{{membership}}

https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37672

\

视频讲解

查看视频

策略源码

https://bigquant.com/codeshare/44ce0baf-6d4c-4f9c-9b7b-90ea4b12ab19

\

视频讲解

查看视频

策略源码

https://bigquant.com/codeshare/621dce87-bd66-43b2-b08d-ad986eeb3135

\

{{membership}}

https://bigquant.com/codeshare/55f9bca0-7139-4c13-8e61-5277d1aa2a95

\

思考了很久从哪里讲量化交易，决定还是从人生中的第一本量化书籍开始，本专栏的目的也是把记录自己的读书过程，把书越读越薄！第一次读这本书的时候，已经是5年前了，作为量化实验室的新丁，被要求阅读的就是这本书，并且实现书中的交易策略，了解到了很多很多基础的概念，书中的代码多数已经不能用，所用的语言也是matlab，这次写系列读书笔记，我将使用PYTHON语言（现在用的比较多），这里并不是说matlab过时了，我到现在依旧认为在矩阵处理及可视化上matlab仍然具有绝对优势。周围很多策略开发者仍然在使用matlab!

Quantitative Trading是E.P CHAN的第一本书，在外网有响

{{membership}}

https://bigquant.com/codeshare/38085c4a-2332-4ceb-ba0e-eed448c3c6e5

\

每到年末，我们都会看到一大堆对下一年的金融市场进行各种预测的文章。文章的作者们总会言之凿凿地告诉读者，哪个资产会上涨，哪个资产会下跌，哪个行业是风口，有暴富的机会。

做预测是一件很容易的事情，每个人都能说出个一二三四。但问题在于，这些预测是否准确，对读者是否有价值？如果我们回顾历史，就不难发现，大多数在当时看起来很有道理的预测，与现实的走向往往差之千里，错的离谱。

（一）比特币和黄金，谁预测对了？

在这里和大家先分享几个比较夺人眼球的关于2018年市场的预测。

下图是美国的投资分析员Nick Maggiulli在个人推特上公布的一些机构和个人对比特币的价格预测[[1]](h

这篇文章叫做：The Nature of Price Returns During Periods of High Market Activity，具体介绍如下

![](/community/uploads/defa

故不积跬步，无以至千里；不积小流，无以成江海。--《荀子·劝学篇》

1.机器学习用于选股，对财务数据的特征学习，居然还是小市值NB....

2.机器学习，海量数据预测股票的未来趋势，+Model的研究

3.机器学习之神经网络入门

4.[随

这篇文章主要记录了南土投资周静学姐来给我校金融专硕项目做的一次分享会。结合学姐所说和自己在工作实践中积累的经验，粗浅地谈一谈对量化投资的认识。

周静学姐是北大的高材生，在海外获得博士学位之后加入了blackrock公司工作。现在回国创立了南土资产，追求绝对收益和人才发展。有的员工已经在公司得到了快速的成长并创办了自己的私募基金。

学姐首先为我们介绍，量化投资其实是从idea到模型，从模型到检验再到实证的过程。

很多人认为量化投资是只注重统计规律而不注重市场规律，认为量化投资只是一个黑箱，只需要把杂乱无章的数据扔进复杂的模型中计算就可以得到稳定的信号，但这样做的结果往往是garbage i

这是一篇简单探讨高频时间尺度的相关性结构的paper。

![](/community/uploads/default/original/3X/6/9/69f10a5b74c09f78e4a141b864313500f

![](/community

本文主要取材于Kok U-Wen, Jason Ribando和Richard Sloan发表在Financial Analyst Journal上的文章"Facts about formulaic value investing"。由于篇幅长度分成两篇。

1. 量化价值投资真的管用吗？（一）
2. 量化价值投资真的管用吗？（二）

本篇的主题是价值因子的阿尔法来源于小市值成长股的过高估值。能否有效地做空小市值成长股是能否获取量化

量化投资(Quantitative Lnvestment)，是利用投资模型指导投资的一种手段。那么在量化投资过程中，投资人员需要将自己的投资理念量化成具体的投资模型，然后借助历史回测数据，投资人员可以检验量化投资模型的有效性，其中有效的投资模型，将被用来指导交易。那么在投资过程中，投资模型的使用可以帮助投资人员规避一些交易过程中的心理偏差，比如一些一厢情愿的错误的判断，以及大起大落造成的情绪问题，我们通过量化投资模型控制，严格执行策略，以获取预期的收益结果。

量化投资虽然仅有50年左右的发展过程，但已经出现了大量的研究成果。Markowitz，H.M.提出的投资组合选择理论，可以看做量化投资

尽管巴菲特在1987年给投资者的信中说：“在我看来，投资的成功不会由晦涩难懂的公式、不会由计算机程序或者股票市场闪动的价格信号来产生”，如今机器已经在金融市场中起到极为重要的作用。2015年创建的对冲基金中40%依赖于计算机模型做投资决策。对冲基金和银行们正招聘越来越多的数据科学家。高频交易公司也在计算机的速度和效率方面竞争激烈。

