worldquant量化投资

1. 高频交易和量化交易有何不同

高频交易和量化交易有3点不同：

一、两者的概述不同：

1、高频交易的概述：指从那些人们无法利用的极为短暂的市场变化中寻求获利的计算机化交易。

2、量化交易的概述：指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略。

二、两者的作用不同：

1、高频交易的作用：这种交易的速度如此之快，以至于有些交易机构将自己的“服务器群组”安置到了离交易所的计算机很近的地方，以缩短交易指令通过光缆以光速旅行的距离。

2、量化交易的作用：极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

三、两者的特点不同：

1、高频交易的特点：

（1）高频交易都是由计算机自动完成的程序化交易；

（2）高频交易的交易量巨大；

（3）高频交易的持仓时间很短，日内交易次数很多；

（4）高频交易每笔收益率很低，但是总体收益稳定。

2、量化交易的特点：

（1）纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。

（2）系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。

（3）套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。

（4）概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。

2. 念空私募如何

念空私募有着较先进的技术和硬件设施，因此是一家较好的投资机构。具体体现为：
1、念空私募拥有国内最好的基础设施，与交易所直接相连的现货和期货交易系统，以及DMA订购模式，以确保最快的交易速度。
2、念空私募依靠定量技术指标和高频数据分析，抓住短暂的交易机会，具有巨大的市场优势。
拓展资料：
1）私募，即私募基金，是指以非公开发行的形式向符合条件的投资者募集，投资于债券、股票、股票、期货、期权、基金份额等投资对象的投资基金。（如艺术品、红酒等）投资合同约定，简称私募基金。在证券发行中，政府、金融机构和工商企业可以选择不同的投资者作为发行对象，因此证券发行可以分为公开发行和私募发行。私募股权基金起源于美国。1976年，华尔街著名投资银行贝尔斯登（BearStearns）的三位投资银行家成立了一家专门从事并购的KKR投资公司。西方国家的私募股权投资已达到GDP的4%-5%。
2）上海念空数据技术中心（有限合伙）是由王晓博士和周凯文博士领导的一个以绝对收益为导向的多战略资产管理平台，由国内外多个量化PM团队共同构建。年空汇集了国内外优秀的量化投资管理团队，包括SAC、Millenium、Citadel、WorldQuant等华尔街知名对冲基金和国内公共基金的关键成员。
3）念空致力于利用科学的数据分析能力，为投资者提供高质量的绝对回报产品。长期以来，所有的投资策略都在国外成熟市场上进行了检验。主要团队成员具有国际一线投资银行和对冲基金的工作经验，在金融衍生品的定量分析和交易方面有突出的业绩。主要产品负责人具有15年以上的量化工作经验，能够为产品提供一流的交易技术、定价能力和风险控制能力。

3. worldquant公司的 营运模式

worldquant公司的 营运模式是一种投资模式。
WorldQuant本质上走着一种”极限利用新兴市场人力资源+纯数据挖掘“的投资模式，这是一个伟大的投资模式。
这种模式犯了金融学研究的一个忌讳:切不可以先数据挖掘再给其找对应的经济意义。有过计量经济学研究经验的朋友相信会懂:世间万物自有联系，通过各种相关性分析、几个统计软件包一应用，总能发现少许看点--但这完全是数学上、统计上的关系，也许根本是 Spurious Relation，或者完全没有意义。

4. 高频交易和量化交易有何不同

量化投资公司和高频交易公司一般说来，既有区别又有联系。在美国，人们常说的量化投资公司一般都是对冲基金，包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等；而常说的高频交易公司一般都是自营交易公司，这些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外，既有量化投资业务，又有高频交易业务的公司有Two Sigma、Citadel等；还有许多公司向着更综合的方向发展，DE Shaw等公司，既有量化投资，又有非量化投资。
对于量化投资来说，除了行情信息，整理收集其他基本面的信息也相当重要，预测模型中要融入整理出的对应的时间序列。成功的模型是什么？重点在于它整合了多少不同来源的信息，而不是运用了多高深的数学理论。以简单的线性回归为例，想要模型的预测效果好，需要各个参数都有很强的预测能力，同时相关性很低；反之，如果选取的参数毫无意义，就算运用在复杂的深度学习理论，得出的模型也没有用。美国的一些公司，除了利用新闻等文本信息建模外，谷歌卫星拍摄到的港口集装箱的图像也会用来建模，商品价格走势如何，通过对商品集装箱的数目来预测，取得了很好的预测效果。

