遗传算法期货

㈠ 深圳黑格尔资产管理有限公司怎么样

简介：深圳黑格尔资产管理有限公司隶属于黑格尔资本集团有限公司是一家由国内量化投资团队和研究机构联合创办的高科技资产管理公司。公司运用前沿的金融理论和科学理论进行研究，依托先进计算机金融技术，实现科学投资决策，为机构客户及个人客户提供资产管理服务。公司目前已推出了管理型和结构化两大类对冲基金产品，根据不同的投资人需求和风险承受能力，并结合市场波动率进行产品多个维度的细化。公司的高素质研控团队以及科学投资理念已获得越来越多的专业投资机构的认可，并受到国内大型金融机构的邀请，研发国内金融衍生品市场的高质量的量化对冲产品。公司产品主要涉及阿尔法策略为：多因子选股模型及股指期货对冲1.策略产品.团队研发人员利用人工神经网络（RBF）、贝叶斯（Bayesian）、支持向量机（SVM）、遗传算法（GA）以及随机森林（RF）等前沿算法进行大数据挖掘。对股票价格影响的上千因子进行量化分析通过大量案例数据的训练，模型自动做出正确决策的规律，从而在未来的投资过程中做出正确的选择，确立可行模型后研发人员继续维护优化，保证策略的长期有效性。2.次高频策略产品。投资于金融衍生品期货及商品期货，做到全品种多周期覆盖，通过对不同品种的波动率分析进行趋势追踪、多周期震荡混合策略，通过多空对冲，以达到分散风险的目的。
法定代表人：李金岺
成立时间：2015-03-02
注册资本：10000万人民币
工商注册号：440301112291586
企业类型：有限责任公司（自然人投资或控股的法人独资）
公司地址：深圳市前海深港合作区前湾一路1号A栋201室（入驻深圳市前海商务秘书有限公司）

