worldquant量化投資

1. 高頻交易和量化交易有何不同

高頻交易和量化交易有3點不同：

一、兩者的概述不同：

1、高頻交易的概述：指從那些人們無法利用的極為短暫的市場變化中尋求獲利的計算機化交易。

2、量化交易的概述：指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略。

二、兩者的作用不同：

1、高頻交易的作用：這種交易的速度如此之快，以至於有些交易機構將自己的「伺服器群組」安置到了離交易所的計算機很近的地方，以縮短交易指令通過光纜以光速旅行的距離。

2、量化交易的作用：極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。

三、兩者的特點不同：

1、高頻交易的特點：

（1）高頻交易都是由計算機自動完成的程序化交易；

（2）高頻交易的交易量巨大；

（3）高頻交易的持倉時間很短，日內交易次數很多；

（4）高頻交易每筆收益率很低，但是總體收益穩定。

2、量化交易的特點：

（1）紀律性。根據模型的運行結果進行決策，而不是憑感覺。紀律性既可以剋制人性中貪婪、恐懼和僥幸心理等弱點，也可以克服認知偏差，且可跟蹤。

（2）系統性。具體表現為「三多」。一是多層次，包括在大類資產配置、行業選擇、精選具體資產三個層次上都有模型；二是多角度，定量投資的核心思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；三是多數據，即對海量數據的處理。

（3）套利思想。定量投資通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會，從而發現估值窪地，並通過買入低估資產、賣出高估資產而獲利。

（4）概率取勝。一是定量投資不斷從歷史數據中挖掘有望重復的規律並加以利用；二是依靠組合資產取勝，而不是單個資產取勝。

2. 念空私募如何

念空私募有著較先進的技術和硬體設施，因此是一家較好的投資機構。具體體現為：
1、念空私募擁有國內最好的基礎設施，與交易所直接相連的現貨和期貨交易系統，以及DMA訂購模式，以確保最快的交易速度。
2、念空私募依靠定量技術指標和高頻數據分析，抓住短暫的交易機會，具有巨大的市場優勢。
拓展資料：
1）私募，即私募基金，是指以非公開發行的形式向符合條件的投資者募集，投資於債券、股票、股票、期貨、期權、基金份額等投資對象的投資基金。（如藝術品、紅酒等）投資合同約定，簡稱私募基金。在證券發行中，政府、金融機構和工商企業可以選擇不同的投資者作為發行對象，因此證券發行可以分為公開發行和私募發行。私募股權基金起源於美國。1976年，華爾街著名投資銀行貝爾斯登（BearStearns）的三位投資銀行家成立了一家專門從事並購的KKR投資公司。西方國家的私募股權投資已達到GDP的4%-5%。
2）上海念空數據技術中心（有限合夥）是由王曉博士和周凱文博士領導的一個以絕對收益為導向的多戰略資產管理平台，由國內外多個量化PM團隊共同構建。年空匯集了國內外優秀的量化投資管理團隊，包括SAC、Millenium、Citadel、WorldQuant等華爾街知名對沖基金和國內公共基金的關鍵成員。
3）念空致力於利用科學的數據分析能力，為投資者提供高質量的絕對回報產品。長期以來，所有的投資策略都在國外成熟市場上進行了檢驗。主要團隊成員具有國際一線投資銀行和對沖基金的工作經驗，在金融衍生品的定量分析和交易方面有突出的業績。主要產品負責人具有15年以上的量化工作經驗，能夠為產品提供一流的交易技術、定價能力和風險控制能力。

3. worldquant公司的 營運模式

worldquant公司的 營運模式是一種投資模式。
WorldQuant本質上走著一種」極限利用新興市場人力資源+純數據挖掘「的投資模式，這是一個偉大的投資模式。
這種模式犯了金融學研究的一個忌諱:切不可以先數據挖掘再給其找對應的經濟意義。有過計量經濟學研究經驗的朋友相信會懂:世間萬物自有聯系，通過各種相關性分析、幾個統計軟體包一應用，總能發現少許看點--但這完全是數學上、統計上的關系，也許根本是 Spurious Relation，或者完全沒有意義。

