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。
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。
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。
In this session on "Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies", our guest speaker, Mr Tad Slaff, CEO of Inovance covered the...
QuantInsti is a pioneer training institute to learn algorithmic trading - http://www.quantinsti.com/Know more about QuantInsti's Algorithmic Trading Course -...
This webinar focused on the various aspects of Momentum Trading Strategies for both Conventional/Low Frequency as well as High Frequency (HFT). Some popular ...
The video is a recording of QuantInsti's Webinar on "Changing Notions of Risk Management in Current Markets" which was conducted on 10th August, 2015. In thi...
Most Useful linksJoin EPAT – Executive Programme in Algorithmic Trading : https://goo.gl/3Oyf2BVisit us at: https://www.quantinsti.com/Like us on Facebook: h...
This video is a recording of our Webinar on "A sneak peek into Artificial Intelligence based HFT Trading Strategies" conducted by QuantInsti on 27th February...
In this video, Mr. Rajib Ranjan Borah, co-Founder QuantInsti & iRageCapital Advisory, compares algorithmic trading in different geographic across the globe. ...
This Webinar on "Order book dynamics in High Frequency Trading" conducted by QuantInsti. In this video Mr. Gaurav Raizada, Director and Faculty at QuantInsti...
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。
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。
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。
In this session on "Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies", our guest speaker, Mr Tad Slaff, CEO of Inovance covered the...
The video is a recording of QuantInsti's Webinar on "Changing Notions of Risk Management in Current Markets" which was conducted on 10th August, 2015. In thi...
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。
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:
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:
[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:
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。
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。
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。
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。
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。
[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: