馬爾可夫交易系統

Ⅰ 大家覺得鼎鴻陽金融科技的馬爾科夫系統及交易技術怎麼樣

我覺得馬爾科夫系統挺不錯的，

Ⅱ 量化投資

沒有你想的書

我多年來都有關注這方面的書 可是也沒有在國內找到

數量化投資是將投資理念及策略通過具體指標、參數的設計，體現到具體的模型中，讓模型對市場進行不帶任何情緒的跟蹤；相對於傳統投資方式來說，具有快速高效、客觀理性、收益與風險平衡和個股與組合平衡等四大特點。量化投資技術幾乎覆蓋了投資的全過程，包括估值與選股、資產配置與組合優化、訂單生成與交易執行、績效評估和風險管理等，在各個環節都有不同的方法及量化模型：

一、估值與選股

估值：對上市公司進行估值是公司基本面分析的重要方法，在「價值投資」的基本邏輯下，可以通過對公司的估值判斷二級市場股票價格的扭曲程度，繼而找出價值被低估或高估的股票，作為投資決策的參考。對上市公司的估值包括相對估值法和絕對估值法，相對估值法主要採用乘數方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；絕對估值法主要採用折現的方法，如公司自由現金流模型、股權自由現金流模型和股利折現模型等。相對估值法因簡單易懂，便於計算而被廣泛使用；絕對估值法因基礎數據缺乏及不符合模型要求的全流通假設而一直處於非主流地位。隨著全流通時代的到來和國內證券市場的快速發展，絕對估值法正逐漸受到重視。

選股：在當前品種繁多的資本市場中，從浩瀚復雜的數據背後選出適合自己投資風格的股票變得越加困難。在基本面研究的基礎上結合量化分析的手段就可以構建數量化選股策略，主流的選股方法如下：

資產配置方法與模型
資產配置類別 資產配置層次 資產配置方法 資產配置模型
戰略資產配置 全球資產配置 大類資產配置 行業風格配置 收益測度 風險測度 估計方法 馬克維茨 MV 模型 均值 -LPM 模型 VaR 約束模型 Black-Litterman 模型
戰術資產配置 ( 動態資產配置 ) 周期判斷 風格判斷 時機判斷 行業輪動策略 風格輪動策略 Alpha 策略 投資組合保險策略

基本面選股：通過對上市公司財務指標的分析，找出影響股價的重要因子，如：與收益指標相關的盈利能力、與現金流指標相關的獲現能力、與負債率指標相關的償債能力、與凈資產指標相關的成長能力、與周轉率指標相關的資產管理能力等。然後通過建立股價與因子之間的關系模型得出對股票收益的預測。股價與因子的關系模型分為結構模型和統計模型兩類：結構模型給出股票的收益和因子之間的直觀表達，實用性較強，包括價值型(本傑明·格雷厄姆—防禦價值型、查爾斯·布蘭迪—價值型等)、成長型(德伍·切斯—大型成長動能、葛廉·畢克斯達夫—中大型成長股等)、價值成長型(沃倫·巴菲特—優質企業選擇法、彼得·林奇—GARP價值成長法等)三種選股方法；統計模型是用統計方法提取出近似線性無關的因子建立模型，這種建模方法因不需先驗知識且可以檢驗模型的有效性，被眾多經濟學家推崇，包括主成分法、極大似然法等。

多因素選股：通過尋找引起股價共同變動的因素，建立收益與聯動因素間線性相關關系的多因素模型。影響股價的共同因素包括宏觀因子、市場因子和統計因子(通過統計方法得到)三大類，通過逐步回歸和分層回歸的方法對三類因素進行選取，然後通過主成分分析選出解釋度較高的某幾個指標來反映原有的大部分信息。多因素模型對因子的選擇有很高的要求，因子的選擇可依賴統計方法、投資經驗或二者的結合，所選的因子要有統計意義上或市場意義上的顯著性，一般可從動量、波動性、成長性、規模、價值、活躍性及收益性等方面選擇指標來解釋股票的收益率。

動量、反向選股：動量選股策略是指分析股票在過去相對短期的表現，事先對股票收益和交易量設定條件，當條件滿足時買進或賣出股票的投資策略，該投資策略基於投資者對股票中期的反應不足和保守心理，在投資行為上表現為購買過去幾個月表現好的股票而賣出過去幾個月表現差的股票。反向選股策略則基於投資者的錨定和過度自信的心理特徵，認為投資者會對上市公司的業績狀況做出持續過度反應，形成對業績差的公司業績過分低估和業績的好公司業績過分高估的現象，這為投資者利用反向投資策略提供了套利機會，在投資行為上表現為買進過去表現差的股票而賣出過去表現好的股票。反向選股策略是行為金融學理論發展至今最為成熟，也是最受關注的策略之一。

二、資產配置

資產配置指資產類別選擇、投資組合中各類資產的配置比例以及對這些混合資產進行實時管理。資產配置一般包括兩大類別、三大層次，兩大類別為戰略資產配置和戰術/動態資產配置，三大層次為全球資產配置、大類資產配置和行業風格配置。資產配置的主要方法及模型如下：

戰略資產配置針對當前市場條件，在較長的時間周期內控制投資風險，使得長期風險調整後收益最大化。戰術資產配置通常在相對較短的時間周期內，針對某種具體的市場狀態制定最優配置策略，利用市場短期波動機會獲取超額收益。因此，戰術資產配置是在長期戰略配置的過程中針對市場變化制定的短期配置策略，二者相互補充。戰略資產配置為未來較長時間內的投資活動建立業務基準，戰術資產配置通過主動把握投資機會適當偏離戰略資產配置基準，獲取超額收益。

三、股價預測

股價的可預測性與有效市場假說密切相關。如果有效市場假說成立，股價就反映了所有相關的信息，價格變化服從隨機遊走，股價的預測就毫無意義，而我國的股市遠未達到有效市場階段，因此股價時間序列不是序列無關，而是序列相關的，即歷史數據對股價的形成起作用，因此可以通過對歷史信息的分析來預測股價。