4. 高頻交易和量化交易有何不同

量化投資公司和高頻交易公司一般說來，既有區別又有聯系。在美國，人們常說的量化投資公司一般都是對沖基金，包括DE Shaw、Two Sigma、RenTec、BlueCrest、Citadel、AQR、WorldQuant、Winton等；而常說的高頻交易公司一般都是自營交易公司，這些公司主要有Tower Research、Hudson River Trading、Getco、Jane Street、Virtu Financial、SIG、Jump Trading、RGM Advisor、Chopper Trading等。除此之外，既有量化投資業務，又有高頻交易業務的公司有Two Sigma、Citadel等；還有許多公司向著更綜合的方向發展，DE Shaw等公司，既有量化投資，又有非量化投資。
對於量化投資來說，除了行情信息，整理收集其他基本面的信息也相當重要，預測模型中要融入整理出的對應的時間序列。成功的模型是什麼？重點在於它整合了多少不同來源的信息，而不是運用了多高深的數學理論。以簡單的線性回歸為例，想要模型的預測效果好，需要各個參數都有很強的預測能力，同時相關性很低；反之，如果選取的參數毫無意義，就算運用在復雜的深度學習理論，得出的模型也沒有用。美國的一些公司，除了利用新聞等文本信息建模外，谷歌衛星拍攝到的港口集裝箱的圖像也會用來建模，商品價格走勢如何，通過對商品集裝箱的數目來預測，取得了很好的預測效果。

求解模型其實與建模同樣重要。比如說物理學上有很多能精確描述現實的模型，可還是難以求解，因為缺乏高效的科學計算方法，量化交易也一樣的。伴隨著巨大計算量的參數的計算、篩選、優化、回測等，怎樣精妙求解是一門頗為高深的學問。著名的文藝復興公司內部有著明確的分工——物理學家分析數據建立模型，數學家構建優化演算法並求解模型等，計算機程序員從各個來源收集數據，西蒙斯這樣透露。

5. 明曦（杭州）資產管理有限公司怎麼樣

簡介：明曦（杭州）資產管理有限公司（簡稱「明曦資本」），注冊於杭州玉皇山南基金小鎮。創始人團隊來自華爾街頂級投行（高盛、花旗、德意志銀行）和對沖基金（Worldquant、HBK）。多年從事量化投資工作，涵蓋策略設計、平台搭建、交易系統、衍生品定價、風險管理等方面，擁有豐富的量化投資全流程實戰經驗。
法定代表人：張曦
成立時間：2016-05-03
注冊資本：1000萬人民幣
工商注冊號：330102000185540
企業類型：有限責任公司(自然人投資或控股)
公司地址：上城區甘水巷152號126室

6. 如何用Quartz Signal快速實現Worldquant 101 Alpha

優礦的500萬實盤在如火如荼地進行中，我們已經看到有礦友利用經典的機器學習演算法和新的Quartz Signal模塊對於優礦上現有因子的利用進行探索，但是對於大多數信號/因子研究者來說，尋找新的Alpha依然是其孜孜以求的目標。
如何去尋找新的Alpha因子的靈感成為擺在量化研究者面前無法迴避的問題。
我們注意到，Zura Kakushadze 等人最新發表的論文101 Formulaic Alpha(…) 里提到了很多基於價量數據構建的"Alpha"因子，為我們提供了很多新的靈感。
本文將先簡單介紹論文中提到的Alpha因子表達式語法以及含義，之後會介紹如何用Quartz Signal便捷地實現這些Alpha，最後會提供2個在論文中出現並且效果不錯的Alpha因子供大家參考。

