量化交易 (Quantitative trading) - 页 28

[MetaQuotes]

利用人工智能建立算法交易策略

利用人工智能建立算法交易策略

一家交易策略开发公司的首席执行官兼联合创始人解释了人工智能和机器学习在算法交易中令人兴奋的潜力。这些工具已被大型量化对冲基金证明是成功的，并且由于不需要强大的数学或计算机科学背景的开源库和用户友好的工具，它们的可访问性显着提高。演讲者还介绍了算法交易背景下与人工智能和机器学习相关的关键术语。人工智能被定义为对感知环境并采取行动以取得最大成功的智能体的研究。机器学习是人工智能的一个子集，专注于无需显式编程即可学习和做出预测的算法。模式识别是机器学习的一个分支，涉及揭示数据中的模式，而关联规则学习涉及根据这些模式形成 if-then 语句。演讲者简要提到了大数据的概念，大数据的特点是它的四个 V：容量、速度、多样性和准确性。

主持人概述了要讨论的术语和概念，包括大数据、准确性、人工智能、机器学习、模式识别和数据挖掘。然后，他们深入研究构建算法交易策略时的最佳实践和常见陷阱。其中包括为成功定义切实的目标，将简单性置于复杂性之上，专注于创建稳健的流程和工作流程而不是依赖单一模型，以及在整个流程中保持健康的怀疑态度以避免有偏见的结果。

演讲者继续讨论机器学习如何解决选择指标和数据集以构建交易策略的挑战。引入决策树和随机森林作为通过搜索最佳数据拆分来识别重要指标的技术。众所周知，随机森林比决策树更稳健、更强大，尽管更复杂。演讲者还探讨了如何使用称为“包装器”的技术组合指标集可以创建更强大的组合。

接下来，演讲者讨论了技术指标在算法交易策略中的使用及其在识别潜在模式和趋势方面的优势。提出了基于机器学习的指标参数优化问题，引入了集成学习的概念，将多个分类器结合起来分析数据，发现不同的模式和信息。还提到了机器学习中特征选择和特征提取之间的区别，并提醒在使用多个分类器时要注意曲线拟合。

演示者展示了模式识别和关联规则学习的结合，作为一种利用机器学习算法的方式，同时仍然保持交易策略的可解释性。他们提供了一个示例，使用支持向量机来分析三周期 RSI 与澳元美元开盘价和 50 周期 SMA 之间的价差之间的关系。清晰的模式转化为交易规则。然而，他们承认这种方法的局限性，例如分析高维数据、自动化挑战和解释输出。演讲者介绍了贸易作为解决这些问题的可能解决方案，并允许交易者利用算法和他们想要的任何指标。

演示者继续演示如何使用基于云的交易平台构建交易策略。他们以使用五年数据在日线图上构建澳元兑美元交易策略为例。为了避免曲线拟合，该算法只训练到 2015 年 1 月 1 日，留下一年的样本外数据进行测试。强调了不要浪费这些样本外数据以避免有偏见的回溯测试的重要性。使用机器学习算法进行指标分析和模式识别是一种灵活而强大的优化交易策略的方法。

演示者继续演示使用 Trade-Ideas 平台和开源指标库 TA Lib 构建交易策略的过程。他们分析澳元兑美元在五年内的价格走势，确定具有强烈信号的范围，并通过选择指标范围并注意它们之间的关系来完善做多规则。通过添加相对于 50 周期 SMA 的价格规则，他们确定了两个具有强烈信号的不同范围。突出显示了使用 Trade-Ideas 的优势，因为它允许分析机器学习算法结果并直接从直方图构建规则以获得更清晰的解释。

演示者讨论了为交易策略构建空头规则的过程，包括选择正确的指标和改进规则以找到强大的空头信号。强调使用指标测试和探索不同的模式以找到最佳策略。还展示了在 MetaTrader4 中生成代码和测试策略外的样本，包括交易成本。主持人确认该方法与算法交易有关。

演讲者解释了如何测试基于最近的样本外数据构建的策略，这些数据在策略构建过程中未使用。模拟是使用 MetaTrader 进行的，MetaTrader 是一种流行的货币和股票交易平台。该平台活跃的开发人员社区创建了自动化策略、自定义指标，并为测试和交易同一数据提供了极好的机会。模拟的重点是评估策略在样本外数据上的表现。演讲者提到该工具是由一家初创公司开发的，计划通过直接向经纪商贴上白标来免费提供。

演讲者讨论了在回溯测试后将风险和资金管理技术纳入策略的问题。简单的获利和止损措施被讨论为减少回撤和防止下行风险的方法。为了防止曲线拟合，演讲者强调在上线前使用宽区间选择、样本外测试和模拟账户。还提到了在交易策略中对黑盒神经网络的简单性和透明度的偏好。

在演示过程中，演讲者回答了有关将他们的平台与其他平台（例如 Quanto Pian 或 Quanto Connect）进行比较的问题，强调他们的平台更侧重于策略发现和分析，而不是自动化现有策略。技术数据在自动化策略中的重要性得到承认，同时还注意到他们的平台包括其他数据集，例如情绪指标。 MetaTrader 4 被证明是一个有用的工具，并讨论了风险和资金管理策略在交易中的重要性。演讲者还介绍了自动交易策略中的最佳实践和常见陷阱。

