本文由【樂(lè)在量化】整理發(fā)布

人工智能的話(huà)題仍然是神話(huà)，但量化對(duì)于大多數(shù)人來(lái)說(shuō)正成為一個(gè)越來(lái)越遙遠(yuǎn)的領(lǐng)域。但近年來(lái)，吸引投資者關(guān)注的一直是量化投資，量化產(chǎn)品也在為投資者帶來(lái)更好的回報(bào)。很多人對(duì)量化交易有著最直觀、最簡(jiǎn)單的理解。他們可以賺錢(qián)，賺大錢(qián)。錢(qián)。

但究竟什么是量化交易？從小白到入口有好幾步。其中許多實(shí)際上是入門(mén)級(jí)的。為了讓量化學(xué)習(xí)的過(guò)程更加直觀，我們還將介紹學(xué)生學(xué)習(xí)量化學(xué)習(xí)的小故事。這位學(xué)生在沒(méi)有任何編程經(jīng)驗(yàn)的情況下，成功地從傳統(tǒng)的金融背景過(guò)渡到了現(xiàn)在。切換到測(cè)光面板。

什么是量化交易？

（一）大眾眼中的量化交易

（二）實(shí)際量化交易

1.量化的定義

量化交易迫在眉睫。

如何成為量化交易者

第一步（一）：促進(jìn)量化交易

（2）第二步：開(kāi)始用Python編程

(3) 第三步：量化

李明博程序中的量化投資之謎。

什么是量化交易？ （一）大眾眼中的量化交易

在和很多學(xué)金融的同學(xué)交流的時(shí)候，我發(fā)現(xiàn)大多數(shù)人在談到量化時(shí)，第一反應(yīng)是很難的。然后他們一直在問(wèn)：-定量職位需要數(shù)學(xué)和物理學(xué)博士學(xué)位嗎？ - 在高頻量化的情況下？ - 你需要了解 C 量化嗎？問(wèn)：量化是否向人工智能發(fā)展？事實(shí)上，簡(jiǎn)單的“不，區(qū)域內(nèi)的爭(zhēng)論是不斷變化的。在回答這些問(wèn)題之前，很難先量化最重要的話(huà)題。什么是量化交易？

(2) 實(shí)際量化交易

人們通常使用定量的方法來(lái)解釋 Q 和 P 的量化，或者使用賣(mài)方/買(mǎi)方的定量方法來(lái)理解很多關(guān)于知乎的類(lèi)似話(huà)題。今天我想從量化本身的定義談這個(gè)話(huà)題。

一世。數(shù)量

轉(zhuǎn)換的定義

量化是指使用時(shí)間學(xué)習(xí)模型（不是人腦）來(lái)確定交易的類(lèi)型、數(shù)量、方向和時(shí)間。不難理解，量化其中一個(gè)核心就是用數(shù)學(xué)模型代替人腦，用人的感受力代替模型的合理性，把投資邏輯翻譯成數(shù)學(xué)語(yǔ)言，嚴(yán)格執(zhí)行模型中規(guī)定的交易規(guī)則。確定交易的要素（類(lèi)型、數(shù)量、方向、時(shí)間）。

俗話(huà)說(shuō)，英雄一出，不問(wèn)從何而來(lái)。這同樣適用于量化策略。

量化策略的好壞是根據(jù)實(shí)戰(zhàn)記錄，而不是模型復(fù)雜度，來(lái)判斷是否適合當(dāng)前市場(chǎng)、當(dāng)前資產(chǎn)狀況、當(dāng)前背景。底部由投資邏輯支撐。所以當(dāng)我們談?wù)摿炕瘯r(shí)，我們不必談?wù)摳哳l、深度學(xué)習(xí)、人工智能等等。

好的策略從簡(jiǎn)單到復(fù)雜。歸根結(jié)底，這是一個(gè)潛在的投資邏輯考慮。

量化交易迫在眉睫。

其實(shí)我們身邊有一種簡(jiǎn)單的量化交易模式。打開(kāi)基金軟件，選擇一只基金，指定每周五500元的資金投資，點(diǎn)擊確定按鈕，實(shí)現(xiàn)最簡(jiǎn)單的量化策略。

您可能會(huì)對(duì)此嗤之以鼻，但不要低估您可以在 Excel 中實(shí)施的量化策略。固定投資策略往往比跟單交易更容易獲得穩(wěn)定的回報(bào)。原因如下。

一種。投資基金具有與長(zhǎng)期儲(chǔ)蓄相同的特點(diǎn)，投資成本可以累積和攤銷(xiāo)。因此，定期進(jìn)行資金投資可以撫平基金凈值的波峰和波谷，消除市場(chǎng)波動(dòng)。

