量化交易 (Quantitative trading) - 页 26

[MetaQuotes]

商品市场的算法交易

商品市场的算法交易

NCDEX（国家商品和衍生品交易所）助理副总裁 Sunil Lani 借此机会深入探讨商品市场的算法交易领域，特别关注农产品。 NCDEX 是印度最大的农产品交易所，提供大约 20 种不同的商品进行交易。

Lani 首先介绍了商品市场中常用的三种流行交易方式：对冲、套利和定向交易。他强调对冲是一种用于降低与主要投资相关的风险的投资策略。在 NCDEX 的背景下，农民经常对冲其基础农业资产，以尽量减少风险敞口。

接下来，演讲者将讨论转向商品市场中普遍存在的两种交易策略：对冲和套利。 Lani 强调了高度相关的标的资产在对冲策略中的重要性。对于套利交易，他深入研究了两种具体方法：日历价差和配对交易，并指出后者与对冲策略有相似之处。 Lani 强调了选择高度相关和协整的商品进行配对交易的重要性，建议应用 T Fuller 检验来确保相关性的有效性。

此外，Lani 还概述了算法交易中涉及的各个阶段。他解释说，该过程从识别和筛选出适当的脚本或工具开始，以应用交易概念。随后，将模型可视化，然后对参数或模型本身进行严格的回测和优化。接下来的步骤涉及纸面交易，并最终过渡到真实交易，其中真金白银处于危险之中。

继续他的讨论，Lani 专注于算法交易的初始步骤。他强调集思广益交易想法和最终确定符合交易者目标的交易逻辑的重要性。主要考虑因素包括确定交易频率、选择适当的交易部分以及建立回测期。为了说明理解交易策略数据的挑战，演讲者展示了印度各个部门的国内生产总值 (GDP) 数据。他将数据转换为图形表示，以促进更好的理解，并建议检查与价格变动的相关性。此外，Lani 展示了历史农业数据的可视化表示，强调了从多个角度分析数据的重要性。

演讲者继续讨论商品市场算法交易所需的资源。他将交易策略分为两个主要领域：套利和动量。通常采用配对交易、相关性分析、移动平均线和概率分布等技术。基础设施是算法交易的一个重要方面，包括通过 API 连接到经纪人，以及在云端或本地托管算法。 Lani 还强调了数据可视化和技术指标的重要性，这可以使用 Excel、Tableau、Power BI 和 TradingView 等工具来实现。

Lani 进一步探索了适合商品市场算法交易的各种工具和平台。他提到非程序员或半程序员通常会选择像 Metatrader 和 Interactive Brokers 这样的平台。出于纯粹的编程目的，Python 成为领先的语言，Quantopian、Blueshift、QuanTX 和 Zerodha 等基于 Python 的算法交易平台越来越受欢迎。此外，演讲者还强调了用于数据处理和回测的基本库，包括 Pandas、Numpy、Beautifulsoup、Backtrader，以及情绪分析库，如 Stream Python、Feedparser、Peopie 和 NLP。

在随后的部分中，Lani 以农产品为例，解释了产生交易想法和设计模型的过程。鉴于农产品的波动性往往低于股票或外汇，他建议采用均值回归策略，使用布林带作为指标，具体设置为与平均价格范围的两个标准差。选择流动性商品的过滤标准包括选择交易量至少为 1080 的商品，Lani 建议在 NCDX 交易 Jana。为了使模型可视化，Lani 建议使用 investing.com 绘制布林带，不同级别表示买入点和卖出点。

将重点转移到回溯测试上，Lani 强调了它在使用历史数据验证算法交易模型逻辑方面的重要性。此步骤对于避免模型在实时环境中部署时的潜在损失至关重要。 Lani 解释了回测所涉及的步骤，包括从开放门户下载数据、导入相关库、编写支持函数、生成买卖信号、可视化输出以及评估策略产生的回报。他还建议在回测过程中考虑回报、最大回撤、最大利润和止损等参数。 Lani 建议使用个人回测功能，而不是仅仅依赖从 Github 等平台获得的库。

演讲者继续解释函数根据数据框、策略类型、进入和退出标准以及位置信息生成买入和卖出信号所采用的各种参数。交易者可以为他们的计算配置开盘价或收盘价，以及设置止损和目标百分比。 Lani 还讨论了统计报告功能和另一个使用所选指标的标准偏差创建级别的功能。最后，主函数调用这些其他函数以根据所选策略返回买入和卖出信号并生成摘要。

展望未来，Lani 将演示如何使用 BV 实践定位技巧生成交易回测报告。输出包括一个包含所有交易、交易费用和滑动边缘的数据框。调用回测功能，并生成报告。这些报告提供输出的统计数据和图形表示，展示指定时间段内的百分比回报、交易详情和累积回报。 Lani 分析了报告并建议将止损设置在 -1.5 左右，以避免损失超过 -2% 或 -3%。回测结果最大获利8%，说明止损最高可以设置8%或9%。

演讲者然后讨论了优化算法的过程。 Lani 解释说，一种优化方法涉及创建另一种算法，该算法使用不同的参数集多次运行原始算法。为了说明这一点，他提供了一个示例，其中优化了回滚期的回溯期。通过创建回顾期各种值的列表并利用组合函数，可以生成所有参数集的综合列表。 Lani 强调优化算法以提高其在商品市场中的性能的重要性。

继续关于优化的讨论，Lani 解释了使用三个列表通过不同参数的肘部方法评估每个对进行回测的过程。回测结果存储在称为 DF 优化器的数据框中，允许识别产生最大回报的组合。然后将优化的变量存储在优化的角色中。 Lani 告诫不要在优化过程中过度拟合数据，并强调在下一阶段运行相同参数以确保其准确性的重要性。最后，演讲者下载报告以检查结果。

Lani 继续展示用于优化交易参数的代码并分享结果统计数据，包括收益、平均收益、最大回撤和盈亏率。优化后的参数产生了 22.8% 的回报率，与之前参数组合实现的 9% 相比有了显着提高。 Lani 强调了模拟交易在不冒真钱风险的情况下测试算法的重要性，并强调在过渡到实时交易时需要多样化、投资组合管理和风险管理。他最后指出了算法交易的开发过程与软件产品开发生命周期之间的相似之处，强调了努力执行所有阶段以确保项目成功的重要性。

• 00:00:00 NCDEX 助理副总裁 Sunil Lani 讨论商品市场的算法交易，特别是农产品。 NCDEX 是印度最大的农产品交易所，提供约 20 种商品进行交易。 Lani 解释说，在商品方面，存在三种流行的交易方式：对冲、套利和定向交易。对冲是一种降低主要投资风险的投资，在 NCDEX 中，农民对冲自己的基础资产以将风险降至最低。
  
  
• 00:05:00 演讲者讨论了商品市场中的两种交易策略：对冲和套利。演讲者强调了高度相关的标的资产在对冲中的重要性。同时，在套利方面，演讲者深入探讨了两种交易方式：跨期价差交易和配对交易，后者类似于对冲。演讲者强调为配对交易选择的商品应该是高度相关和协整的，并建议应用 T Fuller 检验来确保这一点。此外，演讲者还概述了算法交易的各个阶段，包括识别和过滤脚本或工具以应用交易概念、可视化模型、回测、优化参数或模型、纸面交易和实时交易。
  
  
• 00:10:00 演讲者讨论了算法交易的初始步骤，从集思广益和最终确定交易逻辑想法开始。他们提到需要确定交易频率、用于交易的细分市场以及回溯测试期。演讲者随后展示了印度各部门的国内生产总值 (GDP) 数据，以证明贸易策略难以理解数据。他们将数据转换为图形表示，以便更好地理解并建议查看与价格的相关性。然后，演讲者展示了一段时间内农业数据的可视化表示，以展示如何对数据进行不同的解释以及以多种方式分析数据的重要性。
  
  
• 00:15:00 演讲者讨论了商品市场算法交易所需的资源。他将交易策略分为套利和动量两个主要领域，运用配对交易、相关性、移动平均线和概率分布等技术。算法交易最重要的方面之一是基础设施，包括通过 API 连接到经纪商以及在云端或本地托管算法。此外，Excel、Tableau、Power BI 和 TradingView 等工具可用于数据可视化和应用技术指标。
  
  
• 00:20:00 演讲者讨论了可用于商品市场算法交易的各种工具和平台。对于非程序员或半程序员来说，Metatrader 和 Interactive Brokers 是流行的选择，而 Python 是纯编程工具的领先编程语言。特别详细讨论了基于 Python 的算法交易平台，例如 Quantopian、Blueshift、QuanTX 和 Zerodha。演讲者还重点介绍了 Pandas、Numpy、Beautifulsoup 和 Backtrader 等流行的数据处理和回溯测试库，以及 Stream Python、Feedparser、Peopie 和 NLP 等情绪分析库。
  
  
• 00:25:00 演讲者以农产品为例说明如何提出交易理念和设计模型，农产品的波动性相对低于股票和外汇。这个想法是使用一个称为布林带的指标应用均值回归策略，该指标设置为与平均价格范围的两个标准差。过滤标准包括选择交易量至少为 1080 的流动性商品，为此发言人建议在 NCDX 中交易 Jana。可以使用 investing.com 通过绘制布林带来可视化该模型，不同级别表示买入点和卖出点。
  
  
• 00:30:00 演讲者讨论了在商品市场中回测算法交易模型的过程。回测对于使用历史数据验证逻辑非常重要，并且如果模型在实际环境中表现不佳，则可以避免亏损。在回测期间必须考虑各种参数，例如收益、最大回撤、最大利润和止损。演讲者还解释了回测的步骤，包括从开放门户下载数据、导入库、编写支持函数、生成买卖信号、可视化输出以及评估策略产生的回报。演讲者还提到使用他们自己的回测函数而不是 Github 的库。
  
  
• 00:35:00 演讲者解释了函数根据数据框、策略类型、进入和退出标准以及位置反馈返回买入和卖出信号的不同参数。该功能允许交易者为他们的计算配置开盘价或收盘价，以及止损和目标百分比。演讲者还讨论了生成统计报告的函数和使用所选指标的标准差创建级别的函数。最后，主函数调用其他函数以根据所选策略返回买入和卖出信号并生成摘要。
  
  
• 00:40:00 演讲者展示了如何使用 BV 实践定位技巧生成交易回测报告。输出包括一个包含所有交易、交易费用和滑动边缘的数据框。调用回测功能并生成报告。报告包括输出的统计数据和图形表示，显示一段时间内的回报百分比、交易和累积回报。演讲者分析报告，建议将止损设置在-1.5左右，避免产生-2%和-3%的损失。获得的最大利润为 8%，这意味着止损可以设置为最大 8% 或 9%。
  
  
• 00:45:00 演讲者讨论优化算法的过程。他们解释说，优化算法的一种方法是创建另一种算法，该算法将使用不同的参数集多次运行原始算法。演讲者提供了此过程的示例，在该过程中，他们针对回滚期优化了回溯期。他们为回顾期创建了一个包含各种值的列表，并使用组合函数创建了一个包含所有参数集的综合列表。演讲者强调了优化算法以提高其在商品市场中的表现的重要性。
  
  
• 00:50:00 演讲者讨论了使用三个列表通过不同参数的肘部方法运行每个对以检查回测结果的过程，并将它们存储在称为 DF 优化器的数据框中。他们检查保留最大回报的组合并将优化变量存储在优化角色中。优化过程必须注意不要过度拟合数据。他们强调在下一周期运行相同参数以确保优化参数正确的重要性。最后，演讲者下载报告以查看结果。
  
  
• 00:55:00 演讲者详细介绍了用于优化交易参数的代码及其生成的统计数据，包括收益、平均收益、最大回撤和盈亏比。优化后的参数产生了 22.8% 的回报率，比之前组合的 9% 有显着改善。他们强调了在不投入资金的情况下进行模拟交易来测试算法的重要性，以及在上线时进行多元化、投资组合和风险管理的必要性。他们还指出，算法交易的开发过程类似于软件产品开发生命周期。
  
  
• 01:00:00 演讲者解释了如何将算法交易的阶段与软件开发的阶段进行比较，制定交易策略类似于规划和需求阶段，纸面交易和模拟交易映射到质量保证。演讲者强调所有阶段都很重要，未能正确执行其中任何一个阶段都可能导致整个项目的失败。

[MetaQuotes]

使用 AI 和 Python 编程预测股市趋势

使用 AI 和 Python 编程预测股市趋势

该网络研讨会提供了一个动手学习教程，重点是在股票市场中使用 AI 预测趋势。参与者将积极参与使用 Jupyter Notebook 创建分类树模型。主要目标是开发一个分类树，它可以作为一种工具，用于根据预期的未来正回报或负回报建立交易规则。

在交易中使用决策树模型是一项重要的机器学习技术，可提供身临其境的交互式学习体验。在会议期间，与会者将有机会与讲师一起直接在 Python 笔记本上工作。

网络研讨会旨在涵盖以下关键领域：

• 了解各种指标背后的基本概念和直觉并学习它们的实际应用
• 使用来自美国股票市场的数据来生成基本的交易指标

录制的会话深入探讨了如何在交易中利用决策树模型来提取有价值的交易规则。这些规则是就何时买卖证券做出明智决定的基础。

在整个视频中，参与者将获得以下知识：

• 利用人工智能 (AI) 和 Python 编程语言预测股市趋势
• 有效地可视化数据以获得洞察力
• 使用决策树模型构建基于未来回报的交易规则
• 理解预测变量和目标变量，理解每个技术指标背后的基本原理，并有效地执行它们
• 探索一系列交易指标
• 将学到的概念应用到美国股票市场的真实世界数据中，以开发必要的交易指标

要充分受益于本次网络研讨会，与会者应具备：

• 与人工智能和机器学习相关的技术知识
• 之前的交易经验
• 对股票市场及其动态的深刻理解

关于变量，本文中的预测变量是指用于预测市场趋势的技术指标。另一方面，目标变量表示第二天的预期趋势，特别是它是积极的还是消极的。

[MetaQuotes]

Prodipta Ghosh 的量化投资组合管理策略 - 2019 年 7 月 23 日

Prodipta Ghosh 的量化投资组合管理策略 - 2019 年 7 月 23 日

量化投资组合管理副总裁 Prodipta Ghosh 强调，由于金融市场存在不确定性、市场随时间变化的动态特性以及不同的目标，因此没有放之四海而皆准的股票交易策略和个人的风险偏好。他强调，即使拥有完美的世界观或模型，也无法为交易者的问题提供答案，因为每个人都在独特的环境中运作。因此，世界上任何人都不存在完美的策略。

在演讲中，Prodipta Ghosh 深入探讨了四种量化投资组合管理策略。这些策略包括利用布林带、采用简单的移动平均线交叉策略、分析十字星烛台模式以及结合相对强度指数 (RSI)。虽然高夏普比率在理论上可能表明最好的策略，但过去的表现并不能保证未来的结果。因此，构建包含多样化策略和资产的投资组合以降低风险并避免大幅缩水至关重要。 Ghosh 展示了将资本平均分配给所有四种策略的好处，展示了多元化的投资组合如何抵御市场波动并防止重大损失。

Prodipta Ghosh 解释了投资组合管理的基本原理，并将其与投资单一股票区分开来。投资组合管理需要为多种策略或资产制定策略，同时考虑风险、不确定性、时间流逝和特定环境。策略的价值源自基础回报乘以头寸，而投资组合价值则由基础回报的加权流决定。为了优化投资组合管理，通过定义依赖于投资组合价值 P 的函数 U 并找到使 U 最大化的权重 W 来解决数学问题。不同的优化策略，例如均值方差优化、凯利优化和风险惩罚优化，可以根据 U 的定义方式和优化方法来使用。

演讲者继续讨论量化投资组合管理策略和优化问题在该过程中的作用。他探讨了可以在优化问题中指定的各种约束条件，例如限制投资组合的范围，以及可以构建的投资组合类型，包括基于 alpha 策略、因子投资组合或个股集合的投资组合。目标是定义一个最大化条件，使投资组合具有最大值或投资组合价值的函数。此外，演讲者还谈到了等权重投资组合是否合理的问题，这取决于具体情况，可以看作是一个对误差平方进行惩罚的优化问题。

Prodipta Ghosh 深入探讨了投资组合管理中的风险和效用概念，强调了估算预期回报和风险的挑战。他介绍了现代投资组合理论和二次效用作为最大化回报同时最小化风险的方法。演讲者使用圣匹兹堡悖论的例子来说明人类决策如何偏离数学平均值。

Prodipta Ghosh 解释了效用和风险之间的关系，他强调了它们在构建合理投资组合中的重要性。他展示了风险溢价的概念，它量化了风险投资的预期支出或回报与个人愿意接受的特定付款金额之间的差异。此外，他解释说，效用函数是一种财富的数学表示，它表明多花一美元的价值，有助于确定适当的投资金额。了解效用和风险之间的相互作用使投资者能够开发在风险和回报之间取得平衡的投资组合。

演讲者讨论了投资中的风险规避概念，这表明投资者更喜欢某些投资而不是回报波动的投资。风险规避是量化投资组合管理中的常见假设，风险溢价用希腊字母 Pi 表示。该溢价表示投资者愿意为接受零均值波动回报而支付的金额。演讲者随后解释了二次效用函数以及它如何导致投资组合的均值和方差最优化。基于现代投资组合理论构建投资组合涉及在投资组合的均值和方差之间找到平衡。

Prodipta Ghosh 继续解释通过在均值和方差之间取得平衡来优化预期投资组合效用的过程。他利用 Excel 模拟不同资产的回报并计算协方差矩阵，然后根据不同的权重确定投资组合的回报、方差和风险。通过改变权重并计算所有可能情况下的投资组合收益和方差，可以解决优化问题。生成的图展示了每组权重的夏普比率，它代表回报与风险的比率。

Prodipta Ghosh 随后介绍了现代投资组合理论中有效边界的概念。他将有效边界描述为投资组合应该位于的范围，以便根据给定的风险承受能力实现最大回报。他进一步解释说，添加低风险资产（例如无风险资产）为该概念增加了一个有趣的维度。最高的夏普比率是从切线投资组合中确定的，切线投资组合是通过将无风险资产与有效边界相结合而形成的投资组合。连接零和切线投资组合的线称为市场线，它提供了在定义分配时投资市场投资组合或选择无风险资产之间的选择。

