量化交易 (Quantitative trading) - 页 9

[MetaQuotes]

从想法到算法：制定量化交易策略背后的完整工作流程

从想法到算法：制定量化交易策略背后的完整工作流程

在这个内容丰富的视频中，Delaney Mackenzie 详细介绍了量化交易员在制定交易策略时遵循的工作流程。演讲者强调了从假设开始并利用历史数据对未来做出明智预测的关键作用。该过程涉及对交易模型的不断完善和探索，以确保其与未来回报的历史相关性，同时保持与其他模型的独立性。

关键目标之一是设计一个投资组合，在遵守各种风险约束的同时最大化预期回报。为实现这一目标，演讲者强调了在实际部署和扩大规模之前以小额资金测试模型的重要性。此外，强烈建议合并替代数据源并采用风险管理技术。

该视频深入探讨了交易策略开发中回溯测试的两个阶段。首先，设计投资组合并建立执行规则，其次，实施回测过程本身。演讲者强调了构建风险约束投资组合的重要性，该投资组合可保持模型预测的完整性，并建议仅当模型持续优于另类投资机会时才进入下一阶段。此外，演讲者鼓励探索新的可能性，而不是依赖现有模型的重新哈希版本。

Delaney Mackenzie 解释了制定交易策略的初始阶段，其中涉及制定经济假设以指导资产选择和时机选择。金融旨在通过基于假设智能地预测未来，将想法转化为有利可图的结果。交易中做出的每个决定本质上都代表着对未来市场变化的押注，凸显了利用过去的信息进行智能预测的关键作用。

演讲者提供了对制定量化交易策略的工作流程的见解。该过程从提出假设并使用样本数据探索它开始。将假设与现有模型进行比较对于改进至关重要，一旦新模型显示出价值，建议将其与其他子模型结合起来以增强预测能力。演讲者强调假设和模型不是孤立存在的，包含多个信息源的聚合模型往往会产生更好的性能。此外，重要的是在新数据上测试模型以确保其有效性。

演讲者强调了在未见数据上测试模型以避免在开发阶段过度拟合的重要性。他们指出，虽然通常采用回测完整策略，但必须承认，大部分时间都花在了开发模型和预测变量上，而不是构建投资组合上。因此，演讲者强调了投资组合构建和执行的重要性，包括交易费用等因素，然后再进行回测以确保投资组合在真实市场条件下的可行性。此外，演讲者强调，回测的目的不仅仅是评估模型的预测性能，而是评估根据模型预测设计的投资组合是否能够承受现实条件。最后，演讲者强调了在扩大规模以确保有效的资本部署之前在少量资本上测试模型的重要性。

演讲者讨论了交易模型的改进和探索，以建立其与未来回报的历史相关性以及与其他模型的独立性。此过程之后是在定义的风险约束内构建投资组合。演讲者强调了确保模型的执行不会扭曲信号并降低其与未来回报的相关性的重要性。提供了一个笔记本示例以突出约束的逐步添加，从而能够评估模型在不同风险条件下的性能。本节强调了彻底测试和改进的重要性，以确保交易模型在产生回报方面的稳健性和有效性。

演讲者解释了在满足各种风险约束的同时设计最大化预期回报的投资组合的过程。最初，采用朴素的优化策略，通过将全部资本投资于一只股票，专注于最大化预期回报，然后引入约束条件来限制投资金额。随后，增加仓位集中度约束，限制对任何一件事的投资在投资组合中的一定比例。通过纳入行业风险限制，进一步完善了投资组合策略。演讲者强调，在考虑风险约束的同时优化投资组合会带来复杂性，因为最终策略中的权重可能与模型对未来的预测不同。了解风险约束如何影响建模预测及其对投资组合构建的影响至关重要。

演讲者介绍了使用 alpha lines 的概念，alpha lines 是 Quantopian 开发的开源软件，用于评估模型的回报与未来回报之间的相关性。 Alpha 线允许将任何模型（无论其预测的宇宙大小如何）编码为因子模型。通过计算模型在 T 日的预测与它在 T+1 日预测的所有资产的回报之间的相关性，alpha 线有助于确定模型是否表现出与未来回报一致的正相关。然而，演讲者指出，真实数据可能并不总是表现出理想的相关模式。

讨论了将新模型与现有模型进行比较的重要性，重点是检查由因子加权并根据特定时期重新平衡的投资组合的回报。演讲者建议运行线性回归分析，将新模型的投资组合加权回报用作因变量，将现有模型的投资组合加权回报用作自变量。此分析有助于评估新模型与现有模型之间的依赖关系，提供对潜在 alpha 生成的洞察力。演讲者强调了风险管理和分散化的重要性，这可以通过单独限制每个成分或平均多个风险成分来实现风险分散来实现，这取决于投资策略。

演讲者解释了交易策略开发中回溯测试的两个阶段之间的区别。初级阶段涉及设计投资组合和确定执行规则，而第二阶段需要进行回测以评估模型预测与未来价格之间的相关性。构建一个风险受限的投资组合，在不损害其完整性的情况下有效地结合模型的预测是至关重要的。演讲者建议投资者只有在他们的回溯测试持续提供大量证据证明该模型优于另类投资机会时才进入下一阶段。此外，演讲者告诫不要依赖现有模型的修改版本，并鼓励对新方法进行严格探索。

演讲者讨论了制定量化交易策略的完整工作流程。这个过程从产生一个想法开始，这个想法可能源于对世界的理解、数据分析或识别普遍理解不同的领域。一旦模型被开发、测试和完善，就会将其与现有模型进行比较，以确定其独特性和产生新 alpha 的潜力。下一步涉及进行样本外测试、构建投资组合以及执行风险约束优化模拟。最后，该策略要么进行纸上交易，要么在扩大规模之前使用少量资金进行测试。演讲者强调，仅依靠定价数据很少能提供足够的信息来产生创新想法，而结合替代数据源对于获得新见解至关重要。

演讲者强调了利用替代数据产生阿尔法的重要性，而不是仅仅依靠定价和基本面数据来提高速度和便利性。他们还强调需要区分 alpha 和便宜的 beta，因为风险模型中考虑的任何内容都被认为是后者。讨论了 k 折交叉验证在减少过度拟合方面的局限性，演讲者推荐真正的样本外测试作为更可靠的方法。最后，演讲者强调了洞察数据集的选择对于预测未来和探索不同于传统方法的方法的重要性。

总之，Delaney Mackenzie 的视频全面概述了量化交易员在制定交易策略时遵循的工作流程。它强调了从假设开始、改进和探索交易模型、在新数据上对其进行测试、构建风险受限的投资组合以及进行彻底回溯测试的重要性。演讲者强调了利用替代数据、将模型与现有模型进行比较以及结合风险管理技术的重要性。他们强调需要确保模型的预测在历史上与未来回报相关并且独立于其他模型。演讲者还强调了在扩大到实际部署之前用少量资金测试模型的重要性。

此外，演讲者还深入探讨了投资组合设计和执行规则的复杂性。他们讨论了构建风险约束投资组合的过程，该投资组合可在满足不同风险约束的同时最大化预期收益。演讲者强调了逐渐增加的约束条件，例如头寸集中度和行业风险敞口，以评估模型在各种风险情景下的表现。他们强调投资组合优化涉及在最大化回报和管理风险之间进行权衡。

演讲者介绍了阿尔法线的概念及其在评估模型回报与未来回报之间相关性方面的作用。他们解释了 alpha 线如何允许将任何模型编码为因子模型，从而能够评估模型对未来回报的预测。演讲者承认现实世界的数据可能并不总是表现出一致的正相关性，强调了理解相关性分析的局限性的重要性。

强调将新模型与现有模型进行比较是评估其有效性的关键步骤。演讲者建议使用线性回归分析来评估新模型的投资组合加权回报与现有模型之间的依赖关系。这种比较有助于确定模型的独特性及其产生 alpha 的潜力。演讲者还强调了风险管理和多元化在投资组合构建中的重要性，无论是通过限制单个组成部分还是通过多种资产分散风险。

演讲者进一步强调了交易策略开发中回测的两个阶段。第一阶段涉及设计投资组合和执行规则，而第二阶段涉及进行回测以评估模型对未来价格的预测。构建一个风险受限的投资组合至关重要，该投资组合在不损害其完整性的情况下纳入模型的预测。演讲者建议投资者仅在有一致证据表明该模型优于其他投资机会时才进入第二阶段。他们告诫不要依赖现有模型的重新哈希版本，并鼓励探索新方法。

最后，演讲者概述了制定量化交易策略的完整工作流程。它从产生一个想法开始，然后通过测试、改进和比较模型与现有模型来取得进展。然后对该策略进行样本外测试、投资组合构建和风险约束优化。在扩大规模之前，该策略要么进行纸上交易，要么使用少量资金进行测试。演讲者强调了合并替代数据源以获得新见解的重要性，并强调了区分阿尔法和廉价贝塔的必要性。他们推荐真正的样本外测试来减轻过度拟合，并强调理解数据集选择对于预测未来的重要性。

总之，Delaney Mackenzie 的视频提供了对宽客在制定交易策略时遵循的工作流程的全面理解。它强调了假设开发、模型改进、新数据测试、风险管理和全面回溯测试的重要性。演讲者鼓励使用替代数据源、与现有模型进行比较以及探索新方法。通过遵循此工作流程，量化交易者可以提高其交易策略的有效性和稳健性。

• 00:00:00 Delaney Mackenzie 解释了宽客在制定交易策略时遵循的一般工作流程。首先，它首先提出一个经济假设，这将有助于决定投资哪种资产以及何时投资。该假设是对世界如何运作的预测，而金融的目标是根据对未来的智能预测，将想法转化为美元。做出的每一个决定本质上都是对未来的赌注，因此利用过去的信息来理解市场的未来变化并做出明智的赌注至关重要。
  
  
• 00:05:00 演讲者讨论了制定量化交易策略所涉及的工作流程。第一步是提出假设并使用样本数据对其进行探索。将假设与现有模型进行比较对于改进它至关重要，一旦新模型有价值，专家建议将其与其他子模型结合起来进行预测。演讲者强调假设不是孤立存在的，模型很少单独工作，需要一个包含多个信息源的聚合模型才能获得更好的性能。最后，必须在新数据上测试模型以确保其有效性。
  
  
• 00:10:00 演讲者讨论了使用以前从未见过的新数据测试模型的重要性，以确保它不会过度适应开发时间段。他们还指出，对完整策略的回溯测试经常被过度使用，因为大多数时候你都在开发模型和预测器，而不是进行投资组合构建。演讲者强调了投资组合构建和执行的重要性，包括了解交易费用，然后再进行回测以确保投资组合能够在真实市场条件下生存。演讲者还指出，回测的目的不是检查模型是否做出正确的预测，而是查看根据模型预测设计的投资组合是否能够在现实条件下生存。最后，演讲者强调了在实际部署模型之前在少量资本上测试模型以及扩大资本规模以实际赚钱的重要性。
  
  
• 00:15:00 演讲者讨论了改进和探索交易模型以确保它在历史上与未来回报相关并且独立于其他模型的过程。下一步是使用这个模型来构建一个在风险约束范围内的投资组合。演讲者强调了确保模型的执行不会破坏信号并降低与未来回报的相关性的重要性。他们强调了一个笔记本示例，其中逐渐添加约束可以帮助评估模型在各种风险约束下的表现。本节强调了测试和改进交易模型以确保其稳健且有效地产生回报的重要性。
  