灣。由于其量化性（買(mǎi)賣(mài)時(shí)機(jī)由規(guī)則決定），定點(diǎn)投資可以避免影響投資者入市時(shí)的主觀判斷，使主觀判斷錯(cuò)誤大大減少（即，在市場(chǎng)的高點(diǎn)買(mǎi)入，在市場(chǎng)的低點(diǎn)賣(mài)出），造成巨大損失。因此，固定資產(chǎn)投資策略對(duì)于降低因個(gè)人情緒和信息因素導(dǎo)致投資點(diǎn)誤判的固定資產(chǎn)投資標(biāo)的和投資回報(bào)率的波動(dòng)非常有幫助。也可以看出，資本投資策略非常適合中長(zhǎng)期的投資策略。投資者只需選擇長(zhǎng)期樂(lè)觀的目標(biāo)，然后進(jìn)行資本投資。

從上面的解釋不難發(fā)現(xiàn)，“量化”并不像大多數(shù)人想象的那樣。那么這是否意味著成為一名量化交易者并沒(méi)有我們想象的那么難呢？

勞里在這里指的是專(zhuān)業(yè)學(xué)生的個(gè)人經(jīng)歷。希望對(duì)讀者有所幫助，但我想簡(jiǎn)單介紹一下他的轉(zhuǎn)行經(jīng)歷。在沒(méi)有編程經(jīng)驗(yàn)的情況下，學(xué)生們?cè)诖蠹s四個(gè)月內(nèi)成功地從傳統(tǒng)的金融背景轉(zhuǎn)變?yōu)榱炕瘓F(tuán)隊(duì)。他是如何做到的？

(1) 第一步：開(kāi)發(fā)量化交易

正如量化定義中提到的，大多數(shù)人只關(guān)注“數(shù)學(xué)模型”一詞，而忽略了交易，這是量化的另一個(gè)核心要素。構(gòu)建整個(gè)量化策略，首先需要將交易邏輯翻譯成數(shù)學(xué)語(yǔ)言，然后使用編程語(yǔ)言等工具來(lái)實(shí)現(xiàn)數(shù)學(xué)語(yǔ)言到程序的轉(zhuǎn)換。

在 3 步 2 轉(zhuǎn)換過(guò)程中，底部由可靠的交易邏輯支持。培養(yǎng)交易素養(yǎng)是一個(gè)耗時(shí)的積累過(guò)程，這也是傳統(tǒng)金融從業(yè)者看量化的一大優(yōu)勢(shì)。

目前，大多數(shù)量化團(tuán)隊(duì)并未實(shí)施“全自動(dòng)交易”。由于數(shù)學(xué)模型本身的局限性，以及黑天鵝、周期性輪換等因素的影響，大部分量化團(tuán)隊(duì)仍然保持著AI智能。量化投資進(jìn)一步提高了對(duì)量化研究人員自身交易的理解。

在了解了量化背后的邏輯后，學(xué)生們打消了最初對(duì)競(jìng)爭(zhēng)的焦慮和量化對(duì)程序員有益的謠言。我正在逐漸做我必須做的事情。

學(xué)生工作是金融背景，所以除了基本的金融知識(shí)外，還需要添加前端交易內(nèi)容。所以我決定學(xué)習(xí)模仿我投資老板分享的交易經(jīng)驗(yàn)。除了編程，我還閱讀了一些經(jīng)典的投資傳記，記錄整理了很多閱讀筆記，嘗試站在巨人的肩膀上。快速增長(zhǎng)。

“巴菲特的第一個(gè)金花瓶”作為最大的外部投資者和偉大的投資者沃倫巴菲特，在37年的22次投資中首次獲得1億美元。本書(shū)再現(xiàn)了巴菲特在此旅程中的發(fā)展、理念和投資路線(xiàn)圖。作為華爾街頂級(jí)股票投資者和投資組合經(jīng)理首先，彼得林奇分享了選股的邏輯，向普通投資者解釋了如何成為一名專(zhuān)業(yè)的股票投資者。密切關(guān)注商業(yè)趨勢(shì)和您周?chē)氖澜?，從?gòu)物中心到工作場(chǎng)所。這樣，您會(huì)發(fā)現(xiàn)比專(zhuān)業(yè)分析師更成功的潛在公司。在“擊敗所有市場(chǎng)的人”中，這位傳奇的金融天才以清晰的語(yǔ)言分享了賭場(chǎng)和市場(chǎng)的激動(dòng)人心的冒險(xiǎn)，使用“5”和“ace”等。我們分享如何擊敗市場(chǎng)的秘密。在 21 點(diǎn)；“科學(xué)預(yù)測(cè)”和“價(jià)格錨點(diǎn)”是擊敗市場(chǎng)策略的最重要投資。威廉·奧尼爾 (William ONeill) 是《模擬股票市場(chǎng)》一書(shū)的作者，也是華爾街最有經(jīng)驗(yàn)和最成功的資深投資者之一。在本書(shū)中，他得出結(jié)論，他的選股模型可能很薄。這為許多投資者所接受。實(shí)現(xiàn)量化領(lǐng)域的應(yīng)用。 2001 年，美國(guó)私人投資者協(xié)會(huì)發(fā)表了一項(xiàng)獨(dú)立研究，將書(shū)中的“Can Slim”方法與彼得林奇和沃倫巴菲特的方法進(jìn)行了比較。結(jié)果表明，“瘦身”方法多年來(lái)取得了最好、最穩(wěn)定的效果。 (2) 第 2 步：開(kāi)始使用 Python 編程