主流的股價預測模型有灰色預測模型、神經網路預測模型和支持向量機預測模型(SVM)。灰色預測模型對股價的短期變化有很強的預測能力，近年發展起來的灰色預測模型包括GM(1, 1)模型、灰色新陳代謝模型和灰色馬爾可夫模型。人工神經網路模型具有巨量並行性、存儲分布性、結構可變性、高度非線性和自組織性等特點，且可以逼近任何連續函數，目前在金融分析和預測方面已有廣泛的應用，效果較好。支持向量機模型在解決小樣本、非線性及高維模式識別問題中有許多優勢，且結構簡單，具有全局優化性和較好的泛化能力，比神經網路有更好的擬合度。

四、績效評估

作為集合投資、風險分散、專業化管理、變現性強等特點的投資產品，基金的業績雖然受到投資者的關注，但要對基金有一個全面的評價，則需要考量基金業績變動背後的形成原因、基金回報的來源等因素，績效評估能夠在這方面提供較好的視角與方法，風險調整收益、擇時/股能力、業績歸因分析、業績持續性及Fama的業績分解等指標和方法可從不同的角度對基金的績效進行評估。

績效評估模型 / 指標

績效評估准則
擇時 / 股能力
業績歸因分析
風險調整收益
業績持續性
Fama 業績分解

模型 / 指標
T-M 模型

H-M 模型

GII 模型

C-L 模型
資產配置收益

證券選擇收益

行業選擇收益

行業內個股選擇收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
雙向表分析

時間序列相關性
總風險收益

系統風險收益

分散化投資收益

五、基於行為金融學的投資策略

上世紀50～70年代，隨著馬科維茨組合理論、CAPM模型、MM定理及有效市場假說的提出，現代金融經濟學建立了一套成熟的理論體系，並且在學術界占據了主導地位，也被國際投資機構廣泛應用和推廣，但以上傳統經濟學的理論基石是理性人假設，在理性人假設下，市場是有效率的，但進入80年代以後，關於股票市場的一系列研究和實證發現了與理性人假設不符合的異常現象，如：日歷效應、股權溢價之謎、期權微笑、封閉式基金折溢價之謎、小盤股效應等。面對這些金融市場的異常現象，諸多研究學者從傳統金融理論的基本假設入手，放鬆關於投資者是完全理性的嚴格假設，吸收心理學的研究成果，研究股市投資者行為、價格形成機制與價格表現特徵，取得了一系列有影響的研究成果，形成了具有重要影響力的學術流派－行為金融學。

行為金融學是對傳統金融學理論的革命，也是對傳統投資實踐的挑戰。隨著行為金融理論的發展，理論界和投資界對行為金融理論和相關投資策略作了廣泛的宣傳和應用，好買認為，無論機構投資者還是個人投資者，了解行為金融學的指導意義在於：可以採取針對非理性市場行為的投資策略來實現投資目標。在大多數投資者認識到自己的錯誤以前，投資那些定價錯誤的股票，並在股價正確定位之後獲利。目前國際金融市場中比較常見且相對成熟的行為金融投資策略包括動量投資策略、反向投資策略、小盤股策略和時間分散化策略等。

六、程序化交易與演算法交易策略

根據NYSE的定義，程序化交易指任何含有15隻股票以上或單值為一百萬美元以上的交易。程序化交易強調訂單是如何生成的，即通過某種策略生成交易指令，以便實現某個特定的投資目標。程序化交易主要是大機構的工具，它們同時買進或賣出整個股票組合，而買進和賣出程序可以用來實現不同的目標，目前程序化交易策略主要包括數量化程序交易策略、動態對沖策略、指數套利策略、配對交易策略和久期平均策略等。

演算法交易，也稱自動交易、黑盒交易或無人值守交易，是使用計算機來確定訂單最佳的執行路徑、執行時間、執行價格及執行數量的交易方法，主要針對經紀商。演算法交易廣泛應用於對沖基金、企業年金、共同基金以及其他一些大型的機構投資者，他們使用演算法交易對大額訂單進行分拆，尋找最佳路由和最有利的執行價格，以降低市場的沖擊成本、提高執行效率和訂單執行的隱蔽性。任何投資策略都可以使用演算法交易進行訂單的執行，包括做市、場內價差交易、套利及趨勢跟隨交易。演算法交易在交易中的作用主要體現在智能路由、降低沖擊成本、提高執行效率、減少人力成本和增加投資組合收益等方面。主要的演算法包括：交易量加權平均價格演算法(VWAP)、保證成交量加權平均價格演算法(Guaranteed VWAP)、時間加權平均價格演算法(TWAP)、游擊戰演算法(Guerrilla)、狙擊手演算法(Sniper)、模式識別演算法(Pattern Recognition)等。

綜上所述，數量化投資技術貫穿基金的整個投資流程，從估值選股、資產配置到程序化交易與績效評估等。結合量化投資的特點及我國證券市場的現狀，好買認為量化投資技術在國內基金業中的應用將主要集中在量化選股、資產配置、績效評估與風險管理、行為金融等方面，而隨著包括基金在內的機構投資者佔比的不斷提高、衍生品工具的日漸豐富(股指期貨、融資融券等)以及量化投資技術的進步，基金管理人的投資策略將會越來越復雜，程序化交易(系統)也將有快速的發展。

