机器学习与量化交易-2-3

第一课 自动化交易综述知识点1: 课程内容综述,自动化/算法交易介绍,python在自动交易中的应用简介第二课 量化交易系统综述知识点1:回测,自动交易,策略建模,常见平台使用第三课 搭建自己的量化数据库知识点1:软件需求,数据获取方式,数据存储方式实战项目:金融数据的存储,读取第四课 用Python进行金融数据分析知识点1:数据清理与特征选择实战项目:pandas与金融数据分析第五课 策略建模综述知识点1:介绍量化交易中的策略建模流程及主要处理方式第六课 策略建模:基于机器学习的策略建模实战项

量化投资是起源于美国的高级投资方法论,在国内也有十余年的发展历史,代表当今金融业最前沿的投资技术和水准,卓越稳定的实盘投资业绩使得量化投资具有坚实的高端市场需求. 本量化投资方向系列课程通过对各种量化投资方法与理论的介绍,结合机器学习的实际应用案例进行引导式教学,全面地提高学员对量化投资的认知能力和实践能力. 课程地址:Python量化交易课程 面向人群: 适合有志于从事量化投资工作的计算机行业人员及在校学生: 数据科学工作者,可以从本课程中学会从数据科学的方法玩转量化交易: 所有金融机构从业人

量化交易,指的是利用数学模型,在金融市场中寻找稳定超额收益的投资手段.量化交易有着挖掘信息能力强,不易受主观情绪影响,下单及时.准确,风险控制严格等特点,能够获得稳健的收益.而其相对于传统主观投资,上手难度也比较大,门槛较高.入门量化交易,主要需要了解如下几方面的知识. 1.数学/统计学知识 既然说到用数学模型,那数学和统计学的知识是必不可少的.由于国内金融市场尚不完备,一些衍生品交易受到限制,所以相较国外市场,能用到的数学/统计学知识也要少一些.对于非理工背景的投资者,需要补充基础的高等数学,

量化交易,指的是利用数学模型,在金融市场中寻找稳定超额收益的投资手段.量化交易有着挖掘信息能力强,不易受主观情绪影响,下单及时.准确,风险控制严格等特点,能够获得稳健的收益.而其相对于传统主观投资,上手难度也比较大,门槛较高.入门量化交易,主要需要了解如下几方面的知识. 1.数学/统计学知识 既然说到用数学模型,那数学和统计学的知识是必不可少的.由于国内金融市场尚不完备,一些衍生品交易受到限制,所以相较国外市场,能用到的数学/统计学知识也要少一些.对于非理工背景的投资者,需要补充基础的高等数学,

AI量化交易(一)--量化交易简介 一.量化交易简介 1.量化交易简介 量化交易是以数学模型为交易思维,以历史数据为基础,以数学建模.统计学分析.编程设计为工具,利用计算机技术从庞大的历史数据中海选出能带来超额收益的多种大概率获利事件以制定交易策略. 2.量化交易的特点 (1)纪律性.量化投资决策都是依据模型做出的,模型会模拟测试成千上万次来达到高容错率.(2)系统性.量化交易数据分析有一套非常全面的数据评测系统,会从多方面考量市场,比如:宏观周期.数字货币估值.换手率.盈利质量.市场情绪等.(

本文在Creative Commons许可证下发布 我经常被问到的一个问题是:用哪种计算机操作系统和计算软件进行量化交易的理论研究和代码实现? 我想把这个问题简化,从挑选的计算软件和计算库来反推最佳使用的计算机操作系统.简而言之,就是在本文撰写的时候而言,如果你想进行基于任何严肃的数学理论和金融量化交易研究理论,这里特指机器学习或者深度学习.并且需要在本地研究机器上使用桌面版本,在实时交易VPS或者同等设备上使用服务器版本的话.这种情况下,为了避免这种形式的研究所需的前沿计算库出现问题的最直接的

量化交易简介 一.什么是量化交易 量化交易(Quantitative trading) 量化交易是借助现代统计学和数学的方法,利用计算机技术来进行投资交易的证券投资方式. 量化交易是从庞大的历史数据中海选能带来超额收益的多种"大概率"事件以制定策略,用数量模型验证及固化这些规律和策略,然后严格执行策略来指导投资,以求获得可以持续的.稳定且高于平均收益的超额回报. 二.量化交易的分类 1.趋势性交易 适合一些主观交易的高手,用技术指标作为辅助工具,但如果只使用各种技术指标.指标组合作为核

量化交易风险指标 风险指标数据有利于对策略进行一个客观的评价,主要风险指标包括: 策略收益(Total Returns) 策略年化收益(Total Annualized Returns) 基准收益(Benchmark Returns) 基准年化收益(Benchmark Annualized Returns) 阿尔法(Alpha):投资中面临着系统性风险(Beta)和非系统性风险(Alpha),Alpha是投资者获得与市场波动无关的回报.比如投资者获得了15%的回报,其基准获得了10%的回报,那么

    距离上一篇文章,正好两个星期. 这边文章9月15日 16:30 开始写. 可能几个小时后就写完了.用一句粗俗的话说, "当你怀孕的时候,别人都知道你怀孕了, 但不知道你被日了多少回 " ,纪念这两周的熬夜,熬夜.  因为某些原因,文章发布的有点仓促,本来应该再整理实验和代码比较合适.文章都是两个主要作用: 对自己的工作总结, 方便自己回顾和分享给有兴趣的朋友. 不说废话了, 进入正题. 本次的课题很简单, 深度神经网络(AI)来预测5日和22日后的走势. (22日尚未整理, 不