Prodipta Ghosh 深入研究了资本资产定价模型 (CAPM)，该模型通过将风险作为对市场投资组合的贡献而不是独立风险来衡量，从而改变了金融风险的视角。 CAPM 获取风险资产所需的回报率，计算方式为无风险利率加上对市场投资组合的风险贡献乘以市场回报与无风险回报之间的差值。这一概念为价值投资提供了理论基础。通过贴现现金流和压缩模型等各种模型，投资者可以使用 CAPM 估算公平价格并利用对异质风险的更好理解。

演讲者讨论了各种投资组合管理策略，特别关注因子投资。因子投资涉及在构建投资组合时考虑多种风险因素，而不仅仅是市场风险。每个因子都有与之相关的溢价，导致不同的投资风格，包括因子配置、因子时机选择或回归价值投资和选股。因子投资有助于解释特殊风险并提供对 alpha 和 beta 的新解释，其中如果等式中的 delta F 是时不变且为正的，则 alpha 和 beta 成为总 alpha。

Prodipta Ghosh 强调了价值投资和因子投资之间的主要区别，并考虑了哪种方法对零售交易者更有意义。他指出，价值投资需要对个别公司进行广泛研究，而且往往需要集中于特殊风险，这可能不适合小规模的零售交易者。另一方面，因子投资涉及研究风险的市场驱动因素，并系统地利用它们根据预期回报分配投资。演讲者简要介绍了自主研究和定量研究之间的区别，指出如果使用得当，定量管理可以提供更多取得优异成绩的机会。

演讲者比较了价值投资者和量化策略师，指出虽然价值投资者成功的可能性较低，但他们有可能产生可观的回报。另一方面，量化策略师成功的可能性更高，但产生的回报相对较低但稳定。投资基本法则将信息比率描述为超额业绩除以投资组合风险的比率，等于信息系数或技能水平乘以 n 的平方根，其中 n 表示可以进行的独立投注次数。量化投资者可以拥有更多的 n，使他们能够优化因子投资组合。 Ghosh还详细阐述了其他优化方法，例如KD优化或风险平价优化，旨在通过积累财富来最大化多个时期的终端财富。

Prodipta Ghosh 继续讨论凯利投资组合策略，强调由于其专注于最大化最终财富，因此从长远来看其占据主导地位。不过，他告诫说，凯利策略在风险方面也是最激进的，可能不适合退休人员或无法承受短期风险的个人。他进一步解释了风险平价策略，该策略旨在均衡个人风险贡献并确保所有资产风险的总和保持平衡。虽然这种方法没有理论上的依据，但它被认为是一种合理的风险分配。在凯利策略、风险平价和均值方差优化之间做出决定时，必须考虑他们的风险偏好和建模的准确性，这可以通过因子建模得到增强。最终，这些策略围绕平衡风险和回报展开，重点强调有效衡量和管理风险。

Prodipta Ghosh 继续讨论 alpha 策略的主题以及如何将它们结合起来创建一个全面的投资组合。虽然均值-方差优化可用于 alpha 策略，但它们会遇到一个问题，即投资组合中的所有分配都转向仅基于历史数据的单一最佳策略。为了解决这个问题，Ghosh 引入了样本内策略的概念，其中所有策略都获得平等的投票权。另一种方法是后悔转换投资组合，它采用隐马尔可夫模型或变化点分析等变化分析技术在不同的 alpha 策略之间分配资本。一种值得注意的技术是无悔方法，它通过系统地探索每个 alpha 策略来解决探索与开发的问题，以便在大量投资之前识别出最有潜力的策略。

Prodipta Ghosh 强调，有许多资源可用于进一步探索投资组合优化，包括维基百科和 Contra 最近推出的量化投资组合管理课程等平台。他提到了通过 Contra 的计划在行业中学习和发展的几个机会，例如他们的交互式自定进度学习门户和提供免费回测的 Blue Shift。 Ghosh 对观众的参与表示感谢，并鼓励他们访问 Contra 的网站以获取更多信息和资源。

• 00:00:00 量化投资组合管理副总裁 Prodipta Ghosh 解释说，由于金融市场存在不确定性，市场随时间变化，个人有不同的目标和风险偏好。他指出，即使拥有完美的世界观或模型，也无法为交易员提出的这类问题提供答案，因为每个人的背景都不一样。因此，世界上没有适合任何人的完美策略。
  
  
• 00:05:00 Prodipta Ghosh 讨论了四种量化投资组合管理策略，包括使用布林带、简单移动平均线交叉策略、十字星烛台模式和相对强度指数 (RSI)。虽然理论上最好的策略是具有高夏普比率的策略，但过去的表现并不总是未来结果的保证。因此，建立不同策略和资产的投资组合对于避免大量缩水和降低风险至关重要。通过将资本平均分配给所有四种策略，Ghosh 展示了多元化的投资组合如何在市场波动时避免重大损失。
  
  
• 00:10:00 Prodipta Ghosh 解释了投资组合管理的基础知识及其与投资单一股票的区别。投资组合管理涉及为多个策略或资产创建一个策略，这与风险和不确定性、时间的流逝和背景有关。策略的价值是由基础回报乘以头寸驱动的。另一方面，投资组合价值是加权的潜在回报流。投资组合管理通过定义一个函数 U 来解决数学问题，该函数是投资组合价值 P 的函数，并找到满足最大化 U 的最大化条件的权重 W。根据 U 的定义方式和优化方式，有可以是多种可能的优化策略，比如均值-方差优化、凯利优化、风险惩罚优化等。
  
  
• 00:15:00 演讲者讨论了量化投资组合管理策略以及优化问题如何发挥作用。他谈到了可以在优化问题中指定的约束类型，例如限制投资组合的范围，以及可以构建的不同类型的投资组合，包括基于 alpha 策略、因子投资组合或个人集合的投资组合股票。目标是定义一个最大化条件，使投资组合具有最大值或投资组合价值的函数。演讲者还谈到了一个等权重的投资组合是否有意义的问题，这取决于具体情况，可以被认为是一个对误差平方进行惩罚的优化问题。
  
  
• 00:20:00 Prodipta Ghosh 讨论了投资组合管理中的风险和效用概念。他解释说，虽然估计预期回报和风险似乎很简单，但实际上可能非常棘手。他介绍了现代投资组合理论和二次效用的概念，旨在最大化回报同时最小化风险。他还使用圣匹兹堡悖论的例子来说明人类可能并不总是根据数学平均值做出决定。
  
  
• 00:25:00 Prodipta Ghosh 解释了效用和风险之间的关系，以及它们如何导致良好的投资组合。他展示了风险溢价的概念，它衡量风险投资的预期支出或回报与一个人愿意为特定付款支付的金额之间的差异。他还解释说，效用函数是财富的数学函数，它告诉我们额外的一美元值多少钱，并有助于确定支付的金额。通过了解效用和风险之间的关系，投资者可以建立一个平衡风险和回报的良好投资组合。
  
  
• 00:30:00 演讲者讨论了投资中风险规避的概念，这意味着投资者更喜欢某些投资而不是波动的投资。风险规避是量化投资组合管理中的常见假设，风险溢价是希腊字母Pi的值，代表投资者愿意为接受零均值波动回报而支付的金额。演讲者随后解释了二次效用函数以及它如何导致投资组合的均值和方差最优化。基于现代投资组合理论构建投资组合涉及在投资组合的均值和方差之间找到平衡。
  
  
• 00:35:00 Prodipta Ghosh 解释了通过平衡均值和方差来优化预期投资组合效用的过程。他使用Excel模拟不同资产的收益并计算协方差矩阵，然后根据不同的权重计算投资组合的收益、方差和风险。通过改变权重并计算所有可能情况的投资组合收益和方差，可以解决优化问题。生成的图显示了每组权重的夏普比率，即回报与风险的比率。
  
  
• 00:40:00 Prodipta Ghosh 解释了现代投资组合理论中有效边界的概念。他讨论了有效边界如何成为投资组合应该位于的区域，以便根据给定的风险承受能力获得最大回报。他进一步解释说，如果加入贷款风险资产，比如无风险资产，这个概念就变得更有趣了，从切线组合中挑选出最高的夏普比率。他还将连接零和切线投资组合的线描述为市场线，并解释了它如何成为购买市场投资组合和购买无风险资产之间的选择并定义分配。
  
  
• 00:45:00 Prodipta Ghosh 解释了资本资产定价模型 (CAPM)。 CAPM 改变了金融风险的概念，将风险衡量为对市场投资组合的贡献，而不是独立的风险。通过使用数学方程式，CAPM 获得了风险资产所需的回报率，即无风险利率加上对市场投资组合的风险贡献乘以市场回报率与无风险回报率的差值返回。这一概念为价值投资提供了理论基础。通过各种模型，包括贴现现金流和压缩模型，投资者使用 CAPM 估计公平价格并利用他们对特殊风险的更好理解。
  
  
• 00:50:00 Prodipta Ghosh 讨论了各种投资组合管理策略，重点是因子投资。因子投资涉及在创建投资组合时考虑多种风险因素，而不仅仅是市场风险。 Ghosh 解释说，每个因素都有与之相关的溢价，这导致了不同的投资风格，包括因素分配、因素时机，或者如果一切都打开了，就简单地回到价值投资和选股。因子投资有助于解释特殊风险，并提供对 alpha 和 beta 的新解释，如果等式中的 delta F 随时间变化且与 beta 一起为正，则 alpha 和 beta 成为总 alpha。
  
  
• 00:55:00 Prodipta Ghosh 讨论了价值投资和因子投资之间的主要区别，以及哪个对零售交易者更有意义。 Ghosh 指出，价值投资需要对个别公司进行高水平的研究，并且通常涉及特殊风险的集中，这可能不适合小规模的零售交易者。另一方面，因子投资涉及研究风险的市场驱动因素，并系统地探索它们以寻找基于预期回报分配投资的因子。 Ghosh 还简要介绍了自由裁量研究和定量研究之间的区别，指出如果使用得当，定量管理可以提供更多取得优异成绩的机会。
  
  
• 01:00:00 Prodipta Ghosh 解释了价值投资者和量化策略师之间的区别。价值投资者成功的可能性很低，但可能会产生多重收益，而量化策略师的成功可能性很高，但产生的回报相对较低但稳定。投资基本定律将信息比率描述为超额业绩除以投资组合风险的比率，等于信息系数或技能水平乘以 n 的平方根，其中 n 是可以进行的独立投注的数量。因此，量化投资者可以拥有更多的 n，这就是他们可以优化工厂投资组合的原因。此外，Ghosh 解释了其他优化方法，如 KD 优化或风险平价优化，这些方法试图通过积累财富来最大化多时期的终端财富。
  
  
• 01:05:00 演讲者解释了凯利投资组合策略及其在长期内的主导地位，因为它专注于最大化最终财富。然而，它在风险方面也是最激进的，这意味着它不适合退休人员或无法承受短期风险的人。演讲者还讨论了使个人风险贡献相等的风险平价策略，并要求所有资产的风险总和应该相等。这没有理论上的依据，但它被认为是一种合理的风险分配。在凯利、风险平价和均值方差优化之间做出决定时，应该考虑他们的风险偏好和建模的准确性，这可以使用因子建模来改进。这些策略是关于平衡风险和回报，重点是衡量和管理风险更为重要。
  
  
• 01:10:00 演讲者讨论了 alpha 策略的主题以及如何将它们结合起来创建一个好的投资组合。虽然均值方差优化可用于 alpha 策略，但它存在一个问题，即投资组合中的所有分配都转向单一的最佳策略，该策略仅基于历史数据。解决这个问题的一种方法是使用样本内策略，其中所有策略都有平等的投票权。另一种方法是后悔转换投资组合，它使用隐马尔可夫模型或变化点分析等变化分析技术在不同的 alpha 策略之间分配资金。一种特殊的技术称为不后悔，这是一个探索与利用问题，其目标是探索每个 alpha 策略并在深入研究之前找出最有潜力的策略。
  
  
• 01:15:00 演讲者讨论了投资组合优化的各种方法，包括使用指数权重和学习率来平衡开发和探索。他还提到，有许多资源可用于该主题，包括维基百科和 Contra 最近推出的量化投资组合管理课程。此外，演讲者还谈到了通过 Contra 的计划在行业中学习和发展的几个机会，包括他们的交互式自定进度学习门户和提供免费回测的 blue shift。最后，他感谢观众的参与，并鼓励他们访问 Contra 的网站以获取更多信息。
  

[MetaQuotes]

算法交易 |它适合你吗？如何开始

算法交易 |它适合你吗？如何开始

女士们，先生们，我想介绍一下 Elle Foam Advisory 的联合创始人 Nathan，他将分享关于迷人的算法交易世界的宝贵见解。 Nathan 通过定义算法交易并强调其在金融行业的重要性来开始他的演讲。他解释说，算法交易涉及使用计算机算法自动执行交易，它在现代市场中起着至关重要的作用。

Nathan 继续讨论了算法交易不断发展的本质，以及它的定义如何根据地理位置和监管框架而变化。在美国，任何形式的系统交易都属于算法交易的范畴。但是，在其他地区，当计算机算法自主确定订单参数时，它被特别视为算法交易。这种区别强调了该领域内的不同方法和观点。

然后，演讲者继续阐明当前算法交易的行业趋势。他强调了使用算法策略的 DIY（自己动手）交易者的日益流行。此外，Nathan 提供的数据表明算法交易在亚洲、美国和印度的市场份额显着增长。尽管出现了这种增长，但他承认散户对算法交易的参与度仍然相对较低，并承诺在接下来的幻灯片中解释这一现象。

接下来，Nathan 探讨了算法交易对就业市场的影响。他解释了自动化如何取代人类交易员，公司现在正在寻找编码员来开发复杂的交易策略并利用机器的力量。演讲者强调了机器交易相对于人工交易的四个主要优势：正常运行时间、反应时间、可扩展性以及学习和改进的能力。机器可以持续监控风险，及时执行交易，有效适应市场变化，并比人类交易者更有效地从他们的经验中学习。

针对算法交易中散户参与度低的问题，Nathan 概述了造成这种差异的几个原因。首先，算法交易需要结合技术知识，包括编码和统计，以及对金融和市场动态的深刻理解。其次，获取相关市场数据对于回溯测试和制定稳健的策略至关重要。最后，如果没有拥有该领域实践专业知识的经验丰富的市场从业者的指导，从手动交易过渡到算法交易可能会充满挑战。尽管存在这些障碍，Nathan 强调了算法交易不可否认的好处，例如可扩展性、有效的风险管理和消除人为错误，使其成为对交易者有吸引力的选择。

Nathan 随后向听众介绍了 Point Density 提供的 EPAct 课程。他讨论了寻找一个为算法交易提供全面支持的平台的难度，包括来自市场从业者的指导、技术知识和最新内容。 EPAct 课程旨在通过提供由行业专业人士创建的丰富内容来弥合这一差距，这些内容会不断更新以反映最新趋势。该课程还提供教师的专门支持，并采用以市场为导向的方法，使其成为初学者和希望在该领域发展职业的人的理想资源。

Nathan 进一步阐述了课程内容，概述了算法交易程序中涵盖的模块。该课程从入门模块开始，该模块为基本统计、概率论和金融模型的应用奠定了基础。然后逐步涵盖 Python 基础知识和高级统计知识，包括用于理解复杂策略的高斯模型。该课程还包括有关简历制作、设置个人交易台以及与 100 多家合作公司进行模拟面试的课程。在整个课程中，讲师为学生提供个人帮助，确保及时解决任何问题或困难。此外，加入 EPAct 课程可获得独家优势，包括访问社区活动和功能，这将在接下来的部分中进一步讨论。

Nathan 继续他的演讲，深入探讨了算法交易课程中每个模块的细节。该课程从构建块模块开始，为理解股权效应和未来战略奠定基础。学生通过动手练习来创建各种交易策略。然后，该计划深入研究市场微观结构和实施，探索使用不同的 API 和经纪人对历史数据进行回测的复杂性。机器学习也作为算法交易中的一个新兴领域被引入。强调了交易和前台操作的重要性，有一个专门的模块专注于建立算法交易基础设施。该课程还涵盖期权交易、投资组合优化和风险管理。最后，学生进行一个项目，并在成功通过考试后获得经过验证的证书，证明他们在算法交易方面的专业知识。

Nathan 随后将观众的注意力转移到 QuantInsti 提供的算法交易程序上。他强调，完成该计划后，参与者将在完成 300 多个小时的综合课程后获得经过验证的影响证书。教师包括业内知名的专业人士，他们平易近人，并提供不同资产类别和角色的实践经验。该课程涵盖从 CV 准备到提供对 API 和经纪人网络的访问以实现无缝实施的各个方面。此外，QuantInsti 团队为参与者提供筹款机会，使其成为那些寻求算法交易综合教育的人的理想选择。

在 Nathan 的讨论之后，Nadine 上台向观众介绍加入 EPAT 社区的好处。她强调社区成员可以获得终身指导，以及与来自超过 165 个国家/地区的同学联系的机会。社区的特权包括独家活动和会议、免费和有补贴的经纪人访问，以及对 BlueShift 等回溯测试工具的访问。此外，EPAT 为个人现有的技能组合增加了一个基本的量化维度，增强了他们的专业形象。值得注意的是，EPAT 计划在金融培训计划下得到认可，在新加坡工作的专业人士可以获得 2,000 新加坡元的报销。

在演讲的最后，Ben Magnano 分享了他在算法交易方面的个人经历。他讲述了自己在 2005 年早期与日间交易的斗争，直到他找到 QuantInsti，在那里他接受了量化和算法交易基础方面的严格培训。 Ben 强调了学习 Python 和能够编写自己的程序的重要性，最终获得了量化交易员的证书。这一成就为他打开了大门，让他获得了在 WorldQuant 担任研究顾问的机会，在那里他继续提高自己的编码技能，并紧跟最新的行业趋势，例如人工智能。