㈡ 量化投资—策略与技术的作品目录

《量化投资—策略与技术》
策略篇
第 1章 量化投资概念
1.1 什么是量化投资 2
1.1.1 量化投资定义 2
1.1.2 量化投资理解误区 3
1.2 量化投资与传统投资比较 6
1.2.1 传统投资策略的缺点 6
1.2.2 量化投资策略的优势 7
1.2.3 量化投资与传统投资策略的比较 8
1.3 量化投资历史 10
1.3.1 量化投资理论发展 10
1.3.2 海外量化基金的发展 12
1.3.3 量化投资在中国 15
1.4 量化投资主要内容 16
1.5 量化投资主要方法 21
.第 2章 量化选股 25
2.1 多因子 26
2.1.1 基本概念 27
2.1.2 策略模型 27
2.1.3 实证案例：多因子选股模型 30
2.2 风格轮动 35
2.2.1 基本概念 35
2.2.2 盈利预期生命周期模型 38
2.2.3 策略模型 40
2.2.4 实证案例：中信标普风格 41
2.2.5 实证案例：大小盘风格 44
2.3 行业轮动 47
2.3.1 基本概念 47
2.3.2 m2行业轮动策略 50
2.3.3 市场情绪轮动策略 52
2.4 资金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 实证案例：资金流选股策略 60
2.5 动量反转 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 实证案例：动量选股策略和反转选股策略 70
2.6 一致预期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 实证案例：一致预期模型案例 78
2.7 趋势追踪 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 实证案例：趋势追踪选股模型 92
2.8 筹码选股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 实证案例：筹码选股模型 99
2.9 业绩评价 104
2.9.1 收益率指标 104
2.9.2 风险度指标 105
第 3章 量化择时 111
3.1 趋势追踪 112
3.1.1 基本概念 112
3.1.2 传统趋势指标 113
3.1.3 自适应均线 121
3.2 市场情绪 125
3.2.1 基本概念 126
3.2.2 情绪指数 128
3.2.3 实证案例：情绪指标择时策略 129
3.3 有效资金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 实证案例：有效资金择时模型 137
3.4 牛熊线 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 实证案例：牛熊线择时模型 144
3.5 husrt指数 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 实证案例 149
3.6 支持向量机 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 实证案例：svm择时模型 155
3.7 swarch模型 160
3.7.1 基本概念 160
3.7.2 策略模型 161
3.7.3 实证案例：swarch模型 164
3.8 异常指标 168
3.8.1 市场噪声 168
3.8.2 行业集中度 170
3.8.3 兴登堡凶兆 172
第 4章 股指期货套利 180
4.1 基本概念 181
4.1.1 套利介绍 181
4.1.2 套利策略 183
4.2 期现套利 185
4.2.1 定价模型 185
4.2.2 现货指数复制 186
4.2.3 正向套利案例 190
4.2.4 结算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 无套利区间 196
4.3.3 跨期套利触发和终止 197
4.3.4 实证案例：跨期套利策略 199
4.3.5 主要套利机会 200
4.4 冲击成本 203
4.4.1 主要指标 204
4.4.2 实证案例：冲击成本 205
4.5 保证金管理 208
4.5.1 var方法 208
4.5.2 var计算方法 209
4.5.3 实证案例 211
第 5章 商品期货套利 214
5.1 基本概念 215
5.1.1 套利的条件 216
5.1.2 套利基本模式 217
5.1.3 套利准备工作 219
5.1.4 常见套利组合 221
5.2 期现套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值税风险 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 实证案例：pvc跨期套利策略 233
5.4 跨市场套利 234
5.4.1 套利策略 234
5.4.2 实证案例：伦铜—沪铜跨市场套利 235
5.5 跨品种套利 236
5.5.1 套利策略 237
5.5.2 实证案例 238
5.6 非常状态处理 240
第 6章 统计套利 242
6.1 基本概念 243
6.1.1 统计套利定义 243
6.1.2 配对交易 244
6.2 配对交易 247
6.2.1 协整策略 247
6.2.2 主成分策略 254
6.2.3 绩效评估 256
6.2.4 实证案例：配对交易 258
6.3 股指套利 261
6.3.1 行业指数套利 261
6.3.2 国家指数套利 263
6.3.3 洲域指数套利 264
6.3.4 全球指数套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可转债—融券套利 268
