作者:石川,北京量信投资管理有限公司创始合伙人,清华大学学士、硕士,麻省理工学院博士。
举个简单的例子,如果你有1万元资金,投资时间为5年,年化收益率为10%。五年后,你一共能拿回多少呢?按照上面的公式,结果就是:
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,曾荣获AM
有一些单纯搞计算机、数学或者物理的人会问,究竟怎么样应用 ML 在量化投资。他们能做些什么自己擅长的工作。虽然在很多平台或者自媒体有谈及有关的问题,但是不够全面和完整。从今日起,量化投资与机器学习公众号将推出一个系列【机器学习该如何应用到】。今日的推文,是编辑部人员对国内的所有券商金工团队做的机器学习的研究报告做了一个系统性的整理。希望大家有所收获。 获取本推文所有研报请看文章末端 系列文章(点击即可查看) 机器学习该如何应用到量化投资系列(一) 机器学习该如何应用到量化投资系列(二) 2010年08月1
很多人可能都听过算法,可能也实现过一些算法,如果问他什么是算法,可能也很难的准确的说出来。确实,给一个事物下定义是很难的,因为总会有没有覆盖的点。
摘要:BigQuant平台上的 StockRanker 算法在选股方面有不俗的表现,模型在 15、16 年的回测收益率也很高 (使用默认因子收益率就达到 170% 左右)。然而,StockRanker 在股灾时期回撤很大 (使用默认因子回撤 55%),因此需要择时模型,控制 StockRanker 在大盘走势不好时的仓位。 LSTM(长短期记忆神经网络) 是一种善于处理和预测时间序列相关数据的 RNN。本文初步探究了 LSTM 在股票市场的应用,进而将 LSTM 对沪深 300 未来五日收益率的预测
前四期传送门: 【系列54】因子的有效性分析基于7种机器学习算法 【系列53】基于XGBoost的量化金融实战 【系列52】基于Python预测股价的那些人那些坑 【系列51】通过ML、Time Series模型学习股价行为 今天,继续我们的机器学习应用量化投资系列。本期我们介绍一篇杨勇团队撰写的研究报告。希望大家在写策略注意这些问题。 前言 从高频到低频 机器学习在高频量化策略上应用更加容易。 从线性到非线性 机器学习下的非线性比线性更能榨取数据的价值,但也更容易过度拟合,因此需要合理使用。 从单次分析
之前公众号分享过网友自行编写的WorldQuant 101因子源代码,大家有需要可以点击链接进行免费获取。
本文作者是一位从事量化交易的实战者,他将他的实战心得写成一个量化交易系列,本篇则是系列的第一篇,从文中你会对整个量化交易的框架、流程、以及策略思路的来源地都有相应地说明。接下来就和文摘菌一起来看看量化交易应该如何入门吧!