演讲者讨论了指标在交易策略中的使用，强调了复杂性和过度拟合之间的权衡。他们建议每个策略使用三到五个指标，以在包含足够信息和避免过度拟合之间取得平衡。突出显示输入算法的数据或特征的重要性以及输出的实现方式。基础算法被认为不如所使用的指标及其实施重要。还解决了有关在 MetaTrader 4 中使用遗传优化器的问题以及使指标与平台保持一致的重要性。

讲者探讨机器学习在价值投资中的应用。前面讨论的用于算法交易的相同过程可以应用于价值投资，但使用的不是技术指标，而是量化公司内在价值的数据集。例如，市值或市盈率可以揭示这些数据与资产价格变动之间的关系。还讨论了优化每笔交易的回报并确定算法何时与市场不同步。 Python 和 R 被推荐为合适的编程语言，这取决于一个人的编码经验和背景。

最后，演讲者强调了算法交易所需的基本技能和知识，其中涉及融合金融和技术。了解市场、大数据统计和自动化策略技术至关重要。建议将量化教育计划作为获得成为成功的算法交易员所需的各种操作和技能培训的一种手段。推荐使用 Python 作为构建算法的绝佳选择。

• 00:00:00 一家交易策略开发公司的首席执行官兼联合创始人解释了为什么人工智能和机器学习是令人兴奋的算法交易工具，以及它们如何被大型量化对冲基金证明是成功的。他还强调，由于不需要强大的数学或计算机科学背景的开源库和工具，这些工具的可访问性显着增加。本节还涵盖交易员和宽客应用这些技术的基本术语和最佳实践，以及改善交易结果的具体应用。
  
  
• 00:05:00 演讲者提供了与人工智能和机器学习相关的关键术语的定义，因为它与算法交易有关。人工智能被定义为对感知环境并采取行动以最大限度地提高成功机会的智能代理的研究。机器学习是人工智能的一个子集，专注于无需显式编程即可学习和做出预测的算法。模式识别是机器学习的一个分支，专注于揭示数据中的模式，关联规则学习涉及将这些模式格式化为 if-then 语句。最后，演讲者简要地谈到了大数据，指出它遵循四个 V：数量、速度、多样性和准确性。
  
  
• 00:10:00 演讲者概述了将在演讲中讨论的一些术语和概念，包括大数据、准确性、人工智能、机器学习、模式识别和数据挖掘。演讲者接着提供了一些最佳实践和在构建算法交易策略时要避免的常见陷阱。这些包括用切实的目标来定义成功，将简单性置于复杂性之上，专注于创建稳健的流程和工作流程而不是单一的模型，以及在整个过程中保持适度的怀疑态度以避免偏向积极的结果。
  
  
• 00:15:00 演讲者讨论机器学习如何帮助解决在构建交易策略时确定使用哪些指标和数据集的问题。演讲者解释了如何使用决策树和随机森林来选择指标，方法是搜索最能分割数据集的指标和值，树顶部的指标更重要，与数据集的关系更高.演讲者还提到随机森林比决策树更稳健、更强大，但也更复杂。此外，演讲者探讨了如何使用一种称为包装器的技术将指标集一起使用以创建更强大的组合。
  
  
• 00:20:00 演讲者讨论了技术指标在算法交易策略中的使用，以及它们在识别潜在模式和趋势方面的好处。他们还解决了是否可以基于机器学习优化指标参数的问题，并强调使用集成学习来组合多个分类器并分析数据以找到不同的模式和信息。然后，演讲者谈到了机器学习中特征选择和特征提取之间的区别，并承认在使用多个分类器时注意曲线拟合的重要性。
  
  
• 00:25:00 主持人讨论了模式识别和关联规则学习的结合，作为利用机器学习算法的一种方式，同时仍然能够解释输出并将其应用于他们的交易策略。他们提供了一个使用支持向量机分析三期 RSI 与澳元美元开盘价和 50 期 SMA 之间的价格差异之间关系的示例。输出产生了清晰的模式，这些模式被转化为交易规则。虽然这种方法允许交易者利用自己的直觉和经验，但它也有一些缺点，例如难以分析高维数据、自动化和解释输出。交易作为解决这些问题的可能解决方案提出，并允许交易者利用这些算法来分析他们想要的任何指标。
  
  
• 00:30:00 演示者演示了如何在基于云的交易平台上构建交易策略。给出的示例是使用过去五年的数据在日线图上构建澳元兑美元交易策略。为了避免曲线拟合，该算法只训练到 2015 年 1 月 1 日，留下一年的样本外数据来测试它以前从未见过的策略。演示者强调了不要浪费这些样本外数据的重要性，以避免偏向于选择在特定数据集上表现良好的回测。使用机器学习算法来分析指标和寻找潜在模式是一种更灵活、更强大的优化交易策略的方法。
  
  
• 00:35:00 演示者演示了如何使用 Trade-Ideas 平台和开源指标库 TA Lib 构建交易策略。他们首先分析澳元兑美元在五年内的价格走势，并确定算法能够找到强烈信号的范围。他们通过选择指标范围并注意它们之间的关系来完善做多的规则。通过添加相对于 50 周期 SMA 的价格规则，他们可以看到交易算法发现强烈信号的两个不同范围。使用 Trade-Ideas 的优势在于它允许分析机器学习算法的结果，找到最强信号的位置，并直接根据直方图构建规则以准确了解规则的含义。
  
