马尔可夫交易系统

Ⅰ 大家觉得鼎鸿阳金融科技的马尔科夫系统及交易技术怎么样

我觉得马尔科夫系统挺不错的，

Ⅱ 量化投资

没有你想的书

我多年来都有关注这方面的书 可是也没有在国内找到

数量化投资是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪；相对于传统投资方式来说，具有快速高效、客观理性、收益与风险平衡和个股与组合平衡等四大特点。量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等，在各个环节都有不同的方法及量化模型：

一、估值与选股

估值：对上市公司进行估值是公司基本面分析的重要方法，在“价值投资”的基本逻辑下，可以通过对公司的估值判断二级市场股票价格的扭曲程度，继而找出价值被低估或高估的股票，作为投资决策的参考。对上市公司的估值包括相对估值法和绝对估值法，相对估值法主要采用乘数方法，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；绝对估值法主要采用折现的方法，如公司自由现金流模型、股权自由现金流模型和股利折现模型等。相对估值法因简单易懂，便于计算而被广泛使用；绝对估值法因基础数据缺乏及不符合模型要求的全流通假设而一直处于非主流地位。随着全流通时代的到来和国内证券市场的快速发展，绝对估值法正逐渐受到重视。

选股：在当前品种繁多的资本市场中，从浩瀚复杂的数据背后选出适合自己投资风格的股票变得越加困难。在基本面研究的基础上结合量化分析的手段就可以构建数量化选股策略，主流的选股方法如下：

资产配置方法与模型
资产配置类别 资产配置层次 资产配置方法 资产配置模型
战略资产配置 全球资产配置 大类资产配置 行业风格配置 收益测度 风险测度 估计方法 马克维茨 MV 模型 均值 -LPM 模型 VaR 约束模型 Black-Litterman 模型
战术资产配置 ( 动态资产配置 ) 周期判断 风格判断 时机判断 行业轮动策略 风格轮动策略 Alpha 策略 投资组合保险策略

基本面选股：通过对上市公司财务指标的分析，找出影响股价的重要因子，如：与收益指标相关的盈利能力、与现金流指标相关的获现能力、与负债率指标相关的偿债能力、与净资产指标相关的成长能力、与周转率指标相关的资产管理能力等。然后通过建立股价与因子之间的关系模型得出对股票收益的预测。股价与因子的关系模型分为结构模型和统计模型两类：结构模型给出股票的收益和因子之间的直观表达，实用性较强，包括价值型(本杰明·格雷厄姆—防御价值型、查尔斯·布兰迪—价值型等)、成长型(德伍·切斯—大型成长动能、葛廉·毕克斯达夫—中大型成长股等)、价值成长型(沃伦·巴菲特—优质企业选择法、彼得·林奇—GARP价值成长法等)三种选股方法；统计模型是用统计方法提取出近似线性无关的因子建立模型，这种建模方法因不需先验知识且可以检验模型的有效性，被众多经济学家推崇，包括主成分法、极大似然法等。

多因素选股：通过寻找引起股价共同变动的因素，建立收益与联动因素间线性相关关系的多因素模型。影响股价的共同因素包括宏观因子、市场因子和统计因子(通过统计方法得到)三大类，通过逐步回归和分层回归的方法对三类因素进行选取，然后通过主成分分析选出解释度较高的某几个指标来反映原有的大部分信息。多因素模型对因子的选择有很高的要求，因子的选择可依赖统计方法、投资经验或二者的结合，所选的因子要有统计意义上或市场意义上的显著性，一般可从动量、波动性、成长性、规模、价值、活跃性及收益性等方面选择指标来解释股票的收益率。

动量、反向选股：动量选股策略是指分析股票在过去相对短期的表现，事先对股票收益和交易量设定条件，当条件满足时买进或卖出股票的投资策略，该投资策略基于投资者对股票中期的反应不足和保守心理，在投资行为上表现为购买过去几个月表现好的股票而卖出过去几个月表现差的股票。反向选股策略则基于投资者的锚定和过度自信的心理特征，认为投资者会对上市公司的业绩状况做出持续过度反应，形成对业绩差的公司业绩过分低估和业绩的好公司业绩过分高估的现象，这为投资者利用反向投资策略提供了套利机会，在投资行为上表现为买进过去表现差的股票而卖出过去表现好的股票。反向选股策略是行为金融学理论发展至今最为成熟，也是最受关注的策略之一。

二、资产配置

资产配置指资产类别选择、投资组合中各类资产的配置比例以及对这些混合资产进行实时管理。资产配置一般包括两大类别、三大层次，两大类别为战略资产配置和战术/动态资产配置，三大层次为全球资产配置、大类资产配置和行业风格配置。资产配置的主要方法及模型如下：

战略资产配置针对当前市场条件，在较长的时间周期内控制投资风险，使得长期风险调整后收益最大化。战术资产配置通常在相对较短的时间周期内，针对某种具体的市场状态制定最优配置策略，利用市场短期波动机会获取超额收益。因此，战术资产配置是在长期战略配置的过程中针对市场变化制定的短期配置策略，二者相互补充。战略资产配置为未来较长时间内的投资活动建立业务基准，战术资产配置通过主动把握投资机会适当偏离战略资产配置基准，获取超额收益。

三、股价预测

股价的可预测性与有效市场假说密切相关。如果有效市场假说成立，股价就反映了所有相关的信息，价格变化服从随机游走，股价的预测就毫无意义，而我国的股市远未达到有效市场阶段，因此股价时间序列不是序列无关，而是序列相关的，即历史数据对股价的形成起作用，因此可以通过对历史信息的分析来预测股价。

主流的股价预测模型有灰色预测模型、神经网络预测模型和支持向量机预测模型(SVM)。灰色预测模型对股价的短期变化有很强的预测能力，近年发展起来的灰色预测模型包括GM(1, 1)模型、灰色新陈代谢模型和灰色马尔可夫模型。人工神经网络模型具有巨量并行性、存储分布性、结构可变性、高度非线性和自组织性等特点，且可以逼近任何连续函数，目前在金融分析和预测方面已有广泛的应用，效果较好。支持向量机模型在解决小样本、非线性及高维模式识别问题中有许多优势，且结构简单，具有全局优化性和较好的泛化能力，比神经网络有更好的拟合度。