Ⅲ 機器學習到底在量化金融里哪些方面有應用

隨機過程stochasticprocesses泊松過程Poissonprocesses更新過程renewalprocesses布朗運動Brownianmotion仿射（跳躍）擴散過程affineprocesses(oraffine-jumpdiffusions)列維過程Levyprocesses連續狀態分枝過程隨機微分方程半鞅semimartingale偏微分方程partialdifferentialequations偏積分－微分方程partialintegro-differentialequations倒向隨機微分方程backward二階倒向隨機微分方程secondorderbackward隨機偏微分方程隨機最優控制stochasticoptimalcontrol極值建模modelingofextremes風險度量riskmeasures蒙特卡洛模擬MonteCarlosimulation============StochasticProcesses============IntroctionandReferences『隨機過程』(stochasticprocesses)是概率論的一個分支，一般來說是特指一個學科，而『蒙特卡洛』(MonteCarlo)是一種獲得某種統計量、待求值或函數值的方法，二者不太具有明顯的並列關系或者包含與被包含關系。隨機過程從內容上來說大致有兩類：第一種我稱之為應用隨機過程，也是大家一般所說的隨機過程，內容包括幾種具體的經典隨機過程，例如：Poissonprocess，renewalprocess，，basicsofBrownianmotion，以及他們的應用，比如queuesystems等。相關的書籍有：Stochasticprocesses,SheldonRoss另外一本稍微高階書的是CornellUniversity的「李登輝」教授(LeeTengHuiProfessor)、應用概率大牛SidneyResnick所著的第二種是指隨機過程一般理論：一般包括概率論、隨機過程的測度論基礎(probabilityspace、convergencetheory、limittheory、martingaletheory等)，Markovprocess，stochasticintegral,,semimartingaletheory（半鞅）尤其是後者等比較艱深的概念和問題（內容參考以下書籍）；其中入門的書籍有：,,TomasBjork這兩本是與金融交互講的；另外一本稍微偏理論的隨機分析入門書籍是：,BerntOksendal高階數學研究生水平的書籍有：,,Karatzas,,Revuz,,Jacod,Shiryayev一本比較艱深的講套利數學的研究生讀物（需要懂半鞅、泛函分析）：Mathematicsofarbitrage,Delbaen,Schachermayer，其中講了不同模型設定下的的套利理論，包括離散模型，連續模型比如半鞅等過程驅動的市場對應的套利結論；utilitymaximization,convexality等概念。當然，學習高級隨機分析的書籍需要比較堅實的概率論基礎，在此我推薦：Probability:theoryandexamples,,Dudley特別地，我強烈推薦兩本我當作參考文獻的概率論書籍。一下兩本書全面介紹了概率論基本理論，非常適合已經有一定測度背景並且想繼續深入學習隨機分析的讀者：Probabilitytheory:acomprehensivecourse,,KallenbergOverview『數學金融』中涉及的隨機過程應該主要涵蓋上述第一類里的幾乎所有內容和上述第二類里的stochasticintegrals,(SDE)，semimartingale等，其中實務中最常用的是Itoprocess和Levyprocess；因為他們都有比較好的馬爾可夫性(Markovianstructure)，根據Feynman-Kac等定理，所以又能與partialdifferentialequation和partialintegro-differentialequation聯系起來。這也是期權定價的PDE方法。講定價公式可以寫成PDE的好處是可以使用現成的PDE數值方法。此外，Itoprocesses和Levyprocesses是特殊的semimartingale。用semimartingale做金融建模的好處有兩點：1、semimartingale作為stochasticintegrator，是從一致度量(uniformmetric)下可料(predictable)被積過程所形成的空間到隨機變數()所形成的空間的連續線性映射，這種性質對應於金融資產價格的穩健性，通俗地講就是：如果你對投資策略施加一個小小的擾動，最後投資組合的價值在某種意義下也會只有相應較小的擾動。因此用semimartingale模擬金融價格是合理的。2、semimartingale組成的空間在Emerytopology(metrizable)下是完備的；這個性質加上一個比較符合經濟邏輯的無套利假設(Nofreelunchwithvanishingrisk,NFLVR)，可以推出存在sigma-martingalemeasure，反之亦然；這是目前最廣義的套利定價理論，它的特殊形式是：1、在離散模型中，無套利等價於存在等價鞅測度，2、在Itoprocesses中，NFLVR等價於存在等價局部鞅測度()，而NFLVR可以推出無套利。這里可以參考,Delbaen,Schachermayer，慎入，作者均是泛函分析領域的大牛，教過無數頂尖分析和概率領域的學生，寫的文章非常艱深；前者也是鄙人所在學校ETHZurich概率論與金融數學組的退休教授，他們的學術成果請自行scholar.google；筆者的老師用了大約20學時教相關的半鞅知識，20學時教這篇論文)。簡而言之，用這兩種隨機過程模擬價格是可以滿足無套利的，因此可以用鞅方法定價，這即是用這兩種過程建模的好處之二。在衍生品定價問題中，一般假設underlyingpriceprocess服從例如上述某種隨機過程，定價則是利用金融工具的復制（超復制super-replication）等方法，在特定金融市場的假設（比如無套利，或者更特殊的假設NFLVR；又比如自由買賣假設；假設很重要!!!）下求得一個該金融工具的無套利價格，以及對應的復制（或超復制）策略。當然（超）復制問題大概涉及兩個數學問題，一個是：optionaldecompositiontheorem，這個定理與最廣義的FTAP有著天然數學美感的交互；另一個是隨機控制論中的stochastictargetproblem，問題是如何找到一個期初價格和交易策略使得期末payoff被（超）復制。總之，不論在何種方法和假設下，資產定價理論中都用隨機過程模擬資產價格。