量化交易
文章平均质量分 56
量化交易 相关金融 策略 编码方面的介绍
卢之
现为阅文集团作家,量化交易初学者,兼职某厂推荐算法工程师。
展开
-
量化交易基础 - 012 - 检验中的假设条件
检验流程中的另一组成部分是假设条件,这些有关交易策略的假设条件在历史上已被检验。这里我们讨论两个例子:交易成本和(股票市场中性策略或多头/空头策略)空头头寸的可得性。交易成本已经被研究过,包含佣金和手续费、滑点、市场冲击。因此,研究员必须做出一些假设,假设订单因为市场冲击而造成的成本大小。一般而言,过高估计交易成本会使得宽客持有头寸时间长于可能的最佳值。然而低估交易成本将使得宽客太频繁地更换投资组合,产生额外的交易成本。原创 2023-03-11 21:49:10 · 113 阅读 · 0 评论 -
量化交易基础 - 011 - 样本外检验
新的有趣的事情会混淆我们的理解。一些研究员使用滚动样本外数据的方法(rolling out-of-sample technique),在这种方法中,最古老的数据点将会被丢弃,最新的数据点被用来拟合(样本内)和检验(样本外)模型。如果样本外检验的R2与样本内检验的R2相当接近(即,如果比率大于等于0.5),则被认为是一个好的模型。样本外检验(out-of-sample testing)是检验流程中的第二部分,是告知研究员去除样本内检验中那些虚拟表格(cheat sheet)的帮助后,策略在实际中是否起作用。原创 2023-03-01 21:30:47 · 1230 阅读 · 0 评论 -
量化交易基础 - 010 - 拟合
但是让我们来回想量化交易模型的目的,类似于寻找阿尔法的交易者的目的,是预测未来,而不是解释过去。而且,取决于重新拟合实施的过程,也可以使用尽可能少的数据进行拟合,以免出现过度拟合的现象。然而,在判定量化策略的优度时,仍有一个极其重要的指导原则,这就是过度拟合。我们建立的模型本身就是对未来的一般性指引的概括性描述,当以这种方式进行表述,很清楚我们宁愿模型更谨慎一些,不要犯错。正因如此,对有许多参数或因子的模型通常要持怀疑的态度,尤其要考虑过度拟合的风险。第二,研究员由于条件的限制,创建相当复杂的模型。原创 2023-02-26 22:19:30 · 143 阅读 · 0 评论 -
量化交易基础 - 009 - 检验 (2)
斯特林比率(Sterling ratio,平均收益率与低于平均收益率的波动率),Calmar比率(Calmar ratio,平均收益率与波峰波谷间最大回测的比值),Omega比率(Omega ratio,正收益率之和与负收益之和的比值)也是广泛应用于调整风险收益的度量指标。夏普比较越高,策略越好。然而,策略的效应是非常短暂的,对接收到信息的及时性非常敏感。虽然计算新策略与现存的投资组合策略之间的相关系数是件寻常的事情,但许多宽客通过比较现存策略的结果和加进新思想后的结果,度量新策略的新增价值。原创 2023-02-24 21:05:57 · 160 阅读 · 0 评论 -
量化交易基础 - 007 - 研究
相反,量化研究不得不进行持续的研究,采取措施确保研究成果丰富多产。这是因为,自然是相对稳定的,但市场并非如此。无论是来自监管的改变、投资者和交易者聚集的心理的诡异变化、交易者追逐阿尔法的持续竞争还是其他现象,都表明市场实际上是一个高度动态过程。基于这个原因,量化交易者必须持续不断地进行研究,以使得他们能够更严谨与更深谋远虑,正如他们在开发最初的策略时一样。而且在自然科学领域,一个良好的理论,既很好地被证据所支持且有着广泛的实际应用价值,例如爱因斯坦的相对论,并不需要为了继续有效而修正。原创 2023-02-23 22:17:47 · 76 阅读 · 0 评论 -
量化交易基础 - 008 - 检验 (1)