在视频的最后时刻，演讲者承认了算法交易的巨大增长，以及它如何越来越受到寻求最大限度地减少持续监控需求的交易者的青睐。演讲者对演讲者提供的出色分析表示感谢，并认识到在整个演讲过程中分享的宝贵见解。视频结束时，演讲者总结了 ePAD 计划，该计划旨在为参与者提供量化和金融科技领域的行业准备技能，确保他们为在算法交易领域蓬勃发展做好充分准备。

• 00:00:00 本节主持人介绍了Elle Foam Advisory的联合创始人Nathan，他将讨论算法交易。 Nathan 首先定义什么是算法交易及其重要性。他还谈到了算法交易的行业趋势和职业前景。最后，Nathan 讨论了 Quantity 程序如何帮助个人开始或建立算法交易的职业生涯。他最后向听众保证，他将在整个演讲过程中回答他们的问题。
  
  
• 00:05:00 在本节中，演讲者讨论了算法交易的定义以及它在地理和法规方面的差异。在美国，任何系统交易都被视为算法交易，而在其他地区，只有计算机自动确定订单参数时，才可能被视为算法交易。演讲者指出，算法交易正在迅速发展，并促进了 DIY 交易者进行的交易的增加。演讲者还提供了数据，显示算法交易的市场份额在亚洲、美国和印度显着增长，但散户对算法交易的参与度仍然很低。演讲者承诺会在接下来的幻灯片中解释为什么会出现这种情况。
  
  
• 00:10:00 在本节中，演讲者讨论了算法交易的兴起及其对就业市场的影响。他解释了算法交易如何变得自动化并取代人类交易员，以及公司现在如何雇用编码员来制定他们的策略并让机器进行交易。演讲者强调了机器交易相对于人工交易的四个主要优势，例如正常运行时间、反应时间、可扩展性以及学习和改进的能力。他认为，与人类交易员相比，机器可以更快、更有效地监控风险、进行交易并对市场变化做出反应。
  
  
• 00:15:00 在本节中，演讲者讨论了尽管算法交易越来越受欢迎和受益，但零售参与度仍然很低的原因。首先，算法交易除了金融和市场理解外，还需要编码和统计等技术知识。其次，获取相关市场数据进行回测和制定策略至关重要。最后，如果没有在该领域有经验的市场从业者的指导，从手动交易过渡到算法交易可能会很困难。尽管如此，算法交易的好处（例如可扩展性、风险管理和消除人为错误）使其成为对交易者有吸引力的选择。
  
  
• 00:20:00 在本节中，演讲者讨论了对算法交易感兴趣的人使用 Point Densitiy 的 EPAct 课程的好处。他们强调很难找到一个平台来结合算法交易的必要组件，例如市场从业者的指导、技术知识和更新的内容。 EPAct 课程旨在通过提供由市场从业者构建并不断更新以反映当前趋势的丰富内容来弥合这一差距。此外，该课程还提供教师的专门支持和以市场为导向的方法，使其成为那些开始使用算法交易或希望在该领域建立职业生涯的人的重要资源。
  
  
• 00:25:00 在本节中，演讲者讨论了算法交易课程和课程涵盖的内容。该课程从入门模块开始，来自不同背景的学生可以为基础统计、概率论和金融模型的应用打下基础。该课程继续学习 Python 基础知识和高级统计知识，例如用于理解更复杂策略的高斯模型。该课程还包括简历制作、建立自己的交易台，以及与 100 多家合作公司进行模拟面试。课程导师亲自帮助学生解决任何问题或困难，确保消除疑虑。演讲者还提到了加入全球算法交易社区的独家好处，例如社区活动和功能，这些将在后面的章节中讨论。
  
  
• 00:30:00 在本节中，演讲者讨论了构成算法交易课程的不同模块。该课程从积木开始，然后转向股权效应和未来战略，学生将在实践环境中努力制定不同的战略。还讨论了市场微观结构和实施，然后是一个关于使用不同的 API 和经纪人对历史数据进行回溯测试想法的模块。机器学习也在一个新的领域进行探索。交易和前台操作被强调为重要，其中一个模块涵盖了如何建立算法交易基础设施。该课程还包括一个关于期权交易、投资组合优化和风险管理的模块。最后，学生完成一个项目，并在通过考试后获得经过验证的证书。
  
  
• 00:35:00 在本节中，演讲者讨论了 QuantInsti 提供的算法交易程序，该程序在完成 300 多个小时的课程后提供经过验证的影响证书。教师包括业内知名人士，他们平易近人，并提供不同资产类别和角色的实践经验。该课程涵盖从 CV 准备到访问 API 和经纪人网络以便于实施的所有内容。此外，QuantInsti 团队协助筹款，使其成为有兴趣学习算法交易的人的理想课程。
  
  
• 00:40:00 在本节中，Nadine 讨论了成为 EPAT 社区一员的好处，包括终身指导、与来自超过 165 个国家/地区的学生联系的能力、独家活动和会议、免费和有补贴的经纪人访问、访问使用 BlueShift 等回溯测试工具，并终身访问最新内容。它还为您现有的技能集增加了一个基本的量化维度。 EPAT 在财务培训计划下得到认可，并提供 2,000 新加坡元的福利作为在新加坡工作的专业人士的报销。
  
  
• 00:45:00 在本节中，Ben Magnano 讨论了他的算法交易之旅，从 2005 年开始，当时他还在为日内交易苦苦挣扎。他最终找到了 QuantInsti，在那里他通过严格的培训和教学了解了量化和算法交易的基础知识。他学习了 Python 并能够编写自己的程序，后来获得了量化交易员的证书。这让他获得了在 WorldQuant 担任研究顾问的机会，他至今仍在与他们合作，一直在寻求改进自己的编码风格并紧跟最新的行业趋势，例如人工智能。
  
  
• 00:50:00 在本节中，演讲者谈到了算法交易领域的巨大增长，以及它如何日益成为不想花一天时间照看交易的交易者的首选方法。演讲者还赞扬了量化分析师将这一愿景变为现实，并对演讲者提供的出色分析表示感谢。视频以 ePAD 的简短摘要结尾，该程序旨在让参与者为量化和金融科技领域的行业做好准备。

[MetaQuotes]

量化交易的风险模型 作者：Zura Kakushadze - 2019 年 5 月 16 日

量化交易的风险模型 作者：Zura Kakushadze - 2019 年 5 月 16 日

Zura Kakushadze 在他的讨论中重点关注与计算协方差矩阵的逆矩阵相关的挑战，以优化 2,000 只美国股票的投资组合。他强调，当回报时间序列中的观测值数量小于投资组合中的股票数量时，样本协方差矩阵变为奇异且不可逆。即使它是非奇异的，代表相关性的非对角线元素在样本外也将是高度不稳定的，除非与股票相比有明显更多的观察，这在现实生活中通常不是这种情况。

Kakushadze 解释说，由于较短的持有期和短暂的 alpha，量化交易策略的风险模型不同于传统的风险模型。这些策略不可取长回顾期，并且需要用于计算协方差矩阵的替代方法。一种常见的方法是使用将风险分解为因素风险和特定风险的因素模型。因子模型的优点是它用小得多的因子协方差矩阵表示大的协方差矩阵，使其计算效率高。然而，Kakushadze 指出，因素模型中仍有一些复杂的细节需要解决。

演讲者进一步讨论了与计算每只股票的波动率相关的挑战，并建议关注样本相关矩阵而不是样本协方差矩阵。由于诸如奇异性、不稳定性以及与协方差矩阵相关的其他问题等问题，样本相关矩阵是首选。 Kakushadze 提议分解出偏斜的方差，并为相关矩阵而不是协方差矩阵使用因子模型。确定风险因素的问题出现了，并提出了两种可能性：使用样本相关矩阵的主要成分或采用风格因素，如规模、动量和波动率。

探讨了适合量化交易的不同类型的风险因素，包括风格因素和行业分类。演讲者强调了使用与交易相关的短期因素并排除长期因素的重要性。还讨论了无意中抵消风险模型中理想的 alpha 因子的风险，强调需要仔细选择和加权风险因素。

Kakushadze 解释说，从供应商那里购买的标准化风险模型无法消除不良风险因素或涵盖交易者风险空间的所有相关方向。因此，演讲者建议从头开始构建自定义风险模型。一种方法是使用统计风险模型，该模型涉及采用有限回溯期的时间序列回报，并根据样本相关矩阵的主要成分创建因子载荷。

引入有效等级的概念作为确定用作风险因素的主成分数量的一种方式。有效秩衡量矩阵的有效维数，可以使用谱熵计算。然而，统计风险模型在风险因素数量方面存在局限性，因为它受到观察数量的限制，导致风险空间的覆盖范围有限。样本外较高主成分的不稳定性也是一个问题。

讨论了样本外成对相关和相关矩阵中非对角线元素的不稳定性。 Kakushadze 解释说，从不稳定的相关矩阵计算出的较高主成分经常更新且不稳定，而第一主成分往往相对稳定。演讲者还深入探讨了适合短期持有策略的风格因素，并建议从日内交易策略中删除统计上无关紧要的相关性，例如已发行股票。

讨论了短期量化交易模型中使用的四个常见因素：方向（动量）、波动率、流动性和价格。 Kakushadze 解释了如何定义每个因子以及如何使用横截面回归计算因子回报。在确定它们的统计相关性和交易策略的适用性时，强调了每个因子收益的年化夏普比率的计算。

演讲者继续测试和验证因子载荷以及风险建模中风格因子的有效性。在使用因子载荷分解历史回报后，建议对日内交易或较短的残差 alpha 交易进行回测，作为测试因子载荷的一种方法。与风格因素相比，大行业的价值得到了强调，即使是在最细微的层面上也是如此。建议使用基本行业分类构建基于行业或子行业的风险模型，因为它们涵盖了较大部分的风险空间。样本外第一主成分的稳定性影响这些风险模型的有效性。

讨论了针对大量子行业的要素载荷矩阵的构建，并提出了分层行业分类作为解决方案。这种方法涉及首先对子行业进行建模，然后使用下一个行业粒度级别对风险因素进行建模，一直持续到问题被简化为可以正确计算的较小矩阵。

解释了逐步减少问题以计算量化交易风险模型的过程。通过最初计算样本协方差矩阵的较小尺寸（例如 10 x 10）的因子载荷矩阵，Kakushadze 为剩余因子（即市场）构建了一个单因子模型。这将问题从一个大矩阵减少到一个较小的矩阵。建议在这个结构中包括风格因素，但与来自不同行业的大量风险因素相比，它们的贡献可能有限。风格因素可能不是建模股票之间相关性的理想代理。

解释了在风格因素的规范化过程中包括截距的重要性。演讲者澄清，通常用作风格因子的价格对数实际上是价格除以标准化因子的对数。归一化因子是经验性的，可以根据交易者的偏好进行定制。虽然基于行业的因素往往是建模相关性的可靠代理，但风格因素的双线性组合被认为是较差的代理。因此，建议交易者关注基于行业的因素，并根据自己的交易风格和量化交易 alpha 定制模型。

演讲者介绍了杂种优势的概念，它将因子模型、行业分类和主成分等强大的思想结合到一个可以在风险建模中非常有效的结构中。聚类技术也作为一种使用多级聚类方案构建风险因素的方法进行了讨论，该方案可以取代基本的行业分类。然而，非确定性聚类算法可能会在每次运行时产生不同的聚类，从而导致系统中出现噪声。为了减少噪声，可以对大量聚类进行平均，或者可以采用其他技术，如降维或主成分分析。

探讨了在量化交易风险模型中进行聚类的不同方法。演讲者解释说，虽然 k 均值聚类可能是不确定的，但确定性的替代方案（例如层次聚类）可能是主观的并且速度较慢。演讲者建议使用风险模型本身进行聚合，而不是仅仅依靠聚类。在 k-means 的情况下，非确定性的性质来自聚类中心的初始化，但并不总是需要找到全局最小值。为了改进使用历史回报的朴素方法，提出了针对历史波动率对回报进行归一化。

讨论了量化交易的聚类归一化和多级聚类。建议通过将回报除以方差来进行聚类，而不是用两个标准差对回报进行归一化，以优化投资组合和提高绩效。提出了两种多级聚类方法：自下而上，首先创建最细粒度的级别，然后依次创建聚类；自上而下，首先创建最小粒度的级别，然后依次创建聚类代码。与确定性算法相比，分层算法等非确定性算法在性能方面并不具有优势，演讲者建议使用聚类和聚合技术。

演讲者解决了在基于聚类的风险模型中确定聚类数量的问题。提到了肘部法或剪影分析等传统方法，但它们不一定总能提供可靠的结果。相反，演讲者建议使用稳定性分析，这涉及创建多个聚类解决方案并测量生成的聚类的稳定性。可以使用诸如簇对稳定性或自举稳定性之类的技术来评估稳定性。

Kakushadze 强调了稳定性在基于聚类的风险模型中的重要性，因为不稳定的聚类会导致不可靠的风险估计。他建议应该使用稳定的集群进行风险建模，而不稳定的集群应该被丢弃或与其他集群结合以提高稳定性。演讲者还提到了机器学习技术的使用，例如使用机器学习算法的层次聚类，作为传统聚类方法的替代方法。

然后，讨论转向基于选定集群的风险模型的构建。演讲者建议使用每个集群内的样本相关矩阵来估计因子载荷。通过将每个聚类的样本相关矩阵分解为其特征值和特征向量，可以获得因子载荷。然后可以通过组合每个集群的因子载荷来构建整个投资组合的因子载荷矩阵。

演讲者强调了对因子载荷进行适当标准化以确保它们代表风险贡献的重要性。他建议使用特征值的倒数作为因子载荷的权重以实现风险平价。这确保每只股票对整体投资组合风险的贡献相同。可以通过包括其他因素（例如风格因素或基于行业的因素）来进一步增强风险模型。

Zura Kakushadze 讨论了为量化交易策略构建风险模型的挑战和方法。他强调了解决协方差矩阵中的奇异性和不稳定性等问题以及选择适当的风险因素和聚类技术的重要性。通过结合因子模型、行业分类和聚类，交易者可以构建自定义风险模型，有效捕捉其投资组合的风险特征。

• 00:00:00 演示者讨论了计算协方差矩阵的逆矩阵的问题，以便使用均值方差优化或夏普比率最大化等技术优化 2,000 只美国股票的投资组合。他解释说，如果回报时间序列中的观测值数量小于投资组合中的股票数量，则样本协方差矩阵将是奇异的，无法倒置。即使它是非奇异的，非对角线元素（代表相关性）在样本外也将是高度不稳定的，除非观察值的数量远大于投资组合中的股票数量，这通常不会发生在现实生活中的应用。
  
  
• 00:05:00 Zura Kakushadze 讨论了量化交易策略的风险模型与传统风险模型的区别。对于较短的持有期和短暂的 alpha，长回顾期对于这些策略来说是不可取的，并且需要替换样本协方差矩阵。这通常通过因子模型完成，该模型将风险分解为因子风险和特定风险。因子模型的优点是可以通过小得多的因子协方差矩阵对大矩阵进行建模，从而提高计算效率。然而，仍然有一些非常糟糕的细节需要解决。
  
  
• 00:10:00 Zura Kakushadze 讨论了计算每只股票的波动率 (Sigma) 的问题，并解释了样本相关矩阵，而不是样本协方差矩阵，由于其奇异性、不稳定性和其他因素，应该成为建模的重点问题。他建议通过相关矩阵而不是协方差矩阵的因子模型分解出偏斜的方差和建模。风险因素应该是什么的问题出现了，他提出了两种可能性：使用一些样本相关矩阵的主要成分或使用所谓的风格因素，这些因素是股票的衡量属性，如规模、动量、波动性、 ETC。
  
  
• 00:15:00 Zura Kakushadze 讨论了可用于量化交易的不同类型的风险因素，包括风格因素和行业分类。他强调了在短期交易中使用长期风格因素的问题，因为它们会在优化中产生噪音，并在没有阿尔法的情况下产生额外的交易。重要的是要关注与交易相关的短期因素并排除长期因素。另一个问题是无意的 alpha 中和，风险模型中希望做多的一个因素可能会无意中被中和，因此必须仔细考虑风险因素的选择和权重。
  
  
• 00:20:00 演讲者解释了优化的风险模型如何抵消量化交易者希望长期持有的理想 alpha 因子。从供应商处购买的标准化风险模型无法从因子模型或协方差矩阵中去除不良风险因素，无法覆盖交易者风险空间的相关方向。因此，演讲者建议从头开始构建自定义风险模型。构建自定义风险模型的一种方法是使用统计风险模型，这涉及获取具有有限回顾期的回报时间序列，并根据样本相关矩阵的前 K 个主成分创建因子负载。
  
  
• 00:25:00 Zura Kakushadze 讨论了将有效等级作为一种确定主要成分数量的方法，以用作因子载荷矩阵中的风险因子。有效秩定义为矩阵的有效维数，可以使用谱熵计算以确定样本相关矩阵的有效维数。使用统计风险模型的局限性在于，风险因素的数量受观察数量的限制，导致覆盖的风险空间相对较小。样本外的不稳定性也是样本相关矩阵较高主成分的一个问题。
  
  
• 00:30:00 Zura Kakushadze 谈到了样本外成对相关的不稳定性，以及它与相关矩阵中非对角线元素的不稳定性的关系。他解释说，从这个不稳定的相关矩阵中计算出的较高主成分经常更新并且不稳定，而第一主成分相对稳定。 Kakushadze 还讨论了如何定义与短期持有策略相关的风格因素，例如市值和价格对数，以及如何减少流通股，因为它与日内交易策略中的 alpha 在统计上无关紧要。
  
  
• 00:35:00 Zura Kakushadze 讨论了短期量化交易模型中使用的四个常见因素：方向（动量）、波动性、流动性和价格。他解释了如何定义这些因素中的每一个，以及如何使用横截面回归来计算它们的因素回报。 Kakushadze 还强调了计算每个因子回报的年化夏普比率的重要性，以确定它们在交易策略中的统计相关性和适用性。
  
