量化交易弊端

❶ 高频交易和量化交易到底有什么区别

从历史上看，很多高频交易公司的创始人都是交易员出身，原来就从事衍生品的做市、套利等业务。一开始这些工作并不需要多高深的知识。随着计算机技术的发展，交易的自动化程度和频率也逐渐提高，这些公司逐渐聘请一些数学、统计、计算机背景较强的人员加入以适应形势的发展。当然，这个过程也出现了一些分化，有的公司还是保留了交易员在公司的主导地位，并且始终未放弃人工交易，最终形成了人机结合的半自动交易；而另外一些公司对新鲜技术的接受程度更高一些，往往采取全自动的交易模式。事实上，也没有证据表明全自动交易的公司就比半自动交易的公司更为优越，到目前为止，也只能说是各有利弊。
人工交易的最大弊端在于手动下单的地方离交易所较远，在行情剧变的时候往往抢不到单。在这一点上，全自动交易的公司可以通过托管机房来最大程度减少信号传输的时间，不过自动化交易往往因为程序过于复杂，加上很多公司人员流动较大，在程序的维护上会出现一些失误，最终程序出错酿成大祸，比如著名的骑士资本。
至于过度拟合无法抵御黑天鹅事件，那是人工交易和自动交易都无法避免的问题。一般来说，Getco、Jane Street、SIG、Virtu Financial等是半自动交易，Tower Research、Hudson River Trading、Jump Trading等是全自动交易。
量化投资公司跟高频交易公司则有很大的不同。首先，美国的量化投资公司基本上都是量化背景极强的人创办的，比如说文艺复兴的创始人西蒙斯是数学家出身，DE Shaw的创始人David Shaw是计算机教授出身，AQR的创始人Cliff Asness是金融学家出身，而高频交易公司则更多是传统交易员创办的；其次，量化投资一般依赖于复杂的模型，而高频交易一般依赖于运行高效的代码。
量化投资公司的持仓时间往往达到1—2个星期，要预测这么长时间的价格趋势需要处理的信息自然非常庞大，模型也因此更为复杂，对程序的运行速度反而没那么敏感；高频交易处理信息的时间极短（微秒或毫秒级），不可能分析很多的信息，因此模型也趋于简单，竞争优势更多依靠代码运行的效率，很多人甚至直接在硬件上写程序；而最后，量化投资的资金容量可达几百亿美元，而高频交易公司往往只有几千万至几亿美元，但由于高频交易的策略表现远比量化投资稳定，如Virtu Financial交易1238天只亏1天，因此一般都是自营交易，而量化投资基金一般来说都是帮客户投资。

❷ 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。

❸ 量化宽松（货币超发）有什么好处和坏处

通货膨胀，月工资五千，以前可以养十口人，现在只能养两个人，就是这个结果

❹ 什么是量化交易，未来前景如何知道的讲讲。

量化交易，有时候也称自动化交易，是指以先进的数学模型替代人为的主观判断，避免在专市场极属度狂热或悲观的情况下做出非理性的投资决策。
在股票市场上，量化交易早不是什么新闻，在国外，七成的交易都是通过计算机决策的，在国内这个数字也接近五成。
过去的股票市场都是靠交易员手动敲键盘来操作的，难免一失手成千古恨，这种行为被戏称为“胖手指”，相比之下，量化交易则如同点石成金的“仙人指”。量化里最美的童话就是“旱涝保收”，牛市也好，熊市也罢，都能大赚特赚。
量化交易的优势：1. 严格的纪律性 2. 完备的系统性 3. 妥善运用套利的思想 4. 靠概率取胜
量化交易的风险性：首先是一二级市场“级差”风险，其次是交易员操作风险，最后是系统软件的风险。
满意请采纳答案，有不明白的可以继续提问。

❺ 量化投资 用python好 还是c++

Python是非常适合做quant类工作的语言，本身就是科学计算方面的统治级语言，现在加入了IPython，pandas等重量级神器，为Quant类工作量身定做，而且仍在飞速发展中，以后会越来越重要。

关于其他语言，首先介绍一下我自己最喜欢的一个比较小众的组合，Mathematica+Java/Scala。 Mathematica的优点在于：本身提供函数式的编程语言，表达能力非常强大，比如Map/Rece是标配，很多时候不需要去做烦人的for循环或下标控制，排版经常可以直接照数学公式原样输入，即直观又不容易写错；代码和输出混排的排版方式使得建模时的演算和推理过程非常流畅，甚至还可以直接生成动画，对于找直观理解非常有帮助（这几点分别被IPython和R偷师了一部分）。Mathematica的缺点在于对金融类的时间序列数据没有很好的内建支持，使得存储和计算都会比较低效，因此需要用内嵌Java的方式来补足，对于数据格式或性能敏感的操作都可以用Java/Scala实现。这个组合在我心目中无出其右，不论是快速建模，还是建模转生产，都远远领先于其他选择。但Mathematica的商用授权很贵，如果公司本身不认可的话很难得到支持，这是最致命的缺陷。另外随着Python系的逐渐成熟，领先优势在逐渐缩小，长远看Python的势头更好一些。