四、绩效评估

作为集合投资、风险分散、专业化管理、变现性强等特点的投资产品，基金的业绩虽然受到投资者的关注，但要对基金有一个全面的评价，则需要考量基金业绩变动背后的形成原因、基金回报的来源等因素，绩效评估能够在这方面提供较好的视角与方法，风险调整收益、择时/股能力、业绩归因分析、业绩持续性及Fama的业绩分解等指标和方法可从不同的角度对基金的绩效进行评估。

绩效评估模型 / 指标

绩效评估准则
择时 / 股能力
业绩归因分析
风险调整收益
业绩持续性
Fama 业绩分解

模型 / 指标
T-M 模型

H-M 模型

GII 模型

C-L 模型
资产配置收益

证券选择收益

行业选择收益

行业内个股选择收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
双向表分析

时间序列相关性
总风险收益

系统风险收益

分散化投资收益

五、基于行为金融学的投资策略

上世纪50～70年代，随着马科维茨组合理论、CAPM模型、MM定理及有效市场假说的提出，现代金融经济学建立了一套成熟的理论体系，并且在学术界占据了主导地位，也被国际投资机构广泛应用和推广，但以上传统经济学的理论基石是理性人假设，在理性人假设下，市场是有效率的，但进入80年代以后，关于股票市场的一系列研究和实证发现了与理性人假设不符合的异常现象，如：日历效应、股权溢价之谜、期权微笑、封闭式基金折溢价之谜、小盘股效应等。面对这些金融市场的异常现象，诸多研究学者从传统金融理论的基本假设入手，放松关于投资者是完全理性的严格假设，吸收心理学的研究成果，研究股市投资者行为、价格形成机制与价格表现特征，取得了一系列有影响的研究成果，形成了具有重要影响力的学术流派－行为金融学。

行为金融学是对传统金融学理论的革命，也是对传统投资实践的挑战。随着行为金融理论的发展，理论界和投资界对行为金融理论和相关投资策略作了广泛的宣传和应用，好买认为，无论机构投资者还是个人投资者，了解行为金融学的指导意义在于：可以采取针对非理性市场行为的投资策略来实现投资目标。在大多数投资者认识到自己的错误以前，投资那些定价错误的股票，并在股价正确定位之后获利。目前国际金融市场中比较常见且相对成熟的行为金融投资策略包括动量投资策略、反向投资策略、小盘股策略和时间分散化策略等。

六、程序化交易与算法交易策略

根据NYSE的定义，程序化交易指任何含有15只股票以上或单值为一百万美元以上的交易。程序化交易强调订单是如何生成的，即通过某种策略生成交易指令，以便实现某个特定的投资目标。程序化交易主要是大机构的工具，它们同时买进或卖出整个股票组合，而买进和卖出程序可以用来实现不同的目标，目前程序化交易策略主要包括数量化程序交易策略、动态对冲策略、指数套利策略、配对交易策略和久期平均策略等。

算法交易，也称自动交易、黑盒交易或无人值守交易，是使用计算机来确定订单最佳的执行路径、执行时间、执行价格及执行数量的交易方法，主要针对经纪商。算法交易广泛应用于对冲基金、企业年金、共同基金以及其他一些大型的机构投资者，他们使用算法交易对大额订单进行分拆，寻找最佳路由和最有利的执行价格，以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。任何投资策略都可以使用算法交易进行订单的执行，包括做市、场内价差交易、套利及趋势跟随交易。算法交易在交易中的作用主要体现在智能路由、降低冲击成本、提高执行效率、减少人力成本和增加投资组合收益等方面。主要的算法包括：交易量加权平均价格算法(VWAP)、保证成交量加权平均价格算法(Guaranteed VWAP)、时间加权平均价格算法(TWAP)、游击战算法(Guerrilla)、狙击手算法(Sniper)、模式识别算法(Pattern Recognition)等。

综上所述，数量化投资技术贯穿基金的整个投资流程，从估值选股、资产配置到程序化交易与绩效评估等。结合量化投资的特点及我国证券市场的现状，好买认为量化投资技术在国内基金业中的应用将主要集中在量化选股、资产配置、绩效评估与风险管理、行为金融等方面，而随着包括基金在内的机构投资者占比的不断提高、衍生品工具的日渐丰富(股指期货、融资融券等)以及量化投资技术的进步，基金管理人的投资策略将会越来越复杂，程序化交易(系统)也将有快速的发展。

