算法交易

问题

如何修改HFTrade高频交易模块里的成交率限制volume_limit

\

https://bigquant.com/wiki/doc/mokuai-jianjie-tzXIdkJnBW

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

\

摘要

G-Resarch作为ICML 2022的钻石赞助商，其研究人员和工程师参加了今年在美国巴尔的摩举行的会议。研究人员收集了他们最喜欢的2022年ICML论文并推荐给大家。

首先是来自机器学习工程师Casey Haaland的推荐，我们可以发现，机器学习工程师关注的论文更偏模型的结构及训练方法优化。

1. Fast Convex Optimization for Two-Layer ReLU Networks: Equivalent Model Classes and Cone Decompositions

**Fast Convex Optimizat

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python

/wiki/static/upload/74/7464d5e3-c643-485a-bdef-793d0ba69cca.pdf

\

我通达信里面有买入条件筛选，有买入条件筛选。请问如何讲这些条件放到bigquant呢？具体放在那里呢？

\

\

摘要

揭秘微软亚研院 AI 量化投资研究，展望行业未来发展六大趋势

微软亚研院2017年以来共发表12篇AI量化投资学术研究，其中选股主题超过半数，其他涉及风险模型、算法交易、数据增强、时间序列预测、基础架构等话题。这些研究的突出特点是前沿和务实，具有较高参考价值。前沿是指使用的AI技术，大量运用近年来热门的图神经网络、注意力机制，并灵活应用最优传输、自步学习、知识蒸馏、解耦表征等工具；务实是指解决的具体问题，如“AI模型如何应对市场规律变化”，“如何引导模型学习罕见本”，“如何充分挖掘事件、舆情蕴藏的信息”等，这些都是业界实践中会遇到、接地气的问题。我们透过微软AI量化研究

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

摘要

文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.

推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整

摘要

文献来源：Byrd, David, Sourabh Bajaj, and Tucker Hybinette Balch. "Fund Asset Inference Using Machine Learning Methods: What’s in That Portfolio?." The Journal of Financial Data Science 1.3 (2019): 98-107.

推荐原因：

![{w:100}{w:100}](https://mmbiz.qpic.cn/mmbiz_png/7gro3mu9ykFMbyA7gTRa5uzNB

摘要

这是最近在Quora上的一个提问：

Is stochastic math and Brownian motion still important to quantitative hedge funds? Is it all about AI and machine learning now？

机器学习算法大流行的时代，传统的量化金融理论，如随机过程、布朗运动等在量化对冲基金还重要吗？这本质上还是Q-Quant与P-Quant发展的问题。在这个问题下面，很多网友给出了很精彩的回答。

正文

▌Aaron Brown

很多量化投资策略都是基于非常简单的数学。复杂的工具往

摘要

文献来源：Blitz, David. Hanauer, Matthias. Settling the Size Matter: The Journal of Portfolio Management Quantitative Special Issue 2021, 47 (2) 99-112.

推荐原因：规模溢价自被发现已有近四十年，然而规模因子的alpha一直很微弱，但是当控制质量因子(quality-versus-junk)暴露时，因子似乎又恢复了活力。本文发现，在美国市场，规模因子对质量因子回归后呈现出非常显著的alpha，然而超额收益主要由质量因子的空头端驱动，

摘要

文献来源：Leippold, M., Wang, Q. & Zhou, W. (2021). Machine-Learning in the Chinese Stock Market. Journal of Financial Economics.

推荐原因：随着机器学习在金融和经济领域的应用迅速兴起，越来越多的学者利用机器学习工具研究股票的截面和时间序列预测。而中国股票市场历史较短，制度依然处于不断完善的阶段，有着自身的特殊性。本文根据中国市场的特征构建了一个全面的股票收益预测因子集，并利用几大流行的机器学习算法进行实证分析。经过CSPA条件预测能力检验，作者发现神经

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

摘要

1.1.人工智能正当时1956年，人工智能（ArtificialIntelligence,AI）的概念在计算机达特茅斯会议上被提出。AI赋予机器像人一样思考，并做出反应的能力。它的本质是通过研究人类活动的规律，构造具有一定智能的人工系统来模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜任的工作。

如今，大数据、GPU和复杂算法的出现与进步，大大加速了人工智能的发展。2016年，由DeepMind开发的AlphaGo以4：1战胜了韩国棋手李世石，让人工智能备受关注，掀起了人工智能的浪潮。这一新兴学科凭借其广阔的发展前景吸引了众多研究者，目前已经在计算机视觉、自然语

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

摘要

机器学习和人工智能在量化投资的应用有很长的历史

机器学习在九十年代初的热潮中已经被大量运用于量化投资中。尽管受限于当时的计算能力和算法，但是由于在算法交易和CTA等领域中机器学习提供了一些更好的解决方案，机器学习在这些领域的应用一直延续到今天

机器学习在量化投资中应用的九个思考

本报告是系列报告的第一篇，简略介绍了机器学习运用到二级市场投资过程中的一些常见问题。这些问题覆盖了策略研发常见错误，策略归因，策略失效判断，机器学习平台的建立，交易系统和机器学习平台的对接以及机器学习对冲基金的团队架构。后续系列报告将会详细围绕这些问题展开

**适当使用下的机器学习

正文

/wiki/static/upload/cc/ccdb74be-b863-4da3-8f49-1f6faa26c18e.pdf

\

\