vwap外匯

① GTX外匯交易平台是哪裡的

GTX外匯交易平台是嘉盛外匯平台中的一種，專門給機構和高端客戶使用的，賬戶最低資金是10萬美金，估計你那朋友資金實力不錯，才會選擇GTX來交易。與嘉盛的操盤手和MT4平台收取點差不同，GTX是採用的是傭金模式，完全獨立的ECN平台。

② 量化交易的應用

量化投資技術包括多種具體方法，在投資品種選擇、投資時機選擇、股指期貨套利、商品期貨套利、統計套利和演算法交易等領域得到廣泛應用。在此，以統計套利和演算法交易為例進行闡述。
1、統計套利。
統計套利是利用資產價格的歷史統計規律進行的套利，是一種風險套利，其風險在於這種歷史統計規律在
未來一段時間內是否繼續存在。
統計套利的主要思路是先找出相關性最好的若干對投資品種，再找出每一對投資品種的長期均衡關系（協
整關系），當某一對品種的價差（協整方程的殘差）偏離到一定程度時開始建倉，買進被相對低估的品種、
賣空被相對高估的品種，等價差回歸均衡後獲利了結。
股指期貨對沖是統計套利較長採用的一種操作策略，即利用不同國家、地區或行業的指數相關性，同時
買入、賣出一對指數期貨進行交易。在經濟全球化條件下，各個國家、地區和行業股票指數的關聯性越來越
強，從而容易導致股指系統性風險的產生，因此，對指數間的統計套利進行對沖是一種低風險、高收益的交
易方式。
2、演算法交易。
演算法交易又稱自動交易、黑盒交易或機器交易，是指通過設計演算法，利用計算機程序發出交易指令的方
法。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格，甚至包括最後需要成交的資產數
量。
演算法交易的主要類型有: (1) 被動型演算法交易，也稱結構型演算法交易。該交易演算法除利用歷史數據估計交
易模型的關鍵參數外，不會根據市場的狀況主動選擇交易時機和交易的數量，而是按照一個既定的交易方針
進行交易。該策略的的核心是減少滑價（目標價與實際成交均價的差）。被動型演算法交易最成熟，使用也最
為廣泛，如在國際市場上使用最多的成交加權平均價格（VWAP）、時間加權平均價格（TWAP）等都屬於被
動型演算法交易。 (2) 主動型演算法交易，也稱機會型演算法交易。這類交易演算法根據市場的狀況作出實時的決
策，判斷是否交易、交易的數量、交易的價格等。主動型交易演算法除了努力減少滑價以外，把關注的重點逐
漸轉向了價格趨勢預測上。 (3) 綜合型演算法交易，該交易是前兩者的結合。這類演算法常見的方式是先把交易
指令拆開，分布到若干個時間段內，每個時間段內具體如何交易由主動型交易演算法進行判斷。兩者結合可達
到單純一種演算法無法達到的效果。
演算法交易的交易策略有三：一是降低交易費用。大單指令通常被拆分為若干個小單指令漸次進入市場。
這個策略的成功程度可以通過比較同一時期的平均購買價格與成交量加權平均價來衡量。二是套利。典型的
套利策略通常包含三四個金融資產，如根據外匯市場利率平價理論，國內債券的價格、以外幣標價的債券價
格、匯率現貨及匯率遠期合約價格之間將產生一定的關聯，如果市場價格與該理論隱含的價格偏差較大，且
超過其交易成本，則可以用四筆交易來確保無風險利潤。股指期貨的期限套利也可以用演算法交易來完成。三
是做市。做市包括在當前市場價格之上掛一個限價賣單或在當前價格之下掛一個限價買單，以便從買賣差價
中獲利。此外，還有更復雜的策略，如「基準點「演算法被交易員用來模擬指數收益，而」嗅探器「演算法被用來發現
最動盪或最不穩定的市場。任何類型的模式識別或者預測模型都能用來啟動演算法交易。

③ 你如何預測第二天股票的開盤價

你必須承認，預測任何事情都是不可靠的。這是猜測，僅此而已。影響股票開盤價的因素很多，而且這些因素是無法預測的。

海外市場在美國市場之前開放，和美國市場一樣關閉。為交易所製造計算機的市場確定了在世界各地其他證券交易所交易的美國上市股票的最後價格。這通常是一個小的調整，但也可以是一個大的調整。共同的差距是由這些調整造成的，這些調整是為了避免全球金融市場之間的套利。