6.4.3 股指期货—融券套利 269
6.4.4 封闭式基金—融券套利 271
6.5 外汇套利 272
6.5.1 利差套利 273
6.5.2 货币对套利 275
第 7章 期权套利 277
7.1 基本概念 278
7.1.1 期权介绍 278
7.1.2 期权交易 279
7.1.3 牛熊证 280
7.2 股票/期权套利 283
7.2.1 股票—股票期权套利 283
7.2.2 股票—指数期权套利 284
7.3 转换套利 285
7.3.1 转换套利 285
7.3.2 反向转换套利 287
7.4 跨式套利 288
7.4.1 买入跨式套利 289
7.4.2 卖出跨式套利 291
7.5 宽跨式套利 293
7.5.1 买入宽跨式套利 293
7.5.2 卖出宽跨式套利 294
7.6 蝶式套利 296
7.6.1 买入蝶式套利 296
7.6.2 卖出蝶式套利 298
7.7 飞鹰式套利 299
7.7.1 买入飞鹰式套利 300
7.7.2 卖出飞鹰式套利 301
第 8章 算法交易 304
8.1 基本概念 305
8.1.1 算法交易定义 305
8.1.2 算法交易分类 306
8.1.3 算法交易设计 308
8.2 被动交易算法 309
8.2.1 冲击成本 310
8.2.2 等待风险 312
8.2.3 常用被动型交易策略 314
8.3 vwap算法 316
8.3.1 标准vwap算法 316
8.3.2 改进型vwap算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 并购套利策略 324
9.1.2 定向增发套利 325
9.1.3 套利重仓停牌股票的投资组合 326
9.1.4 封闭式投资组合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 无风险套利 330
9.2.3 其他套利 334
9.3 lof套利 335
9.3.1 基本概念 335
9.3.2 模型策略 336
9.3.3 实证案例：lof 套利 337
9.4 高频交易 341
9.4.1 流动性回扣交易 341
9.4.2 猎物算法交易 342
9.4.3 自动做市商策略 343
9.4.4 程序化交易 343
理论篇
第 10章 人工智能 346
10.1 主要内容 347
10.1.1 机器学习 347
10.1.2 自动推理 350
10.1.3 专家系统 353
10.1.4 模式识别 356
10.1.5 人工神经网络 358
10.1.6 遗传算法 362
10.2 人工智能在量化投资中的应用 366
10.2.1 模式识别短线择时 366
10.2.2 rbf神经网络股价预测 370
10.2.3 基于遗传算法的新股预测 375
第 11章 数据挖掘 381
11.1 基本概念 382
11.1.1 主要模型 382
11.1.2 典型方法 384
11.2 主要内容 385
11.2.1 分类与预测 385
11.2.2 关联规则 391
11.2.3 聚类分析 397
11.3 数据挖掘在量化投资中的应用 400
11.3.1 基于som 网络的股票聚类分析方法 400
11.3.2 基于关联规则的板块轮动 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波变换主要内容 409
12.2.1 连续小波变换 409
12.2.2 连续小波变换的离散化 410
12.2.3 多分辨分析与mallat算法 411
12.3小波分析在量化投资中的应用 414
12.3.1 k线小波去噪 414
12.3.2 金融时序数据预测 420
第 13章 支持向量机 429
13.1 基本概念 430
13.1.1 线性svm 430
13.1.2 非线性svm 433
13.1.3 svm分类器参数选择 435
13.1.4 svm分类器从二类到多类的推广 436
13.2 模糊支持向量机 437
13.2.1 增加模糊后处理的svm 437
13.2.2 引入模糊因子的svm训练算法 439
13.3 svm在量化投资中的应用 440
13.3.1 复杂金融时序数据预测 440
13.3.2 趋势拐点预测 445
第 14章 分形理论 452
14.1 基本概念 453
14.1.1 分形定义 453
14.1.2 几种典型的分形 454
14.1.3 分形理论的应用 456
14.2 主要内容 457
14.2.1 分形维数 457
14.2.2 l系统 458
14.2.3 ifs系统 460
14.3 分形理论在量化投资中的应用 461
14.3.1 大趋势预测 461
14.3.2 汇率预测 466
第 15章 随机过程 473
15.1 基本概念 473
15.2 主要内容 476
15.2.1 随机过程的分布函数 476
15.2.2 随机过程的数字特征 476
15.2.3 几种常见的随机过程 477
15.2.4 平稳随机过程 479
15.3 灰色马尔可夫链股市预测 480
第 16章 it技术 486
16.1 数据仓库技术 486
16.1.1 从数据库到数据仓库 487
16.1.2 数据仓库中的数据组织 489
16.1.3 数据仓库的关键技术 491
16.2 编程语言 493
16.2.1 GPU算法交易 493
16.2.2 MATLAB 语言 497
16.2.3 c#语言 504
第 17章 主要数据与工具 509
17.1 名策多因子分析系统 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易开拓者：期货自动交易平台 514
17.4 大连交易所套利指令 518
17.5 mt5：外汇自动交易平台 522
