① 3分钟了解深度学习跟量化交易是什么关系
机器学习怎样应用于量化交易（一）
曾有朋友问过，国内现在量化领域机器学习应用的少，是否因为效果不如简单的策略。其实，把机器学习应用在量化交易上始终面临着两难，却并不是无解的两难。很多时候并不是机器学习不work，而是真正懂如何用正确科学的统计思维使用Machine Learning的人才太少。机器学习涉及到特征选择、特征工程、模型选择、数据预处理、结果的验证和分析等一整套建模流程，广义角度来说就不单单是模型选择的问题。所以，如果认为“用支持向量机成功预测股票涨跌” 这样的研究，就是把机器学习应用于量化交易，这种狭义的认识无疑是买椟还珠，对机器学习领域散落遍地的珍珠视而不见。如果把机器学习的崛起放在历史进程中考量，无非就是趋势的延续：现在，可通过系统的数据分析证实过去模糊不定的经验，机器学习算法将未曾被察觉的规律得以浮现纸面。在我看来，未来的发展概有两个方向：1.针对量化交易的统计学习算法被提出，使其适合于噪声大，分布不稳定的金融数据分析；2.对于机器学习的热情回归理性，从工具为导向回归到问题为导向。针对如何以问题为导向，在机器学习算法中挑选合适的工具，分享一些思路。1.多因子模型的因子权重计算当我们在构建多因子模型且已经选定了一系列因子之后，要如何根据不同的市场情况调整各个因子的权重呢？在以往的研究中发现，与其它算法相比较，随机森林算法对于存在非线性、噪音和自变量共线性的训练集的分析结果更出色。所以，目前在多因子模型的权重上，采用当期收益率对上期因子进行随机森林回归分析，以确定下一期多因子模型的因子权重。2.缺失值处理处理缺失值在金融的量化分析中是个无可避免的问题。选取合理的缺失值处理方法，依赖于数据本身的特点、数据缺失的情况、其对应的经济学意义，以及我们需要使用数据进行何种计算。在尝试构建多因子模型时，我们选择了两种缺失值替换方法：（1）采用期望最大化算法 来用同一变量的已知数据对缺失值进行极大似然估计。（2）把模型中包含的所有因子作为特征变量，并赋予其相同的权重，再采用机器学习中的K-近邻算法来寻找最相似的标的，保证缺失值替换后，不会强化一部分因子的影响力。其实在量化领域，机器学习解决着线性模型天生的缺陷或弊端，所以还是有着很深的介入的。除去凸优化、降维(提取市场特征)等领域的应用，目前“非动态性”和“非线性”是两个重要的弊端。金融关系之间并非静态，很多时候也不是线性的。统计学习的优势此时就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。在国内，机器学习在量化内应用跟领域有很大的关系，跟频率也有很大的关系。比如，CTA的运用可能就要多于股票，它处理数据的维度要远小于股票，获取市场的长度和动态又强于股票。股票市场的momentum要弱于期货市场的momentum，它的趋势与股票相比更明显和低噪声。这些特征对于机器学习发挥作用都更加有利。很可能国内一些交易执行算法的设计上就借鉴了机器学习。我们可以通过学习订单薄特征，对下一期盘口变化做一些概率上的预测，经过一定样本的训练之后，可以显著地提升算法表现。而我仍谨慎看好深度学习等机器学习方法的原因在于，在认识市场上，现行的大部分方法与这些方法并不在一个维度上，这个优势让它们与其他方法相比，捕捉到更多的收益。也就是说，一个新的认识市场的角度才能带来alpha。
② 量化选股策略是什么多因子模型是什么
量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为，研究表明，板块、行业轮动在机构投资者的交易中最为获利的盈利模式是基于行业层面进行周期性和防御性的轮动配置，这也是机构投资者最普遍采用的策略。此外，周期性股票在扩张性货币政策时期表现较好，而在紧缩环境下则支持非周期性行业。行业收益差在扩张性政策和紧缩性政策下具有显著的差异。
多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发挥作用。
③ 致远期货：多因子模型和统计套利模型有什么本质区别
2009年以来，一股“量化抄基金”的热潮悄然掀起，中海基金、长盛基金、光大保德和富国基金先后推出了自己的量化产品，而富国正在推出的富国300增强基金还属于第一只增强型的指数基金，就是因为量化概念的引入。关于量化基金，国际资本市场，尤其是美国市场已经有了长足的发展并形成了相当的规模，量化基金通过数理统计分析，选择那些未来回报可能会超越基准的证券进行投资，以期获取超越指数基金的收益。区别于普通基金，量化基金主要采用量化投资策略来进行投资组合管理，总的来说，量化基金采用的策略包括：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、资产配置等。
④ 量化投资模型如何开发的
量化的模型开发大致分为以下几个环节：