Formulaic Alpha簡介
研讀過上文提到的論文，我們發現，論文中提到的Formulaic Alpha就是用一個表達式來表示一個Alpha因子：
· 寫出的表達式是在每一個調倉日對每一支按照該表達式進行計算
· 例如：1/close; 對universe中每一支，計算1/closePrice，然後此向量被標准化，即除以其數值的總和（所有數值相加的結果為 1）。這將為所有創建了一個基於「權重」的向量，每個權重代表投資組合中投資於該的資金比例
· 其支持的數據有：open(開盤價)/close(收盤價)/high(最高價)/low(最低價)/vwap(日內交易量加權價格)/returns(單日收益率)等等
我們認為這種Formulaic Alpha的表達形式有以下特點：
· 表達簡潔，但隱藏了太多細節，用戶無法看到具體的調倉信息
· 受限於表達式表達能力的不足，提供了豐富的內置函數，幫助用戶完成了cross-sectional信息的處理
內置函數
· 可分為橫截面函數和時間序列函數兩大類，其中時間序列函數名多為以ts_開頭
· 大部分函數命名方式較為直觀
· abs(x) log(x)分別表示x的絕對值和x的自然對數
· rank(x)表示某x值在橫截面上的升序排名序號，並將排名歸一到[0,1]的閉區間
· delay(x,d)表示x值在d天前的值
· delta(x,d)表示x值的最新值減去x值在d天前的值
· correlation(x,y,d) covariance(x,y,d)分別表示x和y在長度為d的時間窗口上的Pearson相關系數和協方差
· ts_min(x,d) ts_max(x,d) ts_argmax(x,d) ts_argmin(x,d) ts_rank(x) sum(x,d) stddev(x,d)等均可以通過函數名稱了解其作用
· 更多地函數解釋可以參考論文的附錄

Quartz Signal模塊簡介
正如API幫助文檔中提到的，Signal模塊是優礦為方便因子/信號研究者提供的工具，將用戶從與信號研究無關的數據獲取、下單邏輯中抽離出來，用戶可以將精力集中於按照自己的思路開發新的信號。
使用Signal自定義信號的通用實現過程如下：
def foo(data, dependencies=['PE&# 39;], max_window=4):
return data['PE&# 39;].mean()
# in initialize(account)
a = Signal("signal_a", foo)
account.signal_generator = SignalGenerator(a)
# in handle_data(account)
account.signal_result['signal_a']

我們可以將Quartz Signal的使用過程分為四個步驟：
定義實現信號邏輯的函數（在上例中即為foo函數）
在initialize函數中定義Signal，在實例化Signal類時將信號名字和描述函數作為參數傳入
在initialize函數中將需要使用的信號注冊到account.signal_generator中，可以注冊多個信號
在handle_data中通過account.signal_result獲取計算好的信號值

我們重點介紹一下用戶需要完成的信號描述函數：
信號描述函數實際上是用戶在每一個調倉日對於可以獲得數據的處理邏輯
信號描述函數名可以按照Python函數的命名規范任意定義，但其參數必須為一個非關鍵字參數data，兩個關鍵字參數dependencies和max_window
dependencies的參數格式必須為str構成的list，list的元素為該函數中需要使用的因子名稱，具體支持因子列表參考幫助文檔
max_window的參數格式為int，表示用戶希望用到過去max_window天的因子數據
data則是根據dependencies和max_window，Quartz Signal模塊幫助用戶取到的數據，其格式為一個dict，key為因子名稱，value為max_window*universe_length的Pandas DataFrame
信號描述函數的返回值必須為一個長度與data中每一元素列數相同的Pandas Series
如下圖所示：

上圖描述的就是data的結構，其中data只有一個元素，其key為"PE"，value就是上圖表格所示的Pandas DataFrame，具體地，其columns為universe的secID，其index為%Y%m%d格式的日期字元串

