1 课程总览
为什么要做算法交易
交易系统的开发与设计
时间序列分析
策略建模及其优化方法
策略评价与回测
风险管理
交易策略的实现
交易策略的执行
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
- 历史数据评估
- 执行高效
- 无主观情绪输入
- 可度量评价
- 交易频率
缺点
- 成本(学习成本、金钱成本)
- 技巧
交易流程——大前提:基于某种平台:
- 提出假设
- 建立模型
- 回测验证
- 执行交易
交易策略的来源
- 市场微观结构研究:多采用限价指令簿并用于高频交易
- 基金结构套利 (fund structure arbitrage)
- 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
- 策略基本假设
- Sharp Ratio
- 杠杆
- 频率
- 风险
- W/L
- 模型复杂度
- 最大亏损(Maxiumdrawdown)
- 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)