  
• 00:20:00 演讲者解释了设计最大化预期回报但同时满足不同风险约束的投资组合的过程。他们从一个朴素的优化策略开始，通过将所有资金投资于一只股票来最大化预期回报，并增加他们不能投资超过一定数量的限制。然后，他们添加了头寸集中度限制，限制在任何一件事上投资超过投资组合的 15% 到 30%。随后，他们通过限制行业风险来完善投资组合策略。演讲者指出，在考虑风险约束的情况下优化投资组合时，最终策略中的权重与模型对未来的预测并不相同，这会导致很多复杂性。此外，发言人强调，某些模型可能无法通过风险约束步骤，这需要了解建模预测的概念以及它们如何受到风险约束的影响。
  
  
• 00:25:00 主持人讨论了使用 alpha lines（一种由 Quantopian 开发的开源软件）来检查模型的回报与未来回报之间是否存在任何相关性。演示者指出，任何模型，无论其预测的宇宙有多大，都可以轻松地编码为因子模型。 Alpha 线通过计算模型在 T 日的预测与其在 T+1 日预测的所有资产的回报之间的相关性来检查模型的预测是否与未来回报相关。主持人指出，始终如一的正相关是理想的，但在实际数据中并非总是如此。
  
  
• 00:30:00 演讲者讨论了使用 alpha 镜头来检查模型是否与过去的回报有任何相关性。在确定模型预测未来结果的有用性后，下一步是将其与其他已经存在的模型进行比较，以检查预测和回报的相似性。这种比较对于确定模型的独特性和产生新的 alpha 的可能性很重要。演讲者解释了如何通过使用风险模型来执行此比较，以检查在模型上开发的完整策略是否与其他模型相似，以及如何通过单个因素级别的风险分析来简化它。
  
  
• 00:35:00 在本节中，演讲者解释了如何评估交易模型的有效性。他们建议将模型的回报与其他已知模型进行比较，并使用风险感知技术（例如风险模型）来检查其效率。他们给出了一个简单均值回归模型的示例，他们通过查看与其他已知模型的风险相似性来评估该模型。他们还强调了将模型与现有 alpha 模型进行比较的重要性，以确保多元化收益而不是集中风险。最后，他们讨论了如何使用具有风险意识的投资组合优化来构建投资组合，这涉及在受到风险约束的同时最大化回报。演讲者建议使用具体示例来分解每只股票的风险敞口，计算投资组合的风险敞口，并确定投资组合是否风险过高。
  
  
• 00:40:00 我们了解限制风险，这是算法创建过程的关键部分。 Con 仅交易有限数量的名称而不会破坏 alpha，因此有必要限制风险以防止过度暴露。相关性很重要，因为模型的预测必须与未来的价格和回报相关联，因此每次限制风险时，它们都会使维持这种相关性变得更加困难。示例多头/空头股票算法底部的算法对其有限制，例如美元中性政策和相等的行业风险敞口。必须考虑能够优化回报并降低风险的智能约束。
  
  
• 00:45:00 演讲者讨论了制定量化交易策略的完整工作流程。第一步是想出一个想法，这可以来自对世界、数据的理解，或者找到世界不同意你的隐含模型或理解的领域。一旦模型经过测试和改进，就会将其与现有模型进行比较，以确定新材料并确定模型之间的权重。下一步是执行样本外测试、构建投资组合并运行风险约束优化模拟。最后，该策略在扩大规模之前用少量资金进行模拟交易或测试。演讲者强调，仅使用定价数据几乎永远不会提供足够的信息来产生新想法，而新见解来自其他来源。
  
  
• 00:50:00 演讲者讨论了使用替代数据生成 alpha 的重要性，而不是仅使用定价和基本面数据，因为它既简单又快速。演讲者还讨论了排除现有风险模型的必要性，因为风险模型中的任何东西都被认为是便宜的 beta 而不是 alpha。演讲者还解释了 k 折交叉验证在减少过度拟合方面的局限性，并建议改用真正的样本外测试。最后，演讲者强调了了解使用什么数据集来预测未来以及它与人们以前所做的有何不同的见解的重要性。
  
  
• 00:55:00 演讲者解释了如何将新模型与现有模型进行比较，方法是查看已按因子加权并根据某些再平衡期规则（通常是一天或一个月）进行再平衡的投资组合的回报。演讲者建议运行线性回归，将模型的投资组合加权回报作为 Y 变量，将现有模型的投资组合加权回报作为独立变量。依赖性越强，现有模型与新模型的性能越相似并能解释新模型的性能，产生的 alpha 就越多。演讲者还强调了风险管理和分散化的重要性，这可以通过限制每个单独的组件进行风险控制或通过将多个风险组件合并在一起以分散风险来实现，具体取决于您的投资策略。
  
  
• 01:00:00 演讲者解释了制定交易策略的两个回测阶段之间的区别。主要的回测阶段涉及设计投资组合并确定执行规则，而第二阶段实际上是进行回测以查看模型预测是否与未来价格相关。构建一个风险受限的投资组合非常重要，该投资组合可以在不过度破坏模型预测的情况下获得模型预测。演讲者建议，这都是相对的，当他们的回测持续提供足够的证据证明这是比替代品更好的投资机会时，投资者应该进入下一阶段。最后，演讲者警告不要使用只是现有模型的改版版本的模型，并鼓励投资者严格探索模型遵循新事物的可能性。

[MetaQuotes]

利用Excel工作表进行市场定量分析！标准普尔 500 指数分析与交易理念

利用Excel工作表进行市场定量分析！标准普尔 500 指数分析与交易理念

该视频深入探讨了如何使用 Excel 工作表进行市场定量分析，重点关注标准普尔 500 指数作为说明性示例。 Julie Marchesi 演示了在 Excel 中创建相关性工作簿，使用黄色框作为输入从 74 个组中选择相关性指数，回顾期为 40 天。相关性测试将过去 40 天与数据集中的所有其他时间段进行比较，确定最高相关性。为了验证相关性，使用第二个市场来确认调查结果并消除不可靠的数据点。相关性指数图表直观地跟踪了相关性随时间的变化。

演讲者解释了利用 Excel 工作表进行市场量化分析的过程，特别强调了在标准普尔 500 指数中的应用。它们在图表上展示了代表回顾期和相关指数的各种线条。通过分析这些线，演讲者得出他们对市场的偏见并对未来趋势做出预测。他们还引入了一个图表，显示特定时间段内的平均百分比变化，并强调关注重要相关指数的重要性。演讲者最后展示了如何将此分析应用于标准普尔 500 指数市场的当前状态，并强调了其在做出明智的交易决策方面的潜在效用。

下一节的重点是检查不同市场以获取与标准普尔 500 指数分析相关的确认信号或相互冲突的信号。发言人强调，虽然石油证实了市场的强劲上升趋势并表明有进一步看涨活动的潜力，但欧元和欧元日元在过去 20 天表现出看跌或消极活动。然而，黄金并没有提供重要的确认。根据最近的市场走势，发言人建议未来出现负面倾向，但警告不要卖空，并建议在采取重大行动之前等待确认。总的来说，演讲者得出结论认为市场存在看涨优势，但建议在短期内谨慎行事。

演讲者在下一节讨论了从不同市场的相关性测试中得出的结论。他们指出未来五天标准普尔 500 指数市场可能出现一些不稳定。尽管历史分析表明标准普尔 500 指数长期看涨，但演讲者强调在执行任何交易之前观察市场中性活动的重要性。他们建议将定量分析与情感分析相结合，以更好地了解市场，并强调 Excel 工作表在以各种方式可视化数据方面的作用。该视频最后鼓励观众探索这种类型的交易方法，并访问演讲者的网站以获取有关他们的日志和实时交易的更多信息。

• 00:00:00 在本节中，Julie Marchesi 讨论了她使用 Excel 创建的关联工作簿，该工作簿帮助她从定量角度分析市场。黄色框用作输入，允许从 74 个组和 40 天的回顾期中选择相关指数。相关性测试将过去 40 天与整个数据集中的所有其他时间段进行比较，以找到最高相关性。一旦找到最高的相关性，工作簿就会使用第二个市场来确认相关性并剔除任何不可靠的数据点。相关性指数图表跟踪相关性如何随时间变化。
  
  
• 00:05:00 在本节中，演讲者讨论了如何利用 Excel 工作表进行市场量化分析，以标准普尔 500 指数为例。他在图表上显示了代表回顾期和相关指数的不同线条。通过分析这些线，他可以确定他对市场的偏见并对未来趋势做出预测。他还讨论了一个图表，该图表显示了特定时间段内的平均百分比变化，以及哪些相关指数最值得关注。演讲者最后展示了如何将此分析应用于标准普尔 500 市场的当前状态，以及为什么它可能对做出交易决策有用。
  
  
• 00:10:00 在视频的这一部分，演讲者探讨了不同的市场如何为标准普尔 500 指数分析提供确认或相互矛盾的信号。虽然石油证实市场处于强劲的上升趋势并显示出持续看涨活动的潜力，但欧元和欧元日元在过去 20 天显示看跌或消极活动。另一方面，黄金根本不能提供太多确认。发言人指出，最近 20 天的市场走势表明未来存在负面偏见，但警告不要卖空，并建议等待确认后再采取任何大动作。总体而言，演讲者得出结论认为市场存在看涨优势，但短期内应谨慎行事。
  
  
• 00:15:00 在本节中，演讲者讨论了从不同市场的相关性测试中得出的结论，指出未来五天标准普尔 500 指数市场可能会出现一些动荡。发言人指出，尽管历史分析表明标准普尔 500 指数长期看涨，但他们在进行任何交易之前正在寻找市场中的某种中性活动。演讲者建议结合定量分析和情感分析以更好地了解市场，并利用 Excel 工作表以不同方式可视化数据。他们鼓励观众尝试这种类型的交易并访问他们的网站以获取有关他们的日志和实时交易的更多信息。

[MetaQuotes]

在 Python 中构建量化股票策略

在 Python 中构建量化股票策略

该视频以 Python 和算法交易平台 Quantopian 作为主要示例，深入探讨了构建量化股权策略。演讲者首先介绍了他们自己以及他们在数据分析和量化金融方面的背景。他们解释说，Quantopian 是一个平台，可以让散户投资者访问数据并利用回测来构建自己的股票交易量化策略。尽管最初持怀疑态度，但演讲者强调了 Quantopian 在吸引合作发现投资理念的量化科学家、黑客和散户投资者社区方面的成功。他们还提到，虽然 Quantopian 目前得到了风险投资的支持并且还没有收入，但他们计划最终提供实时交易作为付费服务。

演讲者通过 Quantopian 平台上的众包数据和想法深入探讨了构建量化策略的概念。他们强调，Quantopian 促进了用户之间的直接消息传递，促进了开发定量算法的联系和想法共享。但是，演讲者承认数据限制可能会给用户构建策略带来挑战，因为他们可能无法访问所有必要的定价数据。此外，他们指出，Quantopian 的重点仅在于股票，可能不适合高频或对延迟敏感的交易策略。

详细讨论了交易平台的局限性。演讲者强调，Quantopian 不是为剥头皮或做市等低延迟策略而设计的。他们提到定价数据来源决定了证券的范围，目前只有几千只国内股票。演讲者简要介绍了他们在 GitHub 上提供的开源基本滑点模型。尽管未来有可能纳入期权和期货，但主要重点仍然是提供盈利策略和确保盈利统计数据的透明度。演讲者对平台上日常 Python 用户实施的五种基本量化策略进行了分类，包括均值回归、动量、隔夜缺口、波动率和配对。

