量化金融

摘要

这篇报告里我们使用 Fama-French 三因子模型的思路在 A 股市场做实证分析。我们基于该论文的三因子模型实证了 A 股市场在 2010年4月到 2022年 10月的情况。

Fama-French 三因子模型是量化金融领域十分经典的理论模型。

最早提出的CAPM模型无法解释市场收益率，Fama 和French 提出了3个因子用以解释股票收益的横截面异象。这3个因素分别是:整体市场因素(RM-RF)、与公司规模相关的因素 (SMB) 和与账面市值比相关的因素 (HML)。 对 A 股市场的实证显示，规模效应更强，账面市值比效应更弱。该论文贡献的 2个市场因子SMB

基本概念

量化金融数据是量化投资的基石，它包括各种类型的数据，用于支持交易决策、风险管理和投资策略的开发。

量化金融数据类别

1. 市场数据

   1. 价格数据：包括股票、债券、期货、期权、外汇等各类金融资产的历史和实时价格。
   2. 交易量数据：显示特定资产在特定时间内的交易量。
   3. 成交数据：包含成交价和成交量的详细信息。

2. **基本

AI量化领域结合了人工智能（AI）、机器学习（ML）以及量化金融的技术和方法。这一领域的目标是使用算法和计算模型来分析大量金融数据，从而做出投资决策或提高交易效率。

一些在AI量化领域重要技术和方法，以及在金融领域的应用：

1. 机器学习算法：机器学习算法是AI量化领域的核心。它们包括监督学习、非监督学习和强化学习。
   • 监督学习，如支持向量机（SVM）、神经网络、决策树等，用于预测或分类任务，如股价预测、信用评分。
   • 非监督学习，如聚类、主成分分析（PCA）等，用于发现数据中的模式和关系，如市场细分、异常检测。
   • 强化学习，如Q学习

{{membership}}

https://bigquant.com/codeshare/323b5380-95d7-4410-a1ff-2116b3933d35

\

量化金融是千百种职业中的一种，其实没有太多的特殊性。世界最大的量化对冲基金可能也才1000来人，而且很可能不是纯量化，多了很多基本面的，但最大的软件公司微软和电子类公司华为都有10几万人。所以基金（无论公募私募）在人数上会小很多。

不同的人适合去不同的公司，需要分类讨论，不能一概而论。比如是个富二代，老爸很有钱的，风险承受能力较强，那么可以去私募，毕竟失业了也不怕，老爸有钱；如果是老爸没什么钱的，那么要追求稳定，可以去公募、券商，哪怕业绩不好，领导顶多看你不顺眼，奖金少一些，但不会裁员。而且可以去后台部门，风险就更小，不少券商是前台养后台，前台换了一拨又一拨，后台还稳着。

如果是海

我是陈晓优，知乎网名：用 Python 的交易员，现在均直资产担任期权部门主管。 我在业余时间维护了一款针对国内市场的开源量化交易平台开发框架 vn.py，目前是国内用户最多的量化金融开源项目之一。

上次的 Live 结束后，很多人给我留言和发私信，咨询作为一个有理科生背景或者工作经验（包括但不限于：数学、统计、计算机、物理等）的金融外行，如何才能比较快的入门量化交易。

关于 Quant 如何入门 Python 的话题，我之前在知乎专栏写了一篇文章《针对 Quant 的 Python 快速入门指南》，收获 2K 多赞。但是关于金融外行如何入门量化交易，就不是

生活中的专栏主常常被勤奋上进的学弟（霸）学妹（妈）们问起量化金融领域读书就业的问题。逛知乎时也偶尔遇到有相似困惑的知友，于是决定写篇文章分享下自己的入坑经验（顺便安利所在公司超级棒的量化实习生项目）。欢迎知友拍砖与转发！

专栏主本科读的是复旦金融系，后就读于卡耐基梅隆金工项目，期间有过两家私募的实习经历。毕业留在了其中一家上班。后回国工作，日常工作包括量化策略开发，投资管理等。同行的知友不禁莞尔，专栏主的经历其实就是一个非常典型的金融矿工的入坑过程：

本科-->硕士-->实习-->全职。

**本科阶段认（刷）真（高）学（绩）习（点）。漂亮的成绩不仅是之后实习/读研/工作的敲门砖，更代

最近有不少在美国工作的校友和朋友想回国工作，向我打听国内的情况，他们都是从事金融行业的，买方卖方都有，既有工作两三年的也有工作十几年的。有在美国的知名大量化对冲基金（如Citadel）也有一些小的基金公司，还有做咨询行业的。

很多人认为中国GDP超过美国只是时间问题，美国金融业已经在走下坡路，美国收紧移民政策，在美国工作晋升困难，美国温饱容易赚大钱难，等等，其实很多都是老生常谈，跟量化金融似乎没啥关系。但其实这些问题都是普遍存在的问题，我们考虑的更多是自己在哪边可以更好的问题。

最近量化金融在美国不好做的原因是整个对冲基金业在美国都不好做，而其实量化基金在对冲基金界里面算好的了：

前言

由于这篇文章包含的信息量较多，再加上内容比较长，所以希望大家慢慢阅读和研究。

历时一个多月的劳动成果

希望你能从中有所收获

斯蒂文管理着一个交易组合包含着各种资产类 (asset class) 的金融产品。

老板：有一百万欧元，欧元对美元 (EURUSD) 可能会涨，3 个月后 锁定一个汇率换成美元

斯蒂文：买 EURUSD 看涨期权 (call option)

老板：美元三个月同业拆放利率 (USD Libor3M) 可能会降，1 年后 锁定一个利率赚利差

斯蒂文：买 USD 利率下限 (IR floor)

老板：咖啡价格 3 个月

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

Constructing Long-Short Stock Portfolio with A New Listwise Learn-to-Rank Algorithm

作者：Xin Zhang, et al.

出处：Quantitative Finance, 2021-07

摘要：随着机器学习的快速发展，因子策略在行业中得到越来越广泛的应用。在算法中输入多因子可以进行横截面收益预测，并进一步用于构建多空组合。大量现有研究使用排序学习法来预测股票排名，基于此，作者提出了一个新的列表排序学习损失函数来进一步强调排名的头部和尾部。本文的损失函数基于多空策略，具有内在的移位不变性，是对ListM

AI量化论文介绍

牛津大学英仕曼量化化金融研究所（OMI）是世界领先的金融市场跨学科研究中心。OMI主要研究量化金融的基本问题，重点关注机器学习和数据驱动的模型。OMI研究汇总是一份精心策划的月度摘要，涵盖了量化相关领域的最新研究、见解和工具。

本月的论文分享中，有两篇来自OMI的最新论文。第一篇是基于订单账面不平衡的度量对交易流进行分类，并研究分解后的交易流对价格的影响，以设计有利的交易策略。第二篇介绍了使用动量策略应用于加密货币的转移排序模型。

本文主要介绍与金融和机器学习相关的论文。

**1. Trade Co-occurrence, Trade Flow Decom

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

\

\

前两期传送门：

【系列52】[基于Python预测股价的那些人那些坑](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzAxNTc0Mjg0Mg%3D%3D%26mid%3D2653287306%26idx%3D1%26sn%3D9f374874636e7d6d52a9b3d92d6aa81b%26chksm%3D802e319fb759b8896acf2ed9529da88a8fda0d76d6a3b816854e9ad5eeecfd6f4af75dd65804%26scene%3D21%23w

7月30日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/99d8bec5248e4878b33a21bc119a6671

\