量化投资技能树
2021-01-13 23:54:54 3 举报AI智能生成
量化投资知识
作者其他创作
大纲/内容
模型案例
套利
无风险套利
原理
案例
ETF套利
期现套利
跨期套利
跨品种套利
跨市场套利
期权套利
配对套利
统计套利
原理
案例
阿尔法对冲（alpha hedge）<br>
capm
套利定价模型（APT）<br>
案例<br>
聪明贝塔（smart beta）<br>
同因子投资、阿尔法投资的相同和区别<br>
产生背景
案例<br>
资产配置<br>
Equal Weight
risk parity
Minimum Variance
Markowitz Model<br>
Black-Litterman Model
......
个人能力
硬能力
基础的统计和概率学知识<br>
各种抽样的意义<br>
常见的概率分布<br>
常见的统计量<br>
平均数，众数，中位数，分位数，方差，标准差，变异系数，t-value，p-value 等
常见的分析方法<br>
线性回归，加权回归，时间序列分析，多元回归等
基础的金融知识
基础的投资产品及其特征<br>
股票，期货，期权，基金，衍生品、ETF等<br>
利率，汇率的概念
基础的金融理论和模型
Efficient-frontier，CAPM，black-litterman，risk-parity 等
股票，期货常见的各种技术指标
理解公司财务分析方法
基础的技术知识
有计算机编程基础，和常用应用统计工具使用
对计算机理论体系有一定了解
掌握量化研究主流的Python语言
主体
numpy、pandas、scipy、matplotlib等
第三方库
tushare、talib等
对 python 相关的 package 有使用经验
软能力<br>
协作能力
作为 quant，需要和不同的团队进行沟通协作，比如基础设施团队，数据服务团队等；团队之间也要保持沟通协作，quant 的职责有分析，研究，策略，交易等等，各个角色之间也需要经常性的配合协作
好奇心<br>
作为 quant，一定要对市场充满好奇，市面上的资料、理论很多，但是不能满于当前可以接触到的信息，要能整合自己掌握的知识和理论，结合对市场的观察和理解，研究属于自己的一套理论和经验方法
抗压能力<br>
作为 quant，需要非常大的抗压能力，特别是市场行情不好，或者研究失败的时候，要能及时调整心态，重新出发<br>
主要教育背景<br>
工程背景
计算机
数学背景
统计学<br>
运筹学
概率论
应用数学<br>
金融背景<br>
经济学
金融学<br>
金融工程<br>
量化相关软件
P宗<br>
重实战
常用软件
同花顺、通达信
软件使用，公式，指标，信号
joinquant、ricequant、bigquant、uqerquant
介绍，数据，功能，案例
TB、WH、TS、YT、MC
介绍，数据，功能，案例
国泰安、天软、Wind
介绍，数据，功能，案例
Q宗
重研究<br>
数学、物理学的PhD
数据处理
数据库
mysql
mongdb
大数据理论与技术
hadoop
spark
机器学习
机器学习理论
概念、类型、应用场景
监督学习、无监督学习、半监督学习、强化学习、深度学习、迁移学习等
机器学习技术
sklearn、keras、TensorFlow等
原型模型
择时模型:技术指标模型
ma,macd,sar,rsi,kdj,boll,kama,turtle,grid
择时模型:K线形态与组合模型
希望之星,黄昏之星,红三兵,绿三兵,圆弧底,“V”型底,“U”型底,“W”底,“M”顶
择时模型:经典日内模型
hans123,r-breaker,hl-breaker,nhl-breaker,ap-cross,grid
择时模型:机器学习模式<br>
线性回归,逻辑回归,决策树,随机森林,SVM,神经网络
因子模型:基本面因子
因子模型、套利定价模型（APT）
因子模型:技术因子
因子模型<br>
因子模型:数据挖掘另类因子
因子模型
核心步骤
开设证券账户
开发环境搭建
常用语言
Python:目前应该是最普遍的个人量化技术首选语言，因为相关的开源框架相当丰富
R:高级算法比较方便，社区比较活跃<br>
无论是python或是R语言。均有提供回测框架，时间序列分析，统计分析的库<br>
数据
择时模型
数据类型、源和清洗
因子模型
基本面因子
数据类型、源和清洗
财务因子（盈利性、估值、现金流、成长性、营运能力、资本结构）
统计因子（换手率、波动率）<br>
一致预期因子（分析师评级、盈利预测）<br>
技术因子
数据类型、源和清洗
技术因子
数据挖掘另类因子
数据类型、源和清洗
事件<br>
舆情<br>
大数据<br>
交易策略开发
回归测试
模型优化
模拟交易
实盘交易
业绩评价
0 条评论
下一页
