量化投資數據挖掘

❶ 如何評價微軟研究院開發的AI量化投資平台Qlib

雞肋。
Quantopian當年那麼火，Point72給他投資，Steve Cohen的資源給他用，今年還是倒閉了。原因是量化平台的盈利模式是有問題的，第一，它不專業，第二，因為不專業，用它的人不賺錢。Point72旗下的Cubist很賺錢，但Cubist不會把infra給Quantopian用，因為能賺錢的infra是稀缺資源。所以Quantopian的框架在專業人士看來非常業余。也正是因為業余，專業的人不用，業余的人用Quantopian的賺不了錢，因此無法和平台分成，所以這樣的平台無法盈利。
微軟的高管去量化界也有先例，微軟前COO Kevin Turner曾到Citadel Securities擔任CEO，但是沒有太大建樹，最終Griffin任命趙鵬，是趙鵬將CitSec發揚光大。
所以說，程序員在不懂套路的情況下，直接跨界去做投資，難度極大。不是因為程序員技術不行，主要是他們不懂投研體系。好的程序員只有在培訓以後才能成為好的QR。打個比方，James Simons何等樣人，他很早就想做股票，一群科學家一直不得要領，摸索了好幾年沒什麼進展，當時PDT和DE Shaw股票都比RenTech做得好得多。最後RenTech是靠PDT的前雇員把統計套利的策略框架做好，然後另一個既懂架構，又懂股票的程序員，把策略細節調好，才有了這么牛比的大獎章。
拿統計套利來說，談談為什麼微軟的這個QLib平台註定不行。統計套利類策略的核心是信號。怎麼從各種數據源里挖掘有意義的信號，如何檢驗信號的有效性，這些都是統計學的范疇。A股簡單的量價信號目前仍然很好用，只要是懂套路的機構，近兩年超額30個點沒什麼問題。可是美股做統計套利可沒這么容易，大部分簡單的量價信號都是沒用的，大獎章return on GMV也做不到10個點。成熟市場里，不了解市場就想挖一些信號是很難的。
模型上，有機器學習的程序員在調參上的確有一些優勢，但是label怎麼處理，feature怎麼engineering這種問題，一般人可能就找不到北了。
其他方面，風格怎麼控，演算法怎麼下單，這些都需要實戰經驗。不了解市場，想靠機器學習里一些fancy的演算法搞個印鈔機，太難。現在好多家私募都說深度學習多麼有用，的確會有點用，但是絕對沒有那麼神，事實上大家做得都差不多，不算很深，深度學習真要那麼有用，誰會到處說？量化這行，真正有用的東西，雖然最終都會被同行知道，但很少有人會在公開場合大說特說的。
綜上，量化策略涉及到統計、數據挖掘、交易、市場理解、機器學習等各個方面，光靠一套機器學習演算法庫，再加上一個優化器，就想攪動市場，沒這么容易的。

❷ 量化交易不是保賺的也沒有什麼高大上！揭開量化交易的神秘面紗

量化交易是近幾年來一個金融交易領域的流行詞彙。所謂量化，就是指數量化。量化交易就是把交易行為以 定量的形式為交易者提供交易的依據，使交易結果盡可能排除和 避免 主觀交易的隨意性和心理波動。

量化交易在美國已經搞了30多年了，最著名的是數學家西蒙斯和他的文藝復興公司的大獎章基金， 從1989年期起，復興 科技 公司的大獎章基金( Medallion )的年回報率平均高達35%,大獎章基金被譽為是最成功的對沖基金。

狹義的角度講量化交易就是十幾年前就已經開始的程序化交易，它是把交易過程中運用到的交易方法，用計算機語言編成計算機軟體程序，實現機器選股，自動下單買賣等行為。通過計算機程序可以省去一些人力成本（人力分析慢，畢竟現在市場上已經4000多隻股票，未來會更多），同時也省去了一些交易員不必要的盯盤時間，也一定程度規避情緒心理因素影響。