  
• 00:40:00 主持人讨论了为交易策略构建空头规则的程序，包括选择正确的指标和细化规则以找到强大的空头信号。演示者强调了使用指标测试和探索不同模式以找到最佳策略的重要性。然后，讨论转向在 MetaTrader4 中生成代码和测试样本外策略，并能够合并交易成本。主持人确认该方法是算法交易。
  
  
• 00:45:00 演示者解释了如何测试他们在最新的样本外数据上构建的策略，这些数据在策略构建过程中没有使用。该模拟在一个名为 MetaTrader 的流行交易平台上运行，用于交易货币和股票。该平台拥有一个活跃的开发人员社区，他们开发自动化策略、自定义指标，并提供了一个极好的机会来测试分析和使用用于交易的相同数据进行交易。模拟的重点是测试策略在样本外数据上的表现。该工具由一家初创公司开发，该公司计划通过直接向经纪商贴上白标的方式免费提供该工具。
  
  
• 00:50:00 演讲者解释了如何在回溯测试后将风险和资金管理技术纳入策略。添加简单的止盈和止损可以显着减少回撤并防止下行风险。演讲者随后提出了一个关于如何防止算法交易中的曲线拟合的问题。为避免过度拟合，演讲者强调在上线前使用宽区间选择、样本外测试和模拟账户。最后，演讲者指出，他们的个人偏好是在交易策略方面比黑盒神经网络更简单和透明。
  
  
• 00:55:00 演讲者回答了有关他们的平台与其他平台相比如何的问题，例如 Quanto Pian 或 Quanto Connect，后者更侧重于自动化现有策略，而他们的平台更侧重于策略发现和分析。他们还讨论了技术数据在自动化策略中的重要性，但强调他们的平台还包括其他数据集，例如情绪指标。此外，演讲者还演示了 MetaTrader 4 的使用，并讨论了风险和资金管理策略在交易中的重要性。最后，演讲者讨论了自动交易策略中的最佳实践和常见陷阱。
  
  
• 01:00:00 演讲者讨论了指标在交易策略中的使用以及复杂性和过度拟合之间的权衡。他们建议每个策略使用三到五个指标，以在包含大量信息和过度拟合之间取得平衡。演讲者还讨论了输入算法的数据或特征的重要性以及如何实现输出。他们强调，这与底层算法无关，而与所使用的指标及其实施方式有关。演讲者还解决了有关在 Metatrader4 中使用遗传优化器的问题，以及使用与平台所用指标相同的指标的重要性。
  
  
• 01:05:00 演讲者讨论使用机器学习进行价值投资。之前针对算法交易讨论的相同过程可用于价值投资，但投资者将使用对量化公司内在价值很重要的数据集，而不是技术指标。例如，投资者可以使用市值或市盈率来查看这些数据与标的资产价格变动之间的关系。演讲者还讨论了优化每笔交易回报的方法，以及如何知道算法何时与市场不同步。最后，演讲者讨论了学习 Metatrader 的难易程度，并提到 Python 和 R 都有很好的机器学习库，这取决于一个人的经验和编码背景。
  
  
• 01:10:00 演讲者讨论了算法交易所需的必要技能和知识，其中涉及融合金融和技术。要设计成功的交易策略，必须了解市场、大数据统计和技术以实现策略自动化。量化教育计划可以提供成为成功的算法交易员所需的各种操作和技能的培训。对于那些想要构建算法的人，Python 也被推荐为一个很好的选择。

[MetaQuotes]

POC2015 上的 Rajib Ranjan Borah - Trade Options and be ahead of the markets

POC2015 上的 Rajib Ranjan Borah - Trade Options and be ahead of the markets

内容：

• 04:27 定义
  
• 07:12 两种选择
• 09:56 期权类型详解
  
• 15:38 术语 - 货币性
• 23:35 期权溢价（价格）成分
• 33:28 定向策略
  
• 36:54 波动率策略
  
• 46:30 对冲策略
  
• 50:38 波动率曲线倾斜交易
  
• 59:14 风险评估

[MetaQuotes]

低频和高频交易的基于动量的策略 |网络研讨会

低频和高频交易的基于动量的策略 |网络研讨会

本次网络研讨会的重点是传统/低频和高频 (HFT) 动量交易策略的各个方面。还深入研究了基于动量的交易中的一些流行策略，以选择利基动量交易策略。该网络研讨会旨在从逻辑和部署的角度评估高频交易动量策略与传统动量策略的不同之处。

详细讨论的要点：

• 流行的动量交易策略
• 高频交易中的动量交易
• 动量交易的风险
• 样品模型

[MetaQuotes]

[网络研讨会] 改变当前市场中风险管理的概念

[网络研讨会] 改变当前市场中风险管理的概念

在此视频中，QuantInsti 的董事兼教员 Rajib Borah 先生谈到了算法交易中的一些主要风险监管问题，例如：

• Knight Capital 是如何在 45 分钟内损失 460 美元的？
• 为什么德意志银行被迫关闭其在东京的算法交易柜台？
• Infinium Capital 在交易原油 ETF 时出了什么问题，为什么他们被罚款 850,000 美元？
• 是什么失误让韩国韩磁证券在几分钟内损失了570亿韩元？

[MetaQuotes]

POC2015 的 Nitesh Khandelwal - 交易期货并领先于市场

POC2015 的 Nitesh Khandelwal - 交易期货并领先于市场

Nitesh Khandelwal 概述了期货和期权交易，强调期货是一种金融工具，其价值取决于基础金融工具的价格。他区分了在交易所交易的标准化合约期货和在场外交易市场交易的远期合约。 Khandelwal 强调了期货交易的各种参与者，包括对冲者、投机者和套利者，并解释了每个群体如何从参与期货交易中获益。还讨论了期货合约的定价和使用期货的交易策略建模。

