量化投资

222

2021年3月25日Meetup策略：

策略案例

https://bigquant.com/experimentshare/d40006da2bc242cb9dcfb484abe151d1

\

擂台赛背景

12月7日，BigQuant发布年度重磅报告（https://bigquant.com/wiki/doc/niandu-zhongbang-bao-DeepAlphaCNN-juanji-shenjingwangluo-qXe3iEgfRI），发布了Deep Alpha-CNN模型，该模型采用7层一维卷积神经网络，并引入残差，降低模型复杂度，防止梯度爆炸/消失，达到更好收敛。

研究结论要点：

1、7层的卷积神经网络表现好于2层，能够学习到更多的市场特征。

2、研究发现当kernel size、batch size、feature map等参数越小，模型表现

• BigQuant使用案例
• 最佳使用方式

\

\

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

私募排排网最新数据显示，截至6月14日，百亿级量化私募数量已经超过30家。从业绩表现来看，据私募排排网统计，截至6月2日，今年以来量化多头股票私募产品平均收益率5.13%，正收益占比80.06%，同期主观多头股票私募产品平均收益率1.59%，正收益占比48.68%。

沪上某百亿量化私募表示，以前高频股票多头量化策略年换手率为200倍至300倍，行业高速发展后，高频策略换手率逐渐降至100倍左右，其中百亿级量化私募换手率大多集中在30倍左右。因此，目前量化投资对于市场波动的影响较有限。

在业内人士眼中，量化投资对市场的影响几何尚难准确判断，但从长期来看，主观与量化投资并非“水火不容”，目前多

由宽邦科技、华泰证券、朝阳永续、金融阶、华锐技术、NVIDIA等共同发起的《2022中国量化投资白皮书》全国研讨会于2023年4月至5月，分别在上海、北京、深圳、香港成功举办研讨会与投融资交流会议。

上海、北京、深圳场三地活动共计发表主题演讲与圆桌研讨42个议程；在香港场投融资交流会上，有16家管理人与海外投资人及代销机构进行了闭门沟通交流。系列活动累计吸引了超2000家各类型机构，4097人次报名。

四地活动聚集了包括宽邦科技、华泰证券、朝阳永续、金融阶、华锐技术、NVIDIA、紫光晓通、因诺资管、宽投资产、艾方资产、锐天投资、玄元投资、天演投资、倍漾量化、杉树资本、迈德瑞中国、九坤投资

\

此文是量化投资协会成员之前在人大经济论坛上总结的，现在分享给大家。

Python与量化金融

在量化投资领域，获取数据、整理数据、模型计算、数据图形化均可以用python实现；而且Python强大的库功能使其非常适合做quant类工作的语言，进而逐渐成为科学计算方面的统治级语言；IPython，pandas等重量级神器更是为Quant类工作量身定做；以后python在量化投资中的地位会越来越重要。

Python基础教程

1. 计算机编程导论—Python程序设计 [http://bbs.pinggu.org/thread-4146279-1-1.html10

上个月，华尔街日报发表了一篇题为“The Quants Run Wall Street Now” （量化分析师称霸华尔街）的文章，讲述了十几年间量化投资从边缘到主流的迅猛发展。

近年，随着计算机深度学习、人工智能的发展，“量化投资”这四个字越来越频繁地出现在人们视线里。

在2013年，量化交易占到美股总交易量的14%，到2017年，已提高到27%。运用量化策略的对冲基金在2017年一季度的资产管理规模达到9320亿美元，占整个行业的比例接近三分之一。