第 18章 量化对冲交易系统：D-alpha 528
18.1 系统构架 528
18.2 策略分析流程 530
18.3 核心算法 532
18.4 验证结果 534
表目录
表1 1 不同投资策略对比 7
表2 1 多因子选股模型候选因子 30
表2 2 多因子模型候选因子初步检验 31
表2 3 多因子模型中通过检验的有效因子 32
表2 4 多因子模型中剔除冗余后的因子 33
表2 5 多因子模型组合分段收益率 33
表2 6 晨星市场风格判别法 36
表2 7 夏普收益率基础投资风格鉴别 37
表2 8 中信标普风格指数 41
表2 9 风格动量策略组合月均收益率 43
表2 10 大小盘风格轮动策略月收益率均值 46
表2 11 中国货币周期分段（2000—2009年） 49
表2 12 沪深300行业指数统计 50
表2 13 不同货币阶段不同行业的收益率 51
表2 14 招商资金流模型（cmsmf）计算方法 58
表2 15 招商资金流模型（cmsmf）选股指标定义 59
表2 16 资金流模型策略——沪深300 61
表2 17 资金流模型策略——全市场 62
表2 18 动量组合相对基准的平均年化超额收益（部分） 68
表2 19 反转组合相对基准的平均年化超额收益(部分) 69
表2 20 动量策略风险收益分析 71
表2 21 反转策略风险收益分析 73
表2 22 趋势追踪技术收益率 93
表2 23 筹码选股模型中单个指标的收益率情况对比 99
表3 1 ma指标择时测试最好的20 组参数及其表现 117
表3 2 4个趋势型指标最优参数下的独立择时交易表现比较 120
表3 3 有交易成本情况下不同信号个数下的综合择时策略 120
表3 4 自适应均线择时策略收益率分析 124
表3 5 市场情绪类别 126
表3 6 沪深300指数在不同情绪区域的当月收益率比较 128
表3 7 沪深300指数在不同情绪变化区域的当月收益率比较 129
表3 8 沪深300指数在不同情绪区域的次月收益率比较 130
表3 9 沪深300指数在不同情绪变化区域的次月收益率比较 130
表3 10 情绪指数择时收益率统计 132
表3 11 svm择时模型的指标 156
表3 12 svm对沪深300指数预测结果指标汇总 156
表3 13 svm择时模型在整体市场的表现 156
表3 14 svm择时模型在单边上涨市的表现 157
表3 15 svm择时模型在单边下跌市的表现 158
表3 16 svm择时模型在震荡市的表现 159
表3 17 噪声交易在熊市择时的收益率 170
表4 1 各种方法在不同股票数量下的跟踪误差（年化） 190
表4-2 股指期货多头跨期套利过程分析 199
表4 3 不同开仓比例下的不同保证金水平能够覆盖的市场波动及其概率 211
表4 4 不同仓单持有期下的保证金覆盖比例 212
表6 1 融券标的股票中在样本期内最相关的50 对组合（部分） 248
表6 2 残差的平稳性、自相关等检验 249
表6 3 在不同的阈值下建仓、平仓所能获得的平均收益 251
表6 4 采用不同的模型在样本内获取的收益率及最优阈值 252
表6 5 采用不同的模型、不同的外推方法在样本外获取的收益率（%） 253
表6 6 主成分配对交易在样本内取得的收益率及最优阈值 255
表6 7 主成分配对交易在样本外的效果 255
表6-8 各种模型下统计套利的结果 256
表6 9 延后开仓+提前平仓策略实证结果 260
表6 10 各行业的配对交易结果 261
表7 1 多头股票-期权套利综合分析表 283
表7 2 多头股票—股票期权套利案例损益分析表 284
表7 3 多头股票-指数期权套利案例损益分析表 285
表7 4 转换套利分析过程 286
表7 5 买入跨式套利综合分析表 289
表7 6 买入跨式套利交易细节 289
表7 7 卖出跨式套利综合分析表 291
表7 8 卖出跨式套利交易细节 292
表7 9 买入宽跨式套利综合分析表 293
表7 10 卖出宽跨式套利综合分析表 294
表7 11 买入蝶式套利综合分析表 296
表7 12 卖出蝶式套利综合分析表 298
表7 13 买入飞鹰套利分析表 300
表7 14 卖出飞鹰式套利综合分析表 301
表9 1 主要并购方式 324
表9 2 并购套利流程 325
表9 3 鹏华300 lof两次正向套利的情况 339
表9 4 鹏华300 lof两次反向套利的情况 340
表10 1 自动推理中连词系统 352
表10 2 模式识别短线择时样本数据分类 369
表10 3 rbf神经网络股价预测结果 375
表10 4 遗传算法新股预测参数设置 379
表10 5 遗传算法新股预测结果 380
表11 1 决策树数据表 389
表11 2 关联规则案例数据表 392
表11 3 som股票聚类分析结果 403
表11 4 21种股票板块指数布尔关系表数据片断 404
表12 1 深发展a日收盘价小波分析方法预测值与实际值比较 427
表12 2 不同分解层数的误差均方根值 428
表13 1 svm沪深300指数预测误差情况 445
表13 2 svm指数预测和神经网络预测的比较 445
表13 3 技术反转点定义与图型 448
表13 4 svm趋势拐点预测结果 450
表14 1 持续大涨前后分形各主要参数值 463
表14 2 持续大跌前后分形个主要参数值 465
表14 3 外汇r/ s 分析的各项指标 469
表14 4 v(r/s)曲线回归检验 470
表15 1 灰色马尔可夫链预测深证成指样本内（2005/1—2006/8） 484
表15 2 灰色马尔可夫链预测深证成指样本外（2006/9—2006/12） 484
表16-1 vba的12种数据类型 499
表18-1 d-alpha系统在全球市场收益率分析 534