求解模型其实与建模同样重要。比如说物理学上有很多能精确描述现实的模型，可还是难以求解，因为缺乏高效的科学计算方法，量化交易也一样的。伴随着巨大计算量的参数的计算、筛选、优化、回测等，怎样精妙求解是一门颇为高深的学问。著名的文艺复兴公司内部有着明确的分工——物理学家分析数据建立模型，数学家构建优化算法并求解模型等，计算机程序员从各个来源收集数据，西蒙斯这样透露。

5. 明曦（杭州）资产管理有限公司怎么样

简介：明曦（杭州）资产管理有限公司（简称“明曦资本”），注册于杭州玉皇山南基金小镇。创始人团队来自华尔街顶级投行（高盛、花旗、德意志银行）和对冲基金（Worldquant、HBK）。多年从事量化投资工作，涵盖策略设计、平台搭建、交易系统、衍生品定价、风险管理等方面，拥有丰富的量化投资全流程实战经验。
法定代表人：张曦
成立时间：2016-05-03
注册资本：1000万人民币
工商注册号：330102000185540
企业类型：有限责任公司(自然人投资或控股)
公司地址：上城区甘水巷152号126室

6. 如何用Quartz Signal快速实现Worldquant 101 Alpha

优矿的500万实盘在如火如荼地进行中，我们已经看到有矿友利用经典的机器学习算法和新的Quartz Signal模块对于优矿上现有因子的利用进行探索，但是对于大多数信号/因子研究者来说，寻找新的Alpha依然是其孜孜以求的目标。
如何去寻找新的Alpha因子的灵感成为摆在量化研究者面前无法回避的问题。
我们注意到，Zura Kakushadze 等人最新发表的论文101 Formulaic Alpha(…) 里提到了很多基于价量数据构建的"Alpha"因子，为我们提供了很多新的灵感。
本文将先简单介绍论文中提到的Alpha因子表达式语法以及含义，之后会介绍如何用Quartz Signal便捷地实现这些Alpha，最后会提供2个在论文中出现并且效果不错的Alpha因子供大家参考。

Formulaic Alpha简介
研读过上文提到的论文，我们发现，论文中提到的Formulaic Alpha就是用一个表达式来表示一个Alpha因子：
· 写出的表达式是在每一个调仓日对每一支按照该表达式进行计算
· 例如：1/close; 对universe中每一支，计算1/closePrice，然后此向量被标准化，即除以其数值的总和（所有数值相加的结果为 1）。这将为所有创建了一个基于“权重”的向量，每个权重代表投资组合中投资于该的资金比例
· 其支持的数据有：open(开盘价)/close(收盘价)/high(最高价)/low(最低价)/vwap(日内交易量加权价格)/returns(单日收益率)等等
我们认为这种Formulaic Alpha的表达形式有以下特点：
· 表达简洁，但隐藏了太多细节，用户无法看到具体的调仓信息
· 受限于表达式表达能力的不足，提供了丰富的内置函数，帮助用户完成了cross-sectional信息的处理
内置函数
· 可分为横截面函数和时间序列函数两大类，其中时间序列函数名多为以ts_开头
· 大部分函数命名方式较为直观
· abs(x) log(x)分别表示x的绝对值和x的自然对数
· rank(x)表示某x值在横截面上的升序排名序号，并将排名归一到[0,1]的闭区间
· delay(x,d)表示x值在d天前的值
· delta(x,d)表示x值的最新值减去x值在d天前的值
· correlation(x,y,d) covariance(x,y,d)分别表示x和y在长度为d的时间窗口上的Pearson相关系数和协方差
· ts_min(x,d) ts_max(x,d) ts_argmax(x,d) ts_argmin(x,d) ts_rank(x) sum(x,d) stddev(x,d)等均可以通过函数名称了解其作用
· 更多地函数解释可以参考论文的附录

Quartz Signal模块简介
正如API帮助文档中提到的，Signal模块是优矿为方便因子/信号研究者提供的工具，将用户从与信号研究无关的数据获取、下单逻辑中抽离出来，用户可以将精力集中于按照自己的思路开发新的信号。
使用Signal自定义信号的通用实现过程如下：
def foo(data, dependencies=['PE&# 39;], max_window=4):
return data['PE&# 39;].mean()
# in initialize(account)
a = Signal("signal_a", foo)
account.signal_generator = SignalGenerator(a)
# in handle_data(account)
account.signal_result['signal_a']

我们可以将Quartz Signal的使用过程分为四个步骤：
定义实现信号逻辑的函数（在上例中即为foo函数）
在initialize函数中定义Signal，在实例化Signal类时将信号名字和描述函数作为参数传入
在initialize函数中将需要使用的信号注册到account.signal_generator中，可以注册多个信号
在handle_data中通过account.signal_result获取计算好的信号值