Ⅲ 机器学习到底在量化金融里哪些方面有应用

随机过程stochasticprocesses泊松过程Poissonprocesses更新过程renewalprocesses布朗运动Brownianmotion仿射（跳跃）扩散过程affineprocesses(oraffine-jumpdiffusions)列维过程Levyprocesses连续状态分枝过程随机微分方程半鞅semimartingale偏微分方程partialdifferentialequations偏积分－微分方程partialintegro-differentialequations倒向随机微分方程backward二阶倒向随机微分方程secondorderbackward随机偏微分方程随机最优控制stochasticoptimalcontrol极值建模modelingofextremes风险度量riskmeasures蒙特卡洛模拟MonteCarlosimulation============StochasticProcesses============IntroctionandReferences『随机过程』(stochasticprocesses)是概率论的一个分支，一般来说是特指一个学科，而『蒙特卡洛』(MonteCarlo)是一种获得某种统计量、待求值或函数值的方法，二者不太具有明显的并列关系或者包含与被包含关系。随机过程从内容上来说大致有两类：第一种我称之为应用随机过程，也是大家一般所说的随机过程，内容包括几种具体的经典随机过程，例如：Poissonprocess，renewalprocess，，basicsofBrownianmotion，以及他们的应用，比如queuesystems等。相关的书籍有：Stochasticprocesses,SheldonRoss另外一本稍微高阶书的是CornellUniversity的“李登辉”教授(LeeTengHuiProfessor)、应用概率大牛SidneyResnick所著的第二种是指随机过程一般理论：一般包括概率论、随机过程的测度论基础(probabilityspace、convergencetheory、limittheory、martingaletheory等)，Markovprocess，stochasticintegral,,semimartingaletheory（半鞅）尤其是后者等比较艰深的概念和问题（内容参考以下书籍）；其中入门的书籍有：,,TomasBjork这两本是与金融交互讲的；另外一本稍微偏理论的随机分析入门书籍是：,BerntOksendal高阶数学研究生水平的书籍有：,,Karatzas,,Revuz,,Jacod,Shiryayev一本比较艰深的讲套利数学的研究生读物（需要懂半鞅、泛函分析）：Mathematicsofarbitrage,Delbaen,Schachermayer，其中讲了不同模型设定下的的套利理论，包括离散模型，连续模型比如半鞅等过程驱动的市场对应的套利结论；utilitymaximization,convexality等概念。当然，学习高级随机分析的书籍需要比较坚实的概率论基础，在此我推荐：Probability:theoryandexamples,,Dudley特别地，我强烈推荐两本我当作参考文献的概率论书籍。一下两本书全面介绍了概率论基本理论，非常适合已经有一定测度背景并且想继续深入学习随机分析的读者：Probabilitytheory:acomprehensivecourse,,KallenbergOverview『数学金融』中涉及的随机过程应该主要涵盖上述第一类里的几乎所有内容和上述第二类里的stochasticintegrals,(SDE)，semimartingale等，其中实务中最常用的是Itoprocess和Levyprocess；因为他们都有比较好的马尔可夫性(Markovianstructure)，根据Feynman-Kac等定理，所以又能与partialdifferentialequation和partialintegro-differentialequation联系起来。这也是期权定价的PDE方法。讲定价公式可以写成PDE的好处是可以使用现成的PDE数值方法。此外，Itoprocesses和Levyprocesses是特殊的semimartingale。用semimartingale做金融建模的好处有两点：1、semimartingale作为stochasticintegrator，是从一致度量(uniformmetric)下可料(predictable)被积过程所形成的空间到随机变量()所形成的空间的连续线性映射，这种性质对应于金融资产价格的稳健性，通俗地讲就是：如果你对投资策略施加一个小小的扰动，最后投资组合的价值在某种意义下也会只有相应较小的扰动。因此用semimartingale模拟金融价格是合理的。2、semimartingale组成的空间在Emerytopology(metrizable)下是完备的；这个性质加上一个比较符合经济逻辑的无套利假设(Nofreelunchwithvanishingrisk,NFLVR)，可以推出存在sigma-martingalemeasure，反之亦然；这是目前最广义的套利定价理论，它的特殊形式是：1、在离散模型中，无套利等价于存在等价鞅测度，2、在Itoprocesses中，NFLVR等价于存在等价局部鞅测度()，而NFLVR可以推出无套利。这里可以参考,Delbaen,Schachermayer，慎入，作者均是泛函分析领域的大牛，教过无数顶尖分析和概率领域的学生，写的文章非常艰深；前者也是鄙人所在学校ETHZurich概率论与金融数学组的退休教授，他们的学术成果请自行scholar.google；笔者的老师用了大约20学时教相关的半鞅知识，20学时教这篇论文)。简而言之，用这两种随机过程模拟价格是可以满足无套利的，因此可以用鞅方法定价，这即是用这两种过程建模的好处之二。在衍生品定价问题中，一般假设underlyingpriceprocess服从例如上述某种随机过程，定价则是利用金融工具的复制（超复制super-replication）等方法，在特定金融市场的假设（比如无套利，或者更特殊的假设NFLVR；又比如自由买卖假设；假设很重要!!!）下求得一个该金融工具的无套利价格，以及对应的复制（或超复制）策略。当然（超）复制问题大概涉及两个数学问题，一个是：optionaldecompositiontheorem，这个定理与最广义的FTAP有着天然数学美感的交互；另一个是随机控制论中的stochastictargetproblem，问题是如何找到一个期初价格和交易策略使得期末payoff被（超）复制。总之，不论在何种方法和假设下，资产定价理论中都用随机过程模拟资产价格。