  
• 00:40:00 演讲者讨论了测试和验证因子加载的方法以及风险建模中风格因子的有效性。测试因子载荷的一种方法是在使用因子载荷分解历史回报后，对残差的日内交易或较短的 alpha 交易进行回测。演讲者还展示了来自回溯测试的数据，强调了大行业与风格因素相比的价值，即使是在最细微的层面上。演讲者随后建议使用基本行业分类（例如 Bix 或 GICS）构建基于行业或子行业的风险模型，因为它们涵盖的风险空间比风格因素更大。这些风险模型的有效性取决于样本外第一主成分的稳定性。
  
  
• 00:45:00 Zura Kakushadze 讨论了因子载荷矩阵的构建以及为大量子行业正确计算该矩阵的挑战。他建议将分层行业分类作为解决方案，使用俄罗斯套娃风险嵌入方法将问题简化为较小的矩阵。这涉及首先对子行业建模，然后使用下一个行业粒度级别对这些风险因素建模，依此类推，直到问题被简化为可以正确计算的较小矩阵。
  
  
• 00:50:00 Zura Kakushadze 讨论了逐步减少问题以计算量化交易风险模型的过程。通过计算样本协方差矩阵的 10 x 10 因子载荷矩阵，Kakushadze 可以为剩余的因子即市场构建一个单因子模型，将问题从 2000 x 2000 减少到一个一个。他建议将风格因素纳入此结构，但指出与来自各个行业的大量风险因素相比，它们的贡献可能有限。此外，风格因素可能不是为股票之间的成对相关性建模相关性的良好代理。
  
  
• 00:55:00 Zura Kakushadze 解释了为什么截距必须包含在风格因素的标准化过程中。截距是必要的，因为通常用作风格因子的价格对数实际上不是价格对数，而是价格除以标准化因子的对数。这种规范化是一个经验问题，可以根据交易者的偏好进行定制。虽然基于行业的因素往往是建模相关性的可靠代理，但风格因素的双线性组合是相当差的代理。因此，交易者应关注基于行业的因素，并根据自己的交易模型和量化交易 Alpha 定制模型。
  
  
• 01:00:00 演讲者讨论了杂种优势的概念，它是将因素模型、行业分类和主要成分等强大的想法组合成一个在风险建模中非常强大的结构。他解释说，聚类技术也可用于通过多级聚类方案构建风险因素，从而取代基本的行业分类。然而，聚类的一个问题是它是不确定的，每次运行时都会生成不同的聚类，从而导致系统中出现噪音。为了减少噪音，可以取消大量聚类或使用其他技术，例如降维或主成分分析。
  
  
• 01:05:00 演讲者讨论了在量化交易风险模型中进行聚类的不同方法。他们解释说，虽然 k-means 可能是不确定的，但使用确定性替代方法（例如层次聚类）可能是主观的并且速度较慢。此外，演讲者建议使用风险模型本身来聚合而不是聚类。在使用 k-means 时，演讲者指出每个集群的中心初始化是导致算法具有不确定性的原因，但并不总是需要找到全局最小值。为了改进使用历史回报率的朴素方法，演讲者建议将回报率与历史波动率进行标准化。
  
  
• 01:10:00 Zura Kakushadze 讨论了量化交易的集群规范化和多级集群。他建议聚类应该通过将回报除以方差而不是用两个标准差对回报进行标准化来优化投资组合和提高绩效。 Kakushadze 提出了两种多层次聚类的方法：自下而上，首先创建最细粒度的层次，然后依次聚类；自上而下，首先创建最小粒度的层次，然后依次聚类代码。此外，与确定性算法相比，分层算法等非确定性算法在性能上并不具有优势，Kakushadze 建议使用聚类和聚合技术。
  
  
• 01:15:00 演讲者讨论了固定交易模型中集群数量的可能方法。一种选择是使用基于有效排名的启发式方法来确定所需的集群数量。或者，可以将集群的数量保留为超参数，并通过样本外回测来优化它们。此外，还讨论了一种方法，用于对齐由不同的 k-means 运行产生的集群，并通过 k-means 对这些对齐的中心进行聚类，以生成原始 k-means 运行到 k 集群的对齐。此方法可能会导致集群数量少于预期，但仍然可以提供具有较少集群的有用模型。
  
  
• 01:20:00 演讲者讨论了在量化交易中聚合风险模型的各种方法。一种方法是使用 k-means 对齐集群并删除空集群以消除噪声集群，这可以用作聚类算法。尽管对齐过程本身是不确定的，但它产生的噪声较小且结果足够。另一种方法涉及通过基于单个 k 均值计算模型协方差矩阵来聚合风险模型本身，这是一个因子模型。但是，由于p值小，聚类数量多，对应的因子协方差矩阵可能是奇异的，限制了风险空间的覆盖范围。通过聚合大量单一的基于 k-means 的风险模型，涵盖了风险空间中更多的方向，从而产生了覆盖面更广的非因子化风险模型。
  
  
• 01:25:00 Zura Kakushadze 讨论了进行风险建模的不同方法以及哪种方法表现更好。他解释说，基于主要成分的统计风险模型表现最差，因为它们只涵盖了风险空间的一小部分。聚类等机器学习风险模型的表现要好得多，因为它们揭示了线性水平上不存在的回报之间的关系。然而，它们仍然不如基于基本行业分类的杂种风险模型。人类在这方面仍然胜过机器，因为基本的行业分类是基于对众多因素的全面分析，尽管偶尔会有错误的判断。目前尚不清楚机器学习算法是否能够在风险建模方面胜过人类。
  
  
• 01:30:00 演讲者鼓励观众深入回测并亲身体验视频中讨论的交易策略。他们提供论文和源代码的链接，可用于优化和调整策略以适应个人交易风格。此外，组织者还提到了 Condensity 的举措，包括认证计划和自定进度的学习门户，旨在成为算法和量化交易领域的全球知识和技术强国。

[MetaQuotes]

初学者外汇交易 | Alexis Stenfors 博士的外汇市场算法交易

初学者外汇交易 | Alexis Stenfors 博士的外汇市场算法交易

Alexis Stenfors 博士深入研究了外汇 (FX) 市场的综合分析，特别关注流动性及其重要性。他首先强调了外汇市场的巨大规模及其与全球股票市场的相对规模。尽管存在潜在危机或自然灾害，但外汇市场的流动性往往保持强劲。

Stenfors 博士阐明了专业外汇市场的竞争本质，并指出了其国际范围。如果不同时交易另一种货币对，则不可能在该市场交易单一货币对。这一特征将外汇市场与股票市场区分开来，后者购买股票更为普遍和直接。此外，中央银行可以通过印钞或直接干预等行动影响货币价值来干预外汇市场，而这种干预在股票市场上并不常见。此外，外汇市场在没有监管、断路器和透明度的情况下运作，这使得为研究目的获取可靠数据变得具有挑战性。

Stenfors 博士解释了外汇市场流动性的核心，他强调了银行之间关系和惯例的重要性。与传统的股票和股票市场不同，外汇市场的做市商无法报价或提供流动性，除非他们知道另一方已准备好回报。在外汇掉期市场，竞争对手的买卖价差往往集中在特定数字附近，有趣的是，竞争对手经常报出完全相同的价差，而不是提供不同的价差。

Stenfors 博士讨论了外汇交易行业的市场惯例，重点是基于价格和交易量的惯例。这些惯例规定了适当的交易行为，并促进了银行与客户之间的牢固关系。调查表明，只有一小部分交易员主要出于盈利目的而遵循惯例，而大多数人将其视为培养关系和保持积极市场形象的一种手段。算法交易的兴起带来了这些惯例的变化，算法交易占EBS等平台交易的70%以上。

Stenfors 博士讨论了算法交易对外汇市场的影响。支持者认为，高频交易可以提高市场效率、降低交易成本并提高流动性。然而，怀疑论者认为算法不适合遵守最初为人际关系设计的惯例。当市场在尝试执行交易时迅速移动时，使用电子平台的交易者可能会面临挑战。流动性现在被认为是复杂且难以确定的。尽管对算法有不同的看法，但双方都同意外汇流动性正在发生变化，需要仔细检查。 Stenfors 博士展示了来自一个交易平台的数据，表明 2010 年人工交易和算法交易之间的平分秋色。

在检查外汇市场的交易量和流动性时，Stenfors 博士以欧元美元货币对为例。他透露，三个交易日以来，欧元兑美元限价单总量为1.8万亿美元，点差仅为0.08%。这表明市场流动性高，点差很小。然而，只有不到 1% 的限价订单真正促成交易，而且限价订单的平均生命周期仅为 2.5 秒。这些发现表明，虽然市场可能看起来具有流动性，但其真正的流动性可能没有表面上那么重要。 Stenfors 博士提出了是否可以迅速获得流动性的问题，并进行了测试以确定市场是否对尝试的交易迅速做出反应。

Stenfors 博士分享了他关于限价订单提交对外汇市场流动性影响的研究。他分析了 140 万个限价订单提交，发现新的限价订单会立即为订单簿的另一端增加流动性，从而使高频交易者受益。然而，流动性在 0.1 秒内消失，这表明算法交易仅有助于短期流动性。 Stenfors 博士强调了在过去十年中支持外汇市场流动性的意愿发生了重大转变，强调了考虑流动性各个方面的重要性，例如基于价格的流动性、基于数量的流动性、基于社区的流动性，以及分析市场时基于速度的流动性。

Stenfors 博士解释了外汇交易中不同订单类型的概念及其伦理含义。他阐明了拆分订单用于将大订单分成较小的订单，以防止其他交易者取消他们的订单并隐藏信息丰富的订单。然而，勺子订单会造成对市场状态的错误印象，在大多数市场中通常是非法的。另一方面，旨在提取隐藏市场信息的 ping 订单争议较少，但有待解释。 Stenfors 博士还介绍了他对拆分订单的保守定义，透露在所检查的五种货币对中，它们占欧元美元和美元日元订单的 15-20%。

Stenfors 博士深入研究了拆分订单的使用及其在外汇市场上的攻击性。与流行的看法相反，大订单通常表现出高攻击性，拆分订单不仅可以掩盖更大的金额，还可以使算法交易者提交更具攻击性的订单。然而，与典型的人工订单相比，市场对拆分订单的反应要明显得多，并且算法会迅速适应这种策略，从而降低拆分订单的效果。讨论还涉及欺骗和ping，表明欧元美元和美元日元等主要货币对对信息高度敏感，使其容易受到欺骗，而ping用于通过订单测试市场并观察任何反应来提取隐藏信息.

Stenfors 博士展示了他开发的一个代理，用于分析各种外汇市场中“ping”的流行程度。 ping 订单在任何市场变化发生之前被取消，使其成为 ping 活动的潜在指标。 Stenfors 博士使用综合数据库估计，欧元和黄色市场中约 10% 的订单可能是潜在的 ping 订单。然而，在欧元瑞典和美元卢布等市场，这一比例显着增加，分别高达 50% 和 80%。值得注意的是，ping 在平台上交易较少的市场中似乎更为突出。 Stenfors 博士建议，研究流动性需要考虑不同的策略和订单生命周期，因为做市功能，尤其是在外汇流行市场，越来越多地由算法来执行。

Stenfors 博士讨论了外汇市场流动性不断变化的性质，并强调需要更广泛的指标来对其进行评估。他强调了障碍对订单策略的影响，例如拆分、欺骗和 ping。尽管这些问题已在股票市场中得到广泛研究，但它们对外汇流动性的影响可能大不相同，尽管外汇市场规模较大。 Stenfors 博士建议交易者无论使用何种订单提交方法都应了解这些复杂性，并为那些有兴趣进一步探索的人提供额外的资源。

Alexis Stenfors 博士对外汇市场进行了详细分析，特别侧重于流动性及其各个方面。他的研究突出了外汇市场的独特特征，包括其规模、竞争性质和国际范围。他强调了市场惯例的重要性、算法交易的含义以及不同订单类型对流动性的影响。通过他的研究，Stenfors 博士揭示了外汇流动性的复杂性和不断变化的性质，强调了在这个充满活力的市场中进行全面评估和理解的必要性。

• 00:00:00 Alexis Stenfors 博士讨论了外汇 (FX) 市场，尤其是流动性的重要性。他强调了外汇市场的规模及其与全球股票市场的比较规模。他还指出，流动性总体上非常好，即使在危机或自然灾害时期也是如此。 Stenfors 博士接着讨论了外汇市场在专业环境中的竞争性质及其国际性，这意味着一个人不能交易单一货币对而不交易其他货币对。
  
  
• 00:05:00 Alexis Stenfors 博士解释了外汇市场区别于股票市场的独特特征。外汇市场具有完美的对称性，即买入一种货币会自动卖出另一种货币，而股票市场则倾向于买入股票。此外，中央银行可以通过印钞或直接干预来调节货币价值来干预外汇市场，而它们通常不会干预股票市场。外汇市场也是一个没有熔断机制的不受监管的市场，它是一个场外交易市场，这使得它非常不透明并且难以访问用于研究目的的数据。
  
  
• 00:10:00 Alexis Stenfors 博士解释了外汇市场流动性的核心以及基于定价、数量和速度的不同类型的流动性。市场的流动性基于银行之间的关系和惯例，这与传统的股票和股票市场不同。做市商无法在不知道另一方将其收回的情况下报价或提供流动性。在外汇掉期市场，竞争对手价格的买卖差价往往集中在某些数字附近，有趣的是，竞争对手经常报出完全相同的差价而不是不同的差价。
  
  
• 00:15:00 Alexis Stenfors 博士讨论了外汇交易行业市场惯例的重要性，包括基于价格和交易量的惯例。这些公约涉及适当的交易行为和维持银行与客户之间的良好关系。调查显示，只有一小部分交易者遵循惯例来获利，而大多数人将其视为培养关系和维护良好市场形象的一种手段。随着算法交易的兴起，这些惯例正在发生变化，EBS 等平台上的算法交易显着增加，目前占交易量的 70% 以上。
  
  
• 00:20:00 Alexis Stenfors 博士讨论算法交易对外汇市场的影响。虽然一些人认为高频交易可以带来更高效的市场、更低的交易成本和更好的流动性，但其他人则认为算法不适合遵循人类关系的惯例。使用电子交易平台的交易者在尝试交易时可能会在市场变动时感到失望，而且流动性现在被认为是复杂且难以确定的。无论对算法的立场如何，双方都同意外汇流动性正在发生变化，需要更仔细地审视。 Stenfors 博士展示了一个交易平台的数据，该平台在 2010 年由 50% 的人工交易和 50% 的算法交易组成。
  
  
• 00:25:00 Alexis Stenfors 博士以欧元/美元货币对为例讨论了外汇市场的交易量和流动性。他指出，在三个交易日内，欧元兑美元的限价单总量为1.8万亿美元，点差仅为0.08%，是一个流动性极强的点差市场。然而，他继续讨论，只有不到 1% 的限价订单真正促成了交易，而限价订单的中位数寿命仅为 2.5 秒，这表明虽然市场看起来流动性很强，但它的流动性可能比看起来要低.然后他提出流动性是否可以快速提取的问题，并进行测试以检查市场是否在尝试交易时立即移动。
  
  
• 00:30:00 Alexis Stenfors 博士讨论了他关于限价订单提交对外汇市场流动性影响的研究。他分析了 140 万个限价订单提交，发现一个新的限价订单立即为限价订单簿的另一边增加了流动性，这对高频交易者有利。然而，0.1 秒后流动性就消失了，这与算法交易只在极短期内对流动性有利的观点是一致的。此外，他指出，在过去十年中，支持外汇市场流动性的意愿发生了重大变化。因此，在分析市场时，重要的是要考虑基于价格的流动性、基于数量的流动性、基于社区的流动性和基于速度的流动性。
  
  
• 00:35:00 Alexis Stenfors 博士解释了外汇交易中不同订单类型的概念及其道德含义。他解释说，拆分订单用于将大订单分解为较小的订单，以防止其他交易者取消订单并隐藏信息丰富的订单。然而，勺子订单在大多数市场都是非法的，因为它们会造成对市场状况的错误印象。 Ping 命令旨在提取有关市场的隐藏信息，不被认为是有争议的，但其意义因解释而异。该部分还讨论了 Stenfors 博士对拆分订单的保守定义，这导致在所检查的五种货币对中，欧元美元和美元日元的比例为 15-20%。
  
  
• 00:40:00 Alexis Stenfors 博士讨论拆分订单的使用及其在外汇市场中的攻击性。与流行的看法相反，大订单通常非常激进，拆分订单不仅用于掩饰更大的金额，而且还使算法交易者能够提交更激进的订单。然而，对拆分订单的反应比对典型的人类订单的反应要强烈得多，并且算法很快就会意识到这一点，从而使这些订单拆分策略不太成功。 Stenfors 博士还谈到了欺骗和 ping 的主题，他解释说，与普遍看法相反，欧元美元或美元日元等主要货币对对信息极为敏感，因此极易受到欺骗，而 ping 用于通过命令测试水域并观察任何反应来提取隐藏的信息。
  
  
• 00:45:00 Alexis Stenfors 博士讨论了他创建的一个代理，用于分析不同外汇市场中“ping”的显着程度。 Ping 订单是在市场发生任何变化之前取消的订单，使其成为潜在的 Ping 订单。 Stenfors 博士使用数据库计算出有多少订单可能是潜在的 ping 订单，并发现在欧元和黄色市场中大约有 10%，在欧元瑞典和卢布美元中高达 50% 和 80%。这里有趣的事实是，在平台上交易较少的市场中，ping 似乎更为突出。这意味着平台上的卢布交易量非常大，但没有实际交易进行，而且几乎 80% 的交易可能是由算法交易员执行的。 Stenfors 博士建议，如果你研究流动性，有很多方法可以研究它，重要的是看不同的策略并计算出订单的生命周期，作为做市商的功能，特别是在 FX pop市场正在转向越来越多地由算法来完成。
  