我们重点介绍一下用户需要完成的信号描述函数：
信号描述函数实际上是用户在每一个调仓日对于可以获得数据的处理逻辑
信号描述函数名可以按照Python函数的命名规范任意定义，但其参数必须为一个非关键字参数data，两个关键字参数dependencies和max_window
dependencies的参数格式必须为str构成的list，list的元素为该函数中需要使用的因子名称，具体支持因子列表参考帮助文档
max_window的参数格式为int，表示用户希望用到过去max_window天的因子数据
data则是根据dependencies和max_window，Quartz Signal模块帮助用户取到的数据，其格式为一个dict，key为因子名称，value为max_window*universe_length的Pandas DataFrame
信号描述函数的返回值必须为一个长度与data中每一元素列数相同的Pandas Series
如下图所示：

上图描述的就是data的结构，其中data只有一个元素，其key为"PE"，value就是上图表格所示的Pandas DataFrame，具体地，其columns为universe的secID，其index为%Y%m%d格式的日期字符串

Quartz Signal v.s. Formulaic Alpha
由上述描述可见，使用Quartz Signal模块可以便捷地实现Formulaic Alpha，同时相比Formulaic Alpha表达式有以下优势：
更加直观：
o用户在预先定义信号描述函数时，就可以明晰地定义自己需要的因子数据和时间窗口
o用户可以在Quartz框架中灵活定义自己的调仓频率和下单逻辑，并可以直观地看到每次调仓的列表
更加灵活：
oFormulaic Alpha限制了表达式的计算结果必须代表相应在投资组合中的权重，而Quartz Signal并没有此限制，用户可以在handle_data中按照自己的想法任意处理信号值
o信号描述函数的data是以Pandas DataFrame的格式传入的，这样用户就可以在函数中同时看到横截面数据和时间序列数据，为用户提供了更多可能
更加强大：信号描述函数的data是以Pandas DataFrame的格式传入的，Pandas丰富的内置函数可以帮助我们完成较复杂Formulaic Alpha表达式才能完成的任务（见最后一个示例）
更多数据：Quartz Signal不仅支持openPrice/closePrice/highPrice/lowPrice/turnoverVol等价量信息，还支持PE、RSI等更丰富的因子
下面我们就用Quartz Signal模块实现了一个论文中提到的Formulaic Alpha:

用Quartz Signal实现一个Formulaic Alpha
以WebSim论文中alpha 53为例，其原始表达式为:
(−1∗delta((((close−low)−(high−close))/(close−low)),9))
化简可得，((close - low) - (high - close)) / (close - low)的9日之前值-当前值
继续化简可得：(2∗close−low−high)/(close−low)

我们深入研究该因子可以发现：
(2∗close−low−high)/(close−low)=1−(high−close)/(close−low)
前面的常数1可以通过delta消掉，其实可以简化为(high−close)/(close−low)的现值-9天之前的值
而(high−close)/(close−low)本身则代表了收盘价在日内波动中的位置，可以看做是买入意愿的一种体现

我们强烈建议大家在实现这些Formulaic Alpha因子之前先花一些精力去理解其经济含义，不仅可以加深对其原理的理解，在某些时候还可以简化实现。
我们以论文中的Alpha 26为例，其原始表达式为：
−1∗ts_max(correlation(ts_rank(volume,5),ts_rank(high,5),5),3)
我们当然可以按照其原始表达式一步步地先对过去5天的成交量和最高价进行排名，再取相关系数；但是较熟悉Pandas DataFrame内置函数或者统计知识较丰富的研究者可以发现，correlation(ts_rank(volume,5),ts_rank(high,5),5) 其实就是在计算Spearman Rank Correlation Coefficient，使用DataFrame内置的corr(method="spearman")函数就可以完成计算，可以大大提高开发效率。

在我们的模拟的过程中发现，如果按照原公式进行计算，无论是long还是short的结果都跑不赢大盘，同时对于成交量和最高价相关性较高的将会是市场追逐的热点，应该分配更大的权重。
所以在上述代码中我们将原Formulaic Alpha前面的负号去掉。

当然，对于论文中出现的某些因子可能较难于理解其经济学意义，我们鼓励大家用Quartz Signal将其实现之后发到社区上与大家一起讨论。
对于Quartz Signal模块有哪些不尽如人意的地方也可以反馈给我们，帮助我们持续改进。