接下来，Khandelwal 深入探讨了期货市场中市场参与者的类型，即套期保值者、套利者和投机者。套期保值者利用期货合约来保护自己免受实物市场潜在价格上涨的影响，从而有效地将风险降至最低。套利者利用不同交易所之间的价格差异寻求获利机会，而投机者参与期货交易只是为了利用价格波动获利。 Khandelwal 继续定义期货市场的两个基本特征：代表标的资产当前价格的现货价格，以及指定期货合约预定大小的合约或手数。

然后解释了期货交易的概念，Khandelwal 强调期货合约有各种大小并且有到期日。结算可以现金或通过交叉结算进行，现金结算是最常见的。保证金用于发起和维持头寸，每种资产都有基于价格预期的特定保证金要求。期货交易允许大量的杠杆作用，因为只需要标的资产价值的一小部分就可以建立一个头寸。然而，这也增加了交易商和清算所的风险，尤其是在市场极端波动时期。

讨论了期货交易中的交割方面，因为某些合约可以交割，而其他合约则不能。商品和股票期货可以交割，但指数期货不能交割，因为指数只是数字表示，没有实物对应物。在交割期间，交易所会为标的资产提供可接受的参数列表，以确保质量标准。 Khandelwal 强调了期货交易的优势，例如能够通过支付保证金而不是全部资产价格来利用头寸，以及与现货市场相比更广泛的可用交易策略。

然后，Khandelwal 探讨了期货交易相对于现货市场的好处，包括提高大量的流动性以及在不同时间点公平透明的价格发现过程。他解释说，期货价格是由多种因素决定的，包括现货价格、到期日、无风险收益率、仓储和交割成本以及便利收益率。便利收益率代表企业愿意为拥有实物资产而支付的价格，从而避免供需问题和到期时潜在的交付违约。

演讲者提供了对便利收益概念的见解，特别是与黄金等可投资资产相关的概念，由于其象征价值，实物所有权通常是首选。计算股票期货或指数期货预期价格的公式被提出，同时考虑到当前现货价格和将资金投资于其他地方的潜在回报。存储成本和便利收益率，反映了投资者愿意为持有实物资产支付的溢价，也被纳入等式。 Khandelwal 指出，理性投资者在制定市场观点时会考虑便利收益。

引入现货-期货策略的概念，即同时进行现货和期货的反向交易以产生利润。该策略要求持有的股票在现金市场上有足够的流动性，并在允许做空的情况下使用交割机制。然而，Khandelwal 建议谨慎看待空头现金和多头期货头寸的高回报，因为此类期权的可行性取决于可用的交付机制。

Khandelwal 解释了在到期日临近时影响点差波动的因素。其中包括零周期内缺乏回报、期货交割期间由于交割机制导致的潜在不稳定价差、现行利率的影响，以及高波动期间的市场情绪或可能导致价格快速波动的新闻公告。讨论了两种价差交易策略：日历价差，在现货市场上非常有效并提供无风险的机会，以及跨市场价差，涉及不同但相关资产类别的套利或统计套利。

Khandelwal 深入分析不同资产类别（例如商品、股票和货币）之间的相关性。他强调，一种仪器的运动可以指示其他仪器的潜在运动，尽管正相关或反向相关取决于透彻的分析。同一资产类别中也可能存在相关性，例如食品价格和黄金价格之间的反比关系。市场情绪和基本面分析对投资者根据这些相关性建立头寸起着至关重要的作用。 Khandelwal 引入了交易所间价差，它可以是纯套利或统计套利，这取决于它们之间的联系，即使它们不属于完全相同的资产类别。

Nitesh Khandelwal 进一步讨论了了解交易中不同资产类别之间相关性的重要性。通过识别商品、股票或货币之间的关系，交易者可以获得对潜在市场走势的宝贵见解。当一种工具发生变化时，相关资产可能会发生类似的变化。然而，相关性的性质，无论是直接的还是反向的，都取决于深入的分析和市场状况。 Khandelwal 强调，相关性也可能存在于同一资产类别中，食品价格和黄金价格之间的反比关系就证明了这一点。这种类型的相关性表明了市场情绪，并为基于基本面分析的头寸提供了机会。

此外，Khandelwal 还引入了交易所间价差的概念，其中涉及利用不同交易所之间价格差异的交易策略。这些利差可归类为纯套利或统计套利，具体取决于所涉及资产之间联系的性质。尽管不属于同一资产类别，但如果交易者能够识别并利用定价差异，交易所间价差会提供获利机会。

Nitesh Khandelwal 对期货和期权交易的全面概述涵盖了期货市场的参与者、期货合约的特征、交易策略、定价因素、便利收益率、价差波动、资产类别之间的相关性和交易所间价差等重要方面。通过了解这些概念及其相互作用，交易者可以做出明智的决策，并有可能在瞬息万变的金融市场中优化他们的交易策略。

• 00:00:00 Nitesh Khandelwal 概述了期货和期权交易，解释说期货是一种金融工具，其价格基于其他一些基础金融工具的价格。期货是在交易所交易的标准化合约，而远期是在场外交易市场交易。包括套期保值者、投机者和套利者在内的市场参与者可以从期货交易中获益。 Khandelwal 还讨论了期货的定价和使用期货的不同交易策略的建模。
  