，這是搞金融數學不得不懂的隨機過程，略，請參考：,StevenShrevePoissonprocesses，compoundPoissonprocesses在金融數學中的應用之一是：在結構定價問題中，我們假設資產過程除了布朗運動驅動的部分之外，還有跳躍，而跳躍經常是由這兩種過程模擬的；更一般地，我們還可以假設資產價格過程服從更廣義的跳躍形式，該跳躍形式存在於Levyprocesses,affineprocesses或者中，一般稱作Levy-typejump。Levyprocesses可以看做；Levyprocess區別於Brownianmotion和compoundPoissonprocess的地方在於，Levyprocess還有一項squareintegrablemartingale，它可以理解為是intensity為無窮大、跳躍幅度無窮小（因此有可積性）的compensatedcompoundpoisson，在Ito-Levydecomposition中，它是由可數個組成的。在模型的微分形式中，跳躍和布朗運動驅動的部分經常是線性存在。關於Levyprocesses，請參考,,ApplebaumRenewalprocesses，Levyprocesses經常被用於金融保險中的Ruin問題，鑒於這已經超越我的知識范疇，在此不詳細討論，一本可能的參考文獻是：,Kyprianou除衍生工具性定價問題，在金融控制問題中，一般也假設資產過程價格或者其他相關過程服從某種隨機過程。比如在最簡單的Mertonproblem中，我們假設資產價格服從多維幾何布朗運動。又比如在Jacod和Shiryayev在1993年發表的關於optimaldividend的文章中，公司的價值服從一個帶線性漂移的布朗運動減去一個左極限右連續的紅利支付過程，然後用一個停時(stoppingtime)使其停止於價值首次為0的時刻。隨機過程在金融中也可以描述資產價格之外的過程。比如SDE可以描述短期利率，在此請參考,StevenShreve關於伊藤過程驅動的高級利率模型，比如affineprocess，請參考Termstructuremodels:agraatecourse,DamirFilipovic隨機過程還可以描述除了價格、利率之外的金融變數。比如在著名數理金融學家DarrelDuffie寫的關於intensitybasedcreditriskmodel的文章中（原文叫,Duffie），假設defaultintensity服從affineprocess，則可違約債券定價形式與短期利率下的債券定價有相同的形式和計算方法，只是將短期利率改寫成違約強度而已。關於affineprocess，請參考,Duffie,Filipovic,-diffusions,Duffie,Pan,Singleton以及以上文到的那本講Termstructure的書：Termstructuremodels:agraatecourse,DamirFilipovic在KMV模型中，假設公司價值服從某個隨機過程，比如幾何布朗運動。以上這兩種隨機過程在信用風險中的應用均可以在DarrelDuffie的書CreditRisk:Pricing,Measurement,andManagement中找到。隨機過程也可以描述衍生金融工具的價格。比如我們知道歐式期權的payoff（在這里是期末價值），同時知道underlyingassetpriceprocess，我們可以論證歐式期權的價格過程滿足倒向隨機微分方程(BSDE)；如果underlyingassetpriceprocesses滿足Markovianstructure，則該BSDE為一個前向－倒向隨機微分方程(FBSDE)；其中方程期末條件是payoff，方程生成元(generator)與underlyingprice相關；方程有一對解，第一個解是期權價格過程，第二個解則對應歐式期權在該市場下的復制策略。如果假設underlyingprocess是幾何布朗運動，則該BSDE為線性BSDE，其解的形式就是歐式期權的定價公式：風險中性測度下期末值貼現的期望。相關文獻請參考：Backwardinfinance:Karoui,Peng,Quenez類似地，BSDE也可以描述效用，稱作隨機微分效用(stochasticdifferentialutility)，可以參考：Stochasticdifferentialutility,Duffie,Epstein此外MarekMusiela，RamaCont，TomasBjork，ReneCarmona等人也嘗試過用隨機偏微分方程(，可以近似理解為用無窮維隨機微分方程或Banach空間取值的隨機微分方程)；用SPDE建模就是用SPDE來模擬一個取值為連續函數的forwardratecurve演化過程。這應該就是Heath-Jarrow-Morton-Musiela，請參考：,，TomasBjork,:aninfinitedimensionalapproach,RamaContInterestratemodels:,ReneCarmona當時實務中並不需要這么多高深的數學知識。只要能明白概率論，應用隨機過程，隨機分析（基本內容一般包括stochasticintegral,SDE，特別是與Itoprocesses相關的內容）就能看懂絕大多數常用模型了。如果是做金融數學學術，則額外還需要專攻以下方向中的一個或多個：Levyprocess,affineprocess,backward,semimartingale,stochasticcontrol,stochasticdifferentialgames,stochasticPDE,等。除了概率論，金融相關的數學還涉及偏微分方程（及黏性解），控制論，數值分析，統計計量等。============MonteCarlo===========MonteCarlo最早是摩納哥賭場的名字，筆者曾在七月造訪。『MonteCarlo』演算法一般是指，利用隨機抽樣的方法，獲得一些隨機系統的統計量或者參數。比如你有一顆硬幣，你想知道擲出後獲得正面的概率，那麼你通過大量試驗以後，可以利用獲得正面的頻率來估計，這也是中心極限定理的結果。金融中的一個應用是，通過MC來模擬多條標的資產的價格走勢，代入形式為求概率期望的定價公式就可以求出估計的期權價格的模擬值。此方法則是實現定價的MC方法。將扔硬幣和Brownianmotion聯系起來的數學定理是Donskerinvarianceprinciple：我們可以想像用硬幣反復地大量地投，減小面值(+\epsilon,-\epsilon)，同時減小投幣時間間隔(\delta)，那麼累積值過程在某種意義下收斂於布朗運動。MC具體還有很多其他金融應用，比如求某一個風險度量下的風險值。============MachineLearning===========『機器學習』是一門學科也可以算是方法。我在這領域涉足不深，曾經學習的是主要基於數據、利用回歸分析、貝葉斯理論等方法種決策樹並用它投票，用以實現模式識別、分類和預測等問題。具體方法有adaboost，baggingprediction，randomforest等。假設你是銀行數據分析師，你有客戶的數據，比如年齡，性別，年收入等。如何根據這些數據來簡單的構造一個信用分類法則是機器學習的一個簡單應用。

