量化投资

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

引言

**赫斯特指数和分数布朗运动大概是在国内量化投资界被使用（和被滥用）的最广泛的分析手段。**它们被提出的历史进程如下。

1951 年，英国水文学家赫斯特（Harold Edwin Hurst）在研究尼罗河水位变化时发现了时间序列中存在的长记忆性（long-term memory, Hurst 1951），即时间序列当前（或过去）的取值以远超随机扰动所能达到的程度影响该时间序列在未来的取值。进一步的，他发现该长记忆性存在于更广泛的自然现象中，比如降雨量、树的年轮，太阳耀斑等。为了纪念他的发现，后人使用**赫斯特指数（Hurst expone

摘要

当模型复杂度一样时，人们偏好风险收益特性更高的策略；当风险收益特性一样时，人们偏好模型复杂度更低的策略。各种复杂模型带来的边际超额收益能否 justify 它们的复杂度呢？拭目以待。

引言

一个初入量化投资的分析师经过了一个月的奋斗开发出了一个双均线趋势追踪模型后，兴冲冲的跑来和他的基金经理汇报，于是便有了下面这段对话。

• **分析师（一脸兴奋）：**我开发出了一个双均线系统，绝对没有数据挖掘，只有计算均线的两个参数，该参数对绝大多数商品期货都有效、适应性极强。
• **基金经理：**做趋势追踪还有其他的方法，比如时间序列分析、其他技

\

前言

从IC、IR到另类线性归因

基于IC、IR的单因子分析是传统多因子分析的基石。但是IC、IR分析出却不能考虑到多因子模型中因子与因子之间的相互影响。因此我们以之前报告介绍的标准神经网络回归为例，用另类线性归因对因子进行了分析。

从线性归因到非线性归因

所有线性归因都是基于因子单调性（线性）的强假设。但是在机器学习的非线性世界中，这个强假设不复存在。非线性的机器学习算法需要非线性的归因方式。

从相关性到因果性

所有的传统归因方式都是基于相关性的而非因果性。因果分析也是机器学习未来的一个重点。我们以TMLE为例介绍机器学习下的因果性分析。

\

我从上世纪80年代就开始从事专业投资，目前的环境在很多方面肯定是与众不同的。像我们几十年来从未见过的流行病、史无前例的全球政策反应、经济活动的急剧下降导致对资产价格的巨大影响，这些都使这种环境与众不同。这就是说，我非常相信“历史不会重演,但总是惊人的相似”。这意味着我们可以回顾过去，看到有用的经验教训，如何最好地驾驭这种环境，并继续为我们的客户生产风险调整阿尔法。作为一家量化公司，产生阿尔法是我们所做一切的驱动力——根据过去的关系，建立预测未来回报的量化框架。

我相信，在当前形势下，有几点经验可以借鉴：

1. 坚持流程

2. 适应环境

3. 管理风险

听起来像母亲和苹果派，很难

摩根士丹利在近期研报中表示，和 10-15 年前相比，如今更严的监管以及激烈的竞争，令很多流行的量化投资策略不再有效，导致量化投资超额收益锐减，整个行业如今已走到十字路口。

传统策略不再凑效

摩根士丹利称，各类股票型对冲基金指数的超额收益全面下滑，自 2008 年来，剔除费用之后的基本面和量化股票指数的超额收益都已经接近于零。

而对于那些在2000年前仍有超额收益的指数来说，随着同一年美国证监会加强上市公司信息披露监管的Regulation FD (Reg FD)条例出台，他们的表现也在持续下滑。

为何会出现这种情况？

报告表示，对于传统的量化指标来说，不管是估值指标还是动量指标，

程序化交易与量化投资的区别

程序化交易是什么？量化投资又是什么？事实上，我们中的绝大部分人并没有尝试了解程序化交易和量化投资的正确概念，而是笼统地将两者画了等号。更多所谓的评论者则直接把高频交易与低延时交易混为一谈，指鹿为马，误导公众舆论行吸睛之实。

在最早期纽约证券交易所(NYSE)的定义中，程序化交易是指包含15只股票以上、成交额在100万美元以上的一篮子交易，2013年8月NYSE取消了定义中总价值100万美元以上的条件。在后来的市场实践中，程序化交易的对象扩大到各个交易所上市的股票、期货、期权等，是由电脑直接发出下单指令并自动执行的。

随着金融衍生品的不断丰富，程序化交易

\

近期市场的波动格外引人注目，有俄乌战争的影响，也有青山事件的持续发酵，黑天鹅和灰犀牛都不约而至。不过今天要讲的，并不是这些国际事件，而是近两年火热的雪球产品，据说雪球产品对于经济市场的影响，也是不容小觑。

2022年3月11日，业内人士聊天截图称：“雪球爆炸，我公司与恒生科技指数挂钩的雪球，今年一天的敲入量超过了之前历史的总和。”结合此前，2022年3月9日晚间，有消息称挂钩中证500的雪球产品集中抛出期指持仓致使下跌，这个聊天截图瞬间传遍了各大社交APP，这一波，真是雪球惹的祸吗？雪球产品的雪崩，对量化行情有没有冲击呢？

图片

图源：来自社交APP

此文并不代表任何投资观点，亦不构成

算法交易顾名思义就是采用某些算法让计算机自动进行交易决策、下单以及订单资金管理等一系列操作。算法交易系统和一个基于事件的回测系统组成非常相似，这一点在搭建回测系统系列文章中有所提及。一般来讲，算法交易系统由数据模块、模型模块、执行模块以及算法监测模块这几大部分组成。

• 数据模块

数据模块包含结构化和非结构化两部分的数据。结构化的数据一般包含品种的交易数据以及公司的金融数据；非结构化数据则包括新闻、社交网站等文本数据，这些数据需要一些专门的文本分析挖掘工具来进行处理。

• 模型模块

应用于算法交易的模型主要有这样几类。一类是数学统计类模型，这类模型通常采用概率论的方法去度量风险因子、用

**编者按：**人生之三境界的第一层，“看山是山，看水是水”，本质上展示了人“看见”的过程，以及思绪与理解在这一过程中所起的作用。

“看见”，对于人类而言，似乎是一个很简单自然的事情，其实则不然，从地球上第一个长出眼睛的生物三叶虫，走到今天的人类视觉，经历了五亿四千万年的漫长旅程。人类获得今天的视觉能力，是大自然长期进化的结果，大脑中三分之一的皮层是与视觉相关的。

因此人的视觉任务，本质上是人脑对外界视觉信号作出反应的过程，那么，研究人脑的工作机理，是否能够为计算机视觉提供一些启发，让机器“看山是山”呢？基于此，学术界开展了脑启发视觉计算领域的研究。那么过去一年中，在这一领域都取得

**量化投资与机器学习与DigQuant点宽网**开展了一次学术合作

**[本期是概率分布图系列（一）](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUxODEyNDI1Mw%253D%253D%26mid%3D2247484131%26idx%3D1%26sn%3Db7912719473ad6ac43ffb2853493514e%26scene%3D45%

Fama-French三因子模型是量化领域最经典的模型之一，该模型的提出是在论文《commom risk factors in returns on bonds and stocks》里，本文本着学习的精神对其进行了复现，并使用论文中的方法在中国A股市场上进行了实证。点击查看原文链接

三因子模型公式如下：

![](/community/uploads/default/original/3X/f/1/f110ddfae681398e1582802f5461cc92