如何评估量化交易产品？量化产品如何收益？怎么研究量化交易？如何设计数据处理系统架构？如何科学化研究系统？如何应用二级市场量化风险模型？

这场高质量讲座的内容整理，带你进入Quant世界 ：）

内容来自微信公众号”数据派“，讲座俸旻博士在清华大学“技术·前沿”系列讲座所做的题为《量化交易》的讲座。

俸旻，北京大学数学学院学士和博士，曾任职于微软亚洲研究院副研究院，从事网络安全、信息安全研究；曾任职于华为技术有限公司，从事无线通讯技术研究，开发了全球第一套TD-LTE Relay样机；拥有专利国内国际专利20余项。独自开发量化交易全套研发系统，带领团队援救期货高频交易

比如以下这几句：

“ 我们国内机构投资者确实还是太少了，但是市场上量化交易的又太多了，结果导致市场波动的方向会加剧，这是我在市场交易十几年的切身感受。”

“当市场上所有人都做量化的时候，这个市场和赌场已经差不多了，达不到发现价格、规避风险的作用了。”

“商品市场波动为什么那么大？我觉得和市场的结构有很大的关系，市场的结构发生了变化，最大的变化是量化交易的比例变多。做基本面分析天然是做量化分析的对手”

其实这些观点如果出自一个实习生之口那还是可以理解的，但出自一个业内大佬口中就有点莫名奇妙了。

量化本质上来说是研究的方法，比如普通的线性回归、聚类、支持向量机、神经网络等等，都是模型和方

本文的目标读者是想职业做量化的人（有一定英语基础和逻辑能力）

如果你去搜索量化交易该怎么入门，多半会是铺天盖地的在线量化平台的广告。这种东西不是职业量化想要的。（量化炒股的个人用户才是目标客户群体） 再或者是各路大神的经验，例如 读某某美国名校，读物理学PHD，金融工程硕士等等。

这种答案距离平民太远了，先不说能力，就光读书的钱也出不起吧。对于很多人来说，心里最想走的路就是 自学。然而却找不到一条 科学系统的路来逐步学习。 这也很正常，毕竟量化交易这种东西没有地方愿意教，自己都忙着在赚钱又怎么会教，即使教了的也只是大概讲讲，就像你现在读的这篇文章。

前面废话扯太多了，

量化交易的工作与他行业可能不大一样，很多量化私募都处于常年招聘状态，毕竟量化这行业如果做得好的话奖金可以是工资的数十倍，这也说明很多公司并不在乎招多几个人，因为工资占薪酬支出的比例很低。

比如招一个人的工资是税后两万，其实对公司负担很轻的，至于这个人能创造多少价值，更多取决于给他管理的规模。

如果给这个人管理两千万，按照收益率10%计算，这是两百万，公司拿20%是40万，还有各种成本，跟这个人税后两万勉强打平。因此，为了招这个人有价值，给他管理的规模肯定不能太低，否则公司自己亏钱。说实话，公司还有房租水电等各项成本，不让这个人管理一个亿，资本家剥削劳动者剩余价值还真的体现不出来，谁剥削谁还

有人说竞争会越来越激烈，比如美国的量化交易，现在收益已经很低了，据说300亿美元规模收益只有10亿美元，当然很多还是亏钱的。传奇基金文艺复兴也只有自己人的大奖章收益超群，面向外面的大多惨淡经营。

中国量化交易一开始集中在商品期货的程序化交易，比如TB开拓者、金字塔等，后来2011股指期货上市后出现了股票量化对冲，2012-2014跨越式发展，不少公司的管理规模达到了100亿，可惜好景不长，2014年底的大幅回撤让很多股票对冲损失惨重，好在2015年的股指大幅升水让这些产品可以通过股票股指套利来挽回损失，随后由于股指受限而遭到很大的限制。2016年是CTA的好年份，很多新型的基于统计模型和机器

上周末终于完成了v2.0.3的开发测试工作，安装使用v2.0.3最简单的方式就是VN Studio量化交易Python发行版：VNStudio-2.0.3，傻瓜式快速安装好所有环境，包括：

