。所以如果你是一個數理金融等背景的新人打算開始Quant生涯，在決定是否要投資到這項重量級技術上時需要慎重，即便它目前的市場定價可能仍在峰值。相比之下我認為Python會是更理想的選擇，即能很好的完成建模工作，也可以訓練一定的編程技巧，使你在必要時也能勝任一些簡單的C++工作。

最後同意 @袁浩瀚，不要拘泥於語言，不論學習那一種，對其他的語言還是要抱有開放的心態。另外世界變化很快，你會發現單一的語言分類方式其實是沒有意義的，每一門語言在發展過程中都會逐漸吸收其他語言的特性，比如Python本身就既有C/C++/Java那樣命令式的特點，也有函數式的特點，像pandas甚至還提供類似SQL的使用方式，在其他語言或系統里也都或多或少包含了不同的特點，可以在學習過程里慢慢體會。

❻ 美國要實施新一輪量化寬松貨幣政策談談其政策的利弊！

美聯儲的量化寬松政策，對美國經濟復甦有利，刺激出口，有利股市，經濟復甦，就能增加就業，增加稅收，解決債務問題，保障弱勢群體；但是會引發全球性通脹，增加消費負擔。

❼ 機器學習在量化交易裡面有多大的用處

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，機器學習演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演算法被提出，使其適合於雜訊大，分布不穩定的金融數據分析；
2.對於機器學習的熱情回歸理性，從工具為導向回歸到問題為導向。
針對如何以問題為導向，在機器學習演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，與其它演算法相比較，隨機森林演算法對於存在非線性、噪音和自變數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回歸分析，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）採用期望最大化演算法 來用同一變數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數，並賦予其相同的權重，再採用機器學習中的K-近鄰演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。金融關系之間並非靜態，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「准確的」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系，跟頻率也有很大的關系。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雜訊。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演算法的設計上就借鑒了機器學習。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，可以顯著地提升演算法表現。
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。

❽ 實行QE4,有什麼壞處

QE4即第四次量化寬松，其危害有：

1，量化寬松貨幣政策埋下全球通脹隱患：量化寬松貨幣政策實質上是在脫離實體經濟需求的情況下，開動印鈔機向市場輸入流動性。在市場信心缺失，投資萎縮的情況下，量化寬松貨幣政策向市場釋放的流動性不會導致通貨膨脹，但是一旦經濟好轉，投資信心恢復，過度釋放的流動性則可能會轉化為通貨膨脹。

2，量化寬松貨幣政策惡化相關貿易體的經濟形勢：量化寬松貨幣政策的最直接的表現之一便是使本國貨幣大幅貶值，有利於本國的出口行業，但是相反也導致相關經濟體的貨幣升值。

3，量化寬松貨幣政策導致貨幣貶值，物價上漲：量化寬松貨幣政策必然會導致貨幣的供給量增加，從而引發通貨膨脹。

(8)量化交易弊端擴展閱讀：

QE4扭轉政策：

1、美聯儲推出每月450億美元額度的購債項目來取代扭轉操作。

2、維持每月400億美元的抵押貸款擔保證券采購項目不變。

3、維持基準利率不變。

4、首次為加息時機給出了失業率和通貨膨脹率指引。