绩效指标也被称为风险指标,它们也是量化投资的基石,正因为有这些指标我们可以横向对比不同模型。
今天给各位分享两道数据分析试题,这是腾讯数据分析面试官在面试时考察候选人喜欢出的题,属于硬性技能考察题目,特别好用。
大家好,我是Maynor。相信大家和我一样,都有一个大厂梦,作为一名资深大数据选手,深知SQL重要性,接下来我准备用100天时间,基于大数据岗面试中的经典SQL题,以每日1题的形式,带你过一遍热门SQL题并给出恰如其分的解答。
看多了前面的铺垫,接下来写一写可以实操的。本篇给出写择时策略回测的详细步骤,并用代码展示全过程,代码用python写,数据和代码后台回复“择时”获取,可以自己测试。
报告认为高阶矩可以刻画资产价格的变化,并且有一定的领先性,可以以此构造指数择时策略,原理见研报(在公众号后台回复“高阶矩”获取研报和代码)
论文 | A Deep Trend-Following Trading Strategy for Equity Markets
从2018年6月4日起,公众号每发布一篇文章,就为大家分享一张Octodex的创意图。 # 002 今天我们为大家带来最新的研报内容,来自广发证券金工团队的《风险中性的深度学习选股策略》。下面让我们来
下面拿A股市场来做检验。 模型的设定如下: 隐藏状态数目:6 输入变量:当日对数收益率,五日对数收益率,当日对数高低价差(其他备选因素成交量、成交额等大家可以自行尝试) 混合高斯分布成分数目:1(为了
IOST在过去24小时的交易中经历了2.61%的小涨价。加密货币目前的交易价格为0.0206美元,在过去7个交易日内大幅下挫13.95%。
尽管市场其他部分下跌,但Binance Coin继续藐视大盘。加密货币在过去24小时的交易中上涨了1.10%,过去7个交易日的涨幅为4.48%。在撰写本文时,Binance硬币以13.68美元的价格交换。
马尔科夫性 如果一个过程的“将来”仅依赖“现在”而不依赖“过去”,则此过程具有马尔可夫性,或称此过程为马尔可夫过程。 函数形式:X(t+1) = f( X(t) ) HMM由来 物理信号是时变的,参数
近些年来,随着金融领域数字化转型工作的推进,对金融系统的算力的要求也越来越高,经典计算机处理器已经接近制程极限。因此可以预见,算力将可能成为阻碍金融数字化转型的关键因素。量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式,有着极强的并行能力和随着量子比特数量的增加呈指数型增长的强大算力,具有远超经典计算机的算力优势,可高效快速分析海量数据,能够极大提升金融服务的数字化水平和响应速度。因此可以预见未来量子计算将改变金融行业的整体生态和竞争格局,加速推进数字经济的发展,对于国家金融安全和金融机构发展都具有一定战略意义。
通过积极的风险控制和风险管理,我们相信投资者既可以在市场下跌期间改善结果,从而在对冲基金投资组合中获得宝贵的阿尔法回报,又可以避免损害其整体战略贝塔配置。而且最重要的是,他们可以专注于市场上的其他机会,而不是追加保证金的压力。
过去几年Smart Beta因子投资策略开始在A股逐渐得到普及。虽然过去十年才真正红起来,其实Smart Beta这个词1970年就开始被机构投资者使用,在2003年也出现了第一个Smart Beta的指数基金。Smart Beta是一种长期可持续的因子,通过这种投资因子的分析,获得更高的回报和更低的风险。
今天我们来继续我们机器学习应用量化投资系列,本期,我们介绍一篇来自华泰证券金工的研究报告。将深入为你剖析Stacking 集成学习在量化投资中的应用!希望大家有所收获! Stacking 集成学习模型简介 Stacking 集成学习的原理 Stacking 是一种常见的集成学习框架。一般来说,Stacking 将训练一个多层(一般是两层, 本文中默认两层)的模型结构,第一层(也叫学习层)包含 n 个不同的模型,将得到的预 测结果合并为新的特征集,并作为下一层模型的输入,由下一层模型再次根据对应的数据 标签进
机器学习是为了预测某个值而利用算法来学习数据中模式的科学。利用足够的数据,在所有输入变量与待预测值之间建立映射。在有限的输入变量的情况下,系统更容易预测一个新的值。这种方法不同于传统,传统方法是基于先前设臵的规则开发的,而机器学习模型是使用数据驱动的。