1. Python 3.7（社区官方版本)
2. vn.py框架和其他相关库
3. VN Station量化工作站（vn.py框架的图形化管理工具）

请注意：之前基于miniconda + constructor工具打包的VNConda发行版，由于相关工具成熟度较低，导致大家在使用过程中出现了许多小问

为什么武术叫功夫？功夫其实就是时间。—— 《一代宗师》

一直以来，交易速度优化都是一门小众而高深的技艺，追求低延迟的量化交易者们就像在一片黑暗的荒野上独自前行，资料奇缺且讨论匮乏，除了在浩渺的互联网上搜索蛛丝马迹，在代码和机器喧嚣中寻找突破线索外，我们并没有更多可以参考求助的渠道或工具。在其中寻求到了独门秘籍的高手们，往往又视若珍宝不肯外传，只空留一些只言片语引大家遐想，这是一个传说远远多于实证的江湖。作为一个（用生命）热爱代码的工程师，我始终认为科技的进步应该始于开放探索的科学精神，基于这个理念，我和我在 Taurus.ai 的小伙

一、什么是量化对冲基金 量化对冲基金的盈利模式很简单，就是发基金产品，然后提2%管理费（产品总规模的2%）+20%业绩提成（产品收益的20%）。对冲基金的一大特性是杠杆，借入资金，获得杠杆和高收益率，“对冲”是字面的假象，并非是做多空对冲，而是杠杆买卖。

七亏两平一赚的道理哪里都适用，不管是餐饮行业还是互联网行业，不管是证券私募基金，还是量化对冲基金，包括华尔街的对冲基金行业也一样，大部分都是亏货，最终都倒闭破产了；少量盈亏平衡，做的平庸无奇；屈指可数的极少数功成名就，做大做强，发大财出大名，留下神话般的业绩和伟大的传说，索罗斯西蒙斯这类型，华尔街百年历史也就那么几个，屈指可数，可见

故事是这样的，曾经我们以为我们在做的一个量化策略发现了真正的交易圣杯...


摘要

在市场微观结构系列报告中，我们将从微观角度出发对A股市场的微观交易特征进行深入分析，对造成市场微观特征变化的可能原因进行梳理，并测试基于高频数据构造的特征因子在量化投资策略中的应用效果。

随着国内量化私募总规模的不断加速提升，市场对于私募量化策略在交易层面上对市场流动性等特征的影响也给予了较多的关注。作为市场微观结构系列的首篇报告，我们将首先借鉴海外经验来梳理成熟市场中高频交易对市场的影响，并提出我们基于高频数据构建的国内市场微观特征指标，再进一步从市场结构变化和交易行为等角度出发，分析不同因素对于A股微观流动性和波动特征变化趋势的已有影响和未来可能的影响方向。

这个问题，如果是放在1-2年前，我可能更多地强调，思维发散能力，思维紧密能力之类的。

但现在，我的答案只有一个，矫错能力。

因为量化交易需要的并不是单一某一个专业，某一个学科的知识，而且跨专业跨学科的一环扣一环的知识。

而我们学到很多基础知识（或是在学校系统学习，或是纯然自学），往往都不一定能直接使用；而这时候矫错就显得特别重要了。

这里往往是那些在象牙塔里面的优秀生缺乏的。他们往往因为学得好，貌似对自己原来所拥有的知识更有信心，他们的做法是，穷尽精力，想着把量化交易这个东西，往原来的知识上套；而不是通过不断实践，以自己原来的知识为基础，不断吸收知识，不断修正，去适应这个行业。

下面这段话是我刚接触量化交易时导师回复我的，背景就是我请教导师如何学习量化交易，导师从美国对冲基金归国一直在国内做高频交易。PS：大概一个月没更新，下面几段话应该值回大家关注这个专栏。

