题图为 MIT 的 Simmons University。版权声明 wiki/public domain。
该建筑属于 MIT 的下属学院 Simmons University,由裁缝 John Simmons 捐建。Simmons Hall 被认为是 Boston 最美的一座建筑。Simmons University 对女性友好,该校的 MBA 课程是全球第一个专门为女性设计的 MBA 课程。到目前为止,其本科教育还是以女生为主,研究生阶段则是男女混合。
这是 Stat Arb 给独立自学量化的人开的一份清单。他的博客有 9000 多名付费用户,在量化圈比较有影响力。这个清单是 pdf 格式,74 页,内容非常全面。
Stat Arb这个名字来自 Statistical Arbitrage(统计套利),真实身份其实正在摸鱼的业内人士。不过这不重要,关键看他给的资源好不好。
我拿到的这个清单是 2024~2025 版,刚刚发布半个月。之前他每年都有发布这样一个清单,并且一直在根据情况变化,及时修订。内容非常全面,不同职业规划目标的读者,都能从中受益。
我个人最喜欢的是它的数据资源部分。相当一部分资源是免费的,尤其是 crypto 项目和 kaggle 上的数据集,大约几十个G。它也提供了一部分付费数据转储的,但可能访问时需要密码,这些密码在❌(🐦)上可以找到。
求职者可能更喜欢它的第17章内容,这部分是关于职业规划、面试准备的。我们也在陆续介绍大学和投资机构的情况,以备你将来可能需要投递这些学校或者机构。
章节内容
chap01
介绍了机器学习和算法交易相关的教科书,包括基础教材和进阶教材,如《Quantitative Trading 2nd edition》《Algorithmic Trading》《Machine Trading》等,并对一些模型和方法进行了评价。
chap02
衍生品和波动率交易方面的教科书,推荐了一些关于衍生品和波动率交易的教科书,如《Hull Options Futures and other Derivatives》《Option Trading & Volatility Trading》等,并介绍了一些相关的知识和资源,如动态对冲、随机波动率等。
chap03
YouTube 视频资源,推荐了一些 YouTube 视频,包括 Ben Felix、Patrick Boyle、Leonardo Valencia 等博主的视频,涵盖了波动率、算法交易、信号处理等多个主题。
课程:介绍了 Coursera 上 Robert Shiller 的《Financial Markets》课程,以及 Andrew Ng 的机器学习和深度学习课程。还提到了一些与量化交易相关的课程和项目,如 RobotJames、HangukQuant 和 Euan Sinclair 的课程。
chap04
推荐了一些播客资源,如 Tick Talk、Flirting with models、Mutiny fund 等,认为播客是非常重要的学习资源,能提供很多实用信息。
chap05
交易平台和经纪公司:介绍了股票和其他资产类别的交易平台和经纪公司,如 IBKR、TD Ameritrade 等,以及数字资产领域的交易平台和经纪公司,如 Binance、Okx、Bybit 等。
##chap06
神经网络/机器学习/炒作:认为神经网络在量化交易中不是核心领域,不建议深入研究,推荐学习回归、非参数方法、树、GAMs 等。
##chap07
关键数学概念:强调了数学在算法交易中的重要性,推荐了一些学习数学的资源,如 Measure Theory、Econometrics、Stochastic Calculus、Probability Theory 等。
chap08
优化(确定性和随机):介绍了优化在量化交易中的应用,如估计隐含波动率、分布、自动化阿尔法发现、投资组合优化等。
chap09
高频交易和做市:推荐了一些关于高频交易和做市的教科书和资源,如《High - Frequency Trading: A practical guide to algorithmic strategies and trading systems 2nd edition》《Inside The Black Box》等。
chap10
其他波动率/衍生品资源:推荐了一些关于波动率和衍生品的资源,如 https://moontowerquant.com/select - content - from - the - quant - and - vol - community、Options Starter Pack 等。
chap11
编码语言评论和资源:推荐使用 Python 进行量化交易研究,若想进行高频交易或做市,则需要学习 C/C++(在加密领域,Rust 更受欢迎)。
chap12
项目:介绍了一些与深度学习相关的项目,但提醒读者要避免过度复杂化,应专注于回归和实用的方法。
chap13
数据:介绍了数据的来源,包括付费数据的转储、交易所的免费数据和竞赛数据等,并推荐了一些数据提供商。
chap14
GitHub 存储库:推荐了一些与算法交易相关的 GitHub 存储库,如 https://github.com/stefan - jansen/machine - learning - for - trading、https://github.com/barter - rs/barter - rs 等。
chap15
轻松阅读:推荐了一些与金融行业相关的书籍,如《Liars Poker》《Flash Boys》《Irrational Exuberance》等。
chap16
职业:介绍了量化交易的通常职业路径,包括就读顶尖大学、参加实习、学习面试问题等,并推荐了一些资源。
chap17
套利指南:主要聚焦于数字资产领域的套利,介绍了不同类型的套利,如资金套利、三角套利、现货套利等,并提供了一些扫描套利机会的网站和资源。
chap18
做市指南:介绍了做市的要点,包括边缘(准确预测中间价格和低延迟反应事件的能力)、价差(根据资产体积调整价差)和风险(避免复杂的库存平衡方程,因为模型中的相关性不一定成立)。
chap19
配对交易指南:介绍了一些关于配对交易的资源,如@systematicls 的文章、作者博客上的相关文章、Github 上的配对交易策略等。
chap20
季节性指南:提供了作者博客上关于季节性策略的概述链接,以及与 HangukQuant 共同撰写的关于季节性策略的论文和 PNL 曲线。
chap21
动量指南:提供了作者博客上关于动量策略的资源链接。
chap22
博客阅读:推荐了一些与量化交易相关的博客,如 The Quant Stack、The Quant Playbook、HangukQuant 等。
chap23
Twitter 账号关注:列出了一些值得关注的 Twitter 账号,如 Vertox_DF、Ninjaquant_、BeatzxBT 等。
##chap24
如何学习这些材料:强调了学习方法的重要性,建议读者筛选相关内容、实施和讨论所学知识、避免构建不必要的工具或虚荣项目,以及注重从实践中学习。
chap25
其他路线图:推荐了一些其他的量化交易资源列表,如 Vertox 的资源列表、Moontower 的资源列表(尤其是期权方面)、Moontower 的博客和在线作家、Options Starter Pack、QM 的教科书、QuantGuide 等。