  
• 00:50:00 Alexis Stenfors 博士讨论了外汇市场不断变化的流动性以及对更广泛的指标进行评估的必要性。他还强调了订单策略障碍的影响，这可能导致分裂、欺骗和 ping。尽管这些问题已在股票市场中得到广泛研究，但它们对外汇市场流动性的影响可能大不相同，尽管规模更大。 Stenfors 博士建议交易者应该意识到这些复杂性，无论他们如何提交订单，并为有兴趣了解更多信息的人提供资源。

[MetaQuotes]

制定和回测您的交易策略 |完整教程

制定和回测您的交易策略 |完整教程

该视频首先介绍了一位经验丰富的量化分析师，他将提供有关使用基于云的平台 Blueshift 制定和执行交易策略的指导。 Blueshift 提供全面的数据集，包括美国和印度股票市场，以及详细的外汇数据。该会议涵盖系统策略、Python 入门、Blueshift 简介、创建可重复使用的回测模板、技术指标、使用单一指标构建简单策略以及管理投资组合策略。重要的是，该会议不提供交易建议或声称提供万无一失的策略。

演讲者强调了交易风格的不同方法，例如基本面、技术面和量化，以及它们如何以独特的方式处理趋势、均值回归、突破和套利。设计系统的交易策略包括选择证券、生成买入和卖出信号、计算目标投资组合、执行交易以及不断改进流程。演讲者解释了系统策略所需的输入，包括价格数据及其转换、基本面和非市场信息以及交易规则/逻辑。这些规则可以基于交易者的假设或通过机器学习和人工智能等数据驱动技术来制定。

演讲者强调了通过回测和前向测试来测试交易策略的重要性。回溯测试帮助交易者验证他们假设的有效性，而前向测试则可以防止数据挖掘偏差、幸存者偏差、市场影响建模和前瞻性偏差等偏见和陷阱。灵活的回测平台对于调整和修改策略至关重要，风险管理和投资组合创建至关重要，因为并非所有策略在每个市场都表现良好。演讲者简要介绍了如何在 Blueshift 平台中使用基于 Python 的代码进行策略创建和测试。

该视频解释了在 Blueshift 上回测交易策略所需的四个基本功能。这些函数是“initialize”，它设置初始参数，“before_trading_start”，在每个交易时段之前调用，“handle_data”，在每个新的价格柱到达时执行，以及“analyze”，用于策略分析。演讲者演示了调用这些函数的顺序以及交易者如何在每个函数中放置他们的代码。本节最后对在 Blueshift 平台中使用 Python 进行了基本介绍。

对于不熟悉 Python 的观众，该视频提供了 Python 基础知识的入门知识。它涵盖了变量、字符串、整数、浮点数以及字典和列表等数据结构。还介绍了Python中函数和类的创建。然后，该视频深入探讨了 Blueshift 工作流程，解释了“初始化”、“before_trading_start”、“处理数据”和“分析”步骤。计划和排序功能的有用性被突出显示。

演示者讨论了 Blueshift 中的三个主要排序函数。第一个函数“order_percent_target”允许交易者根据目标投资组合的权重在基础资产中建立头寸。第二个函数“get_open_orders”提供挂单数量，第三个函数“cancel_order”允许取消订单。演示者强调了控制交易环境的重要性，并演示了“set_commission”、“set_slippage”和“set_account_currency”等功能。解释了 Blueshift 中的“上下文”和“数据”对象，展示了它们在捕获算法状态和访问数据方面的作用。一个示例说明了使用“历史”功能访问投资组合和数据以实现简单的买入并持有策略。引入了使用“schedule”函数进行调度的概念，允许用户定义何时调用特定函数。

本教程侧重于创建模板以简化策略开发并避免重复代码。导入了 TLE 等技术指标库和 Pandas 和 Numpy 等标准库。证券范围缩小到主要指数，“上下文”变量被初始化为字典来存储策略参数。这些参数包括指标回顾、买入/卖出阈值、移动平均周期、RSI、B 波段、ATR 和交易频率。该模板旨在最小化样板代码并标准化参数以便于修改。

演讲者引入了一个变量来控制交易，并为宇宙中的每种工具创建一个具有权重的投资组合。为了演示目的，他们将佣金和滑点设置为零。 “handle_data”函数定义为每 15 分钟执行一次交易。 “run_strategy”函数成为运行策略的主要函数。它在使用“context.universe.prices”函数重新平衡之前检索过去的价格并计算权重。 “再平衡”功能遍历宇宙中的所有证券并下单以达到目标权重。定义了一个匿名函数来打印上下文投资组合和权重，并创建了一个“顾问”类来计算权重对象。

演讲者解释了如何为“顾问”类定义输入，包括名称和信号函数，以及如何传递选股宇宙。它们包括初始化和存储顾问的性能，以及定义调用信号函数以生成买入/卖出信号的主要函数。演讲者强调根据技术指标定义信号函数，通常表示为过去价格的加权函数。他们建议参考 AQR Capital Management 的 Cliff Asness 等专家的理论论文。

基于使用主成分分析的统计分析，讨论了技术指标及其与市场的相关性。技术指标充当过去价格或回报的过滤器，通过过滤高频或低频数据来捕捉长期或短期趋势。然而，技术指标可以是自我实现的预言，并且容易受到某些类型的交易算法的影响，这些算法可能导致动量或止损狩猎。在开发和回测交易策略时，拥有不同指标的组合非常重要。

讲师解释导入技术分析库并列出可用的技术指标。使用 Bollinger Bands 的示例，讲师演示了函数“Bbands”以检索最后一行的值。还展示了其他功能，如 RSI、MACD、斐波那契支撑、阻力等。讲师解释了“get_price”函数和“handle_data”函数，它检查每个周期是否到了交易时间。 “run_strategy”函数使用“advisor_compute_signal_price”函数寻找合适的参数，然后使用“rebalance”函数为目标百分比下单。最后，“analyze”函数用于策略分析。

演讲者侧重于管理策略组合以提高算法交易利润。建议不要依赖单一策略，而是同时或在不同时期运行多个策略。讨论了管理战略投资组合的四种方法：创建委员会、使用机制转换模型、动态分配和基于因子的投资。平均可以提高信号稳定性。该策略的代码涉及添加负责选择顾问和分配资金的代理人。代理使用加权函数来更新顾问权重，这会影响再平衡函数。

演讲者解释了如何根据顾问的数量定义和权衡投资组合，并为每个顾问分配相同的资金。他们演示了如何创建独立的专家顾问和代理人来在他们之间分配资金。与个别案例相比，使用 QuickBacktest 进行的回测显示性能显着提高。演讲者强调了回撤在交易策略中的重要性，并建议查看 Sortino 比率和损益曲线的稳定性。等加权平均投入组合显着提高了性能，但还有进一步改进的空间。

演讲者介绍了“无悔交易”的概念，即在难以预测的市场中确定最佳表现的投资策略。该策略不依赖于单一投资，而是涉及改变每项投资的权重。演讲者建议使用指数梯度算法来确定权重，并根据投资组合对市场情景的反应来调整权重。凯利准则也被建议用于资本配置，基于几何布朗运动最大化回报与方差。

演讲者解释了权重的输出以及它们对于不同的顾问有何不同。他们测试一个随机信号，如果它是真正随机的，那么与其他信号相比，理想情况下该信号获得的分配更少。演讲者讨论了代理函数，它采用顾问列表和学习率参数，并计算权重函数。它遍历顾问列表，计算顾问信号，按部门聚合它们，并根据计算出的权重更新上下文权重。该部分最后给出了策略开发指南，包括避免过度拟合、检查账户杠杆以及提供演示策略列表供观众探索。

演讲者讨论了不同的远期测试方法，例如模拟交易或在真实市场中以少量资金进行交易。他们提到 BlueShift 目前不支持 PI torch 或 Jupiter Notebook，但计划支持 Keras 和 TensorFlow。该平台不仅限于印度市场，还可以访问美国和印度的股票数据以及外汇数据。演讲者指出，BlueShift 目前没有内置调试工具，但考虑在未来添加它们。

演讲者谈到了期权回测，并提到大多数提供它的平台都不可靠或需要大量的数据清理和整理。他们还指出，印度引力子只支持流动性期货，不允许第三方数据馈送。推荐的最短回测时间段取决于交易频率，虽然印度市场的一分钟数据可用，但由于技术限制，优化运行效率不高。 BlueShift不收取任何费用，同时回测的数量也没有限制，只要网站流量能承受即可。可以对 PSA 进行回测并使用 Python 包，但出于安全原因，可用包的列表有限。

演讲者解释说，回溯测试是制定和评估交易策略的关键步骤。它有助于在将策略部署到实际市场之前确定该策略是否可行且有利可图。他们强调了在回溯测试时考虑交易成本、滑点和其他现实因素的重要性，以确保获得真实的结果。

演讲者介绍了 BlueShift 平台，该平台提供了一个用于回测和部署交易策略的环境。 BlueShift 支持对印度股票、美国股票和外汇市场进行回测。用户可以使用 Python 编写和测试他们的策略，并利用各种内置函数和库。该平台还允许用户根据自己的喜好模拟交易他们的策略或使用真实资本进行交易。

演讲者强调了前瞻性测试的重要性，前瞻性测试涉及在真实市场中部署具有少量资金的策略。这有助于在实时条件下验证策略的性能和行为。他们提到，BlueShift 目前支持印度市场的前瞻性测试，用户可以使用高达 1 千万（1000 万）印度卢比的虚拟资金进行纸面交易。

还讨论了期权回测，演讲者提到许多现有的期权回测平台不可靠或需要大量数据清理和准备。他们指出，BlueShift 目前不支持期权回测，但可能会考虑在未来添加。

关于数据可用性，演讲者提到 BlueShift 提供印度股票、美国股票和外汇市场的历史数据。但是，他们指出，由于技术限制，针对印度市场使用一分钟数据优化策略可能效率不高。

演讲者澄清 BlueShift 不收取任何回测或使用该平台的费用。用户可以进行任意次数的回测，只要网站流量能够承受负载即可。他们还提到，出于安全原因，BlueShift 有可用 Python 包的限制列表，但用户仍然可以利用流行的包，如 pandas 和 numpy。

演讲者强调了在策略制定中进行全面回测和前向测试的重要性。他们鼓励用户利用 BlueShift 平台进行回溯测试和部署他们的交易策略，同时牢记演示期间讨论的限制和注意事项。

• 00:00:00 主持人介绍一位经验丰富的量化分析师，他将指导观众如何使用基于云的策略开发平台 Blueshift 来制定和执行交易策略。该量化分析师将 Blueshift 描述为拥有包括美国和印度股市在内的数据集，以及具有分钟级数据的作弊外汇。该会议将涵盖有关系统策略的简要要点、Python 的简短入门、Blueshift 简介、创建可重复使用的回溯测试模板、技术指标、使用单一技术指标创建简单策略以及管理不同的投资组合策略方法。该会议不是关于交易建议或提供始终有效的最佳策略。
  
  
• 00:05:00 演讲者提到不同的交易风格，如基本面、技术面和量化，以不同的方式处理趋势、均值回归、突破和套利。他们还讨论了如何设计系统的交易策略，包括选择证券范围、生成买入和卖出信号、计算目标投资组合、执行策略以及不断改进流程。此外，演讲者解释了开发系统策略的输入，例如价格及其转换、基本和非市场信息以及交易规则或逻辑，这些可以通过交易者的假设或通过使用机器学习让数据告诉规则来开发和人工智能。
  
  
• 00:10:00 演讲者讨论了测试交易策略的重要性，包括回测和前向测试。回溯测试允许交易者通过测试他们的策略来确定他们的假设是否正确，而前向测试可以防止偏见，例如数据挖掘偏见、幸存者偏见、市场影响建模和前瞻性偏见。演讲者强调需要一个灵活的回测平台来调整和修改策略，但也强调了投资组合创建和风险管理的重要性，因为并非所有策略在所有市场中都表现良好。最后，演讲者简要介绍了如何在 blue shift 平台中使用基于 Python 的代码来创建和测试交易策略。
  
  
• 00:15:00 演讲者解释了使用特定平台回测交易策略所需的四种不同功能。第一个函数是initialize，用于设置回测的初始参数。第二个在交易开始前调用，每天在交易时段开始前调用。第三个函数是处理数据，在每个新价格柱到达时调用，最后一个函数称为分析。演讲者还展示了根据所选数据集调用每个函数的顺序，以及如何确定将代码放在每个函数中的位置。本节最后简要介绍了如何使用 Python 进行编码。
  
  
• 00:20:00 为那些可能不熟悉该语言的人解释了 Python 基础知识。讨论了变量、字符串、整数和浮点数的使用，以及字典和列表等数据结构。还介绍了Python中函数和类的创建。然后视频继续解释 Blueshift 工作流程中的四个步骤：初始化、before_trading_start、handle_data 和分析。还解释了调度和排序函数的用处。
  
  
• 00:25:00 主持人讨论了交易平台 Blue Shift 中使用的三个主要订购功能。第一个功能是订单百分比目标，它用于在目标投资组合的权重中建立标的资产头寸。第二个函数是get open orders，它提供了需要执行的订单数量，第三个函数是cancel order。此外，演示者还解释了控制交易环境的重要性，并提供了如何使用设置佣金、设置滑点和设置账户货币等功能来实现这一点的示例。演示者还解释了 Blue Shift 中的上下文和数据对象，它们如何用于捕获算法状态和访问数据，并提供了一个示例，说明如何使用简单的买入并持有策略访问您的投资组合和数据历史功能。最后，演示者介绍了使用 schedule 函数进行调度的概念，该函数可用于根据日期和时间来定义何时调用函数。
  
  
• 00:30:00 本教程的重点是创建供交易者使用的模板，以避免重复代码。本教程导入技术指标库，例如 TLE 和 Pandas 和 Numpy 的标准库。然后将 universe 简化为两个主要索引，并将上下文变量初始化为一个字典，用于在一个地方存储策略参数。这些参数包括指标回顾、买卖阈值、快速移动平均线和慢速移动平均线的周期、RSI、B 波段和 ATR，以及交易频率。此模板对于最小化样板代码和标准化参数以便于更改非常有用。
  
  
• 00:35:00 演讲者添加了一个变量来控制交易并为 Universe 中的每种工具创建权重组合。为了演示目的，他们将佣金和滑点设置为零。定义 handle_data 函数以确保交易每 15 分钟发生一次。 run_strategy 函数被创建为运行策略的主要函数。该函数调用 context.universe.prices 以获取所选期货的过去价格并在重新平衡之前计算权重。 rebalance 函数用于查看宇宙中的所有证券并下单以达到目标权重。演讲者还定义了一个匿名函数来在最后打印上下文组合和权重，并创建一个名为 advisor 的类来计算权重对象。
  
  
• 00:40:00 演讲者讨论如何定义顾问类的输入，包括名称和信号函数，以及如何传递选股范围。他们还介绍了如何初始化和存储顾问的性能，以及定义将调用信号函数以生成买卖股票信号的主要函数。演讲者强调了根据技术指标定义信号函数的重要性，它可以表示为过去价格的加权函数。他们还建议阅读该领域专家的理论论文，例如 AQR Capital Management 的 Cliff Asness。
  
  
• 00:45:00 演讲者通过主成分分析基于统计分析讨论技术指标及其与市场的相关性。技术指标可以被认为是过去价格或过去回报的一种过滤器，过滤高频或低频数据以获取长期或短期趋势。然而，技术指标可以是自我实现的预言，使它们对赚钱有用，但受制于可能导致动量或止损狩猎的某些类别的交易算法。此外，仅仅因为动量指标显示动能，并不一定意味着市场处于动能状态。因此，在开发和回测交易策略时，拥有不同指标的投资组合会派上用场。
  
  
• 00:50:00 讲师讲解技术分析库导入和可用技术指标列表。他们使用 Bollinger Bands 函数的示例调用库函数“Bbands”以返回最后一行的值并显示其他函数，如 RSI、MACD、Fibonnaci 支持、阻力等。讲师还解释了“gate price”函数和为每个周期调用的“处理数据”功能，以检查是否到了交易时间。然后，“运行策略”功能使用“顾问计算信号价格”功能寻找合适的参数，然后“再平衡”功能循环遍历宇宙中的所有证券以下订单以达到目标百分比。最后，'analyze' 函数用于分析回测策略。
  
  
• 00:55:00 演讲者讨论了管理策略组合以提高算法交易利润。演讲者建议同时或在不同时间段运行多个策略，而不是依赖单一策略。演讲者提供了四种管理战略投资组合的方法：创建委员会、制度转换模型、动态分配和基于因子的投资。通过取平均值，我们可以提高信号的稳定性。该策略的代码涉及添加一个负责选择顾问和分配资金的代理人。代理使用加权函数来更新每个顾问的权重，这些权重在再平衡函数中被考虑在内。
  
  
• 01:00:00 演讲者解释了他们如何根据顾问的数量定义和权衡投资组合，并为所有顾问分配相同的资金。他们展示了如何创建独立的专家顾问，然后创建一个代理来在他们之间分配资金。他们使用 QuickBacktest 运行回测，与个别案例相比，这表明性能有了显着提高。演讲者强调了回撤在交易策略中的重要性，并建议查看 Sortino 比率和盈亏曲线的稳定性。总体而言，等加权平均输入组合的性能有显着改善，但发言人表示仍有改进空间。
  
  
• 01:05:00 演讲者讨论了一个称为“无悔交易”的概念，该概念涉及尝试确定哪种投资策略在难以预测未来趋势的市场中表现最佳。该策略涉及改变每项投资的权重，而不是依靠一项投资来超越其他投资。演讲者推荐使用指数梯度算法确定权重，根据投资组合对市场情景的反应调整权重。演讲者还建议使用凯利标准来分配资本和最大化回报与方差，基于几何布朗运动，以确定权重。
  
  
• 01:10:00 演讲者解释了权重的输出以及不同顾问的权重差异。然后他们测试一个随机信号，如果函数是真正随机的，那么与其他信号相比，理想情况下该信号应该获得更少的分配。演讲者还谈到了采用顾问列表和学习率参数并计算权重函数的代理函数。它遍历顾问列表，计算顾问信号，按扇区将它们相加，并将计算出的权重发送回上下文权重。然后，演讲者总结了该部分的一些策略开发指南，包括避免过度拟合和检查账户杠杆，并提供了一个演示策略列表供观众探索。
  
