机器学习与量化交易实战01
发表评论
1339 views

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