量化投资的发展速度之快，超乎人的想象。

快到让所有人都忘了，量化投资的教父级人物是谁。

这是一个故事，得从最开始说起。

19

思想准备是很重要的。很多朋友在进入量化行业之前，有一些不实际的幻想。

幻想太多，遇到困难，就很容易放弃。所以一开就破灭这些幻想，就不太容易走弯路。

幻想一：量化行业很容易赚大钱。

xx很赚钱，这个句式可以应用在任何行业。互联网很赚钱，房产很赚钱，卖衣服很赚钱（Zara老板今天成世界首富了）。

不可否认，一个行业还是蓝海的时候，确实容易赚钱。但现在资本这么发达，一个赚钱的领域，很快就会被大量资本冲击。容易赚的钱很快就会不容易。量化行业也一样。

量化行业并不特殊。在任何行业都一样，想要持续赚钱，都要持续努力，再加上一点运气。

幻想二：会有牛逼的人教我。

很多人想跟着牛

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

写在前面的话

本人是量化投资行业的从业者，但没有任何哲学背景。我在量化投资领域遇到很多有意思的问题，并顺藤摸瓜找到了科学哲学这个思想的宝库，阅读了一些科学哲学相关的概论性书籍。自认为收获颇丰，因此和大家分享。难免纰漏，非常欢迎大家指正和讨论。

哲学离实践很远。量化投资的哲学离“赚钱”很远。本文不会介绍量化模型帮助大家“赚钱”。本文章甚至不尝试证明量化投资相对于非量化投资更“赚钱”。

然而，如果你也是一个量化投资的从业者或爱好者，你可能会去思考一些问题：怎样向你的亲戚朋友解释量化投资？什么样的策略不是过拟合并能够持续有效？股票多因子模型中，为什么是多因子？为什么通常用到线性回归？怎样

这是加入顾北先生的量化讨论群的第三篇文章。 因为大家之前讨论的内容过于分散，不利于讨论深度，因此从这次起，从之前的文章自己命题，改成了小组命题。这次的命题是一个具体的信号，但是我希望可以写的更广泛一点，多总结一下背后的方法论。

这次介绍的文章，是高子剑先生（曾任方正证券金融工程首席，现任东吴证券金融工程首席）的《“聆听高频世界的声音”系列研究（四）》。高子剑先生是国内“高频数据，低频信号”方法论的第一人和推广者，金融研究报告在全行业里面深度优秀，同时对方法论的坚持，也让人印象深刻。他的成功经验，对量化从业者对研究的深度和广度的权衡，很有启发。想在行业立住脚，有一两个让人一提到就能想到你的研究

\

引子

系列第一篇文章，我们得出结论，量化投资是科学的投资方法，因此量化投资能够从科学哲学的方法论中吸取营养。

系列第二篇文章，我们简单提到量化模型如何提出问题，并从笛卡尔的方法论的四句箴言中得到启发：多因子模型是一个非常好的模型框架。

当多因子模型的框架确立好以后，我们需要开始寻找因子了。或者用更普遍的话说，我们需要获得知识。

知识从哪里来？最传统的方法就是演绎（Deduction）和归纳（Induction）。还有第三种方法Abduction，将在系列第四部分中详述。

演绎

演绎推理，从陈述（前提）到逻辑上确定的结论的推理过程。

[Deducti

转帖自 http://bbs.pinggu.org/thread-4446808-1-1.html7

Fama-French三因子模型

• Fama和French 1992年对美国股票市场决定不同股票回报率差异的因素的研究发现，股票的市场的beta值不能解释不同股票回报率的差异，而上市公司的市值、账面市值比、市盈率可以解释股票回报率的差异。Fama and French 认为，上述超额收益是对CAPM 中β

数据的重要性

巧妇难为无米之炊

数据是基础，是量化研究的一个关键环节，没有数据，量化就是无源之水，无根之木。所以，数据必须有。

垃圾进垃圾出

数据分析领域有一个名言，“Garbage in, Garbage out”，如果我们在模型里面，输入的数据有很多细节没有处理好，我们模型计算出来的结果，甚至有可能南辕北辙，模型的可信度大大降低。所以，数据要尽可能精确。

如何选择一个好的数据源？

免费 or 收费？

这是一个利弊权衡取舍的问题。这个世界上，不存在完全免费的东西，任何看似免费的东西，都是在以另一种方式收费。市场上的很多数据生产商，也必然遵

说在前面

做量化投资的第一步就是获取金融数据，之前我已经撰写了关于R语言获取金融数据的文章，今天我们就讨论一下python获取金融数据的方法，主要讲述如何通过tushare包获取金融数据。

