量化投资思想策略与r语言实战

⑴ 为什么要用R语言做量化投资

你用python也行啊，joinquant聚宽的宽客社区就有很多python的策略，和学习资源

⑵ 量化投资中，MATLAB和python哪一个好

Matlab在矩阵处理方面的强大优势Python无法比拟，我曾经用Matlab和Python跑同一个算法，涉及到矩阵中Symbol求导。Python用的是Numpy，Sympy和Scipy，感觉Sympy中Matrix虽然功能强大，但是速度很慢，而且需要专注其中各种细节。如：其对Complex类型是无法自动expand的，常常出现(1+I)(2I+1)这种结果，这时需要调用.expand来解决。Matlab可以使你专注于模型，Python要超过Matlab还需要时间。但是Python在内容抓取，机器学习，等有强大的第三方包，如Scarpy，Skikit-learn等，发展很快。概括之：现在用Matlab，未来用Python

⑶ 什么是量化投资——数量化投资与程序化交易

2010-11-02 14:49:32 作者： 来源：永安期货 浏览次数：0 量化投资，简单地说，就是利用数学、统计学、信息技术的量化投资方法来管理投资组合。数量化投资、程序化交易、算法交易、自动化交易以及高频交易都是数量化交易的特定方式， 其描述内容的侧重点各有不同。数量化交易应用IT技术和金融工程模型偶那个帮助投资者指定投资策略、减少执行成本、进行套利和风险对冲。数据、速度、风险管理是数量化交易系统建设中的关键问题。期货市场的数量化自动交易模型正逐步由投资者编制自用，演变为有一定规模的投资咨询顾问组成的专业团队参与。 程序化交易，也可称之为系统交易或算法交易，设计人员将市场常用之技术指标，利用电脑软件将其写入系统中，结合市场历史数据，分析和组合各种指标建立数学模型，将交易策略系统化。当交易策略的条件满足时，程序化系统自动发出多空讯号，并且有效掌握价格变化的趋势，让投资人不论在上涨或下跌的市场行情中，都能抓住交易策略，进而赚取波段获利。程序化交易的操作方式不求赚取夸张利润，只求长期稳健的获利，于市场中成长并达到财富累积的复利效果。经过长时期操作，年获利率可保持在一定水准之上。 程序化交易又是一种个性化交易，每个投资者（或机构）都可以根据自己的投资经验和智慧，编写自己的交易模型，进行电脑自动交易。交易模型是交易思想的凝练和实际化，正确的交易思想在严格的操作纪律实行下将获得良好、稳定的投资收益，而通过交易模型正是将正确的交易思想与严格的操作纪律很好地结合在一起，帮助人们获取良好、稳定的投资收益。程序化交易在投资实战中不仅可以提高下单速度，更可以帮助投资者避免受到情绪波动的影响，消除交易时人性的恐惧、贪婪、迟疑及赌性等情绪，实现理性投资。设计出色的程序化系统可以确保广为流传的交易成功三项基本原则的顺利实施：顺应市场趋势、控制亏损交易、做足盈利交易。总而言之，模型策略的出色设计、资金的有效风险控制、行情交易软件的稳定可靠、数据的及时流畅以及下单速度的快捷,组成了优秀的程序化交易系统，它是量化投资的一种具体实现途径。上传：钱文

⑷ 什么是α，β收益，量化投资的策略创建与分析

α收益：一揽子可以自定义低估、同质化并且有波动的股票，不断买入更便宜的，卖出更贵的，从而获得的收益。

例如：几个跟着沪深300的ETF，你发现手中持有的沪深300ETF溢价2%了，而市场上同时存在一个折价1%的ETF，那么就卖出溢价高的沪深300ETF，去买折价的，这样虽然始终持有沪深300ETF，但获得了超越沪深300指数本身的收益，就是α收益。

解释一下同质化：明显所有的沪深300ETF是同质化的，也可以认为最小市值20个股票是同质化的，所有银行股是同质化的，分级A是同质化的。下文中有解释自定义低估。

β收益：基本面本身上涨是β收益。

例如，自定义最小市值的10个股票为一个指数，这些最小市值从5亿涨到20亿，这就是β收益。自定义最低股价10个为一个指数，从牛市的5元跌到2元，那么β收益就是负的

量化策略创建三个步骤：

1. 策略的理论基础

2. 历史回测

3. 找到策略黑天鹅。

（一）策略的理论基础：（大致分为三类）：

基本面理论

按基本面又可以分为：1.价值型；2.成长型；3.品质型；按中国特色A股基本面又可以添加；4.小市值型；5.股价型

技术面理论

按技术面又可以分为：1.趋势型，2.趋势反转型，3.缩量反弹，4.指数轮动，5.择时

风险套利

风险套利（或者称轮动）：不断买入更便宜的，卖出更贵的。

注意：

有些理论基础并不牢固，并且不能很好解释（这也导致了各种投资流派互相不服）

有些量化跳过了理论基础，直接根据历史统计进行量化（本文不讨论），例如，统计两会前后涨跌，一季度历史表现最好板块

对策略理论的解释：

基本面策略可以定义什么是低估，比如低PE是低估，低市值是低估，低股价是低估，高ROE是低估，高成长是低估；也可以自定义低估，PB*PE是低估，总市值*流通市值小是低估