在查找如何使用Python实现滚动回归时,发现一个很有用的量化金融包——pyfinance。顾名思义,pyfinance是为投资管理和证券收益分析而构建的Python分析包,主要是对面向定量金融的现有包进行补充,如pyfolio和pandas等。pyfinance包含六个模块,
在回测区间的各个调仓日选出的股票数在18只-86只之间,2009年4月-2009年7月、2014年10月-2015年2月、2015年10月-2016年3月三个时间段的股票数较少,从2017年后半年至2018年前半年的一年时间里选出的股票数较多。
对于资金管理,是一个老生常谈的话题,大家都不陌生。在笔者看来,资金管理就是合理的分配和运用资金。在期货市场中,亏损是常态,但是亏损后还能不能爬起来,主要关系到两点——信心和资金。有投资者在连续受挫后失去对交易信心,被自己打败,有投资者因为亏完了资金,被市场打败。失去信心被自己打败,这关乎于“心态”问题,我们暂且不提,今天主要来谈谈亏损完资金被市场打败,这个关乎于“资金管理”的问题。有这样一句话,若不认识到资金管理的厉害,不仅会造成大亏,甚至被市场淘汰,可见资金管理有多么重要。那么,如何合理的分配和运用资金?如何做好资金管理?正所谓留得青山在,不怕没柴烧,留住明天还能生存的实力,比今天获利还重要。在资金管理中,头寸管理、品种资金的分配、每笔交易资金使用的大小、盘中加减仓等等,都能影响整个交易战绩。所以,想要做一个不会被期市淘汰的投资者,那你就不能忽视资金管理。
这是 Python 进阶课的第十五节 - 量化交易之向量化回测 ,进阶课的目录如下:
本文总结单因子测试的分层测试法。与回归法相比,分层测试法相对繁琐,但能展示更多细节。 分层测试法的思路是在统一的规则下, 利用单因子构建投资组合进行回测,然后对投资组合的表现进行全面评价,通过投资组合的表现说明因子的有效性。
1.量化 对于一般投资者,甚至是部分金融从业者来说,量化投资都是一门高大上的技术,充斥着模型代码和算法假设,门槛非常高。其实,生活中的量化思想无处不在。 例如,某魔都金融民工,每日上班路线是这样的:乘地铁或者公交至陆家嘴,随后步行或者乘华宝兴业免费接驳车至公司楼下。哪条路线最近呢? 此人先罗列了所有可行的路线,随后花了一个月时间,逐条路线进行多次试验,最终成功找出不出意外情况下最近的线路,完美!这就是最简单的量化思想,利用大量数据,找出大概率的最优策略,并照此执行。 海外的量化投资发展已经超过三十年
显著-偏置卷积神经网络简介 金融时间序列通常通常包含多个维度,不同维度数据的采样频率也不一致。例如螺纹钢研究员通常关心螺纹钢的因素有日频更新的现货螺纹钢价格,周频更新的螺纹钢库存,高炉开工率和线螺采购量,而月频更新的则有商品房销售面积等。如果其中某些可观测因子发生了变化,投资者对未来螺纹钢期货涨跌的预期也应发生变化,但是如何处理这些不同频率的数据是量化模型的一大难题。一种比较简单直接的方法就是降低数据的采样频率,例如把日频数据统一为周频(甚至更低如月频),再基于周频数据进行预测。但这种方法的缺点也很明显,期
LSTM Networks(长短期记忆神经网络)简介 LSTM Networks 是递归神经网络(RNNs)的一种,该算法由 Sepp Hochreiter 和 Jurgen Schmidhuber 在 Neural Computation 上首次公布。后经过人们的不断改进,LSTM 的内部结构逐渐变得完善起来(图 1)。在处理和预测时间序列相关的数据时会比一般的 RNNs 表现的更好。目前,LSTM Networks 已经被广泛应用在机器人控制、文本识别及预测、语音识别、蛋白质同源检测等领域。基
近日,Medium 上出现了一篇题为《Neural networks for algorithmic trading: enhancing classic strategies》的文章,作者 Alex