在量化交易1.0版本，模型是“静态”的，因为交易策略是被事先编程的。举个例子，“动量策略”在一个时期内效果非常好，但在下一时期可能效果不佳。真正的智能机器会在市场进一步发展之前观察到市场异常，而且交易策略本身会随着信息的变化而动态变化。

2010年Scott P

背景

毫无疑问，资管行业在我国前景是十分广阔的，不然也不会“引得无数英雄竞折腰”。我国资管行业规模大、增速快、影响广。早已成为金融市场不可或缺的一部分。

近几年，我国资管行业分业经营壁垒被逐渐打破，监管的不断放开，让资管行业进入进一步的竞争、创新、混业经营的阶段。银行、券商、信托、基金、保险等机构的资管业务不断发展、丰富、成熟，泛资管时代正式来临。

今天，纵横君给大家分享的这篇文章，重点分析了资产管理行业的本质，对现在资管机构如何回归本质，不忘初心，以及对资管行业未来的发展做出了解读。希望对身在资管行业的各位有所帮助。

透析资产管理行业本质

资产管理的本质

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

1988年出生的英国人李轶睿（Daniel James Lightwing，网络上以Lightwing闻名）最早被人关注，是因为他在数学方面表现出的天赋。在BBC纪录片Beautiful Young Minds（2007）中，导演Morgan Matthews记录了一组年轻人备战2006年第47届国际数学奥林匹克竞赛的过程，来自约克郡的李轶睿就是其中之一。镜头记录了他在训练营学习并与一位中国女孩相恋的经历。这一年李轶睿在斯诺文尼亚摘得银奖。

2014年，导演Morgan Matthews拍摄了电影X+Y。阿沙•巴特菲尔德（Asa Butterfield）饰演的主角Nathan Ellis，原

随着计算机技术的发展，自动化、程序化交易相继出现，迅猛发展，全球市场占有率逐年上升。由此引发了特别是针对高频交易的诸多质疑与误解。本文是一篇研究综述，引用了近期学界和业界对于高频交易的论证，肯定了高频交易增加流动性、降低买卖价差、促进价格发现和降低金融资产价格波动等对金融市场的积极作用，批评了通过征收交易税来抑制高频交易等强制监管的做法。《高频交易：臆断与事实》一文对我国研究和监管机构从多视角了解和认识国际市场上的高频交易现象有一定的借鉴意义。

关键字：高频交易 高频盈利 公平性 监管 交易税

本文发表在**《Policy：A Journal of Public Policy

\

作者：fyiqi 原文链接：金融时间序列分析入门（一）

与时间序列分析相关的部分基础知识/概念

1.1 什么是时间序列

简而言之：对某一个或者一组变量 x(t) 进行观察测量，将在一系列时刻 t1,t2,⋯,tn 所得到的离散数字组成的序列集合，称之为时间序列。

例如: 某股票A从2015年6月1日到2016年6月1日之间各个交易日的收盘价，可以构成一个时间序列；某地每天的最高气温可以构成一个时间序列。

一些特征:趋势：是时间序列

近几年，以机器学习、特别是深度学习为代表的人工智能（AI）得到了长足的发展，机器学习和人工智能也成为出现在街头巷尾的高频词汇。今天我们把目光放在风险投资（venture capital），看看机器学习能否在一级市场有所作为。

写本文的动机源自作者最近读到的一篇来自麻省理工的论文 Hunter and Zaman (2017)。该文提出了一个挑选优秀早期创业公司的量化分析框架，利用机器学习算法进行参数估计以及最优投资组合的构建，从而挑出那些最有可能成功的初创公司（成功的标准是风险投资人因该公司上市或者被收购而退出）。

因为文章很新（2017 年的），而且将机器学习应用于了一个比较新的

在我们开始对于2017年大类资产配置的展望前，有必要先来回顾一下这些资产在2016年的回报情况。


上图显示的是2016年全球主要大类资产的投资回报。对于这过去的一年，我们可以做出以下这些总结：

量协的统计套利策略小组成立快一个月了，这一个月来小组成员的主要活动内容就是进行大量paper的阅读与分享。和其他策略类型不同，统计套利或是配对交易本身涉及统计学、随机过程的理论和方法比较多，所以学术界可以参考的paper也较为丰富成体系。

我们这次主要阅读的是[Statistical Arbitrage Pairs Trading Strategies：Review and Outlook](https://link.zhihu.com/?target=https%3A//www.econstor.eu/dspace/bitstream/10419/116783/1/833997289.pd