與此同時(shí)，學(xué)生們開(kāi)始努力彌補(bǔ)他們最大的缺陷，編程。他們嘗試從網(wǎng)紅的編程語(yǔ)言Python入手，很快學(xué)會(huì)了量化所需的編程工具。

1. Python是學(xué)習(xí)量化的障礙嗎？

對(duì)于許多人來(lái)說(shuō)，這個(gè)級(jí)別以前是可怕的。在流行的編程語(yǔ)言Python的幫助下，我們大大縮短了編程的距離。 Python 強(qiáng)大的模塊化社區(qū)易于學(xué)習(xí)，并擁有多種量化交易者。

幫助實(shí)現(xiàn)設(shè)備學(xué)習(xí)算法模型。

在許多情況下，您不必花費(fèi)大量時(shí)間來(lái)弄清楚如何以編程方式實(shí)現(xiàn)算法。您需要了解算法并知道如何應(yīng)用它。這就像為騎士配備武器。我們所要做的就是專(zhuān)注于戰(zhàn)斗。 Python 幫助許多量化交易者顯著提高了編程效率。

2.如何自學(xué)Python

和大多數(shù)人一樣，他買(mǎi)了很多學(xué)習(xí)資料，問(wèn)我學(xué)什么，怎么學(xué)。我給他提了兩個(gè)建議：

第一：在學(xué)習(xí)語(yǔ)法和熊貓的第一階段，學(xué)生需要盡快學(xué)習(xí)和獲取知識(shí)。他們不應(yīng)該需要深厚的知識(shí)。一旦對(duì)整個(gè)框架和 Python 能提供什么有了大致的了解，就可以將其融入到后面的實(shí)際案例中，快速準(zhǔn)確地掌握自學(xué)過(guò)程中最需要的技能。

(3) 第三步：量化

以上三本書(shū)，學(xué)生用了大約一個(gè)半月的時(shí)間。當(dāng)時(shí)，他只是一個(gè)入門(mén)級(jí)的程序員，語(yǔ)法并不流利。熊貓有時(shí)用于旅游，但如前所述，量化是了解熊貓的好方法。

接下來(lái)，他研究了量化的視頻和書(shū)籍，努力學(xué)習(xí)和掌握經(jīng)典的量化策略，并使用 Python。

我們已經(jīng)建立了自己的基本回測(cè)框架。在學(xué)習(xí)經(jīng)典策略的過(guò)程中，我逐漸開(kāi)始優(yōu)化基礎(chǔ)框架，并嘗試使用回測(cè)框架復(fù)現(xiàn)一些開(kāi)源研究報(bào)告策略。在這個(gè)過(guò)程中，你將深入研究數(shù)據(jù)邏輯背后的各種數(shù)據(jù)類(lèi)型（價(jià)格數(shù)據(jù)、財(cái)務(wù)數(shù)據(jù)、資金流數(shù)據(jù)等），了解分析師的分析方法和思路，以及基本的方法構(gòu)建要素。學(xué)習(xí)。嘗試分析現(xiàn)有政策優(yōu)化一點(diǎn)并重復(fù)。

然后，他開(kāi)始根據(jù)從他的投資歷史中提取的交易邏輯構(gòu)建幾個(gè)獨(dú)立的策略，將他的策略研究結(jié)果寫(xiě)在他的簡(jiǎn)歷上，并嘗試建立分布和面試。

整個(gè)換工作的過(guò)程很艱難，也很滿(mǎn)足。中級(jí)學(xué)生也多次找我進(jìn)行衷心的討論，想知道一次未知的成功或失敗的機(jī)會(huì)成本是否值得。他們除了害怕探索未知之外，更多的是對(duì)未來(lái)的迷茫和擔(dān)憂(yōu)。

在許多情況下，學(xué)習(xí)量化本身并不是問(wèn)題，而是涉及在您選擇改變時(shí)放手的可能性。幸運(yùn)的是，學(xué)生們盡了最大的努力。量化不難，但很難勇敢地邁出第一步。

本文由【樂(lè)在量化】整理發(fā)布