廣義的角度講量化交易就是我們交易者在交易過程中運用的系統化交易。根據一些固定的交易模型進行交易的系統化的方法，系統化交易是股票交易盈利的前提條件。比如基本面的價值投資法，把很多財務數據和指標進行數量化的梳理成固定的模型，這屬於基本面量化；人們包括利用技術分析理論編成的各種指標，選股條件等，屬於技術面量化；

另外量化交易又根據交易的形式分為：演算法交易（也就是高頻交易，主要用於搶單），套利交易（期貨品種的跨期套利和跨品種套利），根據現有的各種技術分析理論編成的實現全自動交易的計算機程序等等。

量化交易不是盈利的保證，它必須建立在一定的成功概率的模型基礎上才能應用的實戰交易中。我們都知道賭場盈利的根本其實就是比玩家盈利的概率高1%而已，這高出的1%盈利概率保證了賭場久賭必贏。所以量化交易其實追求的就是比市場上大多數人盈利的概率高出1%即可。但是這1%不是普通投資者可以做到的。需要大量的實戰總結和復盤總結，最終形成所謂量化交易模型。

最後提醒投資者注意：量化交易模型主要來源於以下兩種模式：

1、數據挖掘，從 歷史 數據中找到在以往 歷史 中盈利概率大的模型，這種模型一般為黑箱模型，黑箱就是你只能看到結果，不知道其中的邏輯，比如現在流行的機器學習模型，就是典型的黑箱模型。它的缺點非常明顯，就是你不清楚盈利原理，未來是否還能繼續出現符合上述模型的情況的概率有多少，也就是說，這種模型， 歷史 業績非常好，但是未來能否盈利非常的不確定。

2、來源於主觀交易者的盈利模型，根據盈利的主觀交易者的系統化的交易方法，用計算機語言編成的交易程序。這種交易模型有的可以量化，有的不可量化，如果可以量化的部分較多，而且量化後回測 歷史 數據盈利概率較高的話，那麼很大概率就是可以用於實盤 。可惜這種模型鳳毛麟角，可遇不可求。另外一種就是少部分可以量化，多數不能量化，而能量化的部分在 歷史 回測中表現很差，主觀交易者的盈利多數可能來源於主觀判斷，此種模型占絕大多數。比如徐翔的漲停板敢死隊的打板模型，在漲停板上買入可以量化，但是如果僅僅是漲停板買入，卻不能實現盈利，盈利的更大原因在於盤手所謂的盤感，所以這些盤感的挖掘數量化，才是這類模型的關鍵。

綜上所述，量化交易僅是交易的一個小分支而已，不是盈利方法。不要迷信所謂量化交易。

其實把交易系統化才是關鍵，系統化關鍵又是盡量把主觀交易數量化客觀化。祝投資順利！

❸ 如何考大數據分析師

大數據分析師報考要求如下：

1、初級數據分析師：

（1）具有大專以上學歷，或從事統計工作的人員；

（2）通過初級筆試、上機考試、報告考核，成績全部合格。

2、中級數據分析師：

（1）具有本科及以上學歷，或初級數據分析師證書，或從事相關工作一年以上；

（2）通過中級筆試、上機考試，成績全部合格；

（3）通過中級實踐應用能力考核。

3、高級數據分析師：

（1）研究生以上學歷，或從事相關工作五年以上；

（2）獲得中級數據分析師證書。

（3）通過高級筆試、報告考核後，獲取准高級數據分析師證書；

（4）考生在獲得准高級證書後，在專業領域工作五年，並撰寫一篇專業數據分析論文，經答辯合格，獲取高級數據分析師合格證書。

(3)量化投資數據挖掘擴展閱讀

技能要求

1、懂業務

從事數據分析工作的前提就會需要懂業務，即熟悉行業知識、公司業務及流程，最好有自己獨到的見解，若脫離行業認知和公司業務背景，分析的結果只會是脫了線的風箏，沒有太大的使用價值。

2、懂管理

一方面是搭建數據分析框架的要求，比如確定分析思路就需要用到營銷、管理等理論知識來指導，如果不熟悉管理理論，就很難搭建數據分析的框架，後續的數據分析也很難進行。另一方面的作用是針對數據分析結論提出有指導意義的分析建議。