，这是搞金融数学不得不懂的随机过程，略，请参考：,StevenShrevePoissonprocesses，compoundPoissonprocesses在金融数学中的应用之一是：在结构定价问题中，我们假设资产过程除了布朗运动驱动的部分之外，还有跳跃，而跳跃经常是由这两种过程模拟的；更一般地，我们还可以假设资产价格过程服从更广义的跳跃形式，该跳跃形式存在于Levyprocesses,affineprocesses或者中，一般称作Levy-typejump。Levyprocesses可以看做；Levyprocess区别于Brownianmotion和compoundPoissonprocess的地方在于，Levyprocess还有一项squareintegrablemartingale，它可以理解为是intensity为无穷大、跳跃幅度无穷小（因此有可积性）的compensatedcompoundpoisson，在Ito-Levydecomposition中，它是由可数个组成的。在模型的微分形式中，跳跃和布朗运动驱动的部分经常是线性存在。关于Levyprocesses，请参考,,ApplebaumRenewalprocesses，Levyprocesses经常被用于金融保险中的Ruin问题，鉴于这已经超越我的知识范畴，在此不详细讨论，一本可能的参考文献是：,Kyprianou除衍生工具性定价问题，在金融控制问题中，一般也假设资产过程价格或者其他相关过程服从某种随机过程。比如在最简单的Mertonproblem中，我们假设资产价格服从多维几何布朗运动。又比如在Jacod和Shiryayev在1993年发表的关于optimaldividend的文章中，公司的价值服从一个带线性漂移的布朗运动减去一个左极限右连续的红利支付过程，然后用一个停时(stoppingtime)使其停止于价值首次为0的时刻。随机过程在金融中也可以描述资产价格之外的过程。比如SDE可以描述短期利率，在此请参考,StevenShreve关于伊藤过程驱动的高级利率模型，比如affineprocess，请参考Termstructuremodels:agraatecourse,DamirFilipovic随机过程还可以描述除了价格、利率之外的金融变量。比如在著名数理金融学家DarrelDuffie写的关于intensitybasedcreditriskmodel的文章中（原文叫,Duffie），假设defaultintensity服从affineprocess，则可违约债券定价形式与短期利率下的债券定价有相同的形式和计算方法，只是将短期利率改写成违约强度而已。关于affineprocess，请参考,Duffie,Filipovic,-diffusions,Duffie,Pan,Singleton以及以上文到的那本讲Termstructure的书：Termstructuremodels:agraatecourse,DamirFilipovic在KMV模型中，假设公司价值服从某个随机过程，比如几何布朗运动。以上这两种随机过程在信用风险中的应用均可以在DarrelDuffie的书CreditRisk:Pricing,Measurement,andManagement中找到。随机过程也可以描述衍生金融工具的价格。比如我们知道欧式期权的payoff（在这里是期末价值），同时知道underlyingassetpriceprocess，我们可以论证欧式期权的价格过程满足倒向随机微分方程(BSDE)；如果underlyingassetpriceprocesses满足Markovianstructure，则该BSDE为一个前向－倒向随机微分方程(FBSDE)；其中方程期末条件是payoff，方程生成元(generator)与underlyingprice相关；方程有一对解，第一个解是期权价格过程，第二个解则对应欧式期权在该市场下的复制策略。如果假设underlyingprocess是几何布朗运动，则该BSDE为线性BSDE，其解的形式就是欧式期权的定价公式：风险中性测度下期末值贴现的期望。相关文献请参考：Backwardinfinance:Karoui,Peng,Quenez类似地，BSDE也可以描述效用，称作随机微分效用(stochasticdifferentialutility)，可以参考：Stochasticdifferentialutility,Duffie,Epstein此外MarekMusiela，RamaCont，TomasBjork，ReneCarmona等人也尝试过用随机偏微分方程(，可以近似理解为用无穷维随机微分方程或Banach空间取值的随机微分方程)；用SPDE建模就是用SPDE来模拟一个取值为连续函数的forwardratecurve演化过程。这应该就是Heath-Jarrow-Morton-Musiela，请参考：,，TomasBjork,:aninfinitedimensionalapproach,RamaContInterestratemodels:,ReneCarmona当时实务中并不需要这么多高深的数学知识。只要能明白概率论，应用随机过程，随机分析（基本内容一般包括stochasticintegral,SDE，特别是与Itoprocesses相关的内容）就能看懂绝大多数常用模型了。如果是做金融数学学术，则额外还需要专攻以下方向中的一个或多个：Levyprocess,affineprocess,backward,semimartingale,stochasticcontrol,stochasticdifferentialgames,stochasticPDE,等。除了概率论，金融相关的数学还涉及偏微分方程（及黏性解），控制论，数值分析，统计计量等。============MonteCarlo===========MonteCarlo最早是摩纳哥赌场的名字，笔者曾在七月造访。『MonteCarlo』算法一般是指，利用随机抽样的方法，获得一些随机系统的统计量或者参数。比如你有一颗硬币，你想知道掷出后获得正面的概率，那么你通过大量试验以后，可以利用获得正面的频率来估计，这也是中心极限定理的结果。金融中的一个应用是，通过MC来模拟多条标的资产的价格走势，代入形式为求概率期望的定价公式就可以求出估计的期权价格的模拟值。此方法则是实现定价的MC方法。将扔硬币和Brownianmotion联系起来的数学定理是Donskerinvarianceprinciple：我们可以想象用硬币反复地大量地投，减小面值(+\epsilon,-\epsilon)，同时减小投币时间间隔(\delta)，那么累积值过程在某种意义下收敛于布朗运动。MC具体还有很多其他金融应用，比如求某一个风险度量下的风险值。============MachineLearning===========『机器学习』是一门学科也可以算是方法。我在这领域涉足不深，曾经学习的是主要基于数据、利用回归分析、贝叶斯理论等方法种决策树并用它投票，用以实现模式识别、分类和预测等问题。具体方法有adaboost，baggingprediction，randomforest等。假设你是银行数据分析师，你有客户的数据，比如年龄，性别，年收入等。如何根据这些数据来简单的构造一个信用分类法则是机器学习的一个简单应用。