突破缺口，指的是價格一直在下跌，然後在技術分析中所謂的「阻力位」上方缺口幾個點，有時也是先前的基本面弱勢位。這些通常是根本性的差距，表明金融狀況正在加強。

當股票投機交易時，就會出現失控、測量或運行缺口。該股收盤價高於前一天。在打開它的缺口更高，以繼續上漲。這些通常是高頻交易引起的缺口。

耗盡缺口是投機勢頭運行的最後一個缺口。這對波動和動量交易者來說可能是一個巨大的信號，一個獲利了結模式可能很快就會到來，因為專業交易員將在股票因獲利而回撤的投機性賣出之前獲利了結，並結清頭寸。

並購差距這些通常是幾分或多分。差價是該股票的新價格。它是收購方為合並或收購該公司而支付的每股價格。這一差距是不可交易的。這是股票生命的盡頭，它很快將不再是交易所上市的股票。並購缺口是巨大的，但在價格達成一致和文件簽署之前，這些並購並不為公眾所知。

因此，在這個價差之後買入股票是沒有價值的，除非你想持有的股票將並入買入公司的股票。換句話說，你將擁有收購方公司的股份。這可以是更多的股份或更少的股份，取決於被收購公司的價格和該公司購買該公司的股票的價格。

孤島差價指的是在圖表上上下浮動的價格，與圖表上的其他價格無關，通常是較大的差價。孤島差距與hft、小型基金和零售集團的新聞和對新聞的反應有關。

④ 國泰安信息技術有限公司的產品

CSMAR中國財經資料庫：研發理念充分借鑒了芝加哥大學CRSP、標准普爾Compustat、紐約交易所TAQ、Thomson、GSIOnline等國際知名資料庫的成功經驗，並結合中國國情精心設計而成。該資料庫是國內目前規模最大、信息最精準的金融、經濟資料庫，由股票、基金、債券、金融衍生產品、上市公司、經濟、行業、高頻數據8大系列及個性化數據服務構成。
金融實驗室：借鑒美國麻省理工學院的Laboratory for Financial Engineering和新加坡國立大學的Center of Financial Engineering等國際知名金融實驗室的開發經驗，集教研工具系統與資源、實訓系統與課程設計、學術交流、成果轉化於一體。其中，實訓系統包括銀行類、保險類、證券類、企業管理類、財會類等。
全球金融信息分析系統——「國泰安市場通」：是一款媲美Bloomberg的綜合金融信息分析系統，以目前國內最快的行情刷新速度接入上證交易所高速Level Ⅱ數據和全球60多個國家及地區的股票、債券、期貨、外匯、金融衍生品等上萬種金融產品的實時或延時行情，使用戶快捷獲取精確、詳細、全面、深入的市場數據和信息。同時，豐富的畫面自定義、MVX Excel導出、指數化基金自動配置等個性化功能協助用戶進行實時監控，有效避險，搶占投資先機。
更值得提出的是，該系統擁有強大數據壓縮和傳輸技術（基於世界領先的百萬分之一秒量級的高速壓縮技術），其行情刷新頻度和速度目前在國內同行業中是最快的，完全與交易所同步。其多屏顯示技術可支持一台主機控制多達8個屏幕的同時展示，如果使用大屏，可作為mini交易所安裝在交易室、會議室等場所。
國泰安股指期貨套利系統：由國泰安和台灣寶來金融集團攜手開發。可查看實時行情；內嵌Excel策略平台，讓用戶以便捷的Excel形式，享受寶來近10年的分析數據及投資策略，並可利用國泰安CSMAR資料庫，快捷自由地創新交易模型；可通過靈活的投資組合策略和機會監控策略進行套利。
在台灣，該系統深受證券商、基金公司、QFII、私募基金認可；在大陸，受到國信證券、財富證券、太保資產管理公司等數十家金融機構矚目。
國泰安演算法交易系統V1.0：演算法交易，這一合法的「黑箱套利」交易模式，正在迅速地被越來越多的投資機構重視。國泰安演算法交易系統V1.0採用國際最主流 的「VWAP」、「TWAP」等交易模型。用戶通過靈活的交易策略配置，增加資產配置成功率，提高回報率。
金融專業培訓：以敏銳的財經嗅覺，提供前瞻性、實戰式的金融培訓，包括股指期貨實盤模擬培訓、演算法交易培訓等。
國泰安萬能大屏幕管理軟體: 國泰安萬能大屏幕管理軟體以大屏幕應用為基礎，對屏幕布局、屏幕管理、數據源支持、系統擴展性等方面進行應用性開發。該軟體主要向客戶提供實時金融行情與資訊展示，對於各行業特別是金融機構在大廳、貴賓室、會議室、戶外宣傳、金融實驗室等地方的內容展示及形象宣傳將達到事半功倍的效果。