基本面理论提供了一揽子同质化并且有波动的股票。有些基本面策略的股票间波动较小，例如最低PE股，一段时期内总是那么几个银行股；有些波动较大，比如小市值型

技术面理论有些很难定义什么是低估，比如趋势型；有些则看似可以定义低估，例如，BIAS最小，20日跌幅最大，其实也不是

能自定义低估的策略是风险套利，不能自定义低估的策略是统计

基本面本身能上涨，就获得了β收益

我得出的结论是：风险套利策略的核心是对自定义低估的轮动，即不断获得α收益！！

如何获得α收益：大部分基本面策略的收益是因为风险套利获得的；也就是不断买入更低估的，卖出更贵的；也就是因为调仓周期内因不同股票的波动而产生收益，因此适当缩短周期有利于提高收益；所以在一年内交易次数越多，alpha收益越大（投资大师说的减少交易次数，并不适用于套利）

理论本身获得的β收益并不多，甚至为负（价值型由于近几年市场估值不断降低，不调仓的话，收益是负的）

我们应当寻找的是：基本面理论本身能上涨，且能提供同质化，波动较大的策略（即获得α，又获得β）

统计策略其内在逻辑说服力小，是过去的概率来预测未来

（二）历史回测：回测中最重要一点是：不要欺骗自己

历史回测中要用到一个哲学思想，叫做奥卡姆剃刀:较简单的理论比复杂的理论更好，因为它们更加可检验

改变测试起始时间。调仓周期超过2天的策略，应该试遍每个起始时间，取平均收益，这才最接近策略真实历史回测，因为理论上起始时间变化一两天对策略收益影响是不大的，如果变化很大就说明过度优化。

不要创建静态股票池。历史上每个阶段都有大牛股，完全可以收集大牛股作为股票池，算好调仓周期，每个阶段买最牛的，收益可以美到不敢想象

不要用PE.PB等指标精确逃顶抄底，最多用来确定一个大致范围。每次大顶点位都是不同的，这样的择时毫无意义。

先用25个以上股票测试，确定策略有效性，再减少数量做策略，如果25个测试无效，那么一两个即使收益很好，也该放弃。

改变条件权重。如果稍微改变权重，收益变化很大，那么就降低策略未来预期收益，别指望策略以后会表现这么好。

尽量从07年开始测试。除非你能确定每个时间市场的风格，显然这是不可能的。

同一套择时系统，如果用在策略1上回撤是30%，用在策略2上回撤是15%，你肯定会选择策略2，如果策略1和2本质上是差不多的策略，别太高兴，在未来，策略1和2表现谁好谁坏也是难说的

（三）找到黑天鹅：每个策略都有黑天鹅

价值型，成长型，品质型策略，黑天鹅是过一个季度，可能财务数据完全变了，因此持仓个数不能太少，行业要分开

小市值，低价，低交易额策略，黑天鹅是出现仙股

统计类，技术类策略，黑天鹅是理论本身就不完美

⑸ 完全不懂金融，想学习量化投资需要学习哪些金融科目

我个人认为学抄习量化投资在金融袭方面需要具备两个方面的知识：
1、首先是要了解金融市场与金融产品，只有这样才能在众多市场与标的中选择合适的来构建投资组合，这一方面需要了解的基础知识有：金融市场与金融机构、投资学、金融衍生品等等；
2、其次是需要了解如何量化，相信你应该有足够的IT背景，编程没啥问题，其次的话就是要了解数理来沟通金融产品选择与编程落地，需要了解的科目有：概率论、统计学、计量经济学、金融经济学、数理金融等。

⑹ 金融工程，量化投资学什么软件好Python还是Matlab

这真的非常难说。。总的来看美 国大部分用python，国 内可能用matlab的比较多（因为盗内版什么容的问题呵呵）。我个人是觉得python有更好的灵活性，比如可以和C链接等等，很多美国的hedge fund等公司都在从matlab转到python。matlab的好处是：收钱的东西质量有保证。所以matlab在optimization等方面的toolbox写得非常棒！总的来说就是简单好用。问题就是它的syntax非常恶心（这点和R类似。。）。另外速度比较慢（当然R更慢）。。我个人是比较喜欢python多一点，但是很多时候搞量化分析偷懒就会用matlab和R，因为很多东西都是现成的。。

