机器学习与量化交易简单介绍

一、算法交易
利用自动化平台，执行预先设置的一系列规则完成交易行为。
二、量化交易的优势
（一）历史数据评估
（二）执行高效
（三）无主观情绪输入
（四）可度量评价
（五）交易频率
三、量化交易的劣势
（一）成本
（二）技巧
四、量化交易的流程
大前提：基于某种平台
（一）提出假设
（二）建立模型
（三）回测验证
（四）执行交易
五、交易策略的来源
（一）市场微观结构研究(for HFT mostly)
（二）基金结构套利（fund structure arbitrage）
（三）机器学习/人工智能
六、深度学习
（一）CNN for spatial data（空间）
（二）LSTM for temporal data（时间）
七、交易策略的评估
（一）策略基本假设
（二）Sharp Ratio
（三）杠杆
（四）频率
（五）风险
（六）W/L
（七）模型复杂度
（八）最大亏损（Maxium drawdown）
（九）Benchmarking
八、回测（科学的回测十分重要）
（一）概念
将交易策略在历史数据中进行合理验证的过程
（二）意义
1、策略筛选
2、策略优化
3、策略验证
（三）错误的回测方法
很多情况下，回测结果不错，实盘交易不尽如人意。 造成的偏差原因主要有：
1、乐观主义偏差(special look back region)
2、时间旅行
（1）程序Bug
（2）Train/Val/Test set
3、幸存者误差
九、工具和语言
Python
◦ Sklearn
◦ Pandas
◦ And more…
十、量化交易：从工程的角度
Event
Event
Queue
DataHandler
Strategy
Portfolio
ExecutionHandler
Backtest