其他答案里也列举了不少其他语言，我自己既做Quant的工作，也做软件开发的工作，这里想从一个软件工程师的角度，说说我的理解。平时工作中会和一些偏Quant背景的人合作，很容易发现建模能力好的人往往在计算机方面基础比较薄弱（因为以前的训练重点不在这里）。他们也可以快速学习掌握一种像C++，Java这样的语言，实现很多必要的功能。但是一方面这些语言陡峭的学习曲线和繁琐的开发步骤会给他们真正要做的工作增加不必要的负担，另一方面一旦涉及到性能敏感的情景，他们对计算机体系结构缺乏理解的缺点就容易暴露，比如说很可能他们没有计算复杂度，内存碎片，cache miss，甚至多线程等概念，导致写出的程序存在相当大的隐患。

即使是计算机功底扎实，如果每天的工作需要在C++，Python，R/Matlab，甚至一众脚本语言之前来回切换，思维负担也会非常重，人的精力是有限的，很难同时兼顾数学建模和底层代码调试这种差距巨大的工作。长期发展下去最可能的结果就是要么远离建模，专心做生产环境开发，要么远离生产环境，专心建模。这种局面显然不论对个人还是团队都是有很大弊端的。

如果深入思考这个问题，相信不难得出结论，对于Quant来说，C++这种相当面向机器的语言肯定不是最佳选择。的确在历史上，它比更面向机器的C已经友好了很多，但是在计算机技术飞速发展的今天，如果还需要Quant大量使用C++做建模类的工作显然是很遗憾的事情。设想一下你拿到一份股票数据，不论你是想分析价格走势，成交量分布，还是波动性，第一件要做的事一定是画出图来看看，有一个直观认识。如果你的工具是C++，肯定有很多时间花在编译，调试，再编译的过程上，好容易能解析文件了，接下来怎么算移动平均？怎么算波动性？全都要自己写代码。再然后怎么画图？这整个工作流简直惨不忍睹，这些问题浪费掉你大部分精力，而他们全部和你真正感兴趣的工作毫无关系。所以如果你是一个数理金融等背景的新人打算开始Quant生涯，在决定是否要投资到这项重量级技术上时需要慎重，即便它目前的市场定价可能仍在峰值。相比之下我认为Python会是更理想的选择，即能很好的完成建模工作，也可以训练一定的编程技巧，使你在必要时也能胜任一些简单的C++工作。

最后同意 @袁浩瀚，不要拘泥于语言，不论学习那一种，对其他的语言还是要抱有开放的心态。另外世界变化很快，你会发现单一的语言分类方式其实是没有意义的，每一门语言在发展过程中都会逐渐吸收其他语言的特性，比如Python本身就既有C/C++/Java那样命令式的特点，也有函数式的特点，像pandas甚至还提供类似SQL的使用方式，在其他语言或系统里也都或多或少包含了不同的特点，可以在学习过程里慢慢体会。

❻ 美国要实施新一轮量化宽松货币政策谈谈其政策的利弊！

美联储的量化宽松政策，对美国经济复苏有利，刺激出口，有利股市，经济复苏，就能增加就业，增加税收，解决债务问题，保障弱势群体；但是会引发全球性通胀，增加消费负担。

❼ 机器学习在量化交易里面有多大的用处

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。

❽ 实行QE4,有什么坏处

QE4即第四次量化宽松，其危害有：

1，量化宽松货币政策埋下全球通胀隐患：量化宽松货币政策实质上是在脱离实体经济需求的情况下，开动印钞机向市场输入流动性。在市场信心缺失，投资萎缩的情况下，量化宽松货币政策向市场释放的流动性不会导致通货膨胀，但是一旦经济好转，投资信心恢复，过度释放的流动性则可能会转化为通货膨胀。

2，量化宽松货币政策恶化相关贸易体的经济形势：量化宽松货币政策的最直接的表现之一便是使本国货币大幅贬值，有利于本国的出口行业，但是相反也导致相关经济体的货币升值。

3，量化宽松货币政策导致货币贬值，物价上涨：量化宽松货币政策必然会导致货币的供给量增加，从而引发通货膨胀。

(8)量化交易弊端扩展阅读：

QE4扭转政策：

1、美联储推出每月450亿美元额度的购债项目来取代扭转操作。

2、维持每月400亿美元的抵押贷款担保证券采购项目不变。

3、维持基准利率不变。

4、首次为加息时机给出了失业率和通货膨胀率指引。