7. 如何用quartz signal快速实现worldquant 101 alpha

优矿的500万实盘在如火如荼地进行中，我们已经看到有矿友利用经典的机器学习算法和新的Quartz Signal模块对于优矿上现有因子的利用进行探索，但是对于大多数信号/因子研究者来说，寻找新的Alpha依然是其孜孜以求的目标。
如何去寻找新的Alpha因子的灵感成为摆在量化研究者面前无法回避的问题。
我们注意到，Zura Kakushadze 等人最新发表的论文101 Formulaic Alpha(http://papers.ssrn.com/sol3/papers.cfm?abstra…) 里提到了很多基于价量数据构建的"Alpha"因子，为我们提供了很多新的灵感。
本文将先简单介绍论文中提到的Alpha因子表达式语法以及含义，之后会介绍如何用Quartz Signal便捷地实现这些Alpha，最后会提供2个在论文中出现并且效果不错的Alpha因子供大家参考。

Formulaic Alpha简介
研读过上文提到的论文，我们发现，论文中提到的Formulaic Alpha就是用一个表达式来表示一个Alpha因子：
· 写出的表达式是在每一个调仓日对每一支股票按照该表达式进行计算
· 例如：1/close; 对universe中每一支股票，计算1/closePrice，然后此向量被标准化，即除以其数值的总和（所有数值相加的结果为 1）。这将为所有股票创建了一个基于“权重”的向量，每个权重代表投资组合中投资于该股票的资金比例
· 其支持的数据有：open(开盘价)/close(收盘价)/high(最高价)/low(最低价)/vwap(日内交易量加权价格)/returns(单日收益率)等等
我们认为这种Formulaic Alpha的表达形式有以下特点：
· 表达简洁，但隐藏了太多细节，用户无法看到具体的调仓信息
· 受限于表达式表达能力的不足，提供了丰富的内置函数，帮助用户完成了cross-sectional信息的处理
内置函数
· 可分为横截面函数和时间序列函数两大类，其中时间序列函数名多为以ts_开头
· 大部分函数命名方式较为直观
· abs(x) log(x)分别表示x的绝对值和x的自然对数
· rank(x)表示某股票x值在横截面上的升序排名序号，并将排名归一到[0,1]的闭区间
· delay(x,d)表示x值在d天前的值
· delta(x,d)表示x值的最新值减去x值在d天前的值
· correlation(x,y,d) covariance(x,y,d)分别表示x和y在长度为d的时间窗口上的Pearson相关系数和协方差
· ts_min(x,d) ts_max(x,d) ts_argmax(x,d) ts_argmin(x,d) ts_rank(x) sum(x,d) stddev(x,d)等均可以通过函数名称了解其作用
· 更多地函数解释可以参考论文的附录

Quartz Signal模块简介
正如API帮助文档中提到的，Signal模块是优矿为方便因子/信号研究者提供的工具，将用户从与信号研究无关的数据获取、下单逻辑中抽离出来，用户可以将精力集中于按照自己的思路开发新的信号。
使用Signal自定义信号的通用实现过程如下：
def foo(data, dependencies=['PE&# 39;], max_window=4):
return data['PE&# 39;].mean()
# in initialize(account)
a = Signal("signal_a", foo)
account.signal_generator = SignalGenerator(a)
# in handle_data(account)
account.signal_result['signal_a']

我们可以将Quartz Signal的使用过程分为四个步骤：
定义实现信号逻辑的函数（在上例中即为foo函数）
在initialize函数中定义Signal，在实例化Signal类时将信号名字和描述函数作为参数传入
在initialize函数中将需要使用的信号注册到account.signal_generator中，可以注册多个信号
在handle_data中通过account.signal_result获取计算好的信号值

我们重点介绍一下用户需要完成的信号描述函数：
信号描述函数实际上是用户在每一个调仓日对于可以获得数据的处理逻辑
信号描述函数名可以按照Python函数的命名规范任意定义，但其参数必须为一个非关键字参数data，两个关键字参数dependencies和max_window
dependencies的参数格式必须为str构成的list，list的元素为该函数中需要使用的因子名称，具体支持因子列表参考帮助文档
max_window的参数格式为int，表示用户希望用到过去max_window天的因子数据
data则是根据dependencies和max_window，Quartz Signal模块帮助用户取到的数据，其格式为一个dict，key为因子名称，value为max_window*universe_length的Pandas DataFrame
信号描述函数的返回值必须为一个长度与data中每一元素列数相同的Pandas Series
如下图所示：