⑺ 量化投资策略的优势有哪些

量化投资策略的优势有哪些?
量化投资策略有如下五大方面的优势，主要包括纪律性、系统性、及时性、准确性、分散化等。
(1)纪律性：严格执行量化投资模型所给出的投资建议，而不是随着投资者情绪的变化而随意更改。纪律性的好处很多，可以克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差，行为金融理论在这方面有许多论述。
(2)系统性：量化投资的系统性特征主要包括多层次的量化模型、多角度的观察及海量数据的观察等等。多层次模型主要包括大类资产配置模型、行业选择模型、精选个股模型等等。多角度观察主要包括对宏观周期、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的分析。
(3)及时性：及时快速地跟踪市场变化，不断发现能够提供超额收益的新的统计模型，寻找新的交易机会。
(4)准确性：准确客观评价交易机会，克服主观情绪偏差，妥善运用套利的思想。量化投资正是在找估值洼地，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。与定性投资经理不同，量化投资经理大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。
(5)分散化：在控制风险的条件下，充当准确实现分散化投资目标的工具。分散化也可以说量化投资是靠概率取胜。这表现为两个方面，一是量化投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用，这些历史规律都是有较大概率获胜的策略。二是依靠筛选出股票组合来取胜，而不是一个或几个股票取胜，从投资组合理念来看也是捕获大概率获胜的股票，而不是押宝到单个股票上。

⑻ 量化投资要学那个语言好

Matlab 和 C++,一个建模一抄个执行，足够了。实在不爱用Matlab的话，R和Python也行。多看书多学习，英语也是很重要的。可以找视频和书籍学习。

个人推荐《量化投资：以python为工具》主要讲解量化投资的思想和策略，并借助Python 语言进行实战。《量化投资：以Python为工具》一共分为5 部分，第1 部分是Python 入门，第2 部分是统计学基础，第3 部分是金融理论、投资组合与量化选股，第4 部分是时间序列简介与配对交易，第5 部分是技术指标与量化投资。《量化投资：以Python为工具》首先对Python 编程语言进行介绍，通过学习，读者可以迅速掌握用Python 语言处理数据的方法，并灵活运用Python 解决实际金融问题；其次，向读者介绍量化投资的理论知识，主要讲解量化投资所需的数量基础和类型等方面；最后讲述如何在Python 语言中构建量化投资策略。

⑼ 量化投资—策略与技术的本书特色

第一，实战性。书中的案例绝大多数来自于实际的市场数据，只有很少一部分是纯理论的分析。尤其是策略篇中的内容大部分来自于专业投资机构的研究报告，具有极强的实战价值。
第二，基于中国市场。与量化投资最接近的书籍当属“金融工程”，但金融工程中绝大多数的案例都来自于国外市场，很多策略在国内市场还不具备投资条件。本书中的案例基本上都是对国内市场（股票、期货等）中的实际交易数据的分析，特别适合国内的投资者。
第三，理论性。量化投资离不开最新的数学和计算机理论的支持，本书用了将近一半的篇幅来阐述与量化投资有关的基础理论，并用了很多案例来说明这些理论的应用方法。避免了一般投资策略书籍重技术而忽视理论的缺点，从而使量化投资更加科学化。
本书主要内容
本书的内容分为：策略篇和理论篇。策略篇中阐述了各种量化投资的策略与方法，理论篇则详细介绍了支持量化投资的各种数学工具。
策略篇一共介绍了8个方面的投资策略，分别是量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易及其他策略。
投资策略 概述
量化选股 量化投资最重要的策略，主要是研究如何利用各种方法选出最佳的股票组合，使得该股票组合的收益率尽可能高的同时，保持尽可能的稳定性。量化选股一章阐述了8种不同角度的策略，分别为多因子模型、风格轮动模型、行业轮动模型、资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型
量化择时 量化投资中最难的，也是收益率最高的一种策略，主要研究大盘及个股走势，并进行相应的高抛低吸操作。如果能够正确判断大盘，则收益率会比单纯的买入-持有策略收益要高很多。这一章主要阐述了8种择时模型，分别是趋势择时、市场情绪择时、有效资金模型、牛熊线模型、Hurst指数模型、SVM模型、SWARCH模型和异常指标择时

⑽ 量化投资:思想,策略与R语言实战 讲义

推荐你在网络上搜索一下有很多的