探索了各种量化策略，特别关注均值回归和动量的相互作用和调整。演讲者重点介绍了估值和季节性等流行策略，这些策略的数据可通过雅虎财经或谷歌财经等来源获取。他们告诫要提防配对交易中的常见陷阱，例如盲目挖掘数据以寻找不相关的证券。强调了识别与相同价值挂钩的证券并观察两种资产之间的利差分布的重要性。目标是利用股票之间价差的逆转。

进一步讨论了配对交易和动量交易策略，演讲者提供了使用 Python 回测配对交易策略的示例。配对交易涉及交易两只股票之间的价差，并存在潜在逆转等风险。另一方面，动量交易涉及根据之前的价格升值对股票进行排名。虽然无法直接从平台下载数据，但由于带宽限制，用户可以在大约 100 只股票的有限范围内进行回测和实时交易。

探讨了估值作为一种量化股票策略的概念，需要系统的基本比率分析来识别被低估和高估的股票。然而，实施此类策略需要广泛的数据覆盖范围以及对数据规范化、日历对齐和相关操作的理解。演讲者建议使用 fetcher 方法实施这些策略，使用户能够从 Internet 获取 CSV 数据。演讲者还谈到了作为一种量化股票策略的情绪，涉及市场情绪及其对股价影响的分析。然而，他们警告说，实施这一战略需要对数据分析、规范化和操作有深入的了解。

讨论了在量化股票策略中使用做空股票作为情绪指标。做空股票被认为是困难且有风险的，只有经验丰富的人才愿意参与其中。然而，可以从纳斯达克获得的空头利率水平的公开数据可用于此目的。演讲者强调了轧空导致流动性限制的风险，并建议使用基于波动率的信号来识别严重做空但风险较低的股票。他们提出了一种算法，根据“回补天数”信号对股票进行排名，该信号代表卖空者根据平均每日交易量平仓所需的天数。该策略涉及购买做空最少的股票并做空最做空的股票。

演讲者继续讨论过程中的中间步骤和算法的开源。他们承认访问有价值数据的挑战，例如从经纪人处借入利率以及滑点模型的局限性。演讲者解决了有关可用订单类型和添加更多功能的反馈系统的问题。此外，他们还简要提到了季节性在交易中的应用及其在网上的流行程度。

介绍了一种适合初学者的简单量化股权策略。使用季节性来为市场计时，例如，在 5 月出售股票并投资债券，然后在 10 月买回股票市场，被强调为一个简单的系统规则，可以随着时间的推移轻松进行绩效分析。演讲者根据回复、观看和克隆的数量，提供了 Quantopian 平台上共享的前 25 种量化股权算法的细分。值得注意的是，一篇关于使用谷歌搜索词预测市场走势的论文虽然被认为过度拟合，但在论坛上引起了极大关注。演讲者还指出，尽管更简单的策略有效，但包含涉及高级数学概念的长而复杂首字母缩略词的策略往往会吸引更多的兴趣。

强调了平台中信任和安全的重要性。演讲者承认需要与用户建立信任以鼓励他们上传他们的算法以针对市场进行测试。他们确保认真采取安全措施。虽然实时聚合性能数据尚不可用，但演讲者提到大约有 1000 种算法正在模拟中运行。讨论了社交网络对宽客的潜在好处，并认识到它可能不会直接影响单个算法的盈利能力。然而，量化金融界希望与他人建立联系、交流想法并获得见解。 Quantopian 作为学习环境的价值凸显，人们可以在无风险的环境中从成功和错误中学习。

演讲者探讨了平台内各种投资策略分类的流行程度。他们指出，动量和均值回归策略是目前最受欢迎的。他们对该平台为散户投资者提供更易于访问的内容的潜力表示兴奋。提供了 Python 平台回测器的演示，展示了初始化方法和处理数据方法，在实时交易中每天或每分钟执行一次。用户界面设置允许指定回测日期、初始资本和回测频率。社区线程包括一个搜索功能，用于查找和利用其他成员创建的算法。

在最后一部分，演讲者展示了他们的实时交易仪表板，部署了一个基本算法，根据他们的 Interactive Brokers 账户购买九个行业 ETF 的等权重投资组合。仪表板以红色显示与基准相关联的绩效资产曲线、当前头寸、下单和成交。演讲者提到了记录已部署源代码信息的能力。使用的基准是 SPI 的回报，因为目前不提供以公正的方式选择广泛的股票。相反，他们提供每季度更新一次的每日美元交易量范围。

• 00:00:00 在这一部分中，演讲者介绍了自己并介绍了她在数据分析和量化金融领域的经验背景。她解释说，Quantopian 是一个算法交易平台，任何人，尤其是散户投资者，都可以通过该平台访问数据和进行回溯测试，以构建自己的量化策略，并将其部署到自己的账户中来交易股票。演讲者概述了 Quantopian 的工作原理，并强调尽管她最初持怀疑态度，但该平台已成功吸引了一群合作寻找投资理念的量化科学家、黑客和散户投资者。她还提到，Quantopian 尚未有收入，并得到了风险投资的支持，并计划最终将实时交易作为一项付费服务收费。
  
  
• 00:05:00 在本节中，演讲者讨论了在他的 Quantopian 平台上根据众包数据和想法构建量化策略的概念。该平台提供点对点直接消息传递，并允许用户连接和分享他们构建量化算法的想法。然而，演讲者承认数据限制可能是个人制定策略的主要问题，因为他们可能无法访问其算法所需的所有定价数据。此外，鉴于该平台仅专注于股票，它可能不适合高频交易或对延迟敏感的交易策略。
  
  
• 00:10:00 在本节中，演讲者讨论了他们交易平台的局限性，强调它不是剥头皮或做市策略的低延迟平台。他们还提到，他们的定价数据源定义了他们的证券范围，目前仅包括几千种国内股票。演讲者简要讨论了他们的基本滑点模型，该模型是开源的，可以在 GitHub 上找到。他们还谈到了未来可能包含的期权和期货，但请注意，重点是提供盈利策略并使盈利统计数据透明化。最后，演讲者对平台上的日常 Python 用户实施的五种基本可访问量化策略进行了分类，包括均值回归、动量、隔夜缺口、波动率和配对。
  
  
• 00:15:00 在本节中，演讲者讨论了一些基于均值回归和动量的相互作用和调整的基本 Quan 策略。两种流行的策略是估值和季节性，这些策略的数据可通过雅虎财经或谷歌财经访问。演讲者随后谈到了配对交易的常见陷阱，包括盲目地挖掘数据和发现实际上彼此没有联系的两种证券。他们鼓励人们理解配对交易涉及找到与相同价值相关的两个事物，以及查看两个资产价格之间的价差分布并注意价差何时进入分布的尾部。目标是买入价差，卖出价差，并押注两只股票之间的定价最终会回归。
  
  
• 00:20:00 在本节中，演讲者讨论了配对交易和动量交易策略，并演示了如何使用 Python 对配对交易策略进行回测的示例。配对交易涉及交易两只股票之间的价差，并伴随着一些常见的陷阱，例如潜在的毁灭性逆转。另一方面，动量交易涉及根据股票在给定时间段内的先前价格升值对股票进行排名。演讲者还解释说，虽然您不能直接从他们的网站下载数据，但由于带宽限制，您可以在大约 100 只股票的有限范围内进行回溯测试和实时交易。
  
  
• 00:25:00 在本节中，演讲者讨论了估值作为一种量化股票策略的概念，以及它如何需要系统地进行基本比率分析来识别便宜和昂贵的股票。但是，他提到此类策略需要良好的数据覆盖率和对规范化数据、对齐日历以及相关数据操作的理解。演讲者建议使用 fetcher 方法实施此类策略，该方法允许用户从 Internet 中获取 CSV 数据。此外，他将情绪视为一种量化股票策略，其中涉及分析市场情绪及其对股价的影响。但是，他警告说，实施这一策略还需要对数据分析、规范化和操作有扎实的了解。
  
  
• 00:30:00 在本节中，演讲者讨论了在构建量化股票策略时使用做空股票作为情绪指标。做空股票既困难又冒险，只有知道自己在做什么的人才愿意这样做。空头利率水平或公开交易股票的空头数量是可以从纳斯达克抓取的公开数据。然而，数据在时间上是滞后的并且具有低频快照。演讲者还强调了轧空带来的流动性限制风险，并建议使用波动率类型信号来识别严重做空但风险较低的股票。该算法涉及根据信号覆盖天数对股票进行排名，覆盖信号代表卖空者平仓所需的平均每日交易天数。该策略买入做空最少的股票，做空做空最多的股票。
  
  
• 00:35:00 在视频的这一部分，演讲者谈到了流程中的中间步骤和算法的开源。他还讨论了获取有价值数据的困难，例如从经纪人处借入利率以及他们滑点模型的局限性。演讲者回答有关当前可用订单类型和添加更多功能的反馈系统的问题。此外，演讲者还简要提到了季节性在交易中的应用及其在网上的流行程度。
  
  
• 00:40:00 在本节中，演讲者讨论了适合初学者的量化股票策略的最简单示例。一个这样的可能例子是利用季节性来把握市场时机，例如，在 5 月份卖出股票并投资债券，然后在 10 月份买回股票市场。这是一个简单的系统规则，可以通过时间轻松分析性能。他们还根据回复数、浏览量和被克隆次数，列出了量化股权平台上分享的前 25 名量化股权算法。其中，一篇关于使用谷歌搜索词来预测市场走势的论文尽管被认为是过度拟合，但在论坛上引起了极大的关注。最后，演讲者指出，人们倾向于发现包含复杂数学概念的长而复杂首字母缩略词的策略比有效工作的简单策略更具吸引力。
  
  
• 00:45:00 在本节中，演讲者讨论了信任和安全的重要性，以确保人们愿意将他们的赚钱算法上传到在线平台以进行市场测试。演讲者强调需要与用户建立一定程度的信任，以便他们在使用该平台时感到舒适，并提到他们认真对待他们的安全措施。虽然实时聚合性能数据尚不可用，但发言人指出，他们有大约一千种算法在模拟中运行。演讲者考虑了社交网络对宽客的潜在好处，但不确定它是否会推动个人算法的盈利能力。然而，他认为量化金融界的人们相互交谈并了解其他人在做什么的需求被压抑了。最后，演讲者强调了该平台作为学习环境的价值，人们可以在安全、无风险的环境中从彼此的成功和错误中学习。
  
  
• 00:50:00 在视频的这一部分，演讲者讨论了各种投资策略类别的流行程度以及它们在其平台中的表现方式。他们观察到动量和均值回归策略是目前最受欢迎的。他们对该平台增加散户投资者可访问的更多内容的潜力表示兴奋。演讲者还演示了该平台的回测器如何在 Python 中工作，在实时交易中每天或每分钟运行一次初始化方法和处理数据方法。唯一的 UI 设置是回测日期、初始资本和回测频率。社区线程中有一个搜索功能，成员可以找到其他成员创建的不同算法，并将它们复制并粘贴到平台的 IDE 中。
  
  
• 00:55:00 在本节中，演讲者展示了他的实时交易仪表板，其中针对他的盈透证券账户部署了购买九个行业 ETF 的等权重投资组合的基本算法。仪表板以红色显示与基准相关的绩效资产曲线、当前头寸以及下达的订单和成交量。演讲者还提到了为已部署的源代码记录信息的能力。基准是 SPI 的回报，目前，他们不提供以公正的方式选择大量股票的能力。相反，他们提供每季度更新一次的每日美元交易量范围。