关于量化其实不要神话了，就是对数据的处理，和内在规律性的探索。

工具上matlab，C++这样的能学多少学多少，行情数据都有，自己就可以来跑一些时间序列的模型，验证下是不是有规律可以发掘，比如有没有长期稳定的协整关系，这个一般是用来做pairs trading任何来自数据的规律都能转换为交易策略。

但是一旦过了工具关，能顺手的玩数据了，就要进入思想关了，这个关每个人必须自己来突破，所谓思想就是怎么

结合自己有限的经验和个人理解，本屌最近决定写一系列关于模型定价和交易的文章。 作为第一个系列，结合各个学术大牛在历史各个时期的经典成果，我准备针对量化交易（尤其是大型机构交易）中关于如何优化交易执行成本这一话题进行展开。

本节大部分理论引用自“Optimal control of execution costs 1998, Bertsimas & W. Lo" 前半部分。

背景与直觉

拿近前两年大火今年血崩的多因子股票策略来举例，明明回测的时候年化收益有15%，在同样的时段，实盘的收益却只有可怜的4%。相似现象在1988就被 Perlod 观测到了，在他的论文中，严格执行 Val

5月29日周日下午1点我将在知乎 Live 做一次量化交易的分享。

我在2011-2015期间在英国一家高频交易公司做工程师，做过从交易数据的量化研究，高频交易系统开发，到系统部署运维等各方面的工作。2015年我回国加入了一家量化私募基金，仍然在做交易系统到开发和运维工作，只是关注点从海外市场转为国内市场。

这次 Live 我会对我所了解的量化交易这个行业做一个诠释。我将会尝试在有限的一小时内尽可能广的讲述行业的各个方面，而不去做某一技术细节上的深入探讨。特别希望可以帮助那些对这个行业有兴趣但尚不了解的朋友，增加大家对行业的认识。

我的主讲提纲如下：

• 什么是量化交易
• 这个行业的

摘要

在高频观市系列的第一篇报告《量化交易对市场特征有何影响》中，海外研究结果对于高频交易对于市场的影响有分有合。其中高频交易对市场流动性与波动性的影响是争论的重心。因此，我们在本篇报告中将对流动性和波动率这两类微观指标进行构建，并以这两个角度作为切入点对市场进行观察与分析。

指标构建

结合国外研究成果，我们利用日内高频数据构建出一系列刻画流动性与波动率的诸多细分指标，并基于这些指标进一步构建出综合流动性指标与综合波动指标。同时，在上述指标的基础上，利用市场主流宽基指数与行业指数的权重计算出主流指数的各类微观特征。

1. 使用日内tick和level1级别数据，构建微观流

《机器学习》从零开始学 系列学习笔记 是聚宽社区用户 混沌 在聚宽社区分享的个人学习笔记，内容详实，对机器学习爱好者和新手相信有相当的借鉴与学习价值。ps:他本人并非高校师生或科研人员，而是一名电工，但工作之余仍自学量化交易、机器学习等"新潮"科技，其学习精神令人敬佩。orz

文&研究 | 混沌

所谓“从零开始”面向的对象其实仅指我本人。也就是我的学习笔记。

欢迎指出错误，我会改正的。但不要质疑我的学习路径，毕竟主要是写给我自己看的。

本系列笔记主要是理论学习（计划3个月完成）。

我力图：当前关注主题上的Python代码不使用机器学习算法包，而非当前关注主题上**可能会使用*

这本书应该是量化交易方面比较靠谱的一本，作者是原来AHL的量化投资经理，AHL跟Winton都是期货中低频趋势交易方面全世界最顶级的。

这期货交易有点奇怪，这方面的书籍很多是传统技术分析的，正儿八经学术界的研究并不多，业界写书的也不多，这哥们算牛逼的了。推荐这本书不是因为作者数学很牛逼，而正是因为他数学不牛逼，所以应该看懂不难，因为太难的他也写不出。