Quartz Signal v.s. Formulaic Alpha
由上述描述可見，使用Quartz Signal模塊可以便捷地實現Formulaic Alpha，同時相比Formulaic Alpha表達式有以下優勢：
更加直觀：
o用戶在預先定義信號描述函數時，就可以明晰地定義自己需要的因子數據和時間窗口
o用戶可以在Quartz框架中靈活定義自己的調倉頻率和下單邏輯，並可以直觀地看到每次調倉的列表
更加靈活：
oFormulaic Alpha限制了表達式的計算結果必須代表相應在投資組合中的權重，而Quartz Signal並沒有此限制，用戶可以在handle_data中按照自己的想法任意處理信號值
o信號描述函數的data是以Pandas DataFrame的格式傳入的，這樣用戶就可以在函數中同時看到橫截面數據和時間序列數據，為用戶提供了更多可能
更加強大：信號描述函數的data是以Pandas DataFrame的格式傳入的，Pandas豐富的內置函數可以幫助我們完成較復雜Formulaic Alpha表達式才能完成的任務（見最後一個示例）
更多數據：Quartz Signal不僅支持openPrice/closePrice/highPrice/lowPrice/turnoverVol等價量信息，還支持PE、RSI等更豐富的因子
下面我們就用Quartz Signal模塊實現了一個論文中提到的Formulaic Alpha:

用Quartz Signal實現一個Formulaic Alpha
以WebSim論文中alpha 53為例，其原始表達式為:
(−1∗delta((((close−low)−(high−close))/(close−low)),9))
化簡可得，((close - low) - (high - close)) / (close - low)的9日之前值-當前值
繼續化簡可得：(2∗close−low−high)/(close−low)

我們深入研究該因子可以發現：
(2∗close−low−high)/(close−low)=1−(high−close)/(close−low)
前面的常數1可以通過delta消掉，其實可以簡化為(high−close)/(close−low)的現值-9天之前的值
而(high−close)/(close−low)本身則代表了收盤價在日內波動中的位置，可以看做是買入意願的一種體現

我們強烈建議大家在實現這些Formulaic Alpha因子之前先花一些精力去理解其經濟含義，不僅可以加深對其原理的理解，在某些時候還可以簡化實現。
我們以論文中的Alpha 26為例，其原始表達式為：
−1∗ts_max(correlation(ts_rank(volume,5),ts_rank(high,5),5),3)
我們當然可以按照其原始表達式一步步地先對過去5天的成交量和最高價進行排名，再取相關系數；但是較熟悉Pandas DataFrame內置函數或者統計知識較豐富的研究者可以發現，correlation(ts_rank(volume,5),ts_rank(high,5),5) 其實就是在計算Spearman Rank Correlation Coefficient，使用DataFrame內置的corr(method="spearman")函數就可以完成計算，可以大大提高開發效率。

在我們的模擬的過程中發現，如果按照原公式進行計算，無論是long還是short的結果都跑不贏大盤，同時對於成交量和最高價相關性較高的將會是市場追逐的熱點，應該分配更大的權重。
所以在上述代碼中我們將原Formulaic Alpha前面的負號去掉。

當然，對於論文中出現的某些因子可能較難於理解其經濟學意義，我們鼓勵大家用Quartz Signal將其實現之後發到社區上與大家一起討論。
對於Quartz Signal模塊有哪些不盡如人意的地方也可以反饋給我們，幫助我們持續改進。

7. 如何用quartz signal快速實現worldquant 101 alpha

優礦的500萬實盤在如火如荼地進行中，我們已經看到有礦友利用經典的機器學習演算法和新的Quartz Signal模塊對於優礦上現有因子的利用進行探索，但是對於大多數信號/因子研究者來說，尋找新的Alpha依然是其孜孜以求的目標。
如何去尋找新的Alpha因子的靈感成為擺在量化研究者面前無法迴避的問題。
我們注意到，Zura Kakushadze 等人最新發表的論文101 Formulaic Alpha(http://papers.ssrn.com/sol3/papers.cfm?abstra…) 里提到了很多基於價量數據構建的"Alpha"因子，為我們提供了很多新的靈感。
本文將先簡單介紹論文中提到的Alpha因子表達式語法以及含義，之後會介紹如何用Quartz Signal便捷地實現這些Alpha，最後會提供2個在論文中出現並且效果不錯的Alpha因子供大家參考。

