量化投资

时间序列在量化投资中具有广泛的应用，时间序列分析是金融量化分析重要组成部分，是构建策略时需要重点考虑的问题。一般来讲，时间序列的分析技术在量化投资中的应用有：

• 对未来的资产价格预测
• 模拟序列
• 探索金融时间序列的趋势和周期性
• 时间序列与其他变量的内在关系，为策略提供辅助和增强
• 不同时间序列之间的关系，发现新的策略
• 波动率建模，期权相关的策略

在时间序列模型篇中，我们会介绍不同时间系列模型和分析技术在量化中的应用，其中包含了Arma及其衍生模型，Garch簇模型，滤波技术，傅里叶和小波分析，随机过程和数据挖掘技术在时间序列中的应用等。作为该系列的开篇，本讲会介绍时间序列

前言

**时间序列分析（time series analysis）是量化投资中的一门基本技术。时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。**比如变量是股票价格，那么它随时间的变化就是一个时间序列；同样的，如果变量是股票的收益率，则它随时间的变化也是一个时间序列。时间序列分析就是使用统计的手段对这个序列的过去进行分析，以此对该变量的变化特性建模、并对未来进行预测。

时间序列分析试图通过研究过去来预测未来。

时间序列分析在工程学、经济学、气象学、金融学等众多领域有着广泛的应用。在金融学领域，介绍时间序列分析的优秀书籍层出不穷。其中最家喻

作者： moo1.0 卓夫 原文链接：机器学习&量化投资-从入门到放弃全套笔记-LogisticRegression

概要：

1. 介绍Logistic Regression的数学模型，推导并详细解释求解最优回归系数的过程；2. Python实现Logistic Regression的基本版；3. 介绍sklearn中的Logistic Regression算法及其关键参数；4. 实现一个基于Logistic Regression的简单选股策略

**

\

前言：

最近特别忙，写毕业论文，找工作，忙得不亦乐乎。硕士两年来做的一些工作，导师没有让我往毕业论文里面写，我感觉到，这两年的一些经验以及所思所想，可能没有办法写成正式的文章了，特别可惜。所以我决定把自己的一些思考拿出来与大家分享。我从来没有将机器学习应用在量化投资的实战经验（其实我神马实战经验也没有。。），但是读过相当数量的相关论文。很多论文，如许多网友所喷，“这玩意儿根本不work”。说实话，我也知道这些论文不work。但是“不work”并不代表“没用”。一篇文章里，能有一个闪光的思想，对真实投资有一些借鉴价值，我觉得这篇文章就是“有用”的。而所谓的“不work”，是指把这篇文章

从 t 分布说起

在量化投资领域，有大量需要进行参数估计（parameter estimation）的场景。比如在按照马科维茨的均值方差框架配置资产时，就必须计算投资品的收益率均值和协方差矩阵。很多时候，对于需要的统计量，仅有点估计（point estimate）是不够的，我们更感兴趣的是从样本数据得到的点估计和该统计量在未知总体中的真实值之间的误差。在这方面，区间估计 —— 即计算出目标统计量的置信区间（confidence interval）—— 可以提供我们需要的信息。

谈到置信区间，人们最熟悉的当属计算总体均值（population mean）**的置信区间。

程序化交易：program trading

很简单的字面意思，意味着你利用程序(program)进行交易。具体的交易时机，交易仓位，止损止盈获利标准可能包含在程序本身，也可能独立于程序之外，程序本身只是执行的方式。与程序交易对应的是人工交易。一般利用程序交易有几大优势，比如说较快的速度，脱离了人为情绪的影响，执行力有保证等等。同时也应注意交易程序和交易系统的区别。交易系统是一个完整的系统，具体执行的程序可能只是其中的一部分。一个良好的交易系统应该还有风险控制，资金利用，仓位管理等方面的内容，而不仅仅是买卖信号的产生。

算法交易：algorithm trading

背景

近期对于量化争议颇多，无论市场涨跌量化都会被拉出来分析一番，量化是否对影响到了市场的变化？大众理解的量化和实际的量化是否一致？刚好看到幻方的量化18问，分享出来与大家共赏。以下转至幻方量化公众号：

量化投资只是一个统称，实际上有千千万万种，各不相同。由于每个参与者的观察样本都有局限性，很容易盲人摸象，以偏概全(本文也不例外)。但本文还是试图对A股量化投资的一些基本的问题作出解释。