今天我想做一个带有实际预测的金融时间序列结论:我们将用神经网络强化经典移动平均策略,证明它真的改善了最终结果,并且审查新的预测目标。 训练神经网络的代码地址:https://github.com/Rachnog/Deep-Trading/blob/master/strategy/skew.py 主要思路 我们可以预测不同的价值——从价格变化到波动率。在我们把这些预测看作是一种抽象的东西之前,只是看这些“up-down”的预测就尝试交易,即使这些预测并不是很好。但我们也知道,有很多其他的交易策略都是基于技术分
Alpha是投资者获得与市场波动无关的回报,一般用来度量投资者的投资技艺。比如投资者获得了12%的回报,其基准获得了10%的回报,那么Alpha或者价值增值的部分就是2%. 小编将推出一系列Alpha策略,希望能起到抛砖引玉的作用。如有不足之处,欢迎批评指正~~ 策略设计 在这里就不对alpha作介绍了,想了解alpha的读者可以去看看前两天Thomas大大推的《多因子系列之二》~ 那我们就直接从策略开始吧。作为alpha系列的第一篇,我们先来实现一个简单的Alpha策略。 首
无论是在期货还是外汇股票以及永续合约等二级市场长期耕耘的老手都必然拥有一套自己的交易系统,而对于新手而言是不存在的。
在上一篇文章中,我们使用深度强化学习创建了一个可以赚钱的比特币自动交易智能体。虽然这个智能体能够做到自动交易比特币获得收益,但它的收益率并没有让人眼前一亮,今天我们会大幅度改进这个比特币交易智能体,从而提高它的收益率。
投资者都听过“高风险高收益”这句话,但我们从大量投资者的投后行为中发现,真正理解这句话的人是少数。 如果不能准确理解,那么即使承担了高风险,也很可能获得不了高收益,甚至会导致严重的亏损。 所以,我建议在确认自己理解这句话的含义之前,尽量避免因为追求所谓的高收益而投资高风险标的。 下面就来分享一下我对这句话的理解。 高风险高收益的由来 高风险高收益这句话主要来自于对美国各类资产超长期收益表现的观察。 下图是美国将近200年各类资产的走势,除名义GDP外,其他各条线都剔除了通货膨胀。 (图片来源:https:
0x在过去24小时的交易中价格下跌了5.66%。该协议TOKEN目前以1.07美元交易,并且在过去7个交易日内价格小幅下跌,总计4.86%。
其中pend是策略最终总资产,pstart是策略初始总资产,n是回测的交易日数量,那250是什么东西呢?表示一年中可交易的天数,因为我们的指标是年化收益,一年不能用365表示,要用25。
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,曾荣获AMMA优秀品牌力、优秀洞察力大奖,连续4年被腾讯云+社区评选为“年度最佳作者”。 量化投资与机器学习公众号 独家解读 量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。
此题的含义笔者理解为:在每个月选择出一个行业,这个行业和其他股票相比这个月比上个月成交额下降最大。关键操作在于计算每个行业每个月对上个月成交额的变化dn_m_range,以及挑选下降幅度最大的那一个行业。
2001年,斯坦福大学胡佛研究所的John H. Cochrane把投资中不断增长的因子称为因子动物园。但从字面上理解这一说法并把动物分配给因子相当有挑战性,价值代表着廉价的股票,但是什么动物是便宜的?
1、基于价值、动量、质量、规模及低波动等量化因子的组合在历史上,相对于基准,长期来看取得了较好的表现。但也周期性的受到市场环境变化的影响,导致在一定的时期内表现不佳。
在过去的24小时交易中,加密货币Steem的价格下跌了2.24%。目前,Steem的交易价格为1.40美元,过去7个交易日内价格小幅上涨0.9%。
为了追求长期的超额收益,投资者们经常结合使用进攻和防守的策略。其中进攻端一般采用质量、价值、动量及低波动的因子以获取长期优于市场的回报。但是这些策略一般都具有较大的波动和回撤,这对于风险偏好较谨慎的投资者很难接受。
公众号为全网读者带来Backtrader系列自推出第一期以来,受到了众多读者的喜爱与点赞,QIML也会继续把这个系列做好。 让那些割韭菜的课程都随风而去吧!!! 公众号将为大家多维度、多策略、多场景来讲述Backtrader在量化投资领域的实践应用。同时,我们对每段代码都做了解读说明,愿你在Quant的道路上学有所获!
领取专属 10元无门槛券
手把手带您无忧上云