  
• 00:05:00 Nitesh Khandelwal 解释了期货市场中的三种市场参与者：套期保值者、套利者和投机者。套期保值者参与期货市场，通过购买期货来保护自己在实物市场上以更高的价格购买商品，从而最大限度地降低损失风险。套利者是市场参与者，他们通过在价格更便宜的交易所购买资产并在价格更高的另一个交易所出售资产来寻求获利。投机者参与期货市场只是为了从资产价格波动中获利。 Khandelwal 然后定义了期货市场的两个关键特征：现货价格，即标的资产的价格，以及合约或手数，即期货合约的预定大小。
  
  
• 00:10:00 Nitesh Khandelwal 解释了期货交易的概念。期货合约根据交易的资产而有不同的大小，并且都在特定日期到期。结算可以是现金结算，也可以是交叉结算，前者最为常见。保证金用于发起和维持头寸，每项资产都有基于价格变动预期的保证金要求。期货可以是高杠杆的，因为持有头寸需要标的资产价值的一小部分。然而，如果市场出现极端波动，交易商和清算所的风险就会增加。
  
  
• 00:15:00 Nitesh Khandelwal 解释说，交割方面是期货交易的一个关键特征，因为有些合约可能可以交割，而有些则不能。商品和股票期货可以交割，而指数期货不能交割，因为指数只是一个数字，而不是实物资产。 Khandelwal 指出，在交割期间，交易所会为标的资产提供可接受的参数列表，以确保质量标准。此外，交易期货允许交易者利用杠杆，因为交易者可以支付保证金而不是支付资产的全部价格，从而提高资本效率。与现货市场交易相比，交易期货还允许更多种类的交易策略。
  
  
• 00:20:00 Nitesh Khandelwal 讨论了期货交易相对于现货市场的优势，例如更大数量的更好流动性以及在不同时期更公平和透明的价格发现。他还谈到了期货是如何根据现货价格、到期日、无风险回报率、仓储和交付成本以及便利收益率定价的。这种收益率是企业愿意为持有实物形式的资产支付的价格，以避免供需问题和到期期间的交货违约。
  
  
• 00:25:00演讲者讨论了便利收益率的概念及其与可投资资产（例如黄金）的关系，在黄金等资产中，实物所有权通常因其所代表的声望象征而受到青睐。演讲者提供了计算股票期货或指数期货预期价格的公式，同时考虑了当前现货价格和将资金投资于其他地方可能获得的回报。该公式还考虑了存储成本和便利收益率，即投资者愿意为持有实物资产支付的价格。演讲者随后解释说，假设理性投资者在观察市场时会考虑便利收益。
  
  
• 00:30:00演讲者解释了现金-期货策略的概念，该策略寻求通过现金交易和相反方向的期货交易来获利。这一策略需要现金市场上有足够的流动性来支持计划持有的股票，以及在市场允许做空的情况下使用交割机制。演讲者还告诫不要对短期现金和长期未来的高回报感到兴奋，因为由于交付机制，这可能不是一个可行的选择。
  
  
• 00:35:00 Nitesh Khandelwal 解释了在到期日临近时可能使价差更加波动的因素。首先，您在零期间没有任何回报，因此无论偏差是多少，它都会保持剩余。其次，在通过未来交割的情况下，交割机制将发挥作用，由于仓库中可供交割的库存或库存不足，点差可能会变得不稳定。此外，现行市场的利率也会影响精神。最后，市场情绪在高波动时期或可能导致价格在几分钟内迅速波动的新闻公告中起着重要作用。他还解释了交易价差的两种不同策略，即日历价差和市场间价差。跨期价差非常有效，因为它由于消除而在现场无风险，这意味着您不需要提供太多保证金。因此，即使波动较小，回报率也很高。
  
  
• 00:40:00 Nitesh Khandelwal 讨论如何确定不同资产类别（无论是商品、股票还是货币）之间是否存在相关性。如果一种乐器发生任何运动，您可以预期另一种乐器也会发生运动；但是，它们是直接相关还是反向相关取决于您的分析。您还可以在同一资产类别中建立相关性。例如，如果食品价格上涨，预计金价将下跌，这表明市场情绪不是很乐观。如果你是基本面的玩家，你可以通过看基本面和消息来建仓。此外，Khandelwal 引入了交易所间价差，它可以是纯粹的套利或统计套利，基于它们之间的联系，即使它们不是完全相同的资产类别。

[MetaQuotes]

网络研讨会主题：先睹为快基于人工智能的高频交易策略

网络研讨会主题：先睹为快基于人工智能的高频交易策略

该视频是我们在 2015 年 2 月 27 日由 QuantInsti 举办的“基于人工智能的高频交易策略先睹为快”网络研讨会的录音。

在此视频中，QuantInsti 董事兼教员 Sameer Kumar 先生介绍了机器学习技术如何帮助我们设计更好的交易策略。他将介绍交易中的 alpha 以及我们如何通过应用有关市场结构和订单流的知识来提取它。他还将解释如何使用机器学习来预测资产路径。观看视频了解高频交易和使用人工智能进行交易。