[MetaQuotes]

量化交易的注意事项

量化交易的注意事项

量化交易领域的杰出人物 Ernie Chan 博士讨论了挑战，并为该领域的交易者提供了宝贵的建议。他强调了量化交易的难度越来越大，正如行业专家所指出的那样，以及许多机器学习基金的表现不佳。要想成功，交易者必须提高技能并吸取重要教训。根据个人经验，陈博士分享了交易者应避免做的事情，并提供了长期成功的指导。

陈博士强调的主要警告之一是过度杠杆化的诱惑，尤其是在战略表现强劲的时期。虽然凯利公式经常用于风险管理，但他警告说，它可能导致过于乐观的预期，并且对样本周期敏感。相反，他建议使用波动率作为确定杠杆率的更可预测的指标。通过以策略的预期波动为目标，交易者可以确定适当的杠杆水平，关注风险而不是仅仅预测回报。

陈博士为量化交易提供了两条重要的建议。首先，他强调考虑策略的下行风险（即可能损失多少）而不是专注于不可预测的潜在收益的重要性。其次，他警告不要将短期业绩作为选择经理人或确定杠杆率的唯一依据。相反，他建议寻找更长期的业绩记录，并利用短期业绩进行风险管理和逐步重新分配。此外，他鼓励交易员采用以业务为导向的思维方式，将利润再投资于交易业务的基础设施，而不是沉迷于个人奢侈品。

投资于贸易业务的基础设施是陈博士强调的一个话题。他建议优先投资于高质量数据、更快的机器和技术人员。质量数据对于确保准确的回测结果至关重要，而更快的机器可以提高研究效率。雇用具有必要技能的人员可以进一步增强企业的能力。陈博士强调这些投资的长期利益，将交易视为一项严肃的商业冒险。

为了提高研究效率，陈博士强调了投资多核机器和适当的并行计算软件的重要性。这项投资可以将生产率显着提高五到十倍。他还建议关注自己的比较优势，并通过与拥有互补技能（例如编码、战略、营销或运营）的个人合作来弥补任何不足。

陈博士提倡采用合作的方式进行量化交易。他强调合作可以以多种形式进行，包括由大学生组成的虚拟交易小组。分享想法并向他人传授策略可以带来有价值的反馈并提高整体绩效。虽然保护自己的竞争优势很重要，但分享基本的交易理念可以带来知识和见解的净流入。

此外，陈博士建议初学者从基于可靠直觉理由的简单交易策略开始。他强调消除不良交易的价值，而不是仅仅寻求更有利可图的交易。知道什么时候不交易以及什么时候不应用某些想法有助于长期成功。他还鼓励不断学习和改进交易策略。

在问答环节，陈博士分享了构建金融衍生品的见解，推荐使用Python作为该领域的起点，并讨论了动量交易和风险平价等有效策略。他强调需要更好的风险管理来维持战略，即使在回报减少的情况下也是如此。

综上所述，Ernie Chan 博士为量化交易者提供了宝贵的建议。他警告不要过度杠杆化和依赖短期业绩，强调考虑下行风险和关注长期业绩记录的重要性。他强调投资业务基础设施，包括数据、机器和人员。从简单策略开始的协作和持续学习是取得长期成功的关键。

• 00:00:00 Ernie Chan 博士谈论量化交易目前面临的挑战以及该行业如何走向成熟。正如 De Sha 和管理着 130 亿美元量化基金的 Lopez de Prado 博士所说，他提到量化交易变得越来越困难。大多数机器学习基金都失败了，最大的可投资货币交易程序的业绩在最近两年受到了统一的攻击。陈博士认为，要在这个领域生存并取得成功，交易者必须提升自己的水平并学习一些高水平的课程。他还分享了一些交易者应该避免做的事情，因为他已经违反了其中的大部分并吸取了教训。
  
  
• 00:05:00 演讲者警告在交易中过度杠杆化的诱惑，尤其是在策略表现良好的时候。虽然交易员可能倾向于依赖凯利公式进行风险管理，但演讲者指出，这可能导致过于乐观的预期，并对样本周期高度敏感。相反，他建议使用波动率来确定杠杆率作为更可预测的输入，因为准确预测回报可能非常具有挑战性。因此，交易者应以其策略的预期波动为目标，并根据该数量而不是预测回报来确定杠杆。
  
  
• 00:10:00 演讲者给出了量化交易的两条重要建议。首先，必须关注决定杠杆的策略的舌头方面，即策略可以损失多少，而不是可以赚多少，因为这是不可预测的。其次，至关重要的是不要使用短期业绩来挑选经理人或确定利差杠杆，因为根据一项学术研究，这样做是没有用的。相反，演讲者建议寻找更长期的业绩记录，并利用短期业绩进行风险管理和逐步重新分配。此外，他鼓励交易员采用以商业为导向的思维方式，交易员将利润再投资于数据设备，而不是将其花在旅行和奢侈品等奢侈行为上。
  
  
• 00:15:00 演讲者强调了将利润投资于贸易业务的重要性。与其投资更大的投资组合，不如投资业务的基础设施，例如数据、设备或人员。关于数据，投资高质量的数据是至关重要的，因为廉价的数据通常有警告，可能会损害回测的准确性。同样，重要的是拥有更快的机器以提高研究生产力并雇用具有工作所需技能的合适人员。这种对企业的投资可以提高企业的长期生存能力。演讲者得出结论，从长远来看，像经营任何其他业务一样经营贸易业务可能是有益的。
  
  
• 00:20:00 演讲者讨论了投资多核机器和适当的并行计算软件以将研究生产力提高五到十倍的重要性，考虑到机器比人工便宜得多，这是一项极好的投资。此外，投资本地机器比投资云计算更具成本效益和生产力，云计算存在心理障碍，需要数据传输和支付存储费用。演讲者强调需要关注自己的比较优势，并通过投资具有互补技能（例如编码、战略、营销或运营）的人员来弥补任何不足。
  
  
• 00:25:00 演讲者讨论了投资于人员以弥补你的缺点和扩展你的战略的重要性。他强调，交易应该作为一项严肃的业务来对待，如果一个人没有资金投入人员，也有办法应对这种情况。最好的量化基金现在使用团队方法，其中创建的策略不是任何个人的工作，而是团队的努力。因此，研究金融现象比研究交易策略更有好处，因为这可以提高交易策略的质量。演讲者还指出，独立交易者的方法正在变得过时，年轻的交易者正在采用一种很有前途的独特方法。
  
  
• 00:30:00 演讲者讨论了研究市场的好处，而不仅仅是制定有利可图的交易策略。通过采取科学的方法并出于其内在的好奇心和兴趣来研究现象，交易者可以发现市场中可重复的有趣人工制品，而不仅仅是过度拟合过去数据的结果。演讲者提倡从具有良好直觉理由的简单交易策略开始，并指出成功的策略通常涉及消除不良交易，而不是寻找更有利可图的交易。此外，知道何时不交易以及何时不应用某种想法的交易者从长远来看可能会更成功。
  
  
• 00:35:00 强调了从简单的交易策略开始的重要性，因为它有助于突破海量信息并获得个人经验。然而，同样重要的是不要停留在这个水平上并不断添加更多预测器以延长单个预测器的寿命。多个预测变量可以以各种方式呈指数组合，例如线性或分层，这使得它们难以复制并导致更慢的 alpha 衰减。组合预测变量时通常需要机器学习，但存在过度拟合的危险。尽管存在这些挑战，演讲者仍以乐观的态度结束，鼓励交易者不断学习和改进他们的策略。
  
  
• 00:40:00 Ernie 谈到协作在量化交易中的重要性。他强调合作可以以各种形式发生，而不仅限于大公司或公司。例如，大学生可以合作并组成一个虚拟交易小组，不同的人可以在其中贡献各种技能来制定成功的交易策略。 Ernie 还鼓励交易员分享他们的想法，并毫不犹豫地向其他人传授他们的策略。虽然他认为大多数交易想法都不是原创的，但正是执行、风险管理和其他竞争优势添加到策略中，才使其效果更好、持续时间更长。因此，交易者不需要放弃他们的竞争优势，但分享基本的交易理念可以带来净流入，因为其他人提供的反馈可以提高和改进策略。
  
  
• 00:45:00 演讲者讨论了他在量化交易方面的背景，并提到了他成功的外汇模型，该模型在其高峰期产生了超过三的夏普比率。他建议软件工程师首先检查其他人的模型，对其进行回测和交易，并与拥有基础知识但缺乏编码技能的人合作。他提出了多种预测波动率的方法，并仅在有利的情况下推荐交易策略。当被问及聘用量化开发人员的资格时，他强调编码技能和对市场及其复杂性的基本了解。
  
  
• 00:50:00 演讲者讨论量化交易的注意事项。他强调，如果一种交易策略不赚钱，就应该降低杠杆，直到它成为投资组合中的噪音。演讲者强调了在交易中寻找模式和现象的重要性，类似于物理学和工程学。作为初学者，他建议确定竞争优势并与具有互补技能的人合作。演讲者随后考虑在 ML 算法中使用更多数据，解释说更多数据并不总是更好，并建议使用 bagging 来模拟数据而不进一步扩展到历史。最后，演讲者指出，更好的风险管理至关重要，因为它使人们能够在不损失资金的情况下继续运行策略，即使回报开始减少。
  
  
• 00:55:00 Ernie Chan 回答观众关于量化交易的问题。他建议，构建金融衍生品对于有专长的人来说是一个很好的机会，但需要在利基领域进行搜索。他建议使用 Crisp Data 和 Tech Data 对股票数据进行回溯测试，但警告说好的数据需要付出高昂的代价。 Chan 还讨论了在当前环境下作为有效策略的动量交易和风险平价，并建议 Python 是一个很好的开源工具，可用于该领域的入门。

[MetaQuotes]

量化金融 | Radovan Vojtko 对量化交易策略的分类

量化金融 | Radovan Vojtko 对量化交易策略的分类

Quantpedia 的首席执行官 Radovan Vojtko 就为其数据库选择量化交易策略的过程提供了宝贵的见解。他强调了利用学术研究来发现可供交易者使用的可靠且可实施的策略的重要性。尽管存在普遍的误解，但 Vojtko 强调，学术论文中仍有大量具有潜力的交易理念。

Vojtko 解释说，最受欢迎的交易策略资产类别是股票，其次是商品、货币、债券和房地产。这些资产类别为实施量化策略提供了广泛的机会。他将量化策略分为不同的类别，包括时机、套利和动量等。

Vojtko 强调的一个关键方面是学术研究中存在盲点，尤其是在债券和大宗商品等覆盖面较广的资产类别中。这些盲点提供了发现新的 alpha 来源的机会，交易者可以利用它们。为了解决 P-hacking 和复制等问题，Vojtko 建议进行严格测试并使用动量匿名化技术。

与已发布的交易策略不再有效的信念相反，Vojtko 断言，一些策略即使在发布后仍继续产生积极的结果，五年后仍有超过 40% 的 alpha。为了选择最有希望的策略，他建议进行样本外测试，提高统计显着性的临界点，建立一个全面的策略数据库，并选择性能最好的策略。