Ⅳ 文藝復興科技用的是什麼模型

文藝復興的模型起源於統計信息理論，是一種從大量噪音中尋找信號，最後做出結論的方法，和最大熵理論和隱含馬爾可夫過程都有關系。語音識別也是同樣的道理:需要從人們所發出的各種因人而異、似是而非的聲音裡面尋找信號，過濾掉各種雜訊。文藝復興技術僱用了很多這方面的專家。這種技術的使用使復興技術能夠更有效地從過去的價格中去除大量雜訊，發現規律。西蒙斯在復興技術的左膀右臂布朗和默瑟都是這方面的專家。
1 .市場過激反應
這個模型是復興技術的創始人之一施特勞斯在2007 年接受采訪時說的，而且他說過去大獎章靠這個模型賺了很多錢。言下之意，這個模型現在已經不賺錢了，所以才說給公眾聽。
如果某個期貨的價格在開盤的時候遠遠高於前一天的收盤價，大獎章會沽空這個期貨;如果開盤價遠低於上一天的收盤價，那麼大獎章就會買人。
這個模型針對的正是市場對於新的消息常常反應過激的現象。離開或者低開，那麼返回原地的可能性要大於扔硬幣出現正面的概率，所以大獎章高開之後拋出，低開之後買人。這個模型在很多的投資書上也有提過，肯定有很多人專門做這樣的交易，所以現在用這個簡單的形式賺錢的可能性已經不太大了，因為在同一個地點采同一種蘑菇的人太多。但是，投資者對消息反應過激的偏差並沒有消除，所以類似的情況肯定會在其他許多地方出現，或者以其他形式出現。
比如說，在整個一天的交易過程中(而不是僅僅看開盤價和收盤價) ，有可能某個匯率的價格突然大跌或者大漲，或者某個股票的價格在公司有新消息公布之後突然大幅波動，這時候它們返回原地的機會就比較高。我們可以想像，使用一些量化模型對這類變動進行分析， 將那些返回原地的情形和沒有返回原地的情形分類，尋找一些能夠區別兩類情形的條件，然後再使用這些條件進行交易。條件是什麼意思呢?我們舉個具體的例子:是不是某種匯率在1 分鍾之內價格變化超過2% 以上回歸的可能性大一些，但是如果變化只是1. 5% 就不一定?另一個例子:是不是同時有多隻股票的價格(標准普爾500指數裡面的250 只股票)移動超過1% 的時候回歸的可能性大一些?又一個例子:在過去30 天中已經出現過一次或者兩次以上價格波動之後又回落的商品期貨.如果再次出現價格波動的時候，回落的可能性是不是會大-些?這類各種各樣的"如果 那麼 " 都可以算是一個個量化投資模型，它們的變化是無窮無盡的，有的可能有一定的道理，有的則很難解釋。
量化研究可以對這些林林總總的模型進行分析、歸納，依照歷史數據進行模擬，可以給出各種模型的歷史回報和風險。但是，數據研究到了一定的程度，最後還是要西蒙斯這樣的人來判斷:通過量化研究找到的那些過去表現很好的模型只是數字上的巧合呢還是有-定的道理?它們未來重復出現的可能性有多大?如果西蒙斯認為它將來再次出現的可能性要比隨機出現的大，那麼他就有可能將這個條件編成程序，放到計算機裡面去。如果未來這個條件再次滿足的話，計算機就可以自動進行交易。
尋找這類機會，計算是否滿足各類條件需要很強的計算能力，因為你可能需要對市場上的各種交易進行連續監控，獲取各類數據，並且在最短的時間要做出響應。我們根據已有的資料分析，這類模型仍然是大獎章使用最多的一類模型:追蹤很短線的市場過激反應，採取相應的買賣手段，
等待市場的回歸。西蒙斯自己也說過:當市場波動性比較高時，大獎章的模型一般表現較好。大獎章使用的這類短線過激反應的模型正適合於市場上下起伏狀況:大家都摸不著北，一會兒要買，一會兒要賣，西蒙斯的電腦模型正好在渾水裡面摸魚。

2. 套利交易
這類模型是西蒙斯自己於2000 年11 月接受采訪時透露過的。
如果美國政府債券長期債券的折價遠遠高於短期債券的折價，那麼購人長期債券，拋出短期債券。
他當時也承認，像這樣的機會現在已經不存在了，因為有很多像長期資本管理這樣的公司專門做這樣的生意。美國政府債券交易市場是交易量非常大、信息流動很迅速的市場，這樣的套利機會的確寥寥無幾，其他西方發達市場的
政府債券也情況類似。所以基本上可以肯定，大獎章現在不做這類交易了。
但是在一些新興市場的國家債券市場上，這樣的機會仍然可能存在，大獎章有沒有在那些市場上交易呢?西蒙斯說過，大獎章只投資流動性比較好的產品，所以我們推測它投資新興市場債券的可能性也比較低.
我們的估計是，大獎章的債券和利率方面的投資方向可能主要是兩塊:
一塊是交易很頻繁的債券期貨、利率期貨，這類交易屬於上面提過的短期過激反應模型的交易范罔;另一塊是流動性比較好，但是在櫃面交易的利率掉期合同，這個我們下面單獨說。
3. 趨勢和聯動性
這個模型也是西蒙斯自己於2000 年提過的。
追蹤商品市場的中、長期趨勢。 但是他也說了這類中長期的趨勢現在已基本上不存在了，即便存在的話能賺到錢的機會也不大，原因也是很多人都在做這類套利，所以機會就沒有了。我們推測，大獎章已經不使用這類比較長線的趨勢模型了，雖說它過去很可能使用過這類模型。
商品期貨的交易現在流動性越來越大， 參與者越來越多，其中包括不少所謂的長線投資者，所以在這個市場進行短線交易的機會應該越來越多，主要是前面所說的過激反應的一類，也包括我們後面要提到的市場微觀結構的一類，大獎章的這兩種模型都應該用在商品期貨市場上。
我們認為西蒙斯的交易模型裡面還有可能包括商品期貨價格和相關股票、匯率價格聯動的交易模型。比如，原油期貨的價格和中石油的股票價格應該有一定的關系， 但是原惱期貨的價格變化可能更快一些，中石油的股票價格可能需要幾秒，或者幾毫秒的時間來反應，如果模型的反應足夠
快、交易速度足夠快的話，這也是-類短線套利模型。這種聯動的關系在各類金融市場裡面有很多:商品價格和股票價格、商品價格和商品出口或者進口同的外匯匯率、外匯匯率和貴重金屬價格、利率和金融類股票的價格、利率和外匯匯率，等等， 雖說我們沒有確鑿的證據證明大獎章的確在從事這類利用相關性的套利操作，但是我們認為這類交易符合它傳統的捕捉過激反應的模式， 而且它能夠快速處理大量數據的優勢也可以在這方面用上， 所以它從事這類交易的可能性是比較高的。