Ⅳ 文艺复兴科技用的是什么模型

文艺复兴的模型起源于统计信息理论，是一种从大量噪音中寻找信号，最后做出结论的方法，和最大熵理论和隐含马尔可夫过程都有关系。语音识别也是同样的道理:需要从人们所发出的各种因人而异、似是而非的声音里面寻找信号，过滤掉各种噪声。文艺复兴技术雇用了很多这方面的专家。这种技术的使用使复兴技术能够更有效地从过去的价格中去除大量噪声，发现规律。西蒙斯在复兴技术的左膀右臂布朗和默瑟都是这方面的专家。
1 .市场过激反应
这个模型是复兴技术的创始人之一施特劳斯在2007 年接受采访时说的，而且他说过去大奖章靠这个模型赚了很多钱。言下之意，这个模型现在已经不赚钱了，所以才说给公众听。
如果某个期货的价格在开盘的时候远远高于前一天的收盘价，大奖章会沽空这个期货;如果开盘价远低于上一天的收盘价，那么大奖章就会买人。
这个模型针对的正是市场对于新的消息常常反应过激的现象。离开或者低开，那么返回原地的可能性要大于扔硬币出现正面的概率，所以大奖章高开之后抛出，低开之后买人。这个模型在很多的投资书上也有提过，肯定有很多人专门做这样的交易，所以现在用这个简单的形式赚钱的可能性已经不太大了，因为在同一个地点采同一种蘑菇的人太多。但是，投资者对消息反应过激的偏差并没有消除，所以类似的情况肯定会在其他许多地方出现，或者以其他形式出现。
比如说，在整个一天的交易过程中(而不是仅仅看开盘价和收盘价) ，有可能某个汇率的价格突然大跌或者大涨，或者某个股票的价格在公司有新消息公布之后突然大幅波动，这时候它们返回原地的机会就比较高。我们可以想象，使用一些量化模型对这类变动进行分析， 将那些返回原地的情形和没有返回原地的情形分类，寻找一些能够区别两类情形的条件，然后再使用这些条件进行交易。条件是什么意思呢?我们举个具体的例子:是不是某种汇率在1 分钟之内价格变化超过2% 以上回归的可能性大一些，但是如果变化只是1. 5% 就不一定?另一个例子:是不是同时有多只股票的价格(标准普尔500指数里面的250 只股票)移动超过1% 的时候回归的可能性大一些?又一个例子:在过去30 天中已经出现过一次或者两次以上价格波动之后又回落的商品期货.如果再次出现价格波动的时候，回落的可能性是不是会大-些?这类各种各样的"如果 那么 " 都可以算是一个个量化投资模型，它们的变化是无穷无尽的，有的可能有一定的道理，有的则很难解释。
量化研究可以对这些林林总总的模型进行分析、归纳，依照历史数据进行模拟，可以给出各种模型的历史回报和风险。但是，数据研究到了一定的程度，最后还是要西蒙斯这样的人来判断:通过量化研究找到的那些过去表现很好的模型只是数字上的巧合呢还是有-定的道理?它们未来重复出现的可能性有多大?如果西蒙斯认为它将来再次出现的可能性要比随机出现的大，那么他就有可能将这个条件编成程序，放到计算机里面去。如果未来这个条件再次满足的话，计算机就可以自动进行交易。
寻找这类机会，计算是否满足各类条件需要很强的计算能力，因为你可能需要对市场上的各种交易进行连续监控，获取各类数据，并且在最短的时间要做出响应。我们根据已有的资料分析，这类模型仍然是大奖章使用最多的一类模型:追踪很短线的市场过激反应，采取相应的买卖手段，
等待市场的回归。西蒙斯自己也说过:当市场波动性比较高时，大奖章的模型一般表现较好。大奖章使用的这类短线过激反应的模型正适合于市场上下起伏状况:大家都摸不着北，一会儿要买，一会儿要卖，西蒙斯的电脑模型正好在浑水里面摸鱼。

2. 套利交易
这类模型是西蒙斯自己于2000 年11 月接受采访时透露过的。
如果美国政府债券长期债券的折价远远高于短期债券的折价，那么购人长期债券，抛出短期债券。
他当时也承认，像这样的机会现在已经不存在了，因为有很多像长期资本管理这样的公司专门做这样的生意。美国政府债券交易市场是交易量非常大、信息流动很迅速的市场，这样的套利机会的确寥寥无几，其他西方发达市场的
政府债券也情况类似。所以基本上可以肯定，大奖章现在不做这类交易了。
但是在一些新兴市场的国家债券市场上，这样的机会仍然可能存在，大奖章有没有在那些市场上交易呢?西蒙斯说过，大奖章只投资流动性比较好的产品，所以我们推测它投资新兴市场债券的可能性也比较低.
我们的估计是，大奖章的债券和利率方面的投资方向可能主要是两块:
一块是交易很频繁的债券期货、利率期货，这类交易属于上面提过的短期过激反应模型的交易范罔;另一块是流动性比较好，但是在柜面交易的利率掉期合同，这个我们下面单独说。
3. 趋势和联动性
这个模型也是西蒙斯自己于2000 年提过的。
追踪商品市场的中、长期趋势。 但是他也说了这类中长期的趋势现在已基本上不存在了，即便存在的话能赚到钱的机会也不大，原因也是很多人都在做这类套利，所以机会就没有了。我们推测，大奖章已经不使用这类比较长线的趋势模型了，虽说它过去很可能使用过这类模型。
商品期货的交易现在流动性越来越大， 参与者越来越多，其中包括不少所谓的长线投资者，所以在这个市场进行短线交易的机会应该越来越多，主要是前面所说的过激反应的一类，也包括我们后面要提到的市场微观结构的一类，大奖章的这两种模型都应该用在商品期货市场上。
我们认为西蒙斯的交易模型里面还有可能包括商品期货价格和相关股票、汇率价格联动的交易模型。比如，原油期货的价格和中石油的股票价格应该有一定的关系， 但是原恼期货的价格变化可能更快一些，中石油的股票价格可能需要几秒，或者几毫秒的时间来反应，如果模型的反应足够
快、交易速度足够快的话，这也是-类短线套利模型。这种联动的关系在各类金融市场里面有很多:商品价格和股票价格、商品价格和商品出口或者进口同的外汇汇率、外汇汇率和贵重金属价格、利率和金融类股票的价格、利率和外汇汇率，等等， 虽说我们没有确凿的证据证明大奖章的确在从事这类利用相关性的套利操作，但是我们认为这类交易符合它传统的捕捉过激反应的模式， 而且它能够快速处理大量数据的优势也可以在这方面用上， 所以它从事这类交易的可能性是比较高的。