❹ 《打開量化投資的黑箱（原書第2版）》pdf下載在線閱讀全文，求百度網盤雲資源

《打開量化投資的黑箱（原書第2版）》（[美]里什·納蘭（Rishi K. Narang））電子書網盤下載免費在線閱讀：

鏈接：https://pan..com/s/1AVZn75jUrfOILX-IBCd52Q

書名：打開量化投資的黑箱（原書第2版）

豆瓣評分：7.6

作者:[美]里什·納蘭（Rishi K. Narang）
出版社:機械工業出版社
原作名:Inside the Black Box: A Simple Guide to Quantitative and High Frequency Trading
譯者:上官麗英/王思洋/王錦炎
出版年:2016-5-25
頁數:356頁

內容簡介

無論是量化、演算法，還是黑箱交易，談論的都是一件事情：通過計算機執行的系統化交易。

盡管一些人斥責其危險地脫離了人類的控制，是市場過度波動的驅動者，但另一些人認為量化交易能夠很好地克服人類的貪欲以及人類在制定投資決策中的認知偏差等弱點。

總的來說，不管你對量化交易有多少了解，事實上，量化基金持續超越了市場表現，這也是許多聰明的投資者追逐黑箱的原因。

不幸的是，量化交易的很多部分仍是模糊不清的，這主要是因為寬客對系統如何工作的細節的極度保密。但是，在這個版本中，作為量化交易者和大師級解讀者，作者巧妙地告訴讀者，量化交易比你想像的更易於理解與掌控。

本書目的是讓讀者甚至是對數學或者技術有所恐懼的投資者能理解量化交易，這本書會帶領你走過黑箱之旅。作者用簡明的語言指明寬客們所做的工作，揭開了量化交易和量化交易策略的神秘面紗。

在簡明介紹量化交易准則和一般性准則之後，作者轉入正題，開始介紹典型黑箱系統的詳細內件，用非技術性的語言解釋內件是什麼以及內件之間是如何組合在一起的。

然後，用大量的實際案例以及真實的故事清晰地解釋：

最常見的量化系統結構

寬客如何追逐阿爾法

量化交易中的主觀判斷水平

高頻交易及設施

執行演算法以及如何工作

寬客如何構建風險模型以及如何知道特定的模型是否真正有效

基於理論驅動的系統和數據挖掘策略之間的重要不同點

如何評估量化經理以及他們的策略

如何將量化策略嵌入一個全面的投資組合策略，為何它們都很重要

量化交易的現行趨勢和未來趨勢以及在未來的角色

本書闡述了黑箱交易，使其透明化，直覺上更易感知、更易於理解。對於機構投資者、資產管理者、養老金管理者以及渴望在今天充滿不確定性的金融市場獲得優勢的所有精明投資者而言，本書是一本必讀物。

作者簡介

里什 K.納蘭（Rishi K. Narang）華爾街頂級數量金融專家，資深對沖基金經理。目前是特勒西斯資本有限責任公司（Telesis Capital LLC）的主要合夥人，這家公司主要採用量化交易策略進行投資。此前，他是聖巴巴阿爾法策略（Santa Barbara Alpha Strategies）的總經理和投資組合經理。里什還曾與別人合作創建Tradeworx公司並擔任總裁，這家公司在1999～2002年管理著量化對沖基金。自1996年開始，他就開始從事對沖基金事業，專注於量化交易策略。里什畢業於加利福尼亞大學伯克利分校，獲得了經濟學學士學位。

❺ 求量化投資數據挖掘與實踐pdf。

我這邊有兩本書，一本是量化投資基礎知識（涉及量化投資模型專、期貨套利、期屬現套利、演算法交易等）另一本是數據挖掘：概念與技術與實戰（原書第3版）不知道是不是你想要的！你這個合並在一起的這本書沒有！！！

量化投資基礎知識（涉及量化投資模型、期貨套利、期現套利、演算法交易等）因為同時不能上傳2哥文件，你要的話我給你發郵箱！