在量化金融领域,毫不夸张地说,我们试图预测期货价格/收益率/一些金融产品的趋势,使其R2为1是不可能的,除非方法是错误的。对于这个问题,并没有太多的解决方案:计算下行风险的样本要么足够大,以至于能够覆盖很大范围内的市场体制以及有利的和不利的环境(尤其与策略测试相关的环境),要么不能覆盖。另一方面,模型允许使用的数据越多,当被调整的时候,构建模型的风险就越大,此时的模型仅仅能对过去进行很好的解释。策略的回测越低,策略越优。块度(lumpiness),指的是显著高于平均收益的时间段内的收益占策略总收益的比例。原创 2023-02-22 23:36:28 · 85 阅读 · 0 评论 -
量化交易基础 - 006 - 数据类型、来源和清洗
存储和提取数据所使用的数据库技术很大程度上取决于所使用数据的属性。如果数据的搜集和预处理工作没有做好,将会带来严重的后果,从另一方面阐明了数据的重要性。毕竟,当你对结果进行仔细检查时,结果通常是带着很多小数的一串精确数字,但这只是虚假精确(false precision)。所以,面对一个带有很多位小数的精确数字时,我们并不可以完全信赖这一数字。因为我们所关心的交易类型是具有时效性的,因而时间因素显得很重要。原创 2023-02-22 21:16:02 · 208 阅读 · 0 评论 -
量化交易基础 - 005 - 订单执行算法
现在量化交易的流程和以前人为执行交易的年代并没有什么显著不同。一些交易者喜欢主动地参与执行自己的订单,而另一些则把执行订单的工作外包给经纪商去做。一些公司会把执行订单外包给提供订单执行服务的第三方公司,第三方公司会站在交易者的立场上与经纪商交涉。现在,还有些公司继续雇用人力进行人工交易,但大部分量化交易公司通过算法来执行订单。正如上文所提及的,有些公司具有自己研发的订单执行算法,另一些公司则使用经纪商或其他服务供应商所提供的算法。订单执行算法的主要目的是,以尽可能低的价格,尽可能完整地完成想要交易的订单。原创 2023-02-21 21:48:24 · 335 阅读 · 0 评论 -
量化交易基础 - 004 - 投资组合优化技术
支持在投资组合构建中使用机器学习方法的观点认为,均值方差优化方法是一种数据挖掘类方法,通过在各种可能的投资组合中进行搜索,寻找表现出最好特征(通过优化工具的目标函数得以体现)的一类。机器学习领域差不多也在做基本相同的事情,这一领域已经受到了学界不同学科的关注,而不只是投资组合优化,投资组合优化仅仅是个金融领域的一个主题。这个方法的一个优势在于,投资组合的数量更加易于管理,根据在阿尔法模型中所使用的单个因素的数量,通常不会超过20个。在设计搜索最优解的算法时,需要在搜索的全局性和搜索速度间进行平衡。原创 2023-02-20 21:55:07 · 476 阅读 · 0 评论 -
量化交易基础 - 003 - 投资组合最优化
均值方差优化技术是基于MPT构建投资组合的一种常用方法。均值和方差是传向优化器的两个输入变量,输出变量是在各个风险水平上具有最高收益的一系列投资组合。这里的均值是指进行评估的各种资产的平均期望收益,方差是对各种资产期望风险的度量,通过计划持有的各种资产收益的标准差来计算。传向优化器的第三个输入变量是这些资产的期望相关系数矩阵(expected correlation matrix)。原创 2023-02-17 10:57:40 · 226 阅读 · 0 评论 -
量化交易基础 - 002 - 相等风险加权以及阿尔法驱动型加权
无论使用哪种基于规则的投资组合构建模型,在投资组合构建过程中都可以综合使用阿尔法模型、风险模型和交易成本模型。例如,在相等权重模型中,根据交易成本模型,某些产品的交易成本过高而无法进行交易,所以需要对相等权重加以限制。这些内容也可以在阿尔法模型内部加以考虑,例如添加一个控制变量,如果期望收益小于预期交易成本的阈值,就将期望收益设置为0,从而由阿尔法模型发出的任何信号可以被赋予相同的权重。总的来说,基于规则的投资组合构建模型可以极其简单(相等权重投资组合),也可以非常复杂(带各种约束的阿尔法权重方法)。原创 2023-02-15 11:22:03 · 299 阅读 · 0 评论 -
量化交易基础 - 001 - 基于规则投资 - 相等头寸加权
基于规则投资组合笔记。原创 2023-02-14 22:37:52 · 155 阅读 · 2 评论