Formulaic Alpha簡介
研讀過上文提到的論文，我們發現，論文中提到的Formulaic Alpha就是用一個表達式來表示一個Alpha因子：
· 寫出的表達式是在每一個調倉日對每一支股票按照該表達式進行計算
· 例如：1/close; 對universe中每一支股票，計算1/closePrice，然後此向量被標准化，即除以其數值的總和（所有數值相加的結果為 1）。這將為所有股票創建了一個基於「權重」的向量，每個權重代表投資組合中投資於該股票的資金比例
· 其支持的數據有：open(開盤價)/close(收盤價)/high(最高價)/low(最低價)/vwap(日內交易量加權價格)/returns(單日收益率)等等
我們認為這種Formulaic Alpha的表達形式有以下特點：
· 表達簡潔，但隱藏了太多細節，用戶無法看到具體的調倉信息
· 受限於表達式表達能力的不足，提供了豐富的內置函數，幫助用戶完成了cross-sectional信息的處理
內置函數
· 可分為橫截面函數和時間序列函數兩大類，其中時間序列函數名多為以ts_開頭
· 大部分函數命名方式較為直觀
· abs(x) log(x)分別表示x的絕對值和x的自然對數
· rank(x)表示某股票x值在橫截面上的升序排名序號，並將排名歸一到[0,1]的閉區間
· delay(x,d)表示x值在d天前的值
· delta(x,d)表示x值的最新值減去x值在d天前的值
· correlation(x,y,d) covariance(x,y,d)分別表示x和y在長度為d的時間窗口上的Pearson相關系數和協方差
· ts_min(x,d) ts_max(x,d) ts_argmax(x,d) ts_argmin(x,d) ts_rank(x) sum(x,d) stddev(x,d)等均可以通過函數名稱了解其作用
· 更多地函數解釋可以參考論文的附錄

Quartz Signal模塊簡介
正如API幫助文檔中提到的，Signal模塊是優礦為方便因子/信號研究者提供的工具，將用戶從與信號研究無關的數據獲取、下單邏輯中抽離出來，用戶可以將精力集中於按照自己的思路開發新的信號。
使用Signal自定義信號的通用實現過程如下：
def foo(data, dependencies=['PE&# 39;], max_window=4):
return data['PE&# 39;].mean()
# in initialize(account)
a = Signal("signal_a", foo)
account.signal_generator = SignalGenerator(a)
# in handle_data(account)
account.signal_result['signal_a']

我們可以將Quartz Signal的使用過程分為四個步驟：
定義實現信號邏輯的函數（在上例中即為foo函數）
在initialize函數中定義Signal，在實例化Signal類時將信號名字和描述函數作為參數傳入
在initialize函數中將需要使用的信號注冊到account.signal_generator中，可以注冊多個信號
在handle_data中通過account.signal_result獲取計算好的信號值

我們重點介紹一下用戶需要完成的信號描述函數：
信號描述函數實際上是用戶在每一個調倉日對於可以獲得數據的處理邏輯
信號描述函數名可以按照Python函數的命名規范任意定義，但其參數必須為一個非關鍵字參數data，兩個關鍵字參數dependencies和max_window
dependencies的參數格式必須為str構成的list，list的元素為該函數中需要使用的因子名稱，具體支持因子列表參考幫助文檔
max_window的參數格式為int，表示用戶希望用到過去max_window天的因子數據
data則是根據dependencies和max_window，Quartz Signal模塊幫助用戶取到的數據，其格式為一個dict，key為因子名稱，value為max_window*universe_length的Pandas DataFrame
信號描述函數的返回值必須為一個長度與data中每一元素列數相同的Pandas Series
如下圖所示：

上圖描述的就是data的結構，其中data只有一個元素，其key為"PE"，value就是上圖表格所示的Pandas DataFrame，具體地，其columns為universe的secID，其index為%Y%m%d格式的日期字元串