⑤ 量化交易有什麼類型

閃牛分析：
概念
量化交易是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，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。

特點
定量投資和傳統的定性投資本質上來說是相同的，二者都是基於市場非有效或弱有效的理論基礎。兩者的區別在於定量投資管理是「定性思想的量化應用」，更加強調數據。量化交易具有以下幾個方面的特點：
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。
應用編輯
量化投資技術包括多種具體方法，在投資品種選擇、投資時機選擇、股指期貨套利、商品期貨套利、統計套利和演算法交易等領域得到廣泛應用。在此，以統計套利和演算法交易為例進行闡述。
1、統計套利
統計套利是利用資產價格的歷史統計規律進行的套利，是一種風險套利，其風險在於這種歷史統計規律在未來一段時間內是否繼續存在。
統計套利的主要思路是先找出相關性最好的若干對投資品種，再找出每一對投資品種的長期均衡關系（協整關系），當某一對品種的價差（協整方程的殘差）偏離到一定程度時開始建倉，買進被相對低估的品種、賣空被相對高估的品種，等價差回歸均衡後獲利了結。股指期貨對沖是統計套利較長採用的一種操作策略，即利用不同國家、地區或行業的指數相關性，同時買入、賣出一對指數期貨進行交易。在經濟全球化條件下，各個國家、地區和行業股票指數的關聯性越來越強，從而容易導致股指系統性風險的產生，因此，對指數間的統計套利進行對沖是一種低風險、高收益的交易方式。
2、演算法交易。
演算法交易又稱自動交易、黑盒交易或機器交易，是指通過設計演算法，利用計算機程序發出交易指令的方法。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格，甚至包括最後需要成交的資產數量。
演算法交易的主要類型有: (1) 被動型演算法交易，也稱結構型演算法交易。該交易演算法除利用歷史數據估計交易模型的關鍵參數外，不會根據市場的狀況主動選擇交易時機和交易的數量，而是按照一個既定的交易方針進行交易。該策略的的核心是減少滑價（目標價與實際成交均價的差）。被動型演算法交易最成熟，使用也最為廣泛，如在國際市場上使用最多的成交加權平均價格（VWAP）、時間加權平均價格（TWAP）等都屬於被動型演算法交易。 (2) 主動型演算法交易，也稱機會型演算法交易。這類交易演算法根據市場的狀況作出實時的決策，判斷是否交易、交易的數量、交易的價格等。主動型交易演算法除了努力減少滑價以外，把關注的重點逐漸轉向了價格趨勢預測上。 (3) 綜合型演算法交易，該交易是前兩者的結合。這類演算法常見的方式是先把交易指令拆開，分布到若干個時間段內，每個時間段內具體如何交易由主動型交易演算法進行判斷。兩者結合可達到單純一種演算法無法達到的效果。
演算法交易的交易策略有三：一是降低交易費用。大單指令通常被拆分為若干個小單指令漸次進入市場。這個策略的成功程度可以通過比較同一時期的平均購買價格與成交量加權平均價來衡量。二是套利。典型的套利策略通常包含三四個金融資產，如根據外匯市場利率平價理論，國內債券的價格、以外幣標價的債券價格、匯率現貨及匯率遠期合約價格之間將產生一定的關聯，如果市場價格與該理論隱含的價格偏差較大，且超過其交易成本，則可以用四筆交易來確保無風險利潤。股指期貨的期限套利也可以用演算法交易來完成。三是做市。做市包括在當前市場價格之上掛一個限價賣單或在當前價格之下掛一個限價買單，以便從買賣差價中獲利。此外，還有更復雜的策略，如「基準點「演算法被交易員用來模擬指數收益，而」嗅探器「演算法被用來發現最動盪或最不穩定的市場。任何類型的模式識別或者預測模型都能用來啟動演算法交易。