Vojtko 进一步讨论了具体的交易策略，例如商品期货交易中的均值回归方法和盈余公告风险策略。他强调了 alpha 衰减的重要性以及 P-hacking 和数据挖掘带来的挑战。在实施之前严格测试和验证策略至关重要。

针对量化交易策略一旦发布就会失效的误解，Vojtko 引用了一项研究，表明该策略随着时间的推移仍然可以表现良好。他建议交易员避免数据挖掘，并强调需要进行彻底的测试和验证。

在学术研究的复制方面，Vojtko 建议提高统计显着性的临界点，并采用样本外测试来比较基于已发布数据的投资组合。这种方法确保更准确的复制并能够识别获胜策略。

为了扩大盈利策略池，Vojtko 建议建立一个包含广泛策略的数据库，并选择性能最佳的策略。他还提供用于寻找量化交易策略的资源，例如 Social Science Network 和 Quantpedia。

关于量化金融的编程语言，Vojtko 提到了各种选项的可用性，并建议选择一种人们熟悉的语言。 Python 是首选语言，但其他选项（如 Tradestation、Ninjatrader 或 Ami Broker）也可能有效。 Vojtko 强调需要合并金融和技术技能以实现成功的算法交易，并提供教育计划以发展这两个领域的专业知识。

• 00:00:00 在本节中，Arjuna 介绍了 Quantpedia 的首席执行官 Radovan Vojtko，这是一个量化交易策略百科全书网站。 Vojtko 曾任投资组合经理，管理着超过 3 亿欧元的量化基金，专注于多资产 ETA 趋势跟踪策略、市场时机和波动率交易。 Vojtko 强调了关注金融学术研究的重要性，并提到学术研究中发表了许多有趣的交易策略和想法，人们可以将其用于交易或调整它们以用于自己的交易系统。他还分享了一些与实施学术研究之外的策略相关的常见问题。
  
  
• 00:05:00 在本节中，Radovan Vojtko 讨论了为其数据库选择交易策略的过程。他解释说，他们阅读了大量学术论文，并选择了可实施且具有可靠性能和风险特征的策略。他举了股票动量策略的例子，该策略最早出现在 Jagadeesh 和 Titman 1993 年的一篇论文以及随后的相关论文中。 Vojtko 还提到他们不发布交易代码，因为机构客户更喜欢根据自己的数据测试策略。最后，他概述了进行定量研究的三大群体：学术界、卖方研究以及对冲基金和资产管理公司。
  
  
• 00:10:00 在本节中，演讲者讨论了量化交易策略的概述和分类。演讲者表示，股票是学术研究中涵盖广泛的资产类别，其次是商品、货币、债券和房地产。交易策略最受欢迎的时间框架是每月再平衡，由于需要更昂贵的数据和编程要求，高频交易的代表性不足。话题方面，多空、动量等股票策略最受欢迎，其次是市场时机、价值和基本面收益效应。演讲者还就如何在数据库中分类和寻找有趣的交易策略提出了自己的观点。
  
  
• 00:15:00 在本节中，演讲者讨论了量化交易策略的不同分类，并介绍了研究盲点的概念。盲点是指没有很好涵盖的研究领域，提供了寻找新阿尔法或交易策略的机会。演讲者随后介绍了不同资产类别的不同策略分布，表明股票占主导地位，而债券和房地产投资信托基金并未得到很好的覆盖。在众所周知的风格中，动量和套利被很好地涵盖，但演讲者强调了其他资产类别的时机策略和开发有趣的货币交易策略的机会。
  
  
• 00:20:00 在本节中，Radovan Vojtko 讨论了按资产类别划分的量化交易策略的分类，特别强调了股票策略。他指出，股票交易风格比所有其他资产类别的总和还要多，股票策略主要有六种类型，包括择时、套利和价值交易。然而，在流行风格方面存在盲点，一些资产类别尚未得到充分开发，例如债券和大宗商品。 Vojtko 还强调了日内和只做空策略的一些差距，这为寻找研究论文中未涵盖的独特而有趣的投资机会提供了很好的机会。
  
  
• 00:25:00 在本节中，视频讨论了两种量化交易策略。第一种策略涉及使用均值回归方法来交易商品期货。该方法涉及将具有相似特征的商品分组，计算每个商品组的商品总回报指数，并在每个组内建立配对。然后根据历史距离交易货币对，如果价格差异超过两个标准差，则每日持仓。第二种策略是盈余公告前风险，它利用了盈余公告后股票波动的趋势。通过创建多空投资组合，投资者可以从这种趋势中获利。虽然收益公告后的漂移是众所周知的，但股票在收益公告之前也往往会发生漂移这一事实却鲜为人知。
  
  
• 00:30:00 在视频的这一部分，Radovan Vojtko 解释了 alpha 衰减的概念，其中交易策略的样本内和样本外表现存在差异。他还讨论了定量研究中的 P-hacking 问题和复制问题，研究人员可能会测试交易策略的大量变体，直到他们发现有趣的东西，从而进行数据挖掘。为避免这个问题，Vojtko 建议使用动量匿名化，它允许交易者查看策略是否真正有利可图，或者它是否只是统计上的侥幸。尽管存在这些问题，但学术论文中已经发表了各种量化交易策略，其中一个例子是预报盈余公告策略，该策略已显示出 40% 的年回报率。
  
  
• 00:35:00 在本节中，演讲者讨论了一种常见的误解，即量化交易策略一旦发布并为他人所知就不再有效，因为它们会被其他参与者套利。然而，McLean 和 Pontiff 的研究表明，有些策略即使在出版后仍然有效，出版五年后仍有超过 40% 的 alpha。演讲者还谈到了交易中异常或因素的持续性，强调任何策略都可以持续并在未来有不错的表现，但投资者时机不佳会导致回报较低。演讲者警告不要进行数据挖掘或数据钓鱼，这是一种可能导致错误发现的数据挖掘，并强调在实施任何策略之前对其进行严格测试的重要性。
  
  
• 00:40:00 在本节中，Radovan Vojtko 讨论了学术研究中的复制问题，特别是在量化交易策略中。他提到了研究人员在没有事先特定假设的情况下挖掘数据和寻找模式的问题，导致没有实际实际使用的统计显着性。 Vojtko 建议将统计显着性的分界点提高到 3.0 或 3.5，以尽可能严格地执行找到的策略，使用样本外测试根据已发布的数据比较股票因子的投资组合。这样，数据在挑选赢家时不言自明，允许更准确地复制和在未来交易中的潜在用途。
  
  
• 00:45:00 在本节中，Radovan Vojtko 讨论了一种未发布的动量异常策略，其中每年都会根据异常的表现对异常进行排名，表现最好的将在下一年进行交易。该策略有助于过滤掉不切实际、表现不佳或套利的策略，增加通过学术研究发现盈利策略的机会。然而，该策略并非万无一失，必须考虑流动性和交易成本。此外，异常的性能可能会降低，并且必须解决偏差和盲点。 Vojtko 建议建立一个包含更多策略的数据库，并选择性能最好的策略，以增加找到盈利策略的机会。
  
  
• 00:50:00 在视频的这一部分，演讲者回答了观众的问题并推荐了寻找量化交易策略的资源。他们建议查看网站 Social Science Network，因为它是社会科学研究论文的存储库，可以通过配对交易或动量交易等关键字进行搜索。演讲者还推荐了他们自己的网站 Quantpedia，该网站有一个包含 60 多种常见和知名策略的免费部分和一个包含更多独特策略的高级部分。当被问及初学者应该从哪种策略开始时，演讲者建议查看 EPS 上的资产成本选择和动量策略。为了计算 beta 衰变，演讲者建议参考他们出版物中提到的学术论文或在谷歌上搜索有关 alpha 衰变的学术论文。
  
  
• 00:55:00 在本节中，演讲者讨论了推荐的量化金融编程语言，并指出网上有很多可用的编程语言，最终归结为个人喜好。他们提供了一个指向他们网站的链接，该链接有几个指向大约 50 位后台测试人员的链接，他们个人更喜欢 Python，但请注意其他人也同样有效。他们建议选择一种您熟悉的语言，并使用来自提供的来源（例如 Tradestation、Ninjatrader 或 Ami Broker）的预构建解决方案来开始交易或测试。此外，演讲者提到成功的算法交易需要金融和技术技能的融合，他们提供教育计划来培训这两个领域的个人。

[MetaQuotes]

转向数据以获得交易优势 · Dave Bergstrom，量化交易员

转向数据以获得交易优势 · Dave Bergstrom，量化交易员

在此视频中，成功的量化交易员 Dave Bergstrom 分享了他在交易世界的旅程，并强调了利用数据分析技术发现市场优势的重要性。他强调需要避免曲线拟合和过度优化，建议利用多种资源来学习交易和编程，并强调适当的风险管理和现实期望的重要性。 Bergstrom 还讨论了高频交易的潜在衰退，并介绍了他的软件包 Build Alpha，该软件包可帮助交易者寻找和制定有利可图的交易策略。

Dave Bergstrom 最初是一名高频交易员，他讲述了他从几乎攻读法学院到成为一名交易员的历程。在本科学习期间，他深入研究交易，并在金融推特和播客等平台上寻找信息，以了解交易模式和动量股。尽管他早年取得了成功，但 Bergstrom 承认他早期的策略和技术与他现在的交易方法有很大不同。他重点介绍了他在策略开发过程中对数据挖掘技术的使用，并介绍了他的软件包 Build Alpha，它使交易者能够采用本集中讨论的各种形式的分析。

Bergstrom 出身卑微，通过销售假冒的 NFL 球衣和钱包揭示了他最初涉足贸易领域的经历。随后，他资助了一个交易账户并从事基于动量和技术分析的股票交易，尤其是图表模式。然而，他面临着不一致的情况，并且难以理解为什么他的资产余额总是回到零。随着经验的增加，Bergstrom 意识到缺乏系统的方法阻碍了他获得一致回报的能力。直到他搬到佛罗里达州并在一家高频交易公司担任交易助理后，他才发现了定量分析的领域，为他的交易努力的一致性铺平了道路。

Bergstrom 进一步讨论了他向需要数据分析的角色的转变。为了在这个职位上脱颖而出，他自学编程并专注于客观的技术分析，因为他的公司相信识别数据中的异常或模式可能导致有利可图的交易。他解释了在使用策略之前进行测试和回溯测试的过程，这一过程需要数年的反复试验才能取得持续的成功。 Bergstrom 对技术分析的看法发生了变化，倾向于利用数据识别模式的客观分析，而不是依赖直觉的主观分析。

编程在 Bergstrom 的交易之旅中发挥着重要作用，他认为这是一种超能力。认识到 Excel 不足以处理高频交易中的大量数据，他学习编程以从交易助理角色晋升为交易台角色。 Bergstrom 认为编程是一项出色的投资，因为它的收益不对称且风险极小。他建议有抱负的程序员探索不同的资源，保持勤奋，并向知识渊博的人寻求指导以加快学习过程。

Bergstrom 强调在学习交易和编程时寻求多种资源的重要性。他建议使用 Stack Exchange 等平台进行编程，并鼓励学习多种编程语言，例如 Python、C++ 和 Java。在讨论他的交易方法时，Bergstrom 将自己定位为数据挖掘者，并相信通过数据分析可以发现许多市场优势。虽然有些人认为数据挖掘容易过度拟合，但他认为，如果采取措施防止过度拟合和过度优化，它可能是一个有价值的工具。