  
• 01:15:00 演讲者讨论了远期测试的不同方式，包括模拟交易或在真实市场中以少量资金进行交易。他们还提到，BlueShift 目前不支持 PI torch 或 Jupiter notebook，但计划支持 Keras 和 TensorFlow。此外，该平台不限于印度市场，可以访问美国和印度的股票数据和外汇数据。演讲者还指出，BlueShift 目前没有内置调试工具，但正在考虑在未来添加它们。
  
  
• 01:20:00 演讲者讨论了期权回测并解释说大多数提供它的平台都不可靠或需要大量数据清理和整理。他们还提到 Indian Gravitons 只支持流动性期货，不允许任何第三方数据输入。推荐的回测最短时间段取决于交易频率，虽然可以获得印度市场的一分钟数据，但由于缺乏技术和基于预期回报优化参数的偏好，优化运行效率不高。 Blue Shift 不收取任何费用，并且对可以同时运行的单独回测的数量没有限制，只要网站流量可以容纳它们即可。也可以对 PSA 进行回溯测试并使用 Python 包，尽管出于安全原因，可用包的列表有限。

[MetaQuotes]

外汇交易策略 |开发和回测交易理念 |完整的外汇教程

外汇交易策略 |开发和回测交易理念 |完整的外汇教程

在这次信息丰富的网络研讨会中，演讲者全面概述了 Quantiacs BlueShift，这是一个用于系统交易策略研究和回溯测试的强大策略开发平台。该平台提供一系列特性和功能，使其成为交易者的理想工具。

BlueShift 是一个基于云的平台，这意味着用户可以从任何地方访问它，使他们能够随时随地制定和分析策略。它为用户提供内置的金融数据集，方便访问相关市场数据以制定策略。

虽然网络研讨会主要关注外汇 (FX) 市场，但 BlueShift 平台还支持跨多个市场的股票和期货交易。它强调在平台上开发的回测策略的知识产权完全属于用户，确保机密性和所有权。

演讲者深入探讨了外汇市场的本质，强调了其作为最大的去中心化市场的地位，日交易量达到惊人的约 5 万亿美元。在这一数量中，大约 3000 亿美元可归因于零售交易。演讲者讨论了外汇市场与股票市场不同的几个因素，例如更高的杠杆率、更容易的做空机会和相对较低的波动性。

为了解推动外汇市场的因素，演讲者指出了国际收支、利率、通货膨胀、经济增长和财政政策等宏观经济因素的重要性。他们还提到，企业和对冲流动，以及突然的政治和地缘政治变化，都会对市场产生相当大的影响。然而，值得注意的是，没有标准或广泛接受的外汇市场估值方法。演讲者简要提到了购买力平价和实际有效汇率等方法，以及大型机构和国际货币基金组织（IMF）首选的更先进的技术。此外，演讲者强调了短期融资市场在推动流动性和确定隔夜展期成本方面的重要性。

在谈到开发和回测外汇交易策略时，演讲者介绍了各种方法。货币模型和行为均衡汇率模型等经济模型使用计量经济学方法分析数据。数据驱动模型，包括时间序列预测、非线性时间序列和神经网络，也作为短期外汇交易的可行选择进行了讨论。 BlueShift 平台以用户友好的界面呈现，有助于策略开发和测试。用户可以输入数据集、启动资金和元数据描述等详细信息。该平台提供了用于完整回测以及运行快速回测的工具。 BlueShift 建立在 Python 的 Zipline API 之上，为用户提供了一个标准的策略模板来开始他们的开发过程。

演讲者详细阐述了外汇交易策略的基本结构和回测所需的关键功能。他们解释了“初始化”函数，它设置了浸信会参数和会计参数。 “交易开始前”功能在交易时段开始时每天调用一次，然后是“处理数据”功能，每分钟为迷你数据集调用一次。最后，“策略”功能使用 API 安排特定时间和日期，规则由用户定义。运行快速回测后，用户可以访问 Baptist 选项卡以查看不同的数据集，包括资产曲线、撕裂表和其他统计数据。

演讲者解释的撕纸提供了一组用于分析交易策略的报告。它包括诸如最大 Omega 比率、Sortino 比率、偏度、峰度、时间序列的稳定性等参数。演讲者演示了使用 BlueShift 的工作流程，其中包括初始化、“交易开始前”和“处理数据”，以及使用各种 API 功能，例如计划、设置佣金、设置滑点和设置账户货币。演讲者提到了外汇交易策略标准模板的可用性。

演讲者提到了 BlueShift 平台中外汇交易策略标准模板的可用性。该模板为用户提供了一个起点，通过定义他们的进入和退出规则、风险管理参数和其他定制选项来制定他们的策略。

BlueShift 平台还提供范围广泛的内置技术指标，包括移动平均线、震荡指标和趋势跟踪指标，可用于构建交易规则和信号。用户可以将这些指标与他们自己的自定义逻辑相结合，以创建独特的个性化策略。

为了验证和评估交易策略的性能，演讲者强调了进行严格回溯测试的重要性。 BlueShift 允许用户使用历史数据来模拟真实世界的交易场景来回测他们的策略。该平台提供全面的绩效指标，包括盈利能力、回撤分析、风险调整后回报以及夏普比率、索提诺比率和卡尔玛比率等各种比率。

一旦策略经过回测和验证，演讲者建议下一步是将其部署到实时交易环境中。 BlueShift 提供与多个经纪商的集成，允许用户直接从平台执行他们的策略。这种无缝集成确保了从策略开发到实时交易的平稳过渡。

演讲者在网络研讨会的最后强调了使用 BlueShift 进行外汇策略开发和回溯测试的好处。该平台提供了一个用户友好的界面，可以访问各种金融数据集，以及一套全面的工具和指标。它使交易者能够轻松高效地开发、测试和部署他们的外汇交易策略。

该网络研讨会详细介绍了 BlueShift 平台、其功能及其在外汇交易策略开发中的应用。它提供了对外汇市场、不同建模方法以及稳健回测的重要性的宝贵见解。希望增强其外汇交易策略的交易者可能会发现 BlueShift 是他们武器库中的一个有价值的工具。

• 00:00:00 演讲者概述了 Quantiacs BlueShift，这是一个用于系统交易策略研究和回溯测试的策略开发平台。它包括内置的财务数据集，并且在云端可用，因此用户可以随时随地制定和分析策略。网络研讨会以外汇为主，涵盖各个市场的股票和期货，所开发的回测策略的知识产权完全属于用户。演讲者接着描述了外汇市场，这是最突出的去中心化市场，每日交易量约为 5 万亿，其中 3000 亿是零售量。它与股票市场不同的因素包括更高的杠杆率、容易做空和更低的波动性，演讲者详细讨论了这些。
  
  
• 00:05:00 演讲者讨论了外汇市场的驱动力，强调了国际收支、利率、通货膨胀、经济增长和财政政策等宏观经济因素。企业和对冲流动，以及突然的政治和地缘政治变化等重大事件，也会对市场产生重大影响。演讲者指出，没有标准或广泛接受的外汇市场估值方法，尽管一些方法包括购买力平价和实际有效汇率，大型机构和国际货币基金组织更喜欢更先进的方法。演讲者还强调了短期融资市场的重要性，因为它们推动流动性并决定隔夜展期成本。
  
  
• 00:10:00 演讲者讨论了开发和回测外汇交易策略的不同方法。一种方法是通过货币模型和行为均衡汇率模型等经济模型，这两种模型都使用计量经济学方法来分析数据。时间序列预测、非线性时间序列和神经网络等其他数据驱动模型也可用于短期外汇交易。演讲者随后介绍了 BlueShift 平台，该平台通过允许用户输入数据集、启动资金和元数据描述等，为用户提供了一个用于开发和测试其交易策略的用户友好界面，然后提供了完整的工具——回测和运行快速回测。该平台基于 Python 的 Zipline API 构建，并为用户提供标准的策略模板。
  
  
• 00:15:00 演讲者讨论了外汇交易策略的基本结构和回测所需的关键函数。第一个函数称为“初始化”，它设置浸信会参数和会计参数。第二个函数是“交易开始前”，每天在交易时段开始时调用一次，然后是“处理数据”，每分钟为迷你数据集调用一次。最后，“策略”功能使用 API 安排特定时间和日期，规则由用户定义。运行 quick Baptist 后，用户可以访问 Baptist 选项卡以查看不同的数据集，包括资产曲线、撕裂表和其他统计数据。
  
  
• 00:20:00 演讲者讨论了撕纸及其在提供一组报告以分析交易策略方面的作用。 tear sheet 包括最大 Omega 比率、Sortino 比率、偏度、峰度、时间序列稳定性等参数。演讲者还解释了使用 Blueshift 的工作流程，从初始化开始，在交易开始之前进行，处理数据，并使用有用的 API 功能，如计划功能、设置佣金、设置滑点和设置账户货币。对于外汇市场，可以从一个标准模板开始，其中包括策略参数和从 Zip Line 的金融模块导入数据，如 GDP、通货膨胀、短期利率和长期利率。
  
  
• 00:25:00 演讲者讨论了如何设置用于开发外汇交易策略的基本模板。他们解释了在一个中心位置维护参数、定义宇宙和使用预定函数计算翻转的重要性。他们还详细说明了如何设置佣金和滑点，并重新定义了如何计算隔夜利息和技术指标。他们提到技术分析库是访问内置技术指标的有用资源。最后，他们强调可以随时取消回测运行，并建议使用这个基本模板开始开发更复杂的策略。
  
  
• 00:30:00 演讲者讨论了外汇中的系统策略以及它们如何围绕系统地寻找和利用因素展开。价值、动量、利差和防御策略等风险因素是外汇交易的四大基本因素。价值侧重于在估值方面对货币进行排名，而动量则依赖于时间序列和横截面动量的差异，做多排名靠前的证券，做空排名靠后的证券。利差策略利用货币对之间的利率差异。最后，防御策略假定低风险货币被低估而高风险货币被高估，并且他们关注风险调整后的回报。
  
  
• 00:35:00 演示者演示了如何使用 BlueShift 平台开发和回测各种交易理念。具体来说，他引入了一个称为信号函数进位的新函数，该函数计算交易领域中每个货币对的汇率差异，并将它们排序为顶部数字的多头头寸、底部数字的空头头寸和其他数字的 0 头寸。对动量因子和价值因子应用同样的方法，结合上述三种策略，也创建了一个因子篮子策略。演示者强调，开发不同策略所需的工作量很小，因为它主要涉及定义相关信号函数并在再平衡函数的适当位置调用它们。
  
  
• 00:40:00 演讲者解释了如何使用自动完成大部分工作的模板以最少的工作创建不同的外汇交易策略。演讲者还分享了一个策略范围，绘制了可以根据一个人的交易风格探索的策略类型，无论他们是量化交易者、技术日内交易者还是基本面交易者。在横轴上，频谱显示了一个人的利润来源，无论是趋势市场、矿产市场、突破市场还是利差市场，几乎是持平的。演讲者接着解释了每种交易风格的不同交易策略，例如动量类型策略、时间序列和横截面策略以及统计套利等。
  
  
• 00:45:00 演讲者讨论了在外汇交易中结合基本面、技术面和定量分析的重要性。他们解释说，虽然技术和定量分析通常更容易部署，并且可以让人们对系统策略产生信心，但基本面交易风格的最大价值来自基于事件的交易。然后，演讲者概述了系统交易策略的设计周期，包括选择宇宙、生成信号、确定目标投资组合以及分析绩效以持续改进。他们还谈到了避免回溯测试错误（例如先行偏差）以及利用 Blueshift 等强大平台进行偶数驱动回溯测试的重要性。
  
  
• 00:50:00 演讲者讨论了创建外汇交易策略所涉及的各个步骤，从构思阶段开始，然后进入回溯测试阶段。他强调了创建不相关策略的重要性，因为两个
  策略总是胜于一个。演讲者还提到了风险资本分配的不同方法，例如 LE 标准、等权重和动量加权策略。此外，他还提供了一个使用布林带技术指标的示例策略，并展示了令人印象深刻的回测结果统计数据。他最后强调了衡量策略回报随时间的稳定性的重要性，以确保一致性并避免过度拟合。
  
  
• 00:55:00 演讲者讨论了他们开发的各种交易策略，包括基于动量的策略和基于相关性的动量交易策略。他们还提供“FX Daily”模板，在每天开始时计算各种技术指标，并使用它们来决定是做多还是做空。演讲者强调了科学回测策略的重要性，避免策略在回测中表现良好但在实盘交易中失败的优化陷阱。目标应该是优化前瞻性的现场表现，而不是基于一小组变化的回溯测试表现。
  
  
• 01:00:00 演讲者讨论了在开发和回测交易想法时过度优化的问题。过度优化会导致夏普比率下降，从而导致实时交易无效。演讲者提出了四个选项来解决这个问题。一个建议是使用适应性策略来应对市场变化。另一个建议是使用变化点分析或隐马尔可夫模型等统计解决方案，根据市场变化来翻转策略。第三个建议是进行稳定因素研究，以确定已在理论上和实证上证明能够提供盈利交易的因素。最后，演讲者建议使用样本外测试，即在优化过程中未使用的数据上测试模型，以确保模型不会过度拟合。
  
  
• 01:05:00 该视频讨论了提取和隔离因素的重要性，这些因素可以在外汇交易中带来稳定一致的回报。其中一个因素是动量，它具有强大的实证基础，在任何市场中都是一个很好的策略，除了偶尔的动量崩溃。该视频还讨论了验证技术，例如交叉验证，这在外汇市场中可能具有挑战性，因为它打破了时间序列的连续性。相反，交易者可以计算生成的信号数量和每笔交易的持续时间，以随机化另一组信号，并将它们与回溯测试的信号进行比较，以确定该策略的稳健程度。此外，该视频强调自动化不是黑匣子，交易者应该了解驱动损益的潜在因素以及每种策略所涉及的风险。
  
  
• 01:10:00 演讲者表示，战略不是关于人与机器的对抗，而是关于人与机器的协同工作。人脑更适合提出假设，而机器追逐假设的速度更快。在对Blue Shift平台用户的策略开发建议方面，演讲者建议在上下文环境中使用所有策略参数，检查账户杠杆，使用每周或每日策略的计划功能，测试实践结果并检查是否过拟合。还鼓励用户尝试平台 Github 帐户上可用的特定外汇策略，并在需要时寻求支持。最后，来自 FXCM 的 Liza 邀请用户联系他们，询问他们对外汇市场数据的任何疑问。
  
  
• 01:15:00 演讲者回答了用户的各种问题，例如会话是否会被录制（是），他们是否可以实时交易（否），以及他们是否会谈论平台和策略测试（已回答）。他们还表示，他们目前通过 fxcm 涵盖美国和印度股票市场以及前 10 大货币，但计划很快添加加密货币。演讲者还谈到了调试问题，提到他们目前没有好的调试器，但可以使用基本的打印语句。最后，他们提到 Python 不允许“supply not tally”，但不理解用户的意思。
  
  
• 01:20:00 演讲者讨论了由于与宏观经济因素的密切联系，很难找到准确涵盖外汇市场所有预期市场走势的少量历史数据。定义一个可以代表所有预期市场条件的数据集是一项挑战。虽然演讲者不能为初学者推荐任何特定的书籍来学习外汇交易，但他建议阅读 IMF 等中央银行的研究文章，这些文章提供面向外汇的报告，对于初学者来说是一个很好的起点。在高频交易方面，每秒发送数千个订单对于零售交易者来说通常是不可持续的，演讲者不建议将数据分为样本内和样本外测试。相反，建议进行随机测试以生成随机信号。
  
  
• 01:25:00 演讲者讨论回测和基于因素的投资。他们强调在回溯测试中分析信号和交易持续时间以更好地理解结果的重要性。他们还讨论了基于因素的投资的潜在风险，例如过度拥挤和因素是 beta 的事实，这意味着它们不会始终如一地起作用。然而，他们确实表明，从长远来看，基于因素的投资对非技术人员可能是有益的。演讲者还解决了有关交易的必要统计背景以及用于分析的其他 Python 库的可用性的问题。他们得出结论，虽然 Python 的基本知识很有帮助，但重点应该放在开发策略逻辑上，而不是编程语言方面的专业知识。但是，由于潜在的性能和对齐问题，目前没有可用于以 15 分钟为间隔重新采样的内置函数。
  
  
• 01:30:00 演讲者认为最好创建 reefs 和 ampuls，将它们存储在数据库中，并作为现成的输出提供，而不是创建一个神秘的采样库，这样用户可以更有效地使用它们。在价格行为策略方面，演讲者提醒您至少需要二级或更高级别的数据才能有效地制定它们。此外，他们表示，当前可用的数据不足以创建有效的价格行为策略，而且他们可能无法很快提供这些数据。当被问及关于在 MCX 之外交易货币对的法律规定时，发言人表示，必须经过验证才能进行投资或对冲目的，除此之外他们知之甚少。
  
  
• 01:35:00 演讲者解释了在交易策略中结合技术指标并在实际市场情况下实施之前使用模拟账户对其进行回测的过程。演讲者强调，交易者应该选择相互补充的指标，而不是相似的指标，并且他们应该意识到每个指标在策略中的重要性。模拟账户允许交易者在不同情况下测试他们的策略，并在拿真实资金冒险之前评估其有效性。

[MetaQuotes]

EPAT 如何帮助您！通过 Nitesh Khandelwal - 2018 年 6 月 28 日

EPAT 如何帮助您！通过 Nitesh Khandelwal - 2018 年 6 月 28 日

演讲者 Nitesh Khandelwal 介绍了自己和他的公司 ConTeSt，该公司在过去八年中一直提供算法和量化交易教育。他首先分享了他的个人背景，从他的工程师时代到他在银行业的经历。然后，他重点介绍了执行程序算法交易 (EPAT) 的推出，这是一个为期六个月的计划，提供咨询、培训和向高频交易 (HFT) 领域交易的平稳过渡。 Khandelwal 提到了他在新加坡的经历，他在那里为全球交易所设立了测试，并在全球范围内扩展了业务。