Sameer 毕业于 BITS Pilani，获得经济学和信息系统硕士学位。他的职业生涯始于雅虎！在那里，他获得了高度可扩展系统的技术架构、设计和开发方面的专业知识。他是一位 C++ 传播者和 Perl 诗人，对经济学和市场动态有广泛的了解，现在他使用内置智能设计和构建金融策略。他在 iRageCapital Advisory Private Ltd 领导基础设施开发团队和低延迟编程部门。

在 QuantInsti，他分享了他在低延迟系统方面的经验以及涉及人工智能的策略。

[MetaQuotes]

不同地区的算法交易

不同地区的算法交易

在此视频中，QuantInsti 和 iRageCapital Advisory 的联合创始人 Rajib Ranjan Borah 先生比较了全球不同地区的算法交易。他在亚太地区 (APAC)、欧洲和中东 (EMEA) 以及美洲的主要交易所分享他对算法交易的见解和经验。该演示文稿包含每月和每年在 30 多个交易所交易的股票和期权交易量数据。

[MetaQuotes]

高频交易中的订单簿动态

高频交易中的订单簿动态

本次网络研讨会由 QuantInsti 举办，主题为“高频交易中的订单簿动态”。在此视频中，QuantInsti 的董事兼教员 Gaurav Raizada 先生解释了 - 执行算法如何提供介于限价订单执行和市价订单执行之间的价格。

高频交易的一项重要任务是成功捕捉数据中的动态。印度交易所的经验数据显示，95% 的新订单都在最佳出价和最佳要价的 5 个跳动点内下达。

Quantinsti® 替换矩阵显示，大多数被替换的订单都在前 3 个级别中，这些替换使我们能够可视化和概括市场行为。该矩阵直观地表示了成本指标和替换行为。

[MetaQuotes]

利用人工智能建立算法交易策略

利用人工智能建立算法交易策略

一家交易策略开发公司的首席执行官兼联合创始人解释了人工智能和机器学习在算法交易中令人兴奋的潜力。这些工具已被大型量化对冲基金证明是成功的，并且由于不需要强大的数学或计算机科学背景的开源库和用户友好的工具，它们的可访问性显着提高。演讲者还介绍了算法交易背景下与人工智能和机器学习相关的关键术语。人工智能被定义为对感知环境并采取行动以取得最大成功的智能体的研究。机器学习是人工智能的一个子集，专注于无需显式编程即可学习和做出预测的算法。模式识别是机器学习的一个分支，涉及揭示数据中的模式，而关联规则学习涉及根据这些模式形成 if-then 语句。演讲者简要提到了大数据的概念，大数据的特点是它的四个 V：容量、速度、多样性和准确性。

主持人概述了要讨论的术语和概念，包括大数据、准确性、人工智能、机器学习、模式识别和数据挖掘。然后，他们深入研究构建算法交易策略时的最佳实践和常见陷阱。其中包括为成功定义切实的目标，将简单性置于复杂性之上，专注于创建稳健的流程和工作流程而不是依赖单一模型，以及在整个流程中保持健康的怀疑态度以避免有偏见的结果。

演讲者继续讨论机器学习如何解决选择指标和数据集以构建交易策略的挑战。引入决策树和随机森林作为通过搜索最佳数据拆分来识别重要指标的技术。众所周知，随机森林比决策树更稳健、更强大，尽管更复杂。演讲者还探讨了如何使用称为“包装器”的技术组合指标集可以创建更强大的组合。

接下来，演讲者讨论了技术指标在算法交易策略中的使用及其在识别潜在模式和趋势方面的优势。提出了基于机器学习的指标参数优化问题，引入了集成学习的概念，将多个分类器结合起来分析数据，发现不同的模式和信息。还提到了机器学习中特征选择和特征提取之间的区别，并提醒在使用多个分类器时要注意曲线拟合。

演示者展示了模式识别和关联规则学习的结合，作为一种利用机器学习算法的方式，同时仍然保持交易策略的可解释性。他们提供了一个示例，使用支持向量机来分析三周期 RSI 与澳元美元开盘价和 50 周期 SMA 之间的价差之间的关系。清晰的模式转化为交易规则。然而，他们承认这种方法的局限性，例如分析高维数据、自动化挑战和解释输出。演讲者介绍了贸易作为解决这些问题的可能解决方案，并允许交易者利用算法和他们想要的任何指标。

演示者继续演示如何使用基于云的交易平台构建交易策略。他们以使用五年数据在日线图上构建澳元兑美元交易策略为例。为了避免曲线拟合，该算法只训练到 2015 年 1 月 1 日，留下一年的样本外数据进行测试。强调了不要浪费这些样本外数据以避免有偏见的回溯测试的重要性。使用机器学习算法进行指标分析和模式识别是一种灵活而强大的优化交易策略的方法。

演示者继续演示使用 Trade-Ideas 平台和开源指标库 TA Lib 构建交易策略的过程。他们分析澳元兑美元在五年内的价格走势，确定具有强烈信号的范围，并通过选择指标范围并注意它们之间的关系来完善做多规则。通过添加相对于 50 周期 SMA 的价格规则，他们确定了两个具有强烈信号的不同范围。突出显示了使用 Trade-Ideas 的优势，因为它允许分析机器学习算法结果并直接从直方图构建规则以获得更清晰的解释。

演示者讨论了为交易策略构建空头规则的过程，包括选择正确的指标和改进规则以找到强大的空头信号。强调使用指标测试和探索不同的模式以找到最佳策略。还展示了在 MetaTrader4 中生成代码和测试策略外的样本，包括交易成本。主持人确认该方法与算法交易有关。