Bergstrom 阐明了他如何通过数据挖掘发现交易优势，并使用适应度函数根据特定标准搜索有利可图的策略。他强调了避免曲线拟合的重要性，方法是采用保持最低交易数量和利用交叉验证等技术。他解释说，边缘是指具有积极期望的事物，可以通过数据分析来识别。最终，他寻求有利可图的策略，即使它们不是基于预先存在的假设，但他对符合逻辑推理的策略更有信心。

Bergstrom 表示，在测试策略时，进行大量交易至关重要。他强调了曲线拟合的风险，并建议不要使用回溯期来优化参数。相反，他更喜欢使用非参数指标，如计数措施。此外，Bergstrom 强调了市场制度以及交易量和波动性在理解市场行为方面的重要性。他提到了他在 Twitter 上分享的一张强大的图表，该图表说明了设定切合实际的预期和采用蒙特卡罗分析以避免向交易系统分配资金不足的重要性。

交易中的现实预期得到进一步探讨，正如伯格斯特罗姆强调的那样，即使回测显示有利可图的策略，了解现实生活中的结果可能有所不同也至关重要。蒙特卡罗模拟和方差测试等工具可帮助交易者创建可能结果的分布并为未来交易建立切合实际的预期。 Bergstrom 介绍了他的三项交易法则，第一条法则支持不对称的风险回报率。这意味着他更喜欢较低的胜率但较高的回报，而不是相反。

适当的风险管理在 Bergstrom 的交易理念中占据中心位置，尤其是在下注规模方面。他解释说，在同一模式或系统中，一笔交易的规模明显大于其他交易对交易者而言是不利的。 Bergstrom 警告不要过度投资于“令人兴奋的”交易，因为它会阻止数学概率在大量交易中发挥作用，而这是大数法则生效所必需的。他建议在大量交易中以更保守和一致的方式进行交易，以确保优势得以体现。虽然日内交易和高频交易更符合大数法则，但 Bergstrom 认为，如果方差测试令人满意，每日时间框架也可能有效。

Bergstrom 深入研究了跨市场战略稳健性的重要性。虽然他承认制定适用于多个市场的策略的价值，但他倾向于回避那些产生不足交易的策略。关于交易成本和在每笔交易中寻求更高的利润，Bergstrom 认为一种平衡的方法是可以实现的。该策略不应承受过高的交易成本，但与此同时，不应设计为产生过多的交易。换档，Bergstrom 解决了围绕高频交易 (HFT) 的常见误解，指出由于人们寻找替罪羊，它经常受到不公平的诽谤。他坚信高频交易是有益的，没有掠夺性的意图。

最后，Bergstrom 讨论了高频交易的潜在衰退，他将其归因于竞争加剧和策略暴露。争论的焦点是下跌是由于市场过度饱和还是央行实施的货币政策不支持高频交易所需的双向市场。 Bergstrom 推出了他的软件包 Build Alpha，它使用户能够根据退出标准和适应度函数选择信号并搜索不同的策略。该软件确定最佳策略并为每个策略生成可交易代码，从而实现投资组合的创建和全面分析。有兴趣的人可以访问网站 buildalpha.com 或通过电子邮件[e-mail]或 Twitter @Deeper_DB 联系 Dave Bergstrom。

总之，Dave Bergstrom 成为一名成功交易员的历程展示了数据分析技术在寻找市场优势方面的重要性。他强调防止曲线拟合、利用多种资源进行学习、实践适当的风险管理以及保持切合实际的期望，为有抱负的交易者提供了宝贵的见解。此外，他对高频交易的想法和 Build Alpha 的推出表明了他致力于通过创新的软件解决方案推进交易策略和增强交易者的能力。

• 00:00:00 高频交易员戴夫·伯格斯特罗姆 (Dave Bergstrom) 讨论了他从几乎要上法学院到交易的旅程。他在本科期间开始交易，并在互联网上搜索信息，例如金融推特和播客，以了解交易模式和动量股。他早期的交易取得了成功，但他承认他当时使用的早期交易策略和技术与他现在的交易方式有很大不同。 Dave 还谈到了他如何在战略制定过程中使用数据挖掘技术，并提出了减少曲线拟合的方法。他甚至开发了一个名为 Build Alpha 的软件包，允许交易者执行本集中讨论的许多技术和不同形式的分析。
  
  
• 00:05:00 量化交易员 Dave Bergstrom 分享了他在交易中的卑微开端，从销售假冒 NFL 球衣和钱包开始赚钱。然后他资助了一个交易账户，最初根据动量和技术分析，特别是图表模式交易股票。然而，他为不一致而苦苦挣扎，无法弄清楚为什么他总是回到零资产余额。有了更多的经验，Bergstrom 意识到他没有一个系统并不断重新启动，以防止任何一致的回报。只是当他搬到佛罗里达州并成为一家高频交易公司的交易助理时，他才发现了量化分析并找到了一条在交易中保持一致性的新途径。
  
  
• 00:10:00 量化交易员 Dave Bergstrom 谈到他过渡到一个需要他分析数据的角色。 Bergstrom 必须自学编程并专注于客观的技术分析，因为他工作的公司相信在数据中寻找异常或模式，从而实现有利可图的交易。他解释说，在将优势或模式用于交易之前，有一个测试和回测的过程，他必须在几年内反复试验才能获得持续的成功。 Bergstrom 对技术分析的看法发生了变化，他认为用数据确定模式的客观分析优于依靠直觉识别模式的主观分析。
  
  
• 00:15:00 Dave Bergstrom 解释了他是如何学习编程的，以及为什么他将编程视为一种超能力。他学习编程是因为他意识到 Excel 无法处理高频交易中涉及的数据量，因此他想从培训助理角色晋升为交易台角色。 Bergstrom 认为编程是任何人都可以做的最好的交易，因为收益是不对称的，而风险是最小的。他建议任何考虑学习如何编程的人查看不同的资源、勤奋并找到可以回答问题的人以帮助加快进程。
  
  
• 00:20:00 Dave Bergstrom 讨论了在学习如何交易和编程时寻求多种资源的重要性。他推荐使用 Stack Exchange 进行编程，并建议学习多种语言，例如 Python、C++ 和 Java。当被问及他的交易方式时，Bergstrom 承认自己是一名数据挖掘者，并认为市场上有许多优势等待通过数据分析来发现。虽然有些人可能将数据挖掘视为过度拟合，但他认为，只要采取措施防止过度拟合和过度优化，它就是一个有用的工具。
  
  
• 00:25:00 Dave Bergstrom 谈到他如何通过数据挖掘和使用适应度函数根据特定标准搜索盈利策略来发现交易优势。他强调了通过使用最小交易次数和交叉验证等技术来防止曲线拟合的重要性。他还解释说，优势是具有积极期望的东西，可以通过数据分析来识别。最终，他会寻找有利可图的策略，即使它不是基于预先存在的假设，但如果它合乎逻辑，他就会更加相信它。
  
  
• 00:30:00 Dave Bergstrom 讨论了在测试策略时进行大量交易的重要性。他还提到了曲线拟合的风险以及如何通过不优化带有回溯期的参数来避免它。相反，他更喜欢使用非参数指标，如计数措施。在理解市场行为时，他还强调了市场制度以及交易量和波动性的重要性。此外，他还解释了他在 Twitter 上发布的一张强大的图表，该图表显示了拥有切合实际的预期和使用蒙特卡罗分析以避免向交易系统分配资金不足的重要性。
  
  
• 00:35:00 我们了解交易中的现实期望。尽管回测可能显示出有利可图的策略，但重要的是要了解这些结果在现实生活中可能并不相同。蒙特卡罗模拟和方差测试等工具可以帮助交易者创建可能结果的分布，并确定对未来交易的现实预期。演讲嘉宾还介绍了他的三大交易法则，第一条是他更喜欢不对称风险而不是回报，这意味着他宁愿获得较低的胜率但获得更高的回报，而不是相反。
  
  
• 00:40:00 量化交易员 Dave Bergstrom 强调了适当风险管理在交易中的重要性，特别是关于赌注的大小。他解释说，在同一模式或系统中，一笔交易的规模明显大于其他交易并不符合交易者的最佳利益。 Bergstrom 警告不要在“令人兴奋的”交易上押注太多，因为它不允许数学在大量交易中发挥作用，而这是大数法则发挥作用所必需的。 Bergstrom 建议最好进行无聊的交易，并在大量交易中留在游戏中，以确保发挥积极的优势。虽然日内交易和更高频率的交易更适合大数法则，但 Bergstrom 认为，如果方差测试令人满意，每日时间框架也可以发挥作用。
  
  
• 00:45:00 Dave Bergstrom 讨论了跨市场稳健性对于交易策略的重要性。虽然他认为创建适用于多个市场的策略是一种好方法，但他倾向于回避无法产生足够交易的策略。当被问及交易成本如何影响交易策略以及在每笔交易中寻求更多利润是否值得时，Bergstrom 认为可以实现一种快乐的媒介，该策略不会因交易成本而扼杀你，但也许不会产生一千个交易。另一方面，Bergstrom 声称 HFT（高频交易）被误解，并且由于人们寻找替罪羊而经常被涂上坏名声。他认为高频交易是有益的，没有掠夺性。
  
  
• 00:50:00 Dave Bergstrom 讨论了高频交易的潜在衰退，因为由于竞争和策略暴露，高频交易变得越来越难以执行。是否是因为市场参与者过多，还是美联储和其他中央银行制定的货币政策不支持双边市场，这是高频交易所需要的，存在争议。 Bergstrom 正在开发一个名为 Build Alpha 的软件包，它允许用户从信号列表中进行选择，并根据他们的退出标准和适应度函数搜索不同的策略。然后它会找到最佳策略并为每个策略生成可交易代码，从而允许创建投资组合并对其进行分析。 Build Alpha 的网站是 buildalpha.com，用户可以通过 [e-mail] 或 Twitter @Deeper_DB 联系 Dave。
  

[MetaQuotes]

哪种编程语言用于量化和高频交易

哪种编程语言用于量化和高频交易

本视频全面概述了量化交易和高频交易 (HFT) 中常用的编程语言。演讲者将这些语言分为原型研究和解释性脚本语言，以及 Java、C#、C 和 C++ 等遗留编译语言。详细讨论了用于建模交易想法的流行语言的优缺点，包括 Python、R、MATLAB 和 Microsoft Visual Studio。此外，该视频强调了选择编程语言时的重要考虑因素，例如主机托管、具有成本效益的原型设计和代理支持。它强调使用生产力工具并考虑整个交易系统的重要性，包括风险管理和投资组合管理。

演讲者首先根据编程语言对原型研究和解释性脚本的适用性将编程语言分为不同的组。在量化交易的背景下，他特别提到 Python 和 MATLAB 作为交易想法建模的流行选择。然而，他指出了 Python 分裂版本（2.7 和 3.x）的挑战，并强调了 R 的兼容性和性能问题。一方面，Python 提供了许多选项，这对开发人员来说可能是压倒性的，并且需要额外的培训。另一方面，R在兼容性和性能方面有一定的局限性。

展望未来，演讲者深入探讨了量化和高频交易中常用的各种编程语言。讨论了 Python，强调了它在数据包方面的优势，但也强调了它的缺点，例如执行速度较慢和订单管理功能有限。演讲者还提到了 MATLAB 2015 和 Microsoft Visual Studio 2015，它们允许集成 Python。突出显示了 Java、C#、C 和 C++ 等遗留编译语言，建议将 Java 作为编程初学者的合适起点。 C# 因其易于理解和先进的技术而受到赞誉，而 C# 的最佳性能仅限于 Windows 环境。