上图描述的就是data的结构，其中data只有一个元素，其key为"PE"，value就是上图表格所示的Pandas DataFrame，具体地，其columns为universe的secID，其index为%Y%m%d格式的日期字符串

Quartz Signal v.s. Formulaic Alpha
由上述描述可见，使用Quartz Signal模块可以便捷地实现Formulaic Alpha，同时相比Formulaic Alpha表达式有以下优势：
更加直观：
o用户在预先定义信号描述函数时，就可以明晰地定义自己需要的因子数据和时间窗口
o用户可以在Quartz框架中灵活定义自己的调仓频率和下单逻辑，并可以直观地看到每次调仓的股票列表
更加灵活：
oFormulaic Alpha限制了表达式的计算结果必须代表相应股票在投资组合中的权重，而Quartz Signal并没有此限制，用户可以在handle_data中按照自己的想法任意处理信号值
o信号描述函数的data是以Pandas DataFrame的格式传入的，这样用户就可以在函数中同时看到横截面数据和时间序列数据，为用户提供了更多可能
更加强大：信号描述函数的data是以Pandas DataFrame的格式传入的，Pandas丰富的内置函数可以帮助我们完成较复杂Formulaic Alpha表达式才能完成的任务（见最后一个示例）
更多数据：Quartz Signal不仅支持openPrice/closePrice/highPrice/lowPrice/turnoverVol等价量信息，还支持PE、RSI等更丰富的因子
下面我们就用Quartz Signal模块实现了一个论文中提到的Formulaic Alpha:

用Quartz Signal实现一个Formulaic Alpha
以WebSim论文中alpha 53为例，其原始表达式为:
(−1∗delta((((close−low)−(high−close))/(close−low)),9))
化简可得，((close - low) - (high - close)) / (close - low)的9日之前值-当前值
继续化简可得：(2∗close−low−high)/(close−low)

我们深入研究该因子可以发现：
(2∗close−low−high)/(close−low)=1−(high−close)/(close−low)
前面的常数1可以通过delta消掉，其实可以简化为(high−close)/(close−low)的现值-9天之前的值
而(high−close)/(close−low)本身则代表了收盘价在日内波动中的位置，可以看做是买入意愿的一种体现

我们强烈建议大家在实现这些Formulaic Alpha因子之前先花一些精力去理解其经济含义，不仅可以加深对其原理的理解，在某些时候还可以简化实现。
我们以论文中的Alpha 26为例，其原始表达式为：
−1∗ts_max(correlation(ts_rank(volume,5),ts_rank(high,5),5),3)
我们当然可以按照其原始表达式一步步地先对过去5天的成交量和最高价进行排名，再取相关系数；但是较熟悉Pandas DataFrame内置函数或者统计知识较丰富的研究者可以发现，correlation(ts_rank(volume,5),ts_rank(high,5),5) 其实就是在计算Spearman Rank Correlation Coefficient，使用DataFrame内置的corr(method="spearman")函数就可以完成计算，可以大大提高开发效率。

在我们的模拟的过程中发现，如果按照原公式进行计算，无论是long还是short的结果都跑不赢大盘，同时对于成交量和最高价相关性较高的股票将会是市场追逐的热点股票，应该分配更大的权重。
所以在上述代码中我们将原Formulaic Alpha前面的负号去掉。

当然，对于论文中出现的某些因子可能较难于理解其经济学意义，我们鼓励大家用Quartz Signal将其实现之后发到社区上与大家一起讨论。
对于Quartz Signal模块有哪些不尽如人意的地方也可以反馈给我们，帮助我们持续改进。

8. 世坤投资咨询 (WorldQuant) 是一家怎样的公司

WorldQuant是一家成立于2007年的量化资产管理公司。公司现有员工600余人，于13个国家和地区设有23个办公室。WorldQuant开发、配置应用于全球市场各类资产的系统化金融策略。我们依托独有的研究平台构建高质量预测信号（alphas)，组成金融策略，并以此充分挖掘市场的无效性。

WorldQuant独一无二的研究平台和研究方法在同行业中占据领先地位。我们的成功基于学术与实践结果的结合。我们鼓励员工的开放性思维，同时也强调理论与可行性之间的平衡。

研究是WorldQuant的核心。我们的研究员通过大胆的猜想及严谨的探索，不断寻求新的方式将数据应用于金融市场，以此找寻新的alpha。

使用经检验的方法步骤，研究员们识别尚未被市场发现的预测信号，通过数学表达式的形式应用于量化模型中，从而尝试预测全球金融市场的走势。申请者无需相关经验，但需对学习股票及金融市场有浓厚的兴趣。