演讲者解释了如何测试基于最近的样本外数据构建的策略，这些数据在策略构建过程中未使用。模拟是使用 MetaTrader 进行的，MetaTrader 是一种流行的货币和股票交易平台。该平台活跃的开发人员社区创建了自动化策略、自定义指标，并为测试和交易同一数据提供了极好的机会。模拟的重点是评估策略在样本外数据上的表现。演讲者提到该工具是由一家初创公司开发的，计划通过直接向经纪商贴上白标来免费提供。

演讲者讨论了在回溯测试后将风险和资金管理技术纳入策略的问题。简单的获利和止损措施被讨论为减少回撤和防止下行风险的方法。为了防止曲线拟合，演讲者强调在上线前使用宽区间选择、样本外测试和模拟账户。还提到了在交易策略中对黑盒神经网络的简单性和透明度的偏好。

在演示过程中，演讲者回答了有关将他们的平台与其他平台（例如 Quanto Pian 或 Quanto Connect）进行比较的问题，强调他们的平台更侧重于策略发现和分析，而不是自动化现有策略。技术数据在自动化策略中的重要性得到承认，同时还注意到他们的平台包括其他数据集，例如情绪指标。 MetaTrader 4 被证明是一个有用的工具，并讨论了风险和资金管理策略在交易中的重要性。演讲者还介绍了自动交易策略中的最佳实践和常见陷阱。

演讲者讨论了指标在交易策略中的使用，强调了复杂性和过度拟合之间的权衡。他们建议每个策略使用三到五个指标，以在包含足够信息和避免过度拟合之间取得平衡。突出显示输入算法的数据或特征的重要性以及输出的实现方式。基础算法被认为不如所使用的指标及其实施重要。还解决了有关在 MetaTrader 4 中使用遗传优化器的问题以及使指标与平台保持一致的重要性。

讲者探讨机器学习在价值投资中的应用。前面讨论的用于算法交易的相同过程可以应用于价值投资，但使用的不是技术指标，而是量化公司内在价值的数据集。例如，市值或市盈率可以揭示这些数据与资产价格变动之间的关系。还讨论了优化每笔交易的回报并确定算法何时与市场不同步。 Python 和 R 被推荐为合适的编程语言，这取决于一个人的编码经验和背景。

最后，演讲者强调了算法交易所需的基本技能和知识，其中涉及融合金融和技术。了解市场、大数据统计和自动化策略技术至关重要。建议将量化教育计划作为获得成为成功的算法交易员所需的各种操作和技能培训的一种手段。推荐使用 Python 作为构建算法的绝佳选择。

• 00:00:00 一家交易策略开发公司的首席执行官兼联合创始人解释了为什么人工智能和机器学习是令人兴奋的算法交易工具，以及它们如何被大型量化对冲基金证明是成功的。他还强调，由于不需要强大的数学或计算机科学背景的开源库和工具，这些工具的可访问性显着增加。本节还涵盖交易员和宽客应用这些技术的基本术语和最佳实践，以及改善交易结果的具体应用。
  
  
• 00:05:00 演讲者提供了与人工智能和机器学习相关的关键术语的定义，因为它与算法交易有关。人工智能被定义为对感知环境并采取行动以最大限度地提高成功机会的智能代理的研究。机器学习是人工智能的一个子集，专注于无需显式编程即可学习和做出预测的算法。模式识别是机器学习的一个分支，专注于揭示数据中的模式，关联规则学习涉及将这些模式格式化为 if-then 语句。最后，演讲者简要地谈到了大数据，指出它遵循四个 V：数量、速度、多样性和准确性。
  
  
• 00:10:00 演讲者概述了将在演讲中讨论的一些术语和概念，包括大数据、准确性、人工智能、机器学习、模式识别和数据挖掘。演讲者接着提供了一些最佳实践和在构建算法交易策略时要避免的常见陷阱。这些包括用切实的目标来定义成功，将简单性置于复杂性之上，专注于创建稳健的流程和工作流程而不是单一的模型，以及在整个过程中保持适度的怀疑态度以避免偏向积极的结果。
  
  
• 00:15:00 演讲者讨论机器学习如何帮助解决在构建交易策略时确定使用哪些指标和数据集的问题。演讲者解释了如何使用决策树和随机森林来选择指标，方法是搜索最能分割数据集的指标和值，树顶部的指标更重要，与数据集的关系更高.演讲者还提到随机森林比决策树更稳健、更强大，但也更复杂。此外，演讲者探讨了如何使用一种称为包装器的技术将指标集一起使用以创建更强大的组合。
  
  
• 00:20:00 演讲者讨论了技术指标在算法交易策略中的使用，以及它们在识别潜在模式和趋势方面的好处。他们还解决了是否可以基于机器学习优化指标参数的问题，并强调使用集成学习来组合多个分类器并分析数据以找到不同的模式和信息。然后，演讲者谈到了机器学习中特征选择和特征提取之间的区别，并承认在使用多个分类器时注意曲线拟合的重要性。
  
  
• 00:25:00 主持人讨论了模式识别和关联规则学习的结合，作为利用机器学习算法的一种方式，同时仍然能够解释输出并将其应用于他们的交易策略。他们提供了一个使用支持向量机分析三期 RSI 与澳元美元开盘价和 50 期 SMA 之间的价格差异之间关系的示例。输出产生了清晰的模式，这些模式被转化为交易规则。虽然这种方法允许交易者利用自己的直觉和经验，但它也有一些缺点，例如难以分析高维数据、自动化和解释输出。交易作为解决这些问题的可能解决方案提出，并允许交易者利用这些算法来分析他们想要的任何指标。
  