视频进一步探讨了适用于量化和高频交易的编程语言，包括 Java、C/C++ 和 MATLAB。 Java 和 C# 以易于与数据库集成而著称，但由于垃圾收集会影响性能，因此可能会出现限制。 C 和 C++ 被誉为提供最佳速度和内存控制的语言，但它们学习起来可能更复杂。 MATLAB 被认为是一个功能强大的多功能平台，具有用于数据采集、分析、交易执行和风险管理的各种工具箱。它的高级数学和机器学习支持，以及通过 MATLAB Coder 使用 C/C++ 生成代码的能力得到了强调。演讲者还提到了使用 MATLAB Production 将 MATLAB 嵌入到高性能 Web 服务器中的选项。

详细讨论了在量化交易和高频交易中选择编程语言的注意事项。演讲者强调了在交易交易所（尤其是高频交易）中托管的优势，并提到 MathWorks 作为促进托管的提供商。 Lab Home Edition 的起价为 150 美元，是一种经济高效的原型制作环境。此外，经纪人的选择被强调为影响编程语言选择的关键因素。 Interactive Brokers 被强调为支持 Java、C++ 和 C# 等传统语言的代理。演讲者建议新手使用生产力工具，并强调需要考虑交易系统的更广泛方面，包括风险管理、评估和投资组合管理。

总的来说，该视频提供了有关量化交易和高频交易中使用的不同编程语言、它们的优势和局限性以及选择交易语言时要考虑的关键因素的宝贵见解。它强调了了解整个交易系统和使用适当工具进行高效交易操作的重要性。

• 00:00:00 演讲者讨论了量化交易和高频交易的不同编程语言选项。他将这些语言分为原型研究和解释性脚本语言，以及遗留编译语言。演讲者涵盖了通常用于模拟交易想法的 Python 和 MATLAB，他特别指出了 Python 的两个主要版本（2.7 和 3.x）中的分裂问题。演讲者还提供了一些关于 R 和 Python 优缺点的见解，他认为 R 在兼容性和性能方面存在一些问题。同时，Python 的选项太多，这可能会让开发人员感到困惑，并且需要更多的培训。
  
  
• 00:05:00 演讲者讨论了用于量化和高频交易的几种编程语言，首先是 Python，它以其数据包而闻名，但速度也很慢且订单管理能力有限。他还提到了支持使用 Python 的 MATLAB 2015 和 Microsoft Visual Studio 2015，然后转向传统语言，如 Java、C#、C 和 C++，所有这些都是编译语言。他强调 Java 是编程新手的一个很好的起点，尽管它在正确和本机运行方面受到限制，并且他推荐使用 C#，因为它易于理解和先进的技术。但是，C# 的最佳性能只能在 Windows 上实现。
  
  
• 00:10:00 该视频讨论了对量化交易和高频交易有用的各种编程语言，包括 Java、C/C++ 和 MATLAB。 Java 和 C# 可以轻松地与其他数据库集成，但性能可能会受到垃圾回收的限制。 C 和 C++ 是速度和内存控制的最佳执行语言，但它们学习起来可能很复杂。 MATLAB 是一个强大的通用平台，具有许多用于数据采集和分析、交易执行和水资源管理的工具箱。它还具有高级数学和机器学习支持，并能够通过 MATLAB 编码器生成严格符合 C/C++ 的代码。它还可以通过 MATLAB Production 嵌入到高性能 Web 服务器中。
  
  
• 00:15:00 演讲者讨论了为量化和高频交易选择编程语言的注意事项。他提到 MathWorks 如何允许在交易交易所中进行托管，这有利于高频交易。他继续谈到 Lab Home Edition 是一种具有成本效益的原型制作环境，起价为 150 美元。此外，他强调，经纪人的选择将极大地影响使用何种语言，盈透证券支持 Java、C++ 和 C# 等传统语言。演讲者建议新手使用生产力工具并注意整个系统的较小部分，其中包括风险管理、评估和投资组合管理。

[MetaQuotes]

“基本统计套利：了解配对交易背后的数学”，作者：Max Margenot

“基本统计套利：了解配对交易背后的数学”，作者：Max Margenot

在 Max Margenot 呈现的题为“基本统计套利：理解配对交易背后的数学”的视频中，统计套利的概念得到了彻底的解释。 Margenot 描述了统计套利如何涉及基于通过统计分析和市场行为模型确定的不平衡来创建交易。该视频侧重于配对交易，它依赖于基本统计概念，例如平稳性、积分顺序和协整。

Margenot 首先介绍了他公司的平台 Quantopian，该平台提供免费统计数据和金融讲座，以帮助个人开发交易算法。然后，他深入研究了配对交易中平稳性、积分顺序和协整的重要性。平稳性是指时间序列中的所有样本都来自具有相同参数的相同概率分布，在金融应用中通常假设为正态分布。引入增强的 Dickey-Fuller 检验作为检验平稳性的方法。

演讲者强调了与现实世界数据相关的不确定性，强调了假设检验中出现误报的可能性，尤其是在处理变量之间微妙或隐蔽的关系时。他通过在时间序列中生成一种可能无法通过假设检验检测到的病理关系来证明这一点。 Margenot 强调了对结果进行谨慎解释的重要性，并提醒观众即使对图表进行目视检查也可能无法揭示潜在的统计特性。

讨论了建模时间序列的局限性和误报的可能性。虽然时间序列可能表现出均值回归行为，但并不总是表明平稳性。平稳性表示时间序列既是均值回归又遵循平稳、确定性和随机分布的场景。引入积分阶数的概念，零阶积分不代表平稳，平稳意味着零阶积分。还解释了累积和，说明零阶的多重积分如何导致更高阶的积分。

解决了金融中固定回报的假设和寻找固定时间序列的困难。假定回报服从正态分布，表明平稳性。集成顺序和差异表示法用于测试平稳性。演讲者指出，从理论上讲，由于价格序列与收益的关系，因此价格序列应整合一阶，而收益则整合零阶。使用公司的定价数据提供了一个示例。

Margenot 继续解释协整的概念，它涉及以特定定义的方式对时间序列进行积分，以产生平稳的线性组合。尽管找到两个同时平稳的综合时间序列可能具有挑战性，但在探索具有合理经济基础的价格序列时，协整可能很有价值。演讲者强调，即使没有均值回归的特定时间模型，也可以根据固定点差的当前值进行投注。

演示了创建模拟数据的过程，以说明使用线性回归进行点差计算和估计。 Margenot 强调，财务数据很少像从一个变量中减去另一个变量那样简单，因此需要线性回归来估计变量之间的关系。目标是确定贝塔值，贝塔值表明投资组合在市场回报方面的构成。此信息允许成对交易的多头和空头头寸。提供了一个涉及一对替代能源证券的示例来说明该概念。

解释了为基本统计套利构建两种潜在证券之间的线性回归。 Margenot 建议在同一行业内寻找两种表现出某种关系的证券作为起点，以确定潜在的协整关系，这可能预示着套利机会。虽然两种证券之间的稳定性是有益的，但演讲者强调需要尽可能多地进行不同的独立投注，而不是仅仅依赖一对。

统计套利中货币对和交易的计算基于所检查货币对的对数回报。对数回报之间的线性回归，称为 Engle-Granger 方法，用于确定回归是否平稳。一旦建立了合理的世界模型，交易者就可以通过拥有比其他人更多的信息并做出相对明智的赌注来获得优势。为了积极交易和更新滚动价差，均值和标准差的滚动概念是必要的。可以利用移动平均线和普通过滤器等不同方法来迭代和增强交易策略。

演讲者强调统计套利可以是简单或复杂的单位策略。它涉及确定要交易的股票对之间的平稳性、协整性和关系。一个人与其他人相比拥有的信息越多，他们就越能利用这些关系。建立多元化的投资组合需要相互独立的赌注。重新平衡的频率取决于各个货币对和数据中观察到的平稳性持续时间。

视频继续讨论使用实时数据模拟算法交易。线性回归的假设，例如异方差性，被认为是影响其可行性的因素。在对股票对之间的关系进行建模时，协整优于相关性，因为它代表了表明平稳性的更强条件。可以使用假设点差的均值和标准差系统地确定赌注大小，这与相关性不同，相关性可能不适用于系统性方法。

总之，该视频提供了对统计套利和配对交易的全面解释。它涵盖基本概念，例如平稳性、积分顺序和协整。强调了仔细解释统计结果的重要性和独立投注的必要性。演讲者强调了线性回归在估计成对股票之间的关系中的作用以及均值回归在识别套利机会中的重要性。该视频最后讨论了算法交易的模拟以及在统计套利中构建多元化投资组合的注意事项。

• 00:00:00 Max Margenot 介绍了统计套利的概念以及如何通过统计分析利用它来利用市场的低效率。他解释说，统计套利涉及使用世界应该如何的模型，并根据统计分析造成的不平衡进行交易。然后他解释了他公司的平台 Quantopian，以及他们如何提供免费统计和金融讲座来帮助人们编写交易算法。 Margenot 继续讨论基于基本统计概念构建巴黎交易时平稳性、积分顺序和协整的使用。
  
  
• 00:05:00 演讲者讨论了时间序列数据中的平稳性概念及其在统计模型（例如自回归和移动平均模型）中的重要性。演讲者指出，平稳性意味着时间序列数据中的所有样本都来自具有相同参数的相同概率分布，并且在金融应用中通常假定为正态分布。演讲者介绍了增强的 Dickey-Fuller 检验作为平稳性的假设检验，并演示了它在平稳和非平稳时间序列数据上的应用。
  
  
• 00:10:00 演讲者讨论了处理现实世界数据的内在不确定性，因为人们永远无法确定使其以特定方式运行的数据生成过程。这会导致假设检验中出现误报的可能性，尤其是变量之间存在微妙或偷偷摸摸的关系时。演讲者通过生成与时间序列的病态关系来证明这一点，该时间序列的均值有一点周期性趋势，假设检验可能会遗漏这种趋势。演讲者强调了解释假设检验结果时谨慎的重要性，并指出即使查看图表也可能无法揭示潜在的统计特性。
  
  
• 00:15:00 演讲者讨论了时间序列建模的局限性和误报的可能性。他解释说，虽然时间序列可能是均值回归（反转回均值），但并不总是意味着平稳性。相反，平稳性表示时间序列的一个实例是均值回归并遵循平稳、确定性和随机分布。然后演讲者介绍了积分阶数的概念，其中零阶积分并不意味着平稳，但平稳意味着零阶积分。讨论以累积和的概念结束，其中多次添加零阶积分级数会产生一阶积分级数，依此类推。
  
  
• 00:20:00 讨论了综合秩序的概念和金融中的固定收益假设。演讲者解释说，很难找到平稳的时间序列，并且假定回报呈正态分布，这意味着它们是平稳的。为了测试平稳性，演讲者演示了集成顺序和差分符号的使用。此外，演讲者指出，从理论上讲，由于价格序列与收益的关系，价格序列应该与零阶整合。使用公司的定价数据给出了一个示例。
  
  
• 00:25:00 Margenot 解释了协整的概念，它涉及以某些定义的方式对时间序列进行整合，从而导致这些序列的线性组合变得平稳。虽然很难找到两个固定在一起的综合时间序列，但在有合理的经济基础探索一组特定价格序列的情况下，协整可能很有用。固定点差用于押注某些事物是否会回归均值，虽然没有具体的时间模型来说明这些回归是如何发生的，但仍然可以根据点差的当前值下注。
  