4. 偏门信息源
这是在2004 -2007 年间复兴技术诉讼于禧公司以及两名前雇员自罗波尔斯基和沃尔夫冰的案件之中透露出来的。
使用交易量信息和其他不太常用的信息源。 使用交易量数据来辅佐预测未来的价格变化并不稀罕，很多投资人都会参考过去一段时间某只股票或者期货的交易量来进行交易决策。但是这个方法在一些柜面市场交易的产品上可能做不到，因为没有公开的交易量数据。另外，交易量数据反映的只是已经成交的交易量，但是从某种角度来讲，那些可能成交但是还没有成交的交易包含更为重要的信息，因为它们还没有做成，将来做成的可能性仍然存在，做成的话会影响股价未来的走势。
很少有人会去关心没有做成的交易。
我们已经知道这个套路了:西蒙斯会。
在沃尔夫冰反诉讼复兴技术的文件中，沃尔夫冰声称复兴技术公司要求他开发一套交易程序，这个程序能够通过分析"限价买卖指令表数据"而对下一步价格变化进行预测。限价买卖指令是一类比较常用的交易指令，投资人限定在某个价位买人或者沽出一定数量的股票或者其他工具。股票交易所会及时公布这类数据，交易人在下单的时候能够看到在当前买人卖出价的上下方都有多少买人、卖出的限价指令，这样他也能够对价格的下一步变化做出一些判断。但是对一些交易量很大的股票或者其他工具来说，限价买卖指令表是一个非常庞大的数据库，而且投资人在不断增删或者调整买卖指令，所以指令表还在不停变化，一般的投资人看到的只是这个表格很小的一部分。要想从这个庞大而且是不停变化的"列军时刻表"上看出风景，同时在最短的时间内发出生杀指令，这不是人脑能够完成的，也不是一般的量化模型和电脑系统所能够做到的，而复兴技术公司元论在量化模型还是在电脑系统这两个方面都远远领先同行:官所招募的许多专家正是大规模信息处理的行家，它的电脑系统要比一般大学的电脑系统功能强大许多，所以它去看风景有着得天蚀厚的优势。
通常各个交易所都会公布限价买卖指令表，但是能够真正在实际操作中使用这些数据的投资手段还不多。我们前面提过的麻省理工学院的量化专家罗闻全教授推测说:假定某只股票的交易价格是15.05 美元，如果某人通过细筛限价买卖指令表的数据发现在15 美元有一个数额很大的沽空限价
买卖指令，他就可以在1 5 .0 1 美元开始沽空这个股票，如果15 美元的沽空指令被执行的话，股价肯定会受到打压而大幅下降，这时候他再将沽空的股票买回来，从而获利。罗闻全说:"如果有很大的沽空指令等在股价下方的时候，股价肯定会受到很大的向下压力。" 但是也有人不同意罗教授的解释:股票最后的交易价格是1 5 . 05 美元，如果这时候有-个卖出指令是15美元，那么这个在市场价格之下的卖出指令会立即被执行， 不可能给谁在15.01 美元洁空的机会，所以那个例子是不合适的。
但是这种在交易价格之下沽空或者在交易价格之上买人的限价买卖指令在柜面市场是很常见的，它们常常被投资者用来作为止损的手段。所以在柜国市场上，做市商或者其他人如果能看到投资人的这类限价指令的话就有可能进行"超前交易"，搭顺风车。这种做法虽说违反监管规定，但是
在做市商的交易部门是非常常见的，也是做市商利润的一个重要来源。可是， 复兴技术公司不是做市商， 所以不能直接从这个方向获利。
我们的推测是:复兴技术通过某种统计算法来快速综合限价买卖指令表里的各种信息，能够很快判断出在不同价位不同数量的限价买卖指令对目前的股价究竟是推还是拉，还能够判断出如果股价真是达到了某个或者多个限价买卖指令， 这些交易被执行之后，股价又可能会有什么样的连锁反应。
我们可以拿一个斯诺克台球桌来比喻:白色球是目前的股票价格，它停在球桌的正中央;许许多多的限价指令像桌上的其他球，数量很多，每个球都有不同的分量，而且都在移动，跟白色球的距离也不同。这些球都对自球有吸引力或者排斥力，所以你可以估算出来如果在没有桌面阻力的情况下自球会向哪个方向滚动，你还可以进一步计算白球在滚动的过程中会碰到哪些球，反弹之后的方向和速度会如何，等等。有了这个判断之后，你就可以采取相应的交易策略，如果你的判断正确，你就可以赚钱。
从纯粹物理学的角度来判断，你可以将白球的轨迹很准确地进行预测，但是我们知道在金融市场上，不断会有新的消息到来，要么直接改变白球的轨迹，要么通过改变其他球的大小、位置、速度和方向来间接改变白球的轨迹，所以你不可能准确预测。但是，如果这些新的信息的到来完全是
随机的，那么你把这个实验重复千万次的话，那些随机的效果会相互抵消，剩下的就是准确性相当高的预测了。准确性相当高的预测用另外的话说就是旱涝保收的投资回报。
沃尔夫冰在他的反诉讼中指称，他认为复兴技术的限价指令表模型会触犯到证券交易法的有关限制条例，所以他拒绝开发这个交易程序。他说在他2003 年离开复兴技术公司的时候该公司还没有使用这个程序。究竟这种算法有没有触犯美国法规我们无从判断，但是如果用的是公开渠道可以
获得的信息，进行一些运算而获得的新的信息，这应该是合法的。复兴技术后来有没有用这个模型我们也不知道，但是可以肯定的一点是，使用别人很少使用的信息来进行分析、判断和交易的做法肯定也是复兴技术长盛不衰的一个重要方面。这类使用限价买卖指令数据来判断价格走势的基金
现在已经有几家，一般都不大，像复兴技术这样技术力量雄厚、能够在全球多个市场同时操作的公司还比较少.
复兴技术使用其他信息糠的另外证据也是来自沃尔夫冰的反诉讼文件。他指称他在复兴技术公司的上司让他开发一个模型，从一个交易系统的公开数据中推测出交易系统本来要保密的信息，从而获利。他说的交易系统叫"机构投资组合交易匹配系统"，是美国一家叫投资技术集团的公司提供
的，供机构投资人交易的电子平台。这个平台其实跟普通的股票交易所有些类似，但是所有的参与者都是大的基金，没有通过券商交易的散户，也没有虎视眈眈的做市商。这种绕过大家熟知的交易所进行交易的平台叫"暗池" ， 在过去10 年的发展非常迅速。一方面是因为电子交易技术的发展
和普及.另一方面是许多机构投资人对交易所垄断地位的不满，许多国家也都慢慢放开了交易所之间的竞争，允许新的平台提供跟交易所类似的服务。这些平台的交易成本一般比较低，而且保密性可能要比交易所高，因为在这些平台上，限价指令通常是不公开的。在沃尔夫冰的诉状中他没有
谈及究竟复兴技术想要窥视何种投资技术集团不愿意透露的信息，但是我们估计很可能也是跟限价买卖指令相关的数据。
沃尔夫冰在诉状中说， 他当时就告诉了复兴技术的老板这种做法是违反证券交易法规的，所以他拒绝参与这个项目。当然，这是诉状里面的一方之词， 当时的情况究竟如何，复兴技术拒绝评论。沃尔夫冰说后来投资技术集团采取了相关的措施，堵住了这个有可能被外界窥视的漏洞，所以复兴技术最终没有采用这个模型。