什么是量化投资

量化投资是指用数学/统计/人工智能等方法取代人工决策，在二级市场进行投资。一般情况下，市场研究、基本面分析、选股、择时、下单等都可以由计算机自动完成。

量化投资的原理

引言

对量化投资感兴趣的人大概都听说过的 Black-Scholes 期权定价公式（又称 Black-Scholes-Merton 公式，下称 BS 公式）。它大概是将数学中随机过程（stochastic process）的概念运用到实际金融产品中的最著名的一个例子。美国华尔街的 Quant 职位面试中更是无一例外的会问到 BS 公式及其引申出来的相关问题，足见其地位。然而黑天鹅之父纳西姆·塔雷伯（Nassim Nicholas Taleb，以《黑天鹅效应》一书闻名于世）却对它嗤之以鼻，更是写过一篇题为 Why we have never used the Black-Scho

https://bigquant.com/experimentshare/4cd77a18145849ba935b42c775c2694e

\

今天我们来谈一下量化投资中涉及到的关于时间和周期的一些问题。

在前面的讲解中，大家应该还记得量化中的数据主要有两种：一种是tick数据，另一种则是bars数据。bars数据理解起来较为简单，它就是K线中蜡状图所包含的最高、最低、开盘、收盘等数据；bars数据是与周期有关的，如日K中看到的一根bar就是以1d为周期。对于什么是tick数据，我想大家可能还不太明白，下面我们对它的含义做了一个浅显的解释。

什么是Tick

在国内，tick是一种snapshot，它指的是间隔很短的时间（毫秒）对交易流数据进行快照。tick数据也包含了开盘价、最高价、最低价、最新价、成交量、成交额这些字段

引言：广义地说，量化投资就是根据经济和金融学理论，运用严谨的数学和统计学原理于金融市场，以获得超额收益率为首要目标的投资方法。这种投资方法有着悠久的历史和著名学术谱系。虽然量化投资策略已经在投资者之间经历追捧和冷落，但明确的是，这是一个经受了时间考验的方法：它基于可靠的经济原理，严谨的学术研究和实践分析。在该系列文章中，我们希望通过对量化投资的学术背景的梳理、实践经验的调查、量化投资策略分支介绍、量化领域相关职位的说明，让读者对量化投资有全貌的大致理解。

先驱人物

尽管近几十年来才名声鹊起和广为流传，若我们追溯其起源，量化投资领域实际上已经历经百年。路易斯.巴舍理耶(Louis Bache

我就故意分开写，要不怎么让你们点来点去增加关注呢，我的目的很单纯就是吸粉的，大家踊跃点，昨天我要上春晚（一），呃，我要吸点粉（一）过万的关注，我很欣慰，毕竟50的赞四舍五入一下就是一万多，我写起来也觉得胸前的红领巾更鲜艳了啊。

这里先明确一点，在前篇中用几个简单的市场数据说明了我认为市场有交易机会的原因，有知友觉得周期太长，毕竟这是一个科普专栏且以吸粉为目的，我没有把很多专业数据引出来，但是信我，到这个层面能得出的结论已经是一致的，至于其他多说也是论证而已，写的太专业又没人看了，我又白写了不是？另外我引用投资者数据是想说明---你的交易对手不太专业。哦，还要提一句，本作尽量不用计量经济学或者

据传《私募基金募集行为管理办法》本月将正式推出，终于为群雄乱战的私募基金行业树立了明确的行为规范。虽然量化投资在公募基金和私募基金各有千秋，但私募基金相对灵活的机制造就了私募量化更为多样的特点。私募基金也是成熟宽客开展事业的最佳选择。本文全面梳理私募基金监管的发展脉络，总结注意事项，为私募基金和宽客提供参考。

证券投资基金法自2004年实施以来，对规范证券投资基金运作，保护基金投资者合法权益，促进基金业和证券市场的健康发展，发挥了重要作用。但随着经济和金融体制改革的不断深化与资本市场的快速发展，我国基金业发生了很大变化，当时基金法的部分规定已不能完全适应市场发展新形势和基金监管的需要。为规范

原文章来自德邵网站，本文为原文章的中文翻译。本文仅用于交流学习使用，不得用于商业用途。如对相关著作人造成侵害，请立即联系译者及时删除。

作者: Michelle Celarier

翻译：雷闻

原文发表时间：2018年

一群电脑极客和英语专业人士如何改变华尔街

20世纪80年代，一家位于马克思主义书店上方的安静的对冲基金发起了一场变革，将改变金融业（并赋予我们亚马逊Amazon**）。**

1988年夏天，对冲基金经理唐纳德·苏斯曼接到一位前哥伦比亚大学计算机科学教授的电话，希望他能就自己在华尔街的新职业生涯提出建议。

当时37岁的大卫·肖

Walnut Algorithms（胡桃算法）是国外一家人工智能对冲基金，招聘了大量的数据科学家在构建AI系统，并看到了不错的效果，吸引了业界的关注。

BigQuant作为一个人工智能量化平台，目标是让每一个宽客，打开浏览器，就能用上最领先的人工智能技术，开发出人工智能驱动的投资策略，让每一个宽客都能实现自己的人工智能基金。

通过胡桃算法CEO的对话让我们深入了解AI应用于量化投资领域的现状和未来。

问题在于，如何使它可行？这一点非常重要。是只搞分析研究，还是只做一种产品？是向对冲基金收取服务费，还是和一支对冲基金合伙？是被对冲基金吸收，还是提供交易信号？是从事咨询工作，还是创建

