解答关于机器学习的三个问题原创

Hello，大家好，我是飞图科技的shell，那距离我们上次校园宣讲已经过去了一段时间了啊，我们发现在我们各大视频官媒的下方，很多同学都有积极的进行留言，那我们今天挑选了一些重点问题集中在这里回答。嗯，在理想的情况下，如果一个策略的换手率很高，可以将换手率作为你的损失函数的一部分去进行学习。在实际交易的时候，高换手率可能对市场的冲击以及交易成本都会变高，那我们将这部分的参数可以放在机器学习的策略中，只在学习的时候作为一个惩罚项也不失为一种办法。比较常见的办法就是我们在继续学习，学出的一个情况下，他换手率很高的时候做一些匹配，另外还有一些别的稀释办法，比如说我们在多个策略中，呃，互相中和，通过当日买卖进行抵消，最后换手率也就自然下降了，呃，这个是时间层面上的操作。我们会用尽量可行的一些方案去做模拟，比如用全天的均价，而不是用开盘价，那基于大数定理做下来，你就会跟全天的模型均价差别不会特别大。另外是你们可能要考虑高频交易的一些细节，因为交易行为是会影响市场的。

如果你买卖一只股票占当天交易量的1%以内，呃，对市场造成的冲击是不会很大的，不会有太大的推动，那我们在这个时候就要做一些尽量严格的假设去限制策略，再比如说你收到行情的时候，嗯，比如说在十点，那么从计算传达到交易所呢，延时可能是在十毫秒到100毫秒左右，所以我们总用十点钟的这个价格去成交，其实不太现实，也不太准确的，因此我们在这个模拟盘回测的时候会做一些呃，一定延时的安全范围，我们对延时其实不需要太担心，因为如果我们做的好，大概率是存在这个收益的。当然在在此的同时，我们还是有许多细节需要钻研克服的，这个也是，呃，我们飞突投研团队日常需要不断攻克优化的工作之一。量化投资虽然是比较崭新的行业，但其实选择性还是蛮多的，就比如说我们在飞凸啊，可以做这种浮点技术类的这样非常硬核的工程师，那也可以去做研究，如何更好的了解市场，或者偏应用型的工程师啊，再或者是我们偏纯研究一点的，比如我们预测市场将会发生什么变化，提出非常多的假设，然后很多验证，呃，通过大量的数据分析啊，这个方面就是我们不同的种类的职业发展道路，最重要的事情其实也不是工作本身，是你们有没有将你们自己的兴趣作为未来发展的支点，在就业过程中不断的通过呃学习，努力去提升自己的量化相关的能力，写程序也好，你做研究也好，都是一些比较特别实在的事情。

晋升背后其实它真实的意义不在于你这个薪资提升啊，你的职级提升其实在于你有没有能力去突破自己的一个瓶颈，每家公司其实他们发展的都不同，我们要根据每个公司的不同情况去学习，去努力，那我觉得最重要的就是结合你当前的实际工作场景，逐步的去做出规划，不要停止学习，多向前辈请教。