㈢ 请问如何用matlab建立人工bp神经网络模型，来对期货未来的价格变化作出预测急求，在线等。谢谢大神。。

这些事其实很多年前就有很多人做，但是成功的好像没有。国内期货市场成交量比较弱,甚至还达不到弱有效市场假说，所以利用概率分布和遗传算法很难找到长久的赢利方法。

㈣ 乔治·索罗斯写过一本叫《量化投资》的书吗

一下内容纯手打

证券分析方法主要分三种：
一是基本面分析，代表作《证券分析》《价值投资》，代表任务“巴菲特”；

二是技术面分析，代表做《趋势技术分析》《道琼斯理论》等，注重短期投资，索罗斯属于短期投机类型，但是没有任何资料显示他的投资流派属于纯粹的技术面分析，可能的情况是上述两种都有。今年的而贝尔经济学得主法玛提出的”有效市场假说“某一种程度上，否定了技术面分析。

三是量化分析，美国近几十年兴起的一种方法，典型的代表人物是西蒙斯。

中国国内的量化投资的研究还比较少，量化投资的基金以及机构也不够普遍，切主要集中于香港地区。原因之一是，国内金融金融市场没有完全开放，金融产品匮乏。美国市场的金融产品多达几万种，而国内只有两百多种。

关于量化投资的书，国内国外都有很多，主要集中与国外，国内学者大多是对国外技术的学习。当然，如果你是初学者，建议你还是从国内的相关书籍开始学起。

如果有一本书，叫《量化投资》，我敢保证你看了一定学不到什么东西，丁鹏的《量化投资》就是这样，只是对现在主要方法以及模型的简单介绍。用于同行业交流也许会有些价值。书籍内容从：量化选股、量化择时、到套利什么什么的，基本上都是简单的介绍，可以当作课外读物，了解一下什么叫量化投资。如果你真的想学到什么东西，直接网络文库：量化选股、多因子选股等词，你会看到无数国内证券机构对市场的量化研究。而且资料详细。可是，你学不到最根本的原理。

原因如下：
进行量化分析，必须至少具备两种能力：

一、扎实且足够的数学、统计学基础，用于理论上的金融建模；
二、能够使用相关计量软件进行数据分析或者模型求解等。

这两个要求一般人很难到达，所以证券从业的教材认为难度大是量化投资的一个很大局限性。

如果楼主对量化投资有兴趣，我可以推荐一些教材给你：

如果仅仅是想了解一下： 丁鹏《量化投资》，书很贵，个人认为没什么实用价值。可以有个简单的系统的认识；

如果是想学习并且能在实际中运用，建议如下：

数学方面：
《微积分》 到高级《高级微积分》
《线性代数》《非线性代数》
《概率论与数理统计》《概率、随机变量、随机过程》
《离散数学》《运筹学》《统计学》
金融理论上
《计量经济学基础》《计量经济分析》
《数量金融学》《金融时间序列分析》
。。。。还有很多很多
以及其他金融知识基础
建模方面
这类的书，我看的不多哦，你自己网络一下，或者找个图书馆看看
计算机软件
C 和 C++ 至少学一个，SQL 建议学一点
建模软件主要有：MATHEMATICA MATLAB SAS SAC R Eviews GAMS 等等等等，终于哪些海外基金用的是哪一种，或者是不是自己做的专用软件，我就不知道了。
不过，上述的软件，肯定是可以满足个人的研究需求的。这个，你选几种学一学还是可以的。