这两个指称都说明复兴技术的一些交易策略着重分析那些较少为人所关注的数据来摞。这些数据来源较少被人所关注一般是有原因的，常常是所需要的技术的复杂程度很高。
5. 买卖掉期合同
这也是在2004 -2007 年的诉讼案件中透露出来的。沃尔夫冰指称复兴技术使用掉期合同的交易方法是一个"大骗局"，但是他没有具体透露是哪一种掉期合同，为什么是大骗局。他在反诉状里面说复兴技术的做法违反了美国证交会和全美证券交易商协会有关证券沽空的法规。
在交易工具的选择上，复兴技术一般走的是标准化的道路，选择买卖流动性高、历史数据比较齐全、交易成本比较低的各种工具:外汇、商品期货、利率和债券期货、蓝筹股票都符合这些条件。很多比较复杂的期权因为都是柜面交易，而且买人卖出价差比较大，所以不太适合大奖章基金
快速买人卖出的交易方式。西蒙斯1998 年才邀请罗闻全到复兴技术公司去讲授关于布莱克-舒尔斯-默顿的期权复制和标价的理论，但是那时候期权的交易已经非常普遍，我们提过的芝加哥奥康纳兄弟早就通过交易期权而盆钵满盈，由此我们可以推断复兴技术很少使用期权或者其他复杂的产品。事实上，这样一个非常成功的投资基金很少使用非常复杂的产品， 对普通投资人来说，这也许是个值得思考的问题。
掉期合同在外汇、债券、股票领域都存在，指合同的双方同意在将来特定的时间按照事先商定的办法交换一系列现金流。比如外汇掉期，一般有两个日子，在比较近的那个日子，甲乙双方交换一笔外汇;到了较远的那个日子，双方再换回来， 两次交换的数目稍有不同，以反映两种外汇之间利率的不同。按照每日交易量来说，外汇掉期是外汇市场交易量最大的一种合同，而外汇市场又是全球交易量最大的一个市场。利率掉期我们在讲长期资本管理的时候提起过，这类合同一般期限比较长，从数年到三四十年不等，双方在固定的日子里交换现金流，通常是一方支付固定利率，一方支付浮动利率。按照总存量来说，利率掉期是金融行业存量最多的工具，因为一笔合同的期限通常很辰， 所以总存量很大。外汇或者利率合同都是流动性非常高的工具，所以复兴技术把它的短期交易模型用在这两种工具上不足为奇。另外，这两种工具其实都是其他一些交易量同样很大的
简单工具组合起来而成的，复兴技术也有可能通过监控整体和零件之间的价格差别而寻找套利机会。不过这种套利操作是很常规的，所以机会也许是凤毛麟角。但是利率。掉期和外汇掉期怎么会触犯证券沽空的条例呢? 一个可能性是组装利率掉期的零件之一一一政府债券期货合同一一的交易要受到一定的限制，美国证交会和全美证券交易商协会有关证券沽空的限制条款包括防止操纵市场的内容，通过交易利率掉期合同，复兴技术可以问接洁空相关的美国政府债券期货。
另外一种可能性是复兴技术交易股票掉，期。这类合同的甲方乙方在未来固定的时期交换现金流，一方按照某种利率，另一方则按照某种股票或者股票指数的表现。这种产品的交易量不大，都要通过投资银行量体裁衣而完成，所以流动性并不高。但是这种产品的基础一一利率的变动和股票
价格、股票指数的变动一一都是有很多数据可以用来做量化分析的，所以，复兴技术通过这种产品来沽空某种直接沽空可能受到限制的股票或者股票指数的可能性也是存在的。但是我们觉得这种可能性比较小，首先，这不太符合复兴技术一贯的交易原则; 其次，如果复兴技术长年累月买卖这种
交易量不太大的工具，那么复兴技术使用股票掉期合同的消息应该早就传到市场上了。我们目前没有看到任何关于该公司交易这类产品的报道。
综合起来看，复兴技术通过交易利率掉期而间接影响政府债券期货的可能性比较大。
另外，从已经掌握的资料来看，复兴技术公司交易范围的扩大通常不是通过使用比较复杂，或者最时髦的产品来达到的，它最可能采取的多元化策略是将成熟市场已经用过的那些交易方法用到其他比较新的市场中去。它申请印度股市的交易牌照就是一个例子，它在中国股市上进行交易的那一天我想也不会太远。
模型的新陈代谢
除了上面所说的这五点之外，西蒙斯接受采访时的另外一席话也是值得思考的。他说"我们起初建立大奖章基金的时候试图捕捉的那些市场异常到目前仍然存在，不过它们都有些弱化。在这种情况下，你必须加大交易的幅度。你的交易系统必须是一层上面又有一层。每个新的交易策略被提出来之后，我们就在内部讨论，这究竟是一个全新的交易策略呢，还是包括在我们已经有的模型里面了?这时候我们就需要使用统汁测试的方法来判断这个所谓新的交易策略究竟是不是新的。如果真是新的，我们下一步的工作就是确定给这个新的交易策略多少权重。这就又给我们的模型体
系新加了一层。我们会不断给我们的模型添加新的内容的。"
这段话值得细究。
第一， 它多少证实了我们上面的第一个猜测，那就是复兴技术最主要的策略是利用市场过激反应这个现象，捕捉价格跳动之后回归的那些机会。
第二，复兴技术所使用的杠杆可能有所升高，因为市场信号在弱化。当然复兴技术的杠杆不可能达到长期资本管理的水平，从我们已知的信息来看，这家公司所使用的杠杆水平相对其他对冲基金是比较低的。
第三，复兴技术在最近十几年中的交易速度越提越快，这也很可能是西蒙斯说的"加大交易幅度"的一部分。第四，复兴技术不断引进新的模型， 将新的模型和老的模型并行使用。
复制文艺复兴技术
我们可以看出大奖章的历程:
·首先是通过统计信息分析方法来判断外汇和债券短期的价格变化，尤其关注过激反应的一类。
·在这个基础上加入了风险控制模型。
·之后又引入了统计套利，开始高速交易大量股票。
·接着义引入了统叶套利的变种，低速交易大量股票。
·继续引人其他模型，分析像现价交易指令表这样的不太常用的数据来澜。
这就是大奖章。
当然，复兴技术的上百名专家不是天天坐在那里看电脑的。他们每天都可能提出新的想法，对已有模型的改进和补充肯定是在不断进行的。但是提出一个崭新的模型则需要时间，12 年也不过是两三个模型而已。
这些基本上就是我已经了解到的关于复兴技术公司交易模型的信息了当然，如果你想凭着上面说的一些东西来"复制"复兴技术的模型，光靠这些还差很远。很多银行和复兴技术的竞争对手都想复制它的天书秘籍，复兴基金不惜去打官司来捍卫自己的秘密。
我们随后还将看到，复兴技术公司成功的秘密不在一个公式上:它有很多不同的公式，适用于不同的-丁.具和不同的市场条件;它另外还有很多公式，帮助它进行风
险管理(何时入市、何时止损、何时止盈、每种交易公式之间的分配、杠杆的配置等) ;它还有很多公式控制公司的交易成本。
退一万步，如果西蒙斯把所有的公式都交出来.能把这些公式变成钱的公司和个人在全球仍然是屈指可数。为什么?答案在公司的名字里面:一家投资公司，却叫复兴技术。很多人都认为.大奖章赚钱最大的秘密就在它的技术上。这里的技术指的是电脑技术、通信技术。

