机器学习与量化交易实战01

1 课程总览

  1. 为什么要做算法交易

  2. 交易系统的开发与设计

  3. 时间序列分析

  4. 策略建模及其优化方法

  5. 策略评价与回测

  6. 风险管理

  7. 交易策略的实现

  8. 交易策略的执行

课程主要围绕三个核心: #金融 #编程 #机器学习

2 算法交易综述

算法交易:利用自动化平台,执行预先设置的一系列规则完成交易行为。

优点

  1. 历史数据评估
  2. 执行高效
  3. 无主观情绪输入
  4. 可度量评价
  5. 交易频率

缺点

  1. 成本(学习成本、金钱成本)
  2. 技巧

交易流程——大前提:基于某种平台:

  1. 提出假设
  2. 建立模型
  3. 回测验证
  4. 执行交易

交易策略的来源

  1. 市场微观结构研究:多采用限价指令簿并用于高频交易
  2. 基金结构套利 (fund structure arbitrage)
  3. 机器学习/人工智能机器学习与量化交易实战01

3 机器学习综述

机器学习流程

  • 训练(输入历史数据;算法学习;模型建立)
  • 预测(新的输入;模型产生输出)

机器学习四大流派

  • 连接主义 Connectionism 效果更卓越
  • 符号主义 Symbolism 可解释性强
  • 频率主义 Frequentists
  • 贝叶斯派 Bayesian

A (super) Brief History of A.I

  • 58-69 NNs, logics
  • 70s WINTER 寒冬期
  • 80-95 NNs
  • 95-10 SVMs and statistical learning
  • 10s-current

机器学习:建立模型(寻找目标函数),通过算法基于数据逼近最优解

4 量化交易综述

交易中的机器学习

  • 基于限价指令簿建模(秒级数据、量大、低延迟)
  • 基于价格的分类模型
  • 基于文本的分类模型 (新闻、社交数据)
  • 强化学习

量化交易成功的四个关键点

  • 优秀的模型和高效的算法
  • 硬件支持(GPU/CPU)
  • 高质量的数据
  • 平台(keras、tensorflow、sklearn)

交易策略的评估

  1. 策略基本假设
  2. Sharp Ratio
  3. 杠杆
  4. 频率
  5. 风险
  6. W/L
  7. 模型复杂度
  8. 最大亏损(Maxiumdrawdown)
  9. Benchmarking

回测:将交易策略在历史数据中进行合理验证的过程

回测的意义:策略筛选;策略优化;策略验证

回测的常见错误

  • 乐观主义偏差
  • 时间旅行(程序bug、Train/Valid/Test)
  • 幸存者偏差(犯大错的公司都凉了)

往年同期文章