  
• 00:30:00 演示者演示了如何在基于云的交易平台上构建交易策略。给出的示例是使用过去五年的数据在日线图上构建澳元兑美元交易策略。为了避免曲线拟合，该算法只训练到 2015 年 1 月 1 日，留下一年的样本外数据来测试它以前从未见过的策略。演示者强调了不要浪费这些样本外数据的重要性，以避免偏向于选择在特定数据集上表现良好的回测。使用机器学习算法来分析指标和寻找潜在模式是一种更灵活、更强大的优化交易策略的方法。
  
  
• 00:35:00 演示者演示了如何使用 Trade-Ideas 平台和开源指标库 TA Lib 构建交易策略。他们首先分析澳元兑美元在五年内的价格走势，并确定算法能够找到强烈信号的范围。他们通过选择指标范围并注意它们之间的关系来完善做多的规则。通过添加相对于 50 周期 SMA 的价格规则，他们可以看到交易算法发现强烈信号的两个不同范围。使用 Trade-Ideas 的优势在于它允许分析机器学习算法的结果，找到最强信号的位置，并直接根据直方图构建规则以准确了解规则的含义。
  
  
• 00:40:00 主持人讨论了为交易策略构建空头规则的程序，包括选择正确的指标和细化规则以找到强大的空头信号。演示者强调了使用指标测试和探索不同模式以找到最佳策略的重要性。然后，讨论转向在 MetaTrader4 中生成代码和测试样本外策略，并能够合并交易成本。主持人确认该方法是算法交易。
  
  
• 00:45:00 演示者解释了如何测试他们在最新的样本外数据上构建的策略，这些数据在策略构建过程中没有使用。该模拟在一个名为 MetaTrader 的流行交易平台上运行，用于交易货币和股票。该平台拥有一个活跃的开发人员社区，他们开发自动化策略、自定义指标，并提供了一个极好的机会来测试分析和使用用于交易的相同数据进行交易。模拟的重点是测试策略在样本外数据上的表现。该工具由一家初创公司开发，该公司计划通过直接向经纪商贴上白标的方式免费提供该工具。
  
  
• 00:50:00 演讲者解释了如何在回溯测试后将风险和资金管理技术纳入策略。添加简单的止盈和止损可以显着减少回撤并防止下行风险。演讲者随后提出了一个关于如何防止算法交易中的曲线拟合的问题。为避免过度拟合，演讲者强调在上线前使用宽区间选择、样本外测试和模拟账户。最后，演讲者指出，他们的个人偏好是在交易策略方面比黑盒神经网络更简单和透明。
  
  
• 00:55:00 演讲者回答了有关他们的平台与其他平台相比如何的问题，例如 Quanto Pian 或 Quanto Connect，后者更侧重于自动化现有策略，而他们的平台更侧重于策略发现和分析。他们还讨论了技术数据在自动化策略中的重要性，但强调他们的平台还包括其他数据集，例如情绪指标。此外，演讲者还演示了 MetaTrader 4 的使用，并讨论了风险和资金管理策略在交易中的重要性。最后，演讲者讨论了自动交易策略中的最佳实践和常见陷阱。
  
  
• 01:00:00 演讲者讨论了指标在交易策略中的使用以及复杂性和过度拟合之间的权衡。他们建议每个策略使用三到五个指标，以在包含大量信息和过度拟合之间取得平衡。演讲者还讨论了输入算法的数据或特征的重要性以及如何实现输出。他们强调，这与底层算法无关，而与所使用的指标及其实施方式有关。演讲者还解决了有关在 Metatrader4 中使用遗传优化器的问题，以及使用与平台所用指标相同的指标的重要性。
  
  
• 01:05:00 演讲者讨论使用机器学习进行价值投资。之前针对算法交易讨论的相同过程可用于价值投资，但投资者将使用对量化公司内在价值很重要的数据集，而不是技术指标。例如，投资者可以使用市值或市盈率来查看这些数据与标的资产价格变动之间的关系。演讲者还讨论了优化每笔交易回报的方法，以及如何知道算法何时与市场不同步。最后，演讲者讨论了学习 Metatrader 的难易程度，并提到 Python 和 R 都有很好的机器学习库，这取决于一个人的经验和编码背景。
  
  
• 01:10:00 演讲者讨论了算法交易所需的必要技能和知识，其中涉及融合金融和技术。要设计成功的交易策略，必须了解市场、大数据统计和技术以实现策略自动化。量化教育计划可以提供成为成功的算法交易员所需的各种操作和技能的培训。对于那些想要构建算法的人，Python 也被推荐为一个很好的选择。

[MetaQuotes]

[网络研讨会] 改变当前市场中风险管理的概念

[网络研讨会] 改变当前市场中风险管理的概念

在此视频中，QuantInsti 的董事兼教员 Rajib Borah 先生谈到了算法交易中的一些主要风险监管问题，例如：

• Knight Capital 是如何在 45 分钟内损失 460 美元的？
• 为什么德意志银行被迫关闭其在东京的算法交易柜台？
• Infinium Capital 在交易原油 ETF 时出了什么问题，为什么他们被罚款 850,000 美元？
• 是什么失误让韩国韩磁证券在几分钟内损失了570亿韩元？