①数据处理，看你用什么工具，R还是内Matlab还是python，或者是c++，最容好是工具本身的格式，这样速度会快的多，比如Rdata，或matlab的mat格式，或者python的npy格式，或者c++的二进制格式，还有就是你要用什么数据，分钟数据，切片数据，还是tick数据，根据你的需求不同进行处理。
②指标建立，这个工作可以看成问题的关键，如何建立指标，你的思想是什么，都来源于此，举个简单的均线指标，matlab，就是ma=movavg(data,length)
③模型回测，据我理解就是一个大循环:
if time>9. && time<15 && close(i)>ma(i) && p!=1
buy
else
sell
if p==1 && 止损条件
平仓
等等
④计算收益
然后根据收益，夏普比率等，改条件，重复上面的工作。
总结：
开发模型的步骤一般是：数据处理、寻找因子、回测验证、实盘模拟、风险归因。
备注：
数据处理：去极值、标准化、中性化；数据预处理。
寻找因子：寻找Alpha、寻找收益波动比因子、另外优矿上提供了近400个因子因子可以自己验证。
⑤ 量化交易有哪些重要的模型
您好，
Alpha策略模型
Alpha策略包含不同类别：
按照研究内容来分，可分为基本面Alpha（或者叫财务Alpha）和量价Alpha。业内普遍不会将这两种Alpha完全隔离开。但是不同团队会按照其能力、擅长方向以及信仰，在做因子上有所偏向。有的团队喜欢用数据挖掘的方式做量价因子，而有的团队喜欢从基本面财务逻辑的角度出发，精细地筛选财务因子。
按照是否对冲可以分为两类。全对冲的叫做Alpha策略，不对冲的在市面上常被称作指数增强策略。二者所用模型一样，但后者少了期货的对冲。缺少对冲有坏处也有好处，坏处是这种策略的收益曲线是会有较大的回撤。但好处方面，在大涨的年份，这种策略的表现会特别好；从长期看, 公司可以赚取BETA分红收益, 并且可以吸引看好指数的客户。相比之下而对冲Alpha策略一般在大牛市中会远远跑输指数；此外不对冲的好处是节约资金，对冲的Alpha策略至少要放20~30%的资金在期货端用来做保证金。
2.CTA策略模型
关于CTA策略，
CTA策略的特点是收益风险比相对Alpha来说会较低。但是在行情较好的年份收益可能会很高，尤其是在早期。而且，无论是在编程还是策略上，CTA入门的难度相对来说都是最低的。
请采纳
⑥ 量化交易模型的校正重要吗
当然重要来，简单来讲两个方面。源
第一，假设跟踪同一个交易系统的人数足够多，那么对于其中的大部分人而言，要想成交在一个合理的价格区间就会变得十分困难，因为他们总会在要买入的时候发现价格已经被提前抬高了，并在要卖出的时候发现价格开始一泻千里，他们此时的唯一方法就是不断升级已有的配套设施，以争取在第一时间交易。不过，上述假设如今是很难站得住脚的，因为在量化投资领域并不存在着一个普适的交易系统，即使是对于常用的多因子模型而言，选择不同的因子，使用不同的预测方法，甚至是决定在不同的时间节点调仓，都会使最终的投资决策产生一定差异。同时考虑到策略同质性可能带来的负面影响，很多开发者也会不断努力去研发出更独到、有效的投资模型，并对模型高度保密，也进一步保证了量化投资领域的多样性。所以及时校正是保证模型有效性的重要条件。
第二，中国资本市场的特殊性，包括政策市等各种阿尔法因素特别多，理论模型需要在实际使用中再进行各种调整和校正以保证有效性。
⑦ 金瑞鼎盛的量化交易使用的多因子量化模型是什么
通过计算机系统，筛选出符合模型的股票和买卖点。基本原理是采用一系列内的因子作为选股标容准，满足这些因子的股票则被买入，不满足的则卖出。
举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，只需在跑前做一个身体测试即可。那些健康指标（因子）靠前的运动员，获得超越平均成绩的可能性较大！
⑧ 量化交易是什么意思
量化交易就是利用数学、统计学、信息技术的量化投资方法来管理投资组版合。简单的讲可权以分为策略构思、建立模型、数据回测、调优再回测、交易跟随这5个步骤。
股票量化投资模型主要分为两大块：风险模型和多因子选股模型，分别用于控制风险和提高收益。风险模型中纳入了行业、市值和风格因子，行业不偏不倚，市值不偏大小，风格兼顾长短期。多因子模型建立在风险模型之上，涵盖七大类筛选因子，覆盖情绪、动量、质量、估值等多类型因子以及大数据投资因子。
的确，要自己做出一个量化策略，肯定需要对一些基本的指标（因子）有清晰的理解，拿你说的基本面来说，比如市盈率（PE）这个因子，PE越高说明股票的估值越高，买入后风险就高；PE越低说明股票估值越被低估，买入后上涨的机会就越大。所以，我们就可以简单的得出一个低PE的量化策略，当然这种单因子策略存在着很大的局限性，真正在做策略的时候我们还需求结合其他的因子，这样做出来的策略的回测结果会更加的理想，实盘的赢率也就更大了。
如果你只是个普通的散户，想在未来的交易中采用量化交易体系，那还是很有必要系统性的学习一下的。