围棋人类第一高手柯洁在与AlphaGo的第二局对阵中再次惜败。有报道称此次的AlphaGo已经比当初跟李世石下的版本进化了几代，想当于给上一版本”让3子“的水平，鉴于柯洁第一局仅输1/4子，可见柯洁的水平应该能完胜上一代的AlphaGo。

AlphaGo主要采取了两种模型——深度学习和增强学习。深度学习（Deep Learning）本质上是一种监督学习（Supervised Learning），或回归分析（Regression Analysis）。它从传统的神经网络发展而来，但最近几年在计算方法上有了突破，加上硬件上的发展，使得它可以拟合更复杂的数据，因此在计算机视觉、图像识别上发展

\

------------------------------------禁止转载--------------------------------

接了某出版社的意向，继续操刀金融大数据这块，前两天买了本《金融大数据》，真是想扔了，简直就是百度+论文拼凑体。东一块西一块，还全是文字，想想就吐。

另外阿里2017校招内推开始了，找工作的同学可以关注下。

接触到程序化交易还要感谢高大大，因为他们是做量化的，所以才能接触到这块。摩根和上海交大背景，如果有想挖他的也欢迎联系。哈哈O(∩_∩)O

去年的时候和杭州的几个做量化的公司交流过，还发布了相应的私募基金，虽然业绩也不太理想。然后就一直泡在

写在文前：周末为大家奉上一篇来自棋剑资产王晓光的一篇报告，文有点长，但是确实系统地讲解了量化投资这件事。海纳百川，多学习不同的观点能拓宽视野。先祝大家周末快乐。


*原文：

导语：面临日益增长的金融海量数据，传统的量化投资以及主观投资已经显得有点力不从心，而这恰恰给了人工智能算法交易更多的机会

21世纪伊始，刚过完四十岁生日，曾在90年代两次历史性金融事件中崭露头角的Victor Haghani就遭遇了一场投资界的巨大变革。

他一度是精英套利团队的领导者。离开所罗门兄弟（Salomon Brothers）之后，Haghani先生便供职于以高杠杆套利和诺贝尔奖获得者团队著称的LTCM基金（LongTerm Capital Management，长期资本）。在90年代末，LTCM由于流动性危机被迫解散，是金融历史上最著名的华尔街救市案例之一。

自此以后，Hagh

棋剑资产王晓光：中国CTA市场中的策略风格与风险因子

注：本文是根据王晓光博士在“中融 - 量邦 高级量化投资方法系列研讨会（一）”上所做演讲报告整理而成。该研讨会由中融汇信投资和量邦科技共同发起，旨在于打造对冲基金专业研讨平台，通过设定每期主题，邀请相关专家做深入专业的分享。第一期主题为“现代CTA投资方法暨程序化交易”，即将举办的第二期拟定主题为“阿尔法，Smart Beta以及A股市场风险因子探讨”（报名电话：18600601876）.

任何人转载请单独向作者本人获取授权，否则违权将追求相关法律责任。

**主持人：**谢谢晶晶总的分享。如何看待这个期

卡尔曼滤波是时间序列的一个非常重要方法，在量化投资中有着诸多的应用，如：

• 未来金融事件序列的预测
• 金融事件序列去噪
• 配对交易时变的对冲比率

对于一个时间序列，我们可以在每个时点观察到时间序列相应的值，当然这些观察值是包含着噪声的。试想一下，如果将这些噪声去除，那么对于这条“干净”的时间序列，我们是会相对容易地根据趋势对下一个“干净”的点做预测。当然这种理想的状态并不存在。

为了处理这种“眼见不为实”的现象，一个直观的想法是建立一个模型，将不能观测的去噪状态与可观察的状态用数学公式联系起来。于是，我们引入了一个叫做状态空间的东西。状态空间用来描述系统的真实状态，因此它是由系统中

欢迎大家持续关注我们的专栏Alpha-Nebula，我们会持续分享高质量的量化相关内容。这篇文章我们介绍的是一篇叫做**“Study of Stock Prediction Based on Social Network”**的Paper，作者针对市场，爬去了新浪微博和股吧的数据进行了一些有趣的研究。

Social Behavior Graph

作者爬完了这两个社交平台的数据之后，通过Hamming Distance和时间间隔来辨别不同帖子之间的similarity：即如果Hamming Distance小于2，同时两个贴的时间间隔小于1小时，那么就认为这两个贴是可以

最近加入了知乎上之前发起的一个量化学术小组ALPHA-NEBULA，结合自身的专业特长，有选择性的看了几篇论文，也获得了一点启发，在这里做个记录和分享。

这次主要依据Market turning points forecasting using wavelet analysis这一篇论文进行分享。

文章结构大致分为以下几个部分。

1. 频率分析理论背景（可跳过）
2. 论文分析
3. 仿真验证
4. 总结

一、频域分析理论背景

首先，我们都知道，金融市场具有周期性，最简单的例子就是，将股票市场时间尺度拉大了看，可以看到是一个不那么完美的正弦波。事实上我们可以简单的认为