TuShare是一个著名的免费、开源的python财经数据接口包。其官网主页为：TuShare -财经数据接口包。该接口包如今提供了大量的金融数据，涵盖了股票、基本面、宏观、新闻的等诸多类别数据（具体请自行查看官网），并还在不断更新中。目前股票的数据长度为三年，虽然

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

· 本文的主体完成于15年12月前后，作为实习期间的工作之一，记录了自己从理工科学术到量化投资的一次经历。目前计划将期间所做有意思的内容逐一整理出来。感谢期间给予过帮助的张博士，大黄，峰哥，野哥，婷婷姐，翟哥，宜盛等朋友们。

摘要All models are wrong but some are useful (E.P. Box). 所有的模型在假定前提下都是有效的，但往往实际情况不满足前提假设，导致模型失效。PairsTrading「配对交易」的最重要的前提之一是「价差平稳性」，而实际配对序列之间的价差不满足这一前提，导致经典配对交易策略效果不佳。对此，提出一种交易框架

提起量化投资，不能不提西蒙斯。经历了1998年俄罗斯债券危机和2001年高科技股泡沫危机，许多曾经闻名遐迩的对冲基金经理都走向衰落。罗伯逊(JulianRobertson)关闭了老虎基金，梅利韦瑟(JohnMeriwether)的长期资本管理公司几乎破产，索罗斯的量子基金也大幅缩水。

西蒙斯的大奖章基金的平均年净回报率则高达34%，而同期的标准普尔指数仅是9.6%。不过，文艺复兴科技公司所收取的费用，更高得令人咋舌。一般对冲基金的管理费及利润分成的比率分别为2%和20%。但文艺复兴所收取的费用分别为5%和44%。如果把费用考虑在内的话，该基金的平均年回报率在60％。这是一个真实量化投资的传奇

2013年来，有一篇学术界文章在海外的金融圈子中得到了极高的曝光率，作者是对冲基金AQR的研究员安德烈·法拉瑞利、大卫·卡比勒和拉斯·彼德森，其中第一和第三作者也是纽约大学金融学教授。论文的名字是《Buffett's Alpha》，文章比较专业，普通投资者可能会感觉到晦涩，但不论如何，还是非常推荐大家一读。

英文原版链接点这里： http://www.nber.org/papers/w19681

本文解读性文章的作者系诺亚香港财富管理

前言

量化投资需要回测。

然而回测只是第一步。考验买方Quant的最终标准仍然是盈利，而且是稳定和成规模的盈利。

从事量化投资的朋友经常会发现，在回测中非常好的策略，在实盘中表现不一定好。回测易，而实盘难。从回测到实盘还存在大量的问题，值得研究和思考。

很多原因可以造成回测和实盘的差距。第一个常见的原因是对交易成本考虑不够。这不是大问题。我们可以通过调整回测参数来修改回测结果，最后重新评价策略。第二个常见的原因是过度优化，知乎中有大量讨论过度优化的回答和文章，例如以下两篇：

[Vincent Leiberich：量化投资的哲学基础4：科学哲学家告诉你怎样避免过度优化​zhuan

\

引子

系列第一篇文章，我们得出结论，量化投资是科学的投资方法，因此量化投资能够从科学哲学的方法论中吸取营养。

系列第二篇文章，我们简单提到量化模型如何提出问题，并从笛卡尔的方法论的四句箴言中得到启发：多因子模型是一个非常好的模型框架。

当多因子模型的框架确立好以后，我们需要开始寻找因子了。或者用更普遍的话说，我们需要获得知识。

知识从哪里来？最传统的方法就是演绎（Deduction）和归纳（Induction）。还有第三种方法Abduction，将在系列第四部分中详述。

演绎

演绎推理，从陈述（前提）到逻辑上确定的结论的推理过程。

[Deducti