4. 偏門信息源
這是在2004 -2007 年間復興技術訴訟於禧公司以及兩名前雇員自羅波爾斯基和沃爾夫冰的案件之中透露出來的。
使用交易量信息和其他不太常用的信息源。 使用交易量數據來輔佐預測未來的價格變化並不稀罕，很多投資人都會參考過去一段時間某隻股票或者期貨的交易量來進行交易決策。但是這個方法在一些櫃面市場交易的產品上可能做不到，因為沒有公開的交易量數據。另外，交易量數據反映的只是已經成交的交易量，但是從某種角度來講，那些可能成交但是還沒有成交的交易包含更為重要的信息，因為它們還沒有做成，將來做成的可能性仍然存在，做成的話會影響股價未來的走勢。
很少有人會去關心沒有做成的交易。
我們已經知道這個套路了:西蒙斯會。
在沃爾夫冰反訴訟復興技術的文件中，沃爾夫冰聲稱復興技術公司要求他開發一套交易程序，這個程序能夠通過分析"限價買賣指令表數據"而對下一步價格變化進行預測。限價買賣指令是一類比較常用的交易指令，投資人限定在某個價位買人或者沽出一定數量的股票或者其他工具。股票交易所會及時公布這類數據，交易人在下單的時候能夠看到在當前買人賣出價的上下方都有多少買人、賣出的限價指令，這樣他也能夠對價格的下一步變化做出一些判斷。但是對一些交易量很大的股票或者其他工具來說，限價買賣指令表是一個非常龐大的資料庫，而且投資人在不斷增刪或者調整買賣指令，所以指令表還在不停變化，一般的投資人看到的只是這個表格很小的一部分。要想從這個龐大而且是不停變化的"列軍時刻表"上看出風景，同時在最短的時間內發出生殺指令，這不是人腦能夠完成的，也不是一般的量化模型和電腦系統所能夠做到的，而復興技術公司元論在量化模型還是在電腦系統這兩個方面都遠遠領先同行:官所招募的許多專家正是大規模信息處理的行家，它的電腦系統要比一般大學的電腦系統功能強大許多，所以它去看風景有著得天蝕厚的優勢。
通常各個交易所都會公布限價買賣指令表，但是能夠真正在實際操作中使用這些數據的投資手段還不多。我們前面提過的麻省理工學院的量化專家羅聞全教授推測說:假定某隻股票的交易價格是15.05 美元，如果某人通過細篩限價買賣指令表的數據發現在15 美元有一個數額很大的沽空限價
買賣指令，他就可以在1 5 .0 1 美元開始沽空這個股票，如果15 美元的沽空指令被執行的話，股價肯定會受到打壓而大幅下降，這時候他再將沽空的股票買回來，從而獲利。羅聞全說:"如果有很大的沽空指令等在股價下方的時候，股價肯定會受到很大的向下壓力。" 但是也有人不同意羅教授的解釋:股票最後的交易價格是1 5 . 05 美元，如果這時候有-個賣出指令是15美元，那麼這個在市場價格之下的賣出指令會立即被執行， 不可能給誰在15.01 美元潔空的機會，所以那個例子是不合適的。
但是這種在交易價格之下沽空或者在交易價格之上買人的限價買賣指令在櫃面市場是很常見的，它們常常被投資者用來作為止損的手段。所以在櫃國市場上，做市商或者其他人如果能看到投資人的這類限價指令的話就有可能進行"超前交易"，搭順風車。這種做法雖說違反監管規定，但是
在做市商的交易部門是非常常見的，也是做市商利潤的一個重要來源。可是， 復興技術公司不是做市商， 所以不能直接從這個方向獲利。
我們的推測是:復興技術通過某種統計演算法來快速綜合限價買賣指令表裡的各種信息，能夠很快判斷出在不同價位不同數量的限價買賣指令對目前的股價究竟是推還是拉，還能夠判斷出如果股價真是達到了某個或者多個限價買賣指令， 這些交易被執行之後，股價又可能會有什麼樣的連鎖反應。
我們可以拿一個斯諾克檯球桌來比喻:白色球是目前的股票價格，它停在球桌的正中央;許許多多的限價指令像桌上的其他球，數量很多，每個球都有不同的分量，而且都在移動，跟白色球的距離也不同。這些球都對自球有吸引力或者排斥力，所以你可以估算出來如果在沒有桌面阻力的情況下自球會向哪個方向滾動，你還可以進一步計算白球在滾動的過程中會碰到哪些球，反彈之後的方向和速度會如何，等等。有了這個判斷之後，你就可以採取相應的交易策略，如果你的判斷正確，你就可以賺錢。
從純粹物理學的角度來判斷，你可以將白球的軌跡很准確地進行預測，但是我們知道在金融市場上，不斷會有新的消息到來，要麼直接改變白球的軌跡，要麼通過改變其他球的大小、位置、速度和方向來間接改變白球的軌跡，所以你不可能准確預測。但是，如果這些新的信息的到來完全是
隨機的，那麼你把這個實驗重復千萬次的話，那些隨機的效果會相互抵消，剩下的就是准確性相當高的預測了。准確性相當高的預測用另外的話說就是旱澇保收的投資回報。
沃爾夫冰在他的反訴訟中指稱，他認為復興技術的限價指令表模型會觸犯到證券交易法的有關限制條例，所以他拒絕開發這個交易程序。他說在他2003 年離開復興技術公司的時候該公司還沒有使用這個程序。究竟這種演算法有沒有觸犯美國法規我們無從判斷，但是如果用的是公開渠道可以
獲得的信息，進行一些運算而獲得的新的信息，這應該是合法的。復興技術後來有沒有用這個模型我們也不知道，但是可以肯定的一點是，使用別人很少使用的信息來進行分析、判斷和交易的做法肯定也是復興技術長盛不衰的一個重要方面。這類使用限價買賣指令數據來判斷價格走勢的基金
現在已經有幾家，一般都不大，像復興技術這樣技術力量雄厚、能夠在全球多個市場同時操作的公司還比較少.
復興技術使用其他信息糠的另外證據也是來自沃爾夫冰的反訴訟文件。他指稱他在復興技術公司的上司讓他開發一個模型，從一個交易系統的公開數據中推測出交易系統本來要保密的信息，從而獲利。他說的交易系統叫"機構投資組合交易匹配系統"，是美國一家叫投資技術集團的公司提供
的，供機構投資人交易的電子平台。這個平台其實跟普通的股票交易所有些類似，但是所有的參與者都是大的基金，沒有通過券商交易的散戶，也沒有虎視眈眈的做市商。這種繞過大家熟知的交易所進行交易的平台叫"暗池" ， 在過去10 年的發展非常迅速。一方面是因為電子交易技術的發展
和普及.另一方面是許多機構投資人對交易所壟斷地位的不滿，許多國家也都慢慢放開了交易所之間的競爭，允許新的平台提供跟交易所類似的服務。這些平台的交易成本一般比較低，而且保密性可能要比交易所高，因為在這些平台上，限價指令通常是不公開的。在沃爾夫冰的訴狀中他沒有
談及究竟復興技術想要窺視何種投資技術集團不願意透露的信息，但是我們估計很可能也是跟限價買賣指令相關的數據。
沃爾夫冰在訴狀中說， 他當時就告訴了復興技術的老闆這種做法是違反證券交易法規的，所以他拒絕參與這個項目。當然，這是訴狀裡面的一方之詞， 當時的情況究竟如何，復興技術拒絕評論。沃爾夫冰說後來投資技術集團採取了相關的措施，堵住了這個有可能被外界窺視的漏洞，所以復興技術最終沒有採用這個模型。