接下来，Khandelwal 讨论了算法交易及其与 DIY（自己动手）交易相比的增长。他分享了表明算法交易在亚洲、欧洲和美国显着增长的统计数据，强调交易员现在更喜欢自己做出交易决定而不是依赖经纪人。然而，他指出，虽然算法交易构成了印度市场活动的重要组成部分，但零售参与度仍然相对较低。 Khandelwal 引用了彭博社的一篇文章，该文章探讨了机器人在取代金融工作方面的作用越来越大。

Khandelwal 继续解释了为什么零售交易员无法采用算法交易，并提出了确保算法成为推动因素而非威胁的方法。他强调在向自动化过渡时需要统计和技术知识、获得优质市场数据和高效经纪人以及从业者的指导。他解释了如何创建 EPAT 来满足这些需求，并为对算法交易或自动化策略感兴趣的个人提供指导。

接下来，Khandelwal 讨论了 EPAT 的特性。他提到该计划提供了由从业者、领域专家和领先的基金经理创建的丰富内容。课程不断更新以符合市场需求，并提供对更新内容的终身访问权限。 EPAT 包括一个专门的支持团队来解决查询、教师对校友的指导，以及一个职业小组，协助寻找工作机会、设立交易柜台、寻找相关经纪人和数据供应商等。此外，EPAT 参与者可以访问仅供他们使用的专有功能。

Khandelwal 强调了 EPAT 入门模块的重要性，它确保所有参与者在同一页面上开始课程。入门模块涵盖了 Excel、Python、统计和金融市场的基础知识，它们是算法交易的基本构建块。他解释了入门模块如何随着时间的推移而演变以从程序中提供最大价值提取。此外，Khandelwal 讨论了 Python 作为算法和典当交易中使用最广泛的编程语言的相关性，从而将其纳入 EPAT 计划。

然后，演讲者深入探讨了 EPAT 中涵盖的不同模块以及如何处理这些模块。该计划涵盖 Python 中的数据分析和建模、高级统计方法、股票效应和期货策略，以及用于交易的机器学习。 Khandelwal 强调了解交易策略背后的基础设施和操作的重要性，以及期权交易策略、投资组合优化和算法交易中的操作风险。他还强调了在领域专家的指导下完成项目并参加 EPAT 考试以获得经过验证的证书的重要性。

Khandelwal 概述了 EPAT 证书计划，该计划跨越六个月，包括 100 多个小时的课堂连接、实践经验和 300 多个小时的课程作业。他提到了教授该项目的杰出教师，包括从业者、学者和成功的交易员。该计划提供安置机会，并协助参与者准备简历和面试、确定技能差距以及接触经纪人和投资银行等安置合作伙伴。 EPAT 参与者还可以访问特权经纪数据和 API 提供商，以及 Contra Blue 模拟器等高级回测工具。

此外，Khandelwal 还讨论了 EPAT 的好处以及它如何为参与者增加价值。他提到了访问印度市场和标准普尔 500 指数股票的分钟级数据、继续学习机会、职业援助和校友聚会。他强调 EPAT 不仅仅是一个证书，它还为现有技能组合提供了一个基本的量化维度。 Khandelwal 澄清说，EPAT 专注于教授参与者如何创建和验证交易策略，而不是提供现成的工作策略。他承认，策略的成功率因基础设施访问、风险管理和风险偏好等因素而异。

在研究了 EPAT 之后，Khandelwal 提出了一个问题，即技术分析师是否可以使用 MACD 交叉、移动平均线和 RSI 等策略自动进行交易。他确认该计划涵盖了这些策略，确保参与者拥有实现交易自动化的知识和工具。

然后演讲者继续讨论启动自己的算法交易台所需的投资，并解释说分析师的税收取决于交易台的频率。他提到 EPAT 主要关注低频和中频交易，但也涵盖高频策略的各个方面。该程序结合了 Python、Excel、R 和 MATLAB，需要编程技能和概念清晰度。 EPAT 指导学生建立自己的交易柜台。虽然 EPAT 不保证工作安置，但他们会为寻求工作的校友提供指导。

Khandelwal 澄清说，虽然 EPAT 不提供安置保证，但他们确实提供咨询，以确保候选人在注册该计划之前对算法交易有基本的了解。由于该项目广泛的安置合作伙伴网络，他强调了许多积极寻求 EPAT 学生找到工作或改变职业的成功。他提到 EPAT 的学习管理系统提供所有课程和更新内容的终生访问权限，课程需要大约 300 小时的时间承诺，每天花一个小时可以分摊到三个月内。 Khandelwal 强调，EPAT 对实际实施的关注使其有别于更多的理论课程。

Khandelwal 讨论了 EPAT 课程的费用结构，发达市场为 4,720 美元，印度为 189,000 印度卢比加商品及服务税。他还提到需要经纪人和 API 来编写策略，并解释说尽管 EPAT 团队在印度和新加坡取得了更大的成功，但参与者可以期待在香港获得职业帮助。他建议，虽然 EPAT 模块是相互依存的，应该作为一个整体来看待，但对于那些交易知识有限的人来说，每天一到两个小时的努力就足够了。他最后提到 EPAT 课程涵盖所有类型的交易策略范例，并为参与者和校友提供远程工作机会。

在结束语中，演讲者强调 EPAT 计划是全面的，并提供对所有模块的完整访问，这对于希望进入算法交易领域的具有技术背景的个人来说非常有价值。他们提到该领域提供的各种工作机会，许多 EPAT 参与者在完成该计划后开始自己的企业或在知名公司找到工作。演讲者强调了解基本统计、相关和回归对于在该领域取得成功的重要性。最后，他们强调自动交易策略确实能产生利润，占印度总交易量的近 50%，这表明对算法交易感兴趣的人具有巨大潜力。

• 00:00:00 Nitesh Khandelwal 介绍了他自己和他的公司 ConTeSt，该公司在过去八年中一直提供算法和量化交易教育。他还分享了他的个人背景，从他的工程师时代到他在银行业的经验，最后推出了执行程序算法交易 (EPAT)，这是一个为期六个月的项目，提供咨询、培训和向交易的平稳过渡高频交易 (HFT) 领域。 Khandelwal还简要介绍了他在新加坡为全球交易所设立测试和从全球视野拓展业务的经历。
  
  
• 00:05:00 Nitesh Khandelwal 谈到了他在 Core Density 方面的经验，以及他们如何为量化交易行业的观众和参与者增加更多价值。然后，他继续询问听众他们之前是否进行过交易，并分享了有关算法交易定义的监管文件片段，例如印度证券交易委员会的定义和欧洲的 MiFID II 法规。 Khandelwal 解释说，系统交易在自动化并使用特定算法时被视为算法交易。
  
  
• 00:10:00 Nitesh Khandelwal 讨论算法交易并将其与 DIY（自己动手）交易进行比较。算法交易在亚洲显着增长，从 2004 年的几个百分点增长到 2016 年的 30% 以上，现在占美国交易的 66% 和欧洲的 44%。算法交易的兴起与现在自己做出交易决定而不依赖经纪人的交易者数量成正比。然而，虽然算法交易占印度市场活动的 30-45%，但零售参与度估计仅为 2% 左右。 Khandelwal 然后提到彭博社的一篇文章，强调机器人如何越来越多地取代金融就业市场中的各种角色。
  
  
• 00:15:00 Nitesh Khandelwal 解释了零售交易者为何无法采用算法交易，以及如何确保算法交易成为推动因素而非威胁。他强调，量化或自动交易需要统计和技术知识，并通过高效的经纪人获得高质量的市场数据和市场。在向自动化过渡时，从业者的指导也很重要，尤其是因为交易者需要注意许多因素。 Khandelwal 讨论了如何创建 EPAT 来满足这些需求，并为那些希望追求算法或自动化其策略的人提供指导。
  
  
• 00:20:00 Nitesh Khandelwal 讨论 EPAT 的功能。该计划包含由从业者、领域专家和领先的基金经理创建的丰富内容。课程不断更新以与市场需求保持一致，并提供终身访问更新内容的机会。该计划提供了一个专门的支持团队，可以在规定的时间内解决问题，校友会从教师那里获得解决问题的指导。 EPAT 设有一个职业单元，可协助寻找工作机会、设立交易柜台、寻找相关经纪人、数据供应商或合作伙伴等。此外，该计划还包括仅供 EPAT 参与者使用的专有功能。
  
  
• 00:25:00 Nitesh Khandelwal 讨论了入门模块如何在确保参与 EPAT 计划的每个人在开始课程之前都在同一页面上发挥关键作用。入门模块涵盖了 Excel、Python、统计和金融市场的基础知识，它们是算法交易的基石。 Khandelwal 解释了入门书如何随着时间的推移变得更具交互性，以确保从程序中提取最大价值。此外，Khandelwal 阐明了 Python 如何在过去几年成为算法交易和典当交易领域最相关的编程语言，这就是他们在程序中用 Python 取代 C++ 和 Java 的原因。
  
  
• 00:30:00 Nitesh Khandelwal 讨论了 EPAT 中涵盖的不同模块以及如何处理它们。第一个模块涉及 Python 中的数据分析和建模，包括如何使用不同的 API 获取数据、如何在策略中分析和使用数据以及如何编写策略代码和发送订单等主题。然后，该模块继续介绍更高级的统计方法，例如 ARIMA、ARCH 模型和高斯混合模型。在此之后，引入了股票效应和期货策略模块，其中涵盖了不同的执行策略、优化和动量/统计套利。该视频最后讨论了用于交易的机器学习，该讨论越来越受欢迎，并且在 EPAT 课程中经常涉及。
  
  
• 00:35:00 Nitesh Khandelwal 解释了了解交易策略背后的基础设施和操作的重要性，使用 F1 赛车手需要了解其汽车内部结构的类比。他还涵盖了诸如从风险管理角度来看的期权交易策略、投资组合优化以及算法交易中操作风险的重要性等主题。此外，他还强调了在相关领域专家的指导下完成项目并参加 EPAT 考试以获得行业认证证书的重要性。
  
  
• 00:40:00 Nitesh Khandelwal 讨论了 EPAT 证书计划，该计划包括 100 多个小时的课堂连接、实践经验和 300 多个小时的课程作业，将在六个月内完成。该计划由一群为算法交易行业做出重大贡献的杰出教职员工授课，其中包括从业者、学者和成功的交易员。教职员工聘请领先的行业专家作为客座讲师，EPAT 证书课程也包括实习机会。
  
  
• 00:45:00 Nitesh Khandelwal 讨论了 EPAT 计划可以帮助其参与者的方式，包括准备简历和面试、确定技能差距并填补这些差距，以及提供接触主要经纪人和投资银行等安置合作伙伴的机会。 EPAT 参与者还可以访问特权经纪数据和 API 提供商，其中一些提供限时免费交易。该计划通过独家活动和会议、对经纪人和 API 的补贴访问以及 ContraBlue 模拟器等高级回溯测试工具，为其毕业生提供认可和增值。
  
  
• 00:50:00 Nitesh Khandelwal 解释了 EPAT 的一些好处，例如访问印度市场和标准普尔 500 股票的分钟级数据、继续学习、职业援助和校友聚会。他强调 EPAT 不仅仅是一个证书，它还为现有技能组合增加了一个基本的量化维度。 Khandelwal 还澄清说，EPAT 不是要给出工作策略，而是要学习如何创建和验证它们。他回答了一个关于策略成功率的问题，并解释说它因人而异，具体取决于基础设施的使用、风险管理和风险偏好等因素。最后，Khandelwal 回答了另一个问题，即技术分析师在学习 EPAT 后是否可以使用 MACD 交叉、移动平均线和 RSI 等策略自动进行交易，他确认该计划涵盖了这一点。
  
  
• 00:55:00 Nitesh Khandelwal 讨论了启动自己的算法交易台所需的投资，以及分析师的税收将如何取决于交易台的频率。他提到EPAT主要侧重于低频和中频交易方式，但也有一些高频策略。交易课程结合了 Python、Excel、R 和 MATLAB。该计划需要编程技能和概念层面的清晰度，并为学生设置自己的课桌提供指导。虽然 EPAT 不提供任何工作安置保证，但他们确实为寻求工作的校友提供指导。
  
  
• 01:00:00 Nitesh Khandelwal 澄清说，虽然 EPAT 不提供任何安置保证，但他们会提供咨询以确保候选人在注册该计划之前对算法交易有基本的了解。 EPAT 已经成功地帮助许多积极求职的学生找到工作或改变工作，因为他们拥有近百个安置合作伙伴的庞大网络，他们重视在这个利基和从业者导向的课程中教授的知识和实际实施技能. EPAT 的学习管理系统提供对所有课程和更新内容的终身访问权限，课程需要大约 300 小时的时间承诺，每天花一个小时可以分摊到三个月内。 Khandelwal 强调，EPAT 专注于算法交易的实际实施，这使其有别于其他更具理论性的课程。
  
  
• 01:05:00 Nitesh Khandelwal 讨论了 EPAT 课程的费用结构，发达市场为 4,720 美元，印度为 189,000 印度卢比加商品及服务税。他还提到需要经纪人和 API 来编写策略，并解释说参与者可以在香港获得职业帮助，但 EPAT 团队在印度和新加坡取得了更大的成功。 Khandelwal 强调 EPAT 模块是相互依存的，应该作为一个整体来看待，但他指出，对于那些交易知识很少的人来说，每天一到两个小时的努力就足够了。 EPAT 课程涵盖所有类型的交易策略范例，并为参与者和校友提供远程工作机会。
  
  
• 01:10:00 演讲者谈到了 EPAT 计划如何全面并提供对所有模块的完整访问，这对于希望进入算法交易领域的具有技术背景的参与者来说非常有价值。他们强调了该领域中可用的不同工作机会，有许多参与者在完成该计划后开始自己的企业或在大公司工作的案例。此外，演讲者还强调了解基本统计数据、理解相关性和回归对于在该领域取得成功的重要性。最后，他们认为自动交易策略确实赚钱并且占印度总交易量的近 50%，这表明该领域对于有兴趣的人来说具有巨大的潜力。
  
  
• 01:15:00 Nitesh Khandelwal 讨论了 EPAT 计划，这是一个以实践为导向的计划，由世界各地市场的从业者教授。他建议新手交易者阅读和了解更多有关市场的信息，并建议浏览 EPAT 计划提供的博客和网络研讨会。他还提到 MCX 允许算法交易，并讨论了建立自己的交易台所需的基础设施要求，因为这取决于交易频率和监管要求。此外，Khandelwal 提到 EPAT 在尼日利亚和非洲的部分地区有校友，并建议对该计划感兴趣的人与业务团队联系以获取更多信息。
  
  
• 01:20:00 演讲者解释说，他们为在线课程提供了一个学习管理系统，注册学生可以在其中访问所有讲座、录音、测试、测验和作业。该计划是完全在线的，因此没有强制性的课堂出勤。新生的薪水取决于他们的背景、技能和学术背景，但在印度，年薪在 50 万到 200 万卢比之间。该程序涵盖不同平台上的回溯测试，并支持完全自动化。该课程由讲师指导，每周进行一次。虽然它不是自定进度的，但学生可以访问录音，如果他们错过了讲座，可以在以后的阶段重新访问它们。演讲者还建议可能有远程工作机会。
  
  
• 01:25:00 Nitesh Khandelwal 回答了关于 EPAT 计划的最后几个问题。一个问题询问了印度的培训师人数，Khandelwal 估计大约 50% 来自印度，其余来自世界各国。另一个问题是英国是否有任何经纪人或机构参与该计划，Khandelwal 确认英国有经纪人。他鼓励观众在有任何其他问题或需要帮助时联系 EPAT 团队。总体而言，Khandelwal 强调 EPAT 计划在帮助个人实现职业和学习目标方面的价值。

[MetaQuotes]

算法交易 AMA |通过 Nitesh Khandelwal

算法交易 AMA |通过 Nitesh Khandelwal

在这个关于算法交易的“问我任何问题”会议中，算法交易公司 Eragy 的联合创始人 Nitesh Khandelwal 欢迎听众并分享他在该主题上的专业知识。该会议旨在涵盖算法交易的各个方面，包括平台和经纪人、交易策略、市场数据、工作机会、设置算法交易台、法规、算法交易的未来以及学习和教育机会。 Khandelwal 提到，会议将在预先准备的问题和现场问题之间取得平衡，他们还为未回答的问题提供单独的后续会议。

演示者首先解释不同的交易策略，例如低频、中频和高频交易。这些策略是根据交易基础设施的延迟和订单处理时间来定义的。重点是强调交易策略的延迟比每秒执行的交易数量更重要。然后，该部分深入探讨从何处获取市场数据和经济数据，讨论不同的数据供应商，如雅虎财经、谷歌财经、Quandl、Alpha Vantage 和 FXCM。这些供应商提供可下载的数据或可在其平台上使用的数据。

接下来，演讲者讨论了算法交易的数据来源，包括手动下载、API 获取和付费供应商，如 Quandl、Global Data Feed、Trading Economics、Thomson Reuters 和 Active Financial。他们还解决了高频交易者 (HFT) 的表现是否普遍优于手动日内交易者的问题，并解释说这取决于所分析的日间交易者的类型。如果交易员正在利用套利机会或市场效率低下，机器可能比人工交易员更快。然而，如果交易员在深入研究后分析数据并执行手动订单，机器不一定更有效率。演讲者驳斥了过度算法交易市场会适得其反的观点，并澄清自动化并不总是需要高频交易。

解释了在交易中使用算法的概念，称为“肘部”。它涉及更高效的交易，并且可以使用数学公式进行自动化和量化。然而，发现市场效率低下可能具有挑战性，高频交易和技术基础设施方面的竞争正变得越来越昂贵。演讲者还解决了如何在 FBI 的经纪账户中处理多种策略的问题。