  
• 00:30:00 Max Margenot 解释了创建模拟数据的过程，以说明价差的计算以及如何使用线性回归对其进行估计。他强调，金融数据从来都不是一个变量的一个实例减去另一个变量的一个实例那么简单，因此线性回归对于估计两个变量之间的关系是必要的。目标是找到贝塔值，这将告诉我们投资组合是如何由市场回报组成的。通过找到 beta 值，我们可以确定什么是多头，什么是空头，允许我们在成对交易中买入 1 X 2 和空头 beta X 1。 Margenot 用一对替代能源证券的具体例子来解释这个概念。
  
  
• 00:35:00 演讲者解释了如何在两种潜在证券之间构建线性回归以进行基本统计套利。演讲者建议，在同一行业内找到彼此有一定关系的两只证券，可以为跳槽提供良好的基础，看看是否存在可能表明潜在套利机会的协整关系。演讲者警告说，虽然两种证券之间的平稳性很好，但这只是一种预测，如果想要交易对，基于一对构建资产是一个糟糕的主意，并强调需要尽可能多地进行不同的独立押注交易。
  
  
• 00:40:00 Max Margenot 解释说，统计套利中货币对和交易的计算是基于被检查货币对的对数回报。对数收益之间的线性回归，称为 Engle-Granger 方法，用于确定线性回归是否平稳。一旦对世界的构建有了一个合理的模型，就可以根据比其他人更多的少量信息来下注，从而为做出相对合理的赌注提供优势。为了积极交易和更新滚动价差，我们需要均值和标准差的滚动概念。可以使用不同的方法，例如移动平均线和普通过滤器，来迭代和改进交易策略。
  
  
• 00:45:00 演讲者解释了统计套利如何成为一种可以保持简单或变得复杂的单位策略。该策略涉及确定要交易的股票对之间的平稳性、协整性和关系。一个人比其他人拥有的信息越多，他们就可以更好地利用这些关系进行交易。只要这些关系彼此独立，演讲者就建议尽可能多地进行独立投注，以建立多元化的投资组合。此外，演讲者解释说，重新平衡的频率取决于单个货币对和数据中发现的平稳性持续时间。
  
  
• 00:50:00 演讲者解释了如何使用实时数据模拟算法交易。他还谈到了线性回归的假设，例如异方差性，这可能使其不可行。在对股票对之间的关系进行建模时，演讲者分享了他对协整而非相关性的偏好，因为前者是代表平稳性的更强条件。他指出，可以使用假设点差的均值和标准差系统地构建下注大小，而这可能无法通过相关性来系统地构建。

[MetaQuotes]

量化金融和高频交易实用 C++ 编程的完整概述

量化金融和高频交易实用 C++ 编程的完整概述

该视频全面概述了 C++ 编程在金融和高频交易 (HFT) 中的使用，提供了对该领域各个方面的宝贵见解。它首先讨论了《实用 C++ 金融编程》一书，强调了它在金融行业的重要性。本书涵盖了固定收益股票等基本主题，并提供了结构良好的代码部分的实际示例。它假定您熟悉 C++ 编程，并提供有关有效利用 C++ 模板的指导。演讲者强调了STL和boost库的正确使用，以及开源库的使用，如new plot用于绘图和QT用于界面设计。

接下来，该视频探讨了 QT 的使用，QT 是一种使用 C++ 开发用户界面的强大工具。虽然 QT 支持创建复杂的图形界面，但它偏离了传统的 C++ 方法，视频阐明了这方面的内容。然后，演示文稿深入探讨了线性代数、插值和数值积分等数学概念，将它们分解为基本算法和方程式以促进理解。还讨论了与金融相关的流行算法和建模技术，并深入了解它们在 C++ 中的实现。该视频强调了蒙特卡洛模拟对金融应用的重要性，并用一章专门介绍了这一关键主题。此外，还探讨了使用 Lua 和 Python 扩展金融库，并概述了高频交易职位最流行的编程语言。

随着视频的推进，它重点介绍了 Python 和 Lua 与 C++ 的集成，并展示了如何利用 Lua 在 C++ 应用程序中的可嵌入性，有效地将 Lua 与 Redis 结合使用。还涵盖了各种 C++ 技术，包括使用 Plaza 的多线程以及 C++ 11 和 14 功能的利用。该视频为尝试 C++ 编程的个人提供了极好的介绍性资源，解决了与该语言相关的一些内存管理挑战。它为学习 C++ 编程提供了全面的路线图，包括可供用户使用的各种选项和技术。

最后，演讲者分享了对最近出版的一本关于金融和高频交易应用程序 C++ 编程的书的积极评价。本书专门介绍了 C++ 17 中引入的解决低级硬件问题的新功能，使其成为对该专业领域感兴趣的人的宝贵资源。尽管演讲者承认与本书没有任何关系，但他强烈推荐将其作为对该领域现有资源的宝贵补充。

• 00:00:00 演讲者对《Practical C++ Financial Programming》一书进行了概述，重点介绍了C++在金融行业的重要性。该书涵盖固定收益股票，并提供示例以及将代码分解为多个部分的有用格式。本书假定读者熟悉 C++，并提供有关如何有效使用 C++ 模板的指导，同时强调使用 STL 和 boost 库的正确方法。演讲者还谈到了使用开源库，例如用于绘图的 new plot 和用于界面设计的 QT。
  
  
• 00:05:00 该视频讨论了 QT 的使用，QT 是一种使用 C++ 开发用户界面的工具。虽然 QT 可用于创建复杂的图形用户界面，但它脱离了传统的 C++ 方法。然后视频转向更多数学主题，例如线性代数、插值和数值积分，所有这些都分解为基本算法和方程式，以便于理解。该视频还介绍了流行的算法和建模技术，以及如何在 C++ 中实现它们。本书包括关于蒙特卡罗的一章，这对金融应用程序至关重要。最后，该视频讨论了使用 Lua 和 Python 扩展金融库，以及高频交易职位最流行的语言。
  
  
• 00:10:00 该视频介绍了 Python 和 Lua 与 C++ 的集成，以及 Lua 如何与 Redis 一起使用，特别是因为它能够嵌入到 C++ 应用程序中。该视频还探讨了各种 C++ 技术，包括使用 Plaza 的多线程以及使用 C++ 11 和 14 功能。该视频为那些希望进入 C++ 编程的人提供了很好的介绍，它还涵盖了一些与 C++ 相关的内存管理挑战。总的来说，该视频为学习 C++ 编程提供了一个很好的路线图，涵盖了可供用户使用的各种选项和技术。
  
  
• 00:15:00 演讲者对一本关于金融和高频交易应用程序的 C++ 编程的新书给予了正面评价。这本书涵盖了 C++ 17 中解决低级硬件的新特性，使其成为对该领域感兴趣的人的宝贵资源。演讲者强烈推荐这本书，并强调他与这本书没有任何关系，但发现它是对该领域的一个很好的补充。

[MetaQuotes]

算法交易基础：示例和教程

算法交易基础：示例和教程

本视频全面概述了算法交易，涵盖交易风格、市场和系统等各个方面。演讲者首先解释算法交易的基本原理，强调使用基于价格行为、交易量和数学指标的技术分析。需要强调的是，算法交易涉及使用计算机执行交易和对算法进行回溯测试，这与传统的技术分析不同。

介绍了不同类型的量化/算法交易，包括高频交易、统计套利和趋势/均值回归/动量交易。演讲者特别关注期货市场的波段交易和日内交易。统计套利涉及通过同时买卖资产来利用价格差异，而趋势/均值回归/动量交易则利用计算机执行定向交易以获取利润。为了说明这些概念，我们使用 TradeStation 软件演示了一个算法交易程序示例。该程序旨在使用红色蜡烛在下跌日买入，并在接下来的上涨日卖出，并包含美元目标和止损。演讲者展示了将此算法程序集成到标准普尔 500 E-mini 图表中以进行回溯测试。

下一部分探讨 TradeStation 上的交易策略。演讲者使用图表来展示基于蜡烛颜色的策略成功或失败的实例。他们缩小以展示 TradeStation 生成的绩效报告，提供净利润、总利润、赢率、平均交易和回撤等指标。策略的优化也通过调整止损和目标来解决，以评估不同输入的性能。演讲者强调了算法交易节省时间的方面，因为它可以提供有价值的见解，否则可能需要数月才能发现。

算法交易的优点和缺点将在后续部分讨论。优势包括减少人为和情感错误、快速回测交易想法、更快的订单输入以及测试多个想法和构建投资组合的能力。然而，也承认过度自信、过度优化以及无法考虑地缘政治事件或基本面交易技术等缺点。虽然可以对算法进行编程以避免在重要的政治或经济日子进行交易，但它通常可以在所有市场条件下运行。

该视频最后总结了其内容。它阐明了量化交易与基本面或常规技术交易之间的区别，通过一个简单的算法示例强调了算法交易的强大功能。重申了算法交易的优点和缺点，以便全面了解。演讲者鼓励观众提出任何问题，并表示希望该视频能够提供信息和帮助。

• 00:00:00 在本节中，讲师介绍了算法交易的入门知识，包括不同的交易风格、市场和系统。算法交易主要侧重于技术分析，使用价格行为、交易量和数学指标来为交易提供信息。讲师解释说，技术分析本身不一定是算法，因为算法交易涉及使用计算机执行交易和回溯测试算法。讲师还指出了不同种类的量化/算法交易，包括高频交易、统计套利和趋势/均值回归/动量交易，并解释说他的公司专注于期货市场的波段交易和日内交易。
  
  
• 00:05:00 在本节中，演讲者讨论了两种类型的算法交易：统计套利和趋势/均值回归/动量交易。统计套利涉及同时买卖资产以从价格差异中获利，而趋势/均值回归/动量交易涉及使用计算机进行定向交易以产生利润。然后，演讲者提供了一个使用 TradeStation 软件的算法交易程序的基本示例。该代码基于在下跌日买入红色蜡烛并在下一个上涨日卖出，目标为美元并设置止损。然后将该程序添加到 S&P 500 E-minis 的图表中以进行回溯测试。
  
  
• 00:10:00 在本节中，演讲者举例说明了 TradeStation 上的交易策略。他们使用图表来显示基于蜡烛颜色的策略何时有效以及何时无效的示例。然后，演讲者缩小显示 TradeStation 如何填充业绩报告，给出策略的净利润和总利润，以及赢率、平均交易和回撤。他们还展示了如何通过更改止损和目标来优化策略，以查看策略在不同输入下的表现。演讲者强调，使用算法进行交易的目的是提供如果没有它们可能需要数月才能弄清楚的信息。
  
  
• 00:15:00 在本节中，讨论了算法交易的优点和缺点。优势包括减少人为错误和情绪错误的可能性、快速回溯测试交易想法的能力、更快的订单输入以及测试多个想法和构建投资组合的能力。缺点包括过度自信和过度优化，以及不考虑地缘政治事件或基本交易技术的算法交易。虽然可以将算法编程为在关键的政治或经济日子不进行交易，但它通常可以在所有市场条件下运行。
  
  
• 00:20:00 在这一部分中，演讲者通过总结视频的内容来结束。他们首先回顾了量化交易与基本面或常规技术交易之间的区别，然后举了一个简单算法的例子来展示算法交易的威力。还涵盖了算法交易的优点和缺点。演讲者鼓励观众在有任何问题时与他们联系，并希望该视频对您有所帮助。