這兩個指稱都說明復興技術的一些交易策略著重分析那些較少為人所關注的數據來摞。這些數據來源較少被人所關注一般是有原因的，常常是所需要的技術的復雜程度很高。
5. 買賣掉期合同
這也是在2004 -2007 年的訴訟案件中透露出來的。沃爾夫冰指稱復興技術使用掉期合同的交易方法是一個"大騙局"，但是他沒有具體透露是哪一種掉期合同，為什麼是大騙局。他在反訴狀裡面說復興技術的做法違反了美國證交會和全美證券交易商協會有關證券沽空的法規。
在交易工具的選擇上，復興技術一般走的是標准化的道路，選擇買賣流動性高、歷史數據比較齊全、交易成本比較低的各種工具:外匯、商品期貨、利率和債券期貨、藍籌股票都符合這些條件。很多比較復雜的期權因為都是櫃面交易，而且買人賣出價差比較大，所以不太適合大獎章基金
快速買人賣出的交易方式。西蒙斯1998 年才邀請羅聞全到復興技術公司去講授關於布萊克-舒爾斯-默頓的期權復制和標價的理論，但是那時候期權的交易已經非常普遍，我們提過的芝加哥奧康納兄弟早就通過交易期權而盆缽滿盈，由此我們可以推斷復興技術很少使用期權或者其他復雜的產品。事實上，這樣一個非常成功的投資基金很少使用非常復雜的產品， 對普通投資人來說，這也許是個值得思考的問題。
掉期合同在外匯、債券、股票領域都存在，指合同的雙方同意在將來特定的時間按照事先商定的辦法交換一系列現金流。比如外匯掉期，一般有兩個日子，在比較近的那個日子，甲乙雙方交換一筆外匯;到了較遠的那個日子，雙方再換回來， 兩次交換的數目稍有不同，以反映兩種外匯之間利率的不同。按照每日交易量來說，外匯掉期是外匯市場交易量最大的一種合同，而外匯市場又是全球交易量最大的一個市場。利率掉期我們在講長期資本管理的時候提起過，這類合同一般期限比較長，從數年到三四十年不等，雙方在固定的日子裡交換現金流，通常是一方支付固定利率，一方支付浮動利率。按照總存量來說，利率掉期是金融行業存量最多的工具，因為一筆合同的期限通常很辰， 所以總存量很大。外匯或者利率合同都是流動性非常高的工具，所以復興技術把它的短期交易模型用在這兩種工具上不足為奇。另外，這兩種工具其實都是其他一些交易量同樣很大的
簡單工具組合起來而成的，復興技術也有可能通過監控整體和零件之間的價格差別而尋找套利機會。不過這種套利操作是很常規的，所以機會也許是鳳毛麟角。但是利率。掉期和外匯掉期怎麼會觸犯證券沽空的條例呢? 一個可能性是組裝利率掉期的零件之一一一政府債券期貨合同一一的交易要受到一定的限制，美國證交會和全美證券交易商協會有關證券沽空的限制條款包括防止操縱市場的內容，通過交易利率掉期合同，復興技術可以問接潔空相關的美國政府債券期貨。
另外一種可能性是復興技術交易股票掉，期。這類合同的甲方乙方在未來固定的時期交換現金流，一方按照某種利率，另一方則按照某種股票或者股票指數的表現。這種產品的交易量不大，都要通過投資銀行量體裁衣而完成，所以流動性並不高。但是這種產品的基礎一一利率的變動和股票
價格、股票指數的變動一一都是有很多數據可以用來做量化分析的，所以，復興技術通過這種產品來沽空某種直接沽空可能受到限制的股票或者股票指數的可能性也是存在的。但是我們覺得這種可能性比較小，首先，這不太符合復興技術一貫的交易原則; 其次，如果復興技術長年累月買賣這種
交易量不太大的工具，那麼復興技術使用股票掉期合同的消息應該早就傳到市場上了。我們目前沒有看到任何關於該公司交易這類產品的報道。
綜合起來看，復興技術通過交易利率掉期而間接影響政府債券期貨的可能性比較大。
另外，從已經掌握的資料來看，復興技術公司交易范圍的擴大通常不是通過使用比較復雜，或者最時髦的產品來達到的，它最可能採取的多元化策略是將成熟市場已經用過的那些交易方法用到其他比較新的市場中去。它申請印度股市的交易牌照就是一個例子，它在中國股市上進行交易的那一天我想也不會太遠。
模型的新陳代謝
除了上面所說的這五點之外，西蒙斯接受采訪時的另外一席話也是值得思考的。他說"我們起初建立大獎章基金的時候試圖捕捉的那些市場異常到目前仍然存在，不過它們都有些弱化。在這種情況下，你必須加大交易的幅度。你的交易系統必須是一層上面又有一層。每個新的交易策略被提出來之後，我們就在內部討論，這究竟是一個全新的交易策略呢，還是包括在我們已經有的模型裡面了?這時候我們就需要使用統汁測試的方法來判斷這個所謂新的交易策略究竟是不是新的。如果真是新的，我們下一步的工作就是確定給這個新的交易策略多少權重。這就又給我們的模型體
系新加了一層。我們會不斷給我們的模型添加新的內容的。"
這段話值得細究。
第一， 它多少證實了我們上面的第一個猜測，那就是復興技術最主要的策略是利用市場過激反應這個現象，捕捉價格跳動之後回歸的那些機會。
第二，復興技術所使用的杠桿可能有所升高，因為市場信號在弱化。當然復興技術的杠桿不可能達到長期資本管理的水平，從我們已知的信息來看，這家公司所使用的杠桿水平相對其他對沖基金是比較低的。
第三，復興技術在最近十幾年中的交易速度越提越快，這也很可能是西蒙斯說的"加大交易幅度"的一部分。第四，復興技術不斷引進新的模型， 將新的模型和老的模型並行使用。
復制文藝復興技術
我們可以看出大獎章的歷程:
·首先是通過統計信息分析方法來判斷外匯和債券短期的價格變化，尤其關注過激反應的一類。
·在這個基礎上加入了風險控制模型。
·之後又引入了統計套利，開始高速交易大量股票。
·接著義引入了統葉套利的變種，低速交易大量股票。
·繼續引人其他模型，分析像現價交易指令表這樣的不太常用的數據來瀾。
這就是大獎章。
當然，復興技術的上百名專家不是天天坐在那裡看電腦的。他們每天都可能提出新的想法，對已有模型的改進和補充肯定是在不斷進行的。但是提出一個嶄新的模型則需要時間，12 年也不過是兩三個模型而已。
這些基本上就是我已經了解到的關於復興技術公司交易模型的信息了當然，如果你想憑著上面說的一些東西來"復制"復興技術的模型，光靠這些還差很遠。很多銀行和復興技術的競爭對手都想復制它的天書秘籍，復興基金不惜去打官司來捍衛自己的秘密。
我們隨後還將看到，復興技術公司成功的秘密不在一個公式上:它有很多不同的公式，適用於不同的-丁.具和不同的市場條件;它另外還有很多公式，幫助它進行風
險管理(何時入市、何時止損、何時止盈、每種交易公式之間的分配、杠桿的配置等) ;它還有很多公式控制公司的交易成本。
退一萬步，如果西蒙斯把所有的公式都交出來.能把這些公式變成錢的公司和個人在全球仍然是屈指可數。為什麼?答案在公司的名字裡面:一家投資公司，卻叫復興技術。很多人都認為.大獎章賺錢最大的秘密就在它的技術上。這里的技術指的是電腦技術、通信技術。