讨论了算法交易的先决条件，涉及统计和计量经济学、金融计算和量化交易的知识。主持人提到，那些从头开始的人可以通过 Quant 网站上的免费资源了解这些支柱。对于已经熟悉交易策略并希望实现自动化的交易者，他们可以从使用经纪商 API 开始，最终构建自己的平台。演讲者还解释了报价数据的各种数据提供商，并提到虽然大多数供应商提供快照数据，但更高端的供应商可以以更高的成本提供真实的报价数据。最后，需要注意的是，对于已经成功采用当前交易策略的交易者，除非他们想继续升级和试验，否则可能没有必要学习算法交易。

讨论了自动化交易策略的好处，包括控制情绪、可扩展性和带宽以在机器处理执行时处理策略。演讲者强调了拥有编程背景对于在算法交易中取得成功的重要性，并强调 Python 被全球大多数公司广泛使用。不过，演讲者提醒，高频交易不适合散户交易，有些策略可能需要合理的资金量才能看到成功。尽管如此，即使具备 Python 的基本知识，也可以开始进行算法交易。

讨论了成为算法交易者所需的技能，包括统计知识、计量经济学和交易策略。演讲者还解释了算法交易中的各种职业机会，从后台角色到前台交易角色。他们提到，具有软件和数据科学背景的人可以冒险从事算法交易，因为他们的背景已经提供了坚实的基础，而且进入金融市场方面应该相对容易一些。演讲者还提到了一个博客，讲述了一位 40 岁的 QuantInsti 校友，他在没有交易经验的情况下成功过渡到算法交易。 QuantInsti 被强调为一个机构，它提供专门的职业单元来帮助个人获得必要的技能并与合适的人联系以在他们的职业生涯中取得进步。

演讲者继续讨论算法交易语言及其在研究和分析中的意义。虽然高频交易公司更喜欢使用 C++ 来降低延迟，但对于回测和策略评估，R 和 Python 是更受欢迎的选择。针对用户关于提高命中率和管理背靠背损失的问题，演讲者建议在回测中优化参数并利用样本内和样本外交易来检查回撤。市场饱和度也得到解决，演讲者指出高频交易比率是竞争的指标，普通套利策略在高度饱和的市场中可能不会成功。

进一步探讨了不同的算法交易策略，强调了普通套利和做市策略需要强大的技术基础设施。演讲者回答了各种听众问题，包括比特总量的含义、高频交易对印度传统交易者的影响，以及用于分析算法交易数据的时间范围。他们解释说，时间范围取决于交易频率。此外，演讲者鼓励具有软件和数据科学背景的个人冒险进行算法交易，称他们的背景已经提供了坚实的基础，在金融市场方面的提升应该相对容易一些。

Nitesh Khandelwal 解决了与他们公司建立交易平台的可能性、自动化的法律批准、成本和印度市场法规相关的几个问题。他们澄清说，他们的公司为参与者和校友提供指导和终身支持，但不提供咨询服务。自动化是可能的，成本取决于所需的基础设施。在印度这样的国家，每个交易策略都需要在自动化之前获得批准，只有经纪人才能代表交易者这样做。讨论了随机指标和基本指标在策略中的使用，并提到它们可以手动使用或通过软件使用。演讲者还提到了用于阅读机器可读新闻和经济数据以创建算法的工具的可用性。

该会议深入探讨了印度人是否可以在非印度市场进行高频交易 (HFT)，以及高频交易是否会驱使散户交易者离开市场。关于非印度市场，LRS 计划不允许为外汇上市交易保证金产品汇款，除非获得 RBA 批准。然而，如果一家全球公司将其部分交易外包给一家印度公司，那么它就有可能实现。关于高频交易对零售交易者的影响，提到了高频交易的存在增加了市场的流动性并收紧了点差，这对零售交易者有利。但是，无论在哪个领域，都不应允许抢先交易等非法活动。

演讲者强调，高频交易 (HFT) 不会伤害个体零售交易者，因为他们通常使用基于 Web 的浏览器，这些浏览器本身具有几百毫秒的内置延迟。即使高频交易公司使用非法手段获得更快的访问权限，也不会影响零售交易者，但会损害其他遵守规则的高频交易公司。演讲者强调，零售交易者通常受益于高频交易创造的高效市场，因为它消除了套利机会。演讲者还解决了一个关于用英语学习算法交易的问题，并讨论了持续盈利交易的几个重要组成部分。

该视频强调了随着市场不断变化，算法交易行业不断发展交易策略的重要性。虽然印度支持算法交易的经纪商并不多，但有些经纪商确实提供程序化交易选项，例如 semi-algo 或 el-go。演讲者还讨论了量化分析师的就业市场，强调这并非博士所独有，而是取决于个人的知识和解决问题的能力。算法交易的硬件和基础设施要求也得到解决。对于低频交易，亚马逊和谷歌等公司提供的像样的笔记本电脑或云计算选项就足够了。中频交易需要一个算法交易平台和一个专门的服务器，这可能要花费几千美元。高频交易需要一台价格从 10,000 美元到 25,000 美元不等的专用服务器。

演讲者解释了上线前所需的批准，这取决于交易所和位置。他们澄清说，EPAT 计划涵盖了广泛的主题并侧重于实践学习，尽管它不能保证有盈利的策略。讨论了自动交易中使用的不同类型的算法，包括低频、中频和高频算法。高频算法用于需要更快计算的套利、做市和定向策略。低频和中频算法可以自动执行各种策略，包括基本面投资。还提到了动量、统计套利和基于期权的策略等流行策略，算法提供了可扩展性、情绪控制和更好的大数据分析等优势。

对于对算法交易感兴趣但缺乏编程经验的零售交易者，演讲者建议从学习基本统计数据和交易策略开始。他们为自定进度的学习提供资源。 Nitesh Khandelwal 强调创建自己的交易策略而不是依赖已有策略的想法。他们还谈到了算法交易在加密货币市场中的作用，指出虽然一些参与者使用自动化工具来交易加密货币，但算法交易并不是加密货币繁荣背后的唯一原因。提到了人工智能和机器学习对算法交易的潜在影响，演讲者强调，由于训练算法所需的计算能力的可承受性，它将赋予个人和零售交易者以及大型机构权力。

演讲者进一步讨论了由于金融部门发生的变化和自动化，散户参与算法交易的预期增加。他们回答了听众关于资产负债表数据资源的问题，从非金融公司到算法交易员的转变，以及 CAGR（复合年增长率）和算法交易中获胜率的理想数字。演讲者告诫不要只关注百分比回报，而是强调可扩展性、强大的基础设施和技术作为重要的考虑因素。

会议结束时，演讲者讨论了在讨论回报时考虑风险的重要性以及开展算法交易业务所需的投资，根据所需基础设施的频率和类型，投资范围从几千美元到数十万美元不等。演讲者提到自动化和风险管理是开始算法交易业务时需要考虑的关键因素。他们还提供了对印度实时数据可用性和交易策略审批流程的见解，强调交易所将风险管理置于策略细节之上。最后，演讲者承认在印度市场缺乏用于回测和编写左撇子（杠杆和日内）策略的好网站。

在最后一部分，演讲者讨论了 Horn Insights 针对不同市场的工具开发，旨在为参与者和用户提供更好的曝光和收益。他们回答了一个关于印度宽客薪资范围的问题，并指出这取决于经验和背景等因素。演讲者强调托管不是操纵，并将其比作支付航空旅行费用，以便比乘火车旅行更快地到达目的地。他们还提到，大多数基于技术指标的策略都可以使用 Python 开发，并强调虽然算法交易领域的高级程序并未广泛使用，但通过 ANNIE pat 程序提供了终身指导。

在视频的最后时刻，演讲者鼓励个人进行算法交易，并提到市场多年来发生了重大变化，散户交易者更容易进入。他们邀请观众探索 QuantInsti 和 Horn Insights 上的可用资源，以进一步了解和理解算法交易。

• 00:00:00 算法交易公司 Eragy 的联合创始人 Nitesh Khandelwal 欢迎观众参加有关算法交易的“有什么问题”的会议。 Khandelwal 在咨询大型机构以建立他们自己的算法交易柜台方面拥有丰富的经验，并将分享他在该主题上的专业知识。该会议将涵盖有关平台和经纪人、交易策略、市场数据、工作机会、设置算法交易台、法规和商业环境、算法交易的未来以及学习和教育机会等主题的热门问题。会议旨在在预先准备的问题和现场问题之间取得平衡，并且还将针对会议期间无法回答的问题提供单独的后续会议。
  
  
• 00:05:00 主持人解释了低频、中频和高频交易等不同的交易策略，以及如何根据交易基础设施的延迟和订单处理时间来定义这些策略。演示者强调交易策略的延迟比每秒执行的交易数量更重要。然后，该部分介绍了从何处获取来自不同数据供应商（例如雅虎财经、谷歌财经、quanti ex parte del alpha Vantage fxcm）的市场数据和经济数据。演示者指出，这些供应商提供可下载的数据或可在其平台上使用的数据。
  
  
• 00:10:00 演讲者讨论了可用于算法交易的数据来源。可以通过手动下载、API 获取或付费供应商（例如 Qantas Global Data Feed Trading Economics、Thomson Reuters 和 Active Financial）获取数据。 HFT 或手肘交易者是否普遍击败手动日内交易者的问题取决于所分析的日间交易者的类型。如果交易员正在利用套利机会或市场效率低下，机器可能比人工交易员更快。然而，如果交易员在深入研究后分析数据并执行手动订单，机器不一定更有效率。过度算法交易市场会适得其反的想法是没有根据的，因为自动化并不总是需要高频交易。
  
  
• 00:15:00 演讲者解释了在交易中使用肘部的概念，这涉及更高效的交易，并且可以使用数学公式进行自动化和量化。然而，发现市场中的低效问题可能具有挑战性，高频交易和技术基础设施方面的竞争正变得越来越昂贵。技术指标和模式可以量化和自动化，但是当涉及主观性时，算法会变得更加复杂，例如在 Elliott Wave 中。演讲者还解决了一个关于如何在 FBI 的经纪账户中处理多种策略的问题。
  
  
• 00:20:00 演讲者讨论了算法交易所需的先决条件，这通常涉及统计和计量经济学、金融计算和量化交易的三大支柱。那些从零开始的人可以通过各种资源了解这些支柱，例如 quant 网站上免费提供的资源。对于已经熟悉交易策略并希望实现自动化的交易者，他们可以从使用经纪商 API 开始，最终构建自己的平台。在报价数据的数据提供者方面，大多数供应商都提供快照数据，尽管更高端的供应商可以以更高的成本提供真实的报价数据。最后，对于已经成功采用当前交易策略的交易者，除非他们想继续升级和试验，否则可能不需要学习算法交易。
  
  
• 00:25:00 演讲者讨论了自动化交易策略的好处，例如控制情绪和具有可扩展性和带宽以在机器处理执行时处理策略。演讲者建议拥有编程背景对于在算法交易中取得成功至关重要，并提到全球大多数公司都使用 Python。然而，演讲者指出，高频交易不适合散户交易者，有些策略可能需要合理的资金量才能看到成功。尽管如此，即使具备 Python 的基本知识，也可以开始进行算法交易。
  
  
• 00:30:00 演讲者讨论了成为算法交易员所需的技能，包括统计知识、计量经济学和交易策略。演讲者还解释了算法交易中的各种职业机会，从后台角色到前台交易角色。对于那些寻求拥有 10 到 20 年领域专业知识但没有交易经验的职业机会的人，演讲者分享了一个博客，讲述了一位 40 岁的 QuantInsti 校友能够成功过渡到算法交易。此外，QuantInsti 有一个专门的职业小组，可以帮助个人获得必要的技能并与合适的人联系以推进他们的职业生涯。
  
  
• 00:35:00 演讲者谈到了算法交易语言以及编程在研究和分析中的重要性。他解释说，高频交易公司更喜欢使用 C++，因为它的延迟较低，但对于回测和策略评估，R 和 Python 更受欢迎。针对用户关于提高命中率和背靠背损失的问题，他建议在回测中优化参数，并使用样本内和样本外交易来检查回撤。在讨论市场饱和度时，他表示高频交易比率是竞争的指标，普通套利策略在高频交易比率高的市场中可能不会成功。
  
  
• 00:40:00 演讲者讨论了不同的算法交易策略，强调了普通套利和做市策略需要强大的技术基础设施。演讲者还回答了各种听众问题，包括比特总量的含义、高频交易对印度传统交易者的影响，以及用于处理算法交易数据的时间范围，他解释说这取决于交易频率。此外，演讲者鼓励具有软件和数据科学背景的个人冒险进行算法交易，并表示他们的背景已经提供了坚实的基础，在金融市场方面的提升应该相对容易。
  
  
• 00:45:00 Nitesh 回答了几个问题，涉及与他们的公司建立交易平台的可能性、自动化的法律批准、成本和印度市场法规。他们为参与者和校友提供指导和终身支持，但不提供咨询服务。自动化是可能的，成本取决于所需的基础设施。在像印度这样的国家，每个交易策略都需要在自动化之前获得批准，只有经纪人才能代表交易者这样做。随机指标可用于任何策略，基本指标可手动或通过软件输入。有一些工具可以更轻松地阅读机器可读的新闻和经济数据以创建算法。
  
  
• 00:50:00 讨论了印度人是否可以为非印度市场进行高频交易 (HFT)，以及高频交易是否会驱使散户交易者离开市场。对于非印度市场，提到在 LRS 计划下，除非获得 RBA 批准，否则不得为在外汇交易所上市的交易保证金产品汇款。然而，如果一家全球公司将其部分交易外包给一家印度公司，那么它就有可能实现。关于高频交易是否将散户赶出市场的问题，有人提到，高频交易的存在增加了市场的流动性并收紧了点差，这对散户有利。但是，无论在哪个领域，都不应允许抢先交易等非法活动。
  
  
• 00:55:00 演讲者讨论了高频交易 (HFT) 如何不会对个人层面的零售交易者造成伤害，因为他们使用的基于 Web 的浏览器具有数百毫秒的内置延迟。即使高频交易公司使用非法手段获得更快的访问速度，也不会影响零售交易者，但会损害其他遵守规则的高频交易公司。演讲者指出，零售交易者通常受益于高频交易创造的有效市场，因为它消除了套利机会。演讲者还解决了一个关于用英语学习算法交易的问题，并讨论了持续盈利交易的几个重要组成部分。
  
  
• 01:00:00 该视频讨论了随着市场不断变化，在算法交易行业中不断发展交易策略的重要性。虽然印度支持算法交易的经纪商并不多，但有些确实提供程序化交易，允许使用某些程序，如 semi-algo 或 el-go。量化分析师的就业市场并不是博士独有，而是依赖于了解自己的知识和解决问题的能力。该视频还介绍了算法交易所需的硬件要求，这取决于所进行的交易类型，但一般来说，一台像样的笔记本电脑或台式机就足够了。
  
  
• 01:05:00 演讲者讨论了算法交易的硬件和基础设施要求。对于低频交易，亚马逊和谷歌等公司提供的像样的笔记本电脑或云计算选项就足够了。对于中频交易，需要一个算法交易平台，一个专门的服务器将花费几千美元，高频交易需要一个专门的服务器，成本为 10,000 到 25,000 美元。演讲者还解释了上线前所需的批准，这取决于交易所和地点。最后，演讲者澄清 EPAT 课程涵盖了广泛的主题并侧重于实践学习，但不保证有盈利的策略。
  
  
• 01:10:00 演讲者讨论了可用于自动交易的不同类型的算法，包括低频、中频和高频算法。高频算法用于需要更快计算的套利、做市和定向策略。另一方面，低频和中频算法可以自动执行不同的策略，包括基本面投资。演讲者还提到了动量、统计套利和基于期权的策略等流行策略，并强调使用算法可以通过提供更大的规模和情绪控制以及允许更好地分析大数据来使交易受益。对于对算法交易感兴趣但没有编程经验的零售交易者，演讲者建议从学习基本统计数据和交易策略开始，并提供自学资源。
  
  
• 01:15:00 Nitesh Khandelwal 讨论了使用标准交易策略的想法，并强调了创建自己的策略而不是依赖现有策略的重要性。他还谈到了算法交易在加密货币市场中的作用，指出虽然有一些参与者使用自动化工具来交易加密货币，但算法交易并不是加密货币繁荣背后的原因。 Khandelwal 还谈到了人工智能和机器学习对算法交易的潜在影响，并表示由于训练算法所需的计算能力的可承受性，它将为个人和散户交易者提供除大型机构之外的更多权力。
  
  
• 01:20:00 演讲者讨论了由于金融部门发生的变化和自动化，散户参与算法交易的预期增加。演讲者还回答了听众提出的关于资产负债表数据资源的问题，从非金融公司到算法交易员的转变，以及算法交易中 CAGR 和胜率的最佳数字。演讲者告诫不要只关注百分比回报，而是鼓励可扩展性和强大的基础设施和技术。
  
  
• 01:25:00 演讲者讨论中低频交易策略和夏普比率，指出不考虑风险就不能讨论回报。他还提到了开展算法交易业务所需的投资，根据频率和所需基础设施的类型，投资从几千美元到几十万美元不等。此外，演讲者提到自动化和风险管理是开始算法交易业务时的关键考虑因素。关于数据，在印度没有托管的情况下，实时数据是可能的，但可能会有几毫秒的延迟。演讲者还讨论了策略的批准过程，并向听众保证，交易所通常更关注风险管理，而不是策略的细节。最后，演讲者提到在印度市场上没有太多好的回测和编写左撇子策略的网站。
  
  
• 01:30:00 演讲者在 Horn Insights 讨论了针对不同市场的工具开发，以便为参与者和用户提供更好的曝光率和收益。他们还回答了有关印度宽客薪资范围的问题，这取决于经验和背景等因素。演讲者强调托管不是操纵，并将其比作支付航空旅行费用，以便比乘火车旅行更快地到达目的地。此外，他们建议可以使用 Python 开发大多数基于技术指标的策略，并指出算法交易领域提供的高级程序并不多，但可以通过 ANNIE pat 获得终身指导。
  
  
• 01:35:00 演讲者解决了观众可能还有的任何遗留问题或疑虑。他们向观众保证，如果他们有任何其他疑问，他们应该随时寻求帮助，并且他们很乐意回答所有问题。最后，演讲者感谢听众出席会议并努力解决尽可能多的问题。