Ⅳ 大家觉得鼎鸿阳金融科技的马尔科夫系统及交易技术怎么样

马尔科夫系统及交易技术挺不错的，而且这套系统是鼎鸿阳核心技术，使用这套系统可以很清晰的知道不同领域的交易支持，帮助投资者在决策上有了数据的支持

Ⅵ 马尔科夫外汇是真的吗

马尔科夫交易系统吧，挺好用的一个系统呀，操作起来比较简便，特别是适用于刚入门的新手操作。

Ⅶ 如何系统地学习量化交易

首先，我对这个问题是完全不知道怎么回答，为此，我专门去请教了我的老师。

• 我理解很难有一个定量交易的所谓的系统学习过程，定量的只是手段，交易逻辑是多样的，你可以通过形态描述，追踪市场方法，如不合理的降价，也可以把天体物理、小波分析、神经网络等复杂模型应用其中，你可以做的是K线结构上的策略，也可以做日线或每500毫秒数据进行决策的策略。所有的一切目的就是为了获利，所谓量化和程序化只是实现这一目的的手段。

  

• 一个strategist需要思考策略的思维框架，实现方式，而developer则是侧重了前后端接口，输入输出，界面设置，风控机制，平台拼接等等很多很多方面。其实很不相同吧。

Ⅷ 人工智能可以用来炒股吗

说的神乎其神，人工智能能用来炒股吗？

人工智能在围棋、象棋、德扑等领域都已经取得了碾压式胜利，这已经是一个不争的事实。事实上AlphaGo这样的AI已经可以用于任何需要理解复杂模式、进行长期计划、并制定决策的领域。人们不禁想问，还有什么是人工智能不能克服的吗？譬如说，变幻莫测的A股？

对于这个问题，持各种观点的都不乏其人。探讨它实可以分为两个部分：1. 股市可以预测吗？ 2、 假如可以预测，用机器学习的方法去预测可以吗？

先回答第一个问题：股市的涨跌可以预测吗？

如果将股市的价格变化看做一个随时间变化的序列，Price = Market (t), 我们往往会发现，不管是尝试用N个模型(线性，非线性, 概率)来进行逼近，即使是建立了符合股价变化的这样的模型，并且在有足够多的训练数据的情况下模拟出了股价，但是这些模型最多只能在特定的区间能做一些并不十分精准的预测。

美国硅谷“感知力”技术公司让人工智能程序全程负责股票交易，与其他一些运用人工智能的投资公司不同，该公司交易部门只有两名员工负责监控机器，以确保出现不可控情形时可通过关机终止交易。据报道，“感知力”公司的人工智能投资系统可以通过经验学习实现“自主进化”。公司在全球拥有数千台同时运行的机器，其独特算法创造了数万亿被称为“基因”的虚拟交易者。系统利用历史数据模拟交易，目前可在几分钟内模拟1800天的交易量，经过测试，不好的“基因”被剔除，好的“基因”被保留。通过考验的好“基因”被用于真正的交易。公司员工只需设定好时间、回报率、风险指数等交易指标，剩下的一切都交由机器负责。

公司首席投资官杰夫·霍尔曼透露，目前机器在没有人为干预情况下掌握着大量股票，每天完成数以百计的交易，持仓期限为数日到几周。公司说机器的表现已超越他们设定的内部指标，但没有透露指标的具体内容。

随着人工智能技术的持续进步，人工智能投资成为被学术界和资本看好的领域。英国布里斯托尔大学教授克里斯蒂亚尼尼说，股票投资是十大最有可能被人工智能改变的行业之一。另一方面，也不是所有的投资商都信任机器，英国对冲基金曼氏金融首席科学家莱德福警告说，不应过度信任人工智能投资，该领域还远没有成熟。虽然有各种各样具有迷惑性的承诺，很多投资人的钱却有去无回。