Ⅳ 大家覺得鼎鴻陽金融科技的馬爾科夫系統及交易技術怎麼樣

馬爾科夫系統及交易技術挺不錯的，而且這套系統是鼎鴻陽核心技術，使用這套系統可以很清晰的知道不同領域的交易支持，幫助投資者在決策上有了數據的支持

Ⅵ 馬爾科夫外匯是真的嗎

馬爾科夫交易系統吧，挺好用的一個系統呀，操作起來比較簡便，特別是適用於剛入門的新手操作。

Ⅶ 如何系統地學習量化交易

首先，我對這個問題是完全不知道怎麼回答，為此，我專門去請教了我的老師。

• 我理解很難有一個定量交易的所謂的系統學習過程，定量的只是手段，交易邏輯是多樣的，你可以通過形態描述，追蹤市場方法，如不合理的降價，也可以把天體物理、小波分析、神經網路等復雜模型應用其中，你可以做的是K線結構上的策略，也可以做日線或每500毫秒數據進行決策的策略。所有的一切目的就是為了獲利，所謂量化和程序化只是實現這一目的的手段。

  

• 一個strategist需要思考策略的思維框架，實現方式，而developer則是側重了前後端介面，輸入輸出，界面設置，風控機制，平台拼接等等很多很多方面。其實很不相同吧。

Ⅷ 人工智慧可以用來炒股嗎

說的神乎其神，人工智慧能用來炒股嗎？

人工智慧在圍棋、象棋、德撲等領域都已經取得了碾壓式勝利，這已經是一個不爭的事實。事實上AlphaGo這樣的AI已經可以用於任何需要理解復雜模式、進行長期計劃、並制定決策的領域。人們不禁想問，還有什麼是人工智慧不能克服的嗎？譬如說，變幻莫測的A股？

對於這個問題，持各種觀點的都不乏其人。探討它實可以分為兩個部分：1. 股市可以預測嗎？ 2、 假如可以預測，用機器學習的方法去預測可以嗎？

先回答第一個問題：股市的漲跌可以預測嗎？

如果將股市的價格變化看做一個隨時間變化的序列，Price = Market (t), 我們往往會發現，不管是嘗試用N個模型(線性，非線性, 概率)來進行逼近，即使是建立了符合股價變化的這樣的模型，並且在有足夠多的訓練數據的情況下模擬出了股價，但是這些模型最多隻能在特定的區間能做一些並不十分精準的預測。

美國矽谷「感知力」技術公司讓人工智慧程序全程負責股票交易，與其他一些運用人工智慧的投資公司不同，該公司交易部門只有兩名員工負責監控機器，以確保出現不可控情形時可通過關機終止交易。據報道，「感知力」公司的人工智慧投資系統可以通過經驗學習實現「自主進化」。公司在全球擁有數千台同時運行的機器，其獨特演算法創造了數萬億被稱為「基因」的虛擬交易者。系統利用歷史數據模擬交易，目前可在幾分鍾內模擬1800天的交易量，經過測試，不好的「基因」被剔除，好的「基因」被保留。通過考驗的好「基因」被用於真正的交易。公司員工只需設定好時間、回報率、風險指數等交易指標，剩下的一切都交由機器負責。

公司首席投資官傑夫·霍爾曼透露，目前機器在沒有人為干預情況下掌握著大量股票，每天完成數以百計的交易，持倉期限為數日到幾周。公司說機器的表現已超越他們設定的內部指標，但沒有透露指標的具體內容。

隨著人工智慧技術的持續進步，人工智慧投資成為被學術界和資本看好的領域。英國布里斯托爾大學教授克里斯蒂亞尼尼說，股票投資是十大最有可能被人工智慧改變的行業之一。另一方面，也不是所有的投資商都信任機器，英國對沖基金曼氏金融首席科學家萊德福警告說，不應過度信任人工智慧投資，該領域還遠沒有成熟。雖然有各種各樣具有迷惑性的承諾，很多投資人的錢卻有去無回。