Quartz Signal v.s. Formulaic Alpha
由上述描述可見，使用Quartz Signal模塊可以便捷地實現Formulaic Alpha，同時相比Formulaic Alpha表達式有以下優勢：
更加直觀：
o用戶在預先定義信號描述函數時，就可以明晰地定義自己需要的因子數據和時間窗口
o用戶可以在Quartz框架中靈活定義自己的調倉頻率和下單邏輯，並可以直觀地看到每次調倉的股票列表
更加靈活：
oFormulaic Alpha限制了表達式的計算結果必須代表相應股票在投資組合中的權重，而Quartz Signal並沒有此限制，用戶可以在handle_data中按照自己的想法任意處理信號值
o信號描述函數的data是以Pandas DataFrame的格式傳入的，這樣用戶就可以在函數中同時看到橫截面數據和時間序列數據，為用戶提供了更多可能
更加強大：信號描述函數的data是以Pandas DataFrame的格式傳入的，Pandas豐富的內置函數可以幫助我們完成較復雜Formulaic Alpha表達式才能完成的任務（見最後一個示例）
更多數據：Quartz Signal不僅支持openPrice/closePrice/highPrice/lowPrice/turnoverVol等價量信息，還支持PE、RSI等更豐富的因子
下面我們就用Quartz Signal模塊實現了一個論文中提到的Formulaic Alpha:

用Quartz Signal實現一個Formulaic Alpha
以WebSim論文中alpha 53為例，其原始表達式為:
(−1∗delta((((close−low)−(high−close))/(close−low)),9))
化簡可得，((close - low) - (high - close)) / (close - low)的9日之前值-當前值
繼續化簡可得：(2∗close−low−high)/(close−low)

我們深入研究該因子可以發現：
(2∗close−low−high)/(close−low)=1−(high−close)/(close−low)
前面的常數1可以通過delta消掉，其實可以簡化為(high−close)/(close−low)的現值-9天之前的值
而(high−close)/(close−low)本身則代表了收盤價在日內波動中的位置，可以看做是買入意願的一種體現

我們強烈建議大家在實現這些Formulaic Alpha因子之前先花一些精力去理解其經濟含義，不僅可以加深對其原理的理解，在某些時候還可以簡化實現。
我們以論文中的Alpha 26為例，其原始表達式為：
−1∗ts_max(correlation(ts_rank(volume,5),ts_rank(high,5),5),3)
我們當然可以按照其原始表達式一步步地先對過去5天的成交量和最高價進行排名，再取相關系數；但是較熟悉Pandas DataFrame內置函數或者統計知識較豐富的研究者可以發現，correlation(ts_rank(volume,5),ts_rank(high,5),5) 其實就是在計算Spearman Rank Correlation Coefficient，使用DataFrame內置的corr(method="spearman")函數就可以完成計算，可以大大提高開發效率。

在我們的模擬的過程中發現，如果按照原公式進行計算，無論是long還是short的結果都跑不贏大盤，同時對於成交量和最高價相關性較高的股票將會是市場追逐的熱點股票，應該分配更大的權重。
所以在上述代碼中我們將原Formulaic Alpha前面的負號去掉。

當然，對於論文中出現的某些因子可能較難於理解其經濟學意義，我們鼓勵大家用Quartz Signal將其實現之後發到社區上與大家一起討論。
對於Quartz Signal模塊有哪些不盡如人意的地方也可以反饋給我們，幫助我們持續改進。

8. 世坤投資咨詢 (WorldQuant) 是一家怎樣的公司

WorldQuant是一家成立於2007年的量化資產管理公司。公司現有員工600餘人，於13個國家和地區設有23個辦公室。WorldQuant開發、配置應用於全球市場各類資產的系統化金融策略。我們依託獨有的研究平台構建高質量預測信號（alphas)，組成金融策略，並以此充分挖掘市場的無效性。

WorldQuant獨一無二的研究平台和研究方法在同行業中占據領先地位。我們的成功基於學術與實踐結果的結合。我們鼓勵員工的開放性思維，同時也強調理論與可行性之間的平衡。

研究是WorldQuant的核心。我們的研究員通過大膽的猜想及嚴謹的探索，不斷尋求新的方式將數據應用於金融市場，以此找尋新的alpha。

使用經檢驗的方法步驟，研究員們識別尚未被市場發現的預測信號，通過數學表達式的形式應用於量化模型中，從而嘗試預測全球金融市場的走勢。申請者無需相關經驗，但需對學習股票及金融市場有濃厚的興趣。