这本书是传统的趋势交易，量化方面更多是加了传统的概率统计，没有机器学习那些。他把整个交易系统分了很多个模块，单品种单策略、单品种多策略、多品种投资组合等。

data first vs idea first

作者提到研究有两种方法，一个是数

本期编辑：Thomas

● 北京大学概率与统计本科，北京大学智能系硕士在读。

● 主要研究方向为基于深度学习的序列生成模型和多空股票策略(多因子模型为主)。

● 希望以后可以为大家分享自己的研究成果，以及和大家一起阅读一些相关的学术论文，开拓思维，一起进步。

原文连接：[【多因子系列】之新手必看 | 量化交易七宗罪](https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzAxNTc0Mjg0Mg%3D%3D%26mid%3D2653283543%26idx%3D1%26sn%3Df7376931ac

摘要

量化择时交易策略

机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。

长短期记忆模型具有明显优势

长短期记忆模型通过记忆单元有效地学习长期依赖关系，在金融市场预测中具有明显优势长短期记忆网络是人工神经网络的一种，具有负责计算时间序列中各个观测值之间依赖性的能力，同时具有快速适应趋势中急剧变化的固有能力。所以，长短期记忆模型可以在波动的时间序列中很好地工作。在处理股

前沿

今天整个大市表现不好，可能是昨天任总的讲话，将寒气从制造业传导到了资本市场，咱也要居安思危，探索进取，在量化交易领域存活下去。

裹着被子爬(f)梯(q)子，看看大洋彼岸的宽客们，都在鼓捣些什么，有啥新奇的玩意儿。

你还别说，这次瞎逛还是蛮有收获的，最大的感慨就是，大神们的想法总是那么相通，开发的指标/策略总也是那么相似。

之前给大伙儿介绍过一个另类的量化策略：*[K线面积交易法](https://mp.weixin.qq.com/s?__biz=MzkyODI5ODcyMA==&mid=2247484161&idx=1&sn=85b980eb19f4d016b7f1a42f

利用算法进行股票量化交易是当今金融市场的一个重要趋势。在国际象棋和围棋等诸多复杂的游戏中，深度强化学习（DRL）智能体都取得了惊人的成绩。深度强化学习的理论同样适用于股票市场的量化决策。本文介绍了同济大学计算机科学与技术系的上海市大学生创新创业训练计划优秀项目：「基于深度强化学习的金融量化策略研究」，解读了如何训练一个 A 股市场的深度强化学习模型，以及回测的绩效表现。

在该项目中，研究者把股票市场的历史价格走势看作一个复杂的不完全信息环境，而智能体需要在这个环境中最大化回报和最小化风险。相比于其他传统机器学习算法，深度强化学习的优势在于对股票交易任务进行马尔可夫决策过程建模，没有将

问题

如何在日频交易模块（Trade）中实现涨停不卖？

解答

看这里：https://bigquant.com/wiki/doc/tiaojian-xinhao-5xvfPyKjQ0

这个教程里有。

\

问题

比如我想获得昨天以前30天内最高收盘价当天的MACD值，应该如何获取

\

解答

可以参考以下代码：

1. 通过 ts_argmax(close_0, 30) 获取过去30天内的最大值发生在哪一天

2. 通过 ta_macd_hist(close_0, fastperiod=12, slowperiod=26, signalperiod=9) 获取MACD指标

3. 通过 DataFrame 重置索引的方式获取偏移 n 天后的MACD指标

   
   [https://bigquant.com/experimentshare/fa0b9062d376487abf7

年后，北京一个忠实用户问了几个问题，我整理了下，也方便持续交流。

他给我留言的问题如下：

1. 我们的策略回测时，用的模型有没有把验证集的数据学习了？
2. 滚动回测的效果远远不如常规的 可能原因时什么？
3. 短期交易，大户资金流比较重要，有什么帖子或者研报发我提供点思路？
4. 预测明天股票，一定要放在回测里，收通知吗？ 验证集最后一天也成最近一天交易日，可以预测吗？

这是他的原话，一个字没有修改，因为我怕理解有偏差。

回测是否学习验证集数据？

在机器学习算法中，我们把可以获得到的数据分为训练集，验证集和测试集，之所以这样划分，是因

问题

如何对单只股票设置量化交易程序