一个人，想要精通上述全部，应该是很难的，所以，注定了，量化分析的方法，单个的普通人很难完成。
量化投资起源与上世纪美国政府大幅度削减了对物理航天业经费自持，导致很多搞火箭的科学家、数学家下岗。于是他们流入金融行业（收入高），利用自己对数学、计算机的优势，使用原先用于火箭的建模预测证券市场，发现有着显著成效。当然，这些模型的前提是，现代金融理论的奠基，以及数量金融的发展。

因此，我个人对量化投资的理解是：金融界的火箭科学家，传统的分析方法，只用看某一或某几个指标，根据历史经验或者主观的客观的XXOO判断证券的未来走势，但是量化分析，首先建立合理的数学模型，然后借助计算机运用某些XX的算法，分析求解，难度相对于传统的方法难很多。

如果你想比较浅显的掌握，用于投资决策的参考
那量化分析，也没有想想中的那么高深，它本质上是一种金融的建模，本质上，常用的方法还是统计专业的那几个 ，什么 回归分析，线性规划 ，相关性，时间序列等等等。。。我看了丁鹏的书，大致上认为他是用了这些方法。所以你只用把应用数学学好就好了。
还有一些像遗传算法、神经网络这些他的书里面也提到了，属于现代算法，这些方法比较小，难度大，但是我猜只有学术界会用这些方法，因为现代算法在实际运用中还不够成熟，预测经常不准确。

表述有些乱，不过大致也只能写成这样了。

最后：和量化分析相关的专业主要有三个：
金融专业：金融工程；
数学专业：统计、应用数学；
计算机专业
这些专业的就业方向是可以面向量化分析的

㈤ 什么网站有炒股入门知识和股票入门书籍比较好的关于这个方面的谁能介绍个网站

炒原油理论基础不外乎几种，但由此衍生而来的技术指标却有成千上万之多。一下是一些炒原油书籍精品推荐:
江恩华尔街45年
作者: 威廉 D 江恩
内容简介:《江恩华尔街45年》，给了你一次真正的股票市场教育。江恩45年的实际交易经验和市场研究使这本书的问世成为可能。他写自实际的应用，而不是理论。江恩:传奇式证券交易巨匠、20世纪初最伟大的市场炒家、自创独特而又神秘的证券分析理论和方法、匪夷所思的精准预测。

资本市场的混沌与秩序
作者:埃德加· E ·彼得斯
内容简介:资本市场的混沌与秩序》是介绍和推广混沌理论在金融领域中的应用的第一本书，并被奉为这方面的经典论着。这次新版在内容上进行了全面的更新，加入了一些新的章节和混沌理论的最新进展进行了论述。这些最新进展都是与当今的创新热点紧密联系的，如模糊逻辑、神经网络和人工智能。第二版全面论述了混沌理论在金融领域的作用。它所利用的都是当今市场的最新例证并对技术的最新进展-包括遗传算法、小波和复杂理论-进行了描述。

㈥ 在中国，做量化交易一天的工作是怎样的

做量化交易一天的工作：

8:00~9:00： 打开交易策略，设置一些运营参数

9:00~9:30： 观察策略运转，确保没有问题

9:30~15:30: 解决已有策略的问题并研究新策略，测试新想法

15:30~17:00: 分析交易记录， 确定第二天的交易计划

17:00~18:00: 运动

岗位职责：
分析金融市场（期货、股票等）数据，寻找可利用的机会；开发与维护量化交易策略；提供机器学习/数据挖掘相应的技术支持；

岗位要求：
1.熟练计算机编程能力，熟练掌握至少一门编程语言，python优先；

理工科背景，具有良好的数理统计、数据挖掘等相关知识储备，熟悉机器学习方法（分析科学问题和相应数据，建立模型和方法，验证模型和方法，应用模型和方法并分析结果，改进模型和方法）；

有处理分析大量数据的经验，并能熟练选择和应用数据挖掘和机器学习方法解决科研和工作中的实际问题；良好的自我学习和快速 学习能力，有工作激情，喜欢金融行业；两年及以上实验室研究经验或研发类工作经验优先；

(6)遗传算法期货扩展阅读

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，

极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。