潛在風險
量化交易一般會經過海量數據模擬測試和模擬操作等手段進行檢驗，並依據一定的風險管理演算法進行倉位和資金配置，實現風險最小化和收益最大化，但往往也會存在一定的潛在風險，具體包括：
1、歷史數據的完整性。行情數據不完整可能導致模型與行情數據不匹配。行情數據自身風格轉換，也可能導致模型失敗，如交易流動性，價格波動幅度，價格波動頻率等，而這一點是目前量化交易難以克服的。
2、模型設計中沒有考慮倉位和資金配置，沒有安全的風險評估和預防措施，可能導致資金、倉位和模型的不匹配，而發生爆倉現象。
3、網路中斷，硬體故障也可能對量化交易產生影響。
4、同質模型產生競爭交易現象導致的風險。
5、單一投資品種導致的不可預測風險。
為規避或減小量化交易存在的潛在風險，可採取的策略有：保證歷史數據的完整性；在線調整模型參數；在線選擇模型類型；風險在線監測和規避等。

⑥ 什麼是量化交易，未來前景如何知道的講講。

量化交易，有時候也稱自動化交易，是指以先進的數學模型替代人為的主觀判斷，避免在專市場極屬度狂熱或悲觀的情況下做出非理性的投資決策。
在股票市場上，量化交易早不是什麼新聞，在國外，七成的交易都是通過計算機決策的，在國內這個數字也接近五成。
過去的股票市場都是靠交易員手動敲鍵盤來操作的，難免一失手成千古恨，這種行為被戲稱為「胖手指」，相比之下，量化交易則如同點石成金的「仙人指」。量化里最美的童話就是「旱澇保收」，牛市也好，熊市也罷，都能大賺特賺。
量化交易的優勢：1. 嚴格的紀律性 2. 完備的系統性 3. 妥善運用套利的思想 4. 靠概率取勝
量化交易的風險性：首先是一二級市場「級差」風險，其次是交易員操作風險，最後是系統軟體的風險。
滿意請採納答案，有不明白的可以繼續提問。

⑦ 量化投資—策略與技術的作品目錄

《量化投資—策略與技術》
策略篇
第 1章 量化投資概念
1.1 什麼是量化投資 2
1.1.1 量化投資定義 2
1.1.2 量化投資理解誤區 3
1.2 量化投資與傳統投資比較 6
1.2.1 傳統投資策略的缺點 6
1.2.2 量化投資策略的優勢 7
1.2.3 量化投資與傳統投資策略的比較 8
1.3 量化投資歷史 10
1.3.1 量化投資理論發展 10
1.3.2 海外量化基金的發展 12
1.3.3 量化投資在中國 15
1.4 量化投資主要內容 16
1.5 量化投資主要方法 21
.第 2章 量化選股 25
2.1 多因子 26
2.1.1 基本概念 27
2.1.2 策略模型 27
2.1.3 實證案例：多因子選股模型 30
2.2 風格輪動 35
2.2.1 基本概念 35
2.2.2 盈利預期生命周期模型 38
2.2.3 策略模型 40
2.2.4 實證案例：中信標普風格 41
2.2.5 實證案例：大小盤風格 44
2.3 行業輪動 47
2.3.1 基本概念 47
2.3.2 m2行業輪動策略 50
2.3.3 市場情緒輪動策略 52
2.4 資金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 實證案例：資金流選股策略 60
2.5 動量反轉 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 實證案例：動量選股策略和反轉選股策略 70
2.6 一致預期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 實證案例：一致預期模型案例 78
2.7 趨勢追蹤 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 實證案例：趨勢追蹤選股模型 92
2.8 籌碼選股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 實證案例：籌碼選股模型 99
2.9 業績評價 104
2.9.1 收益率指標 104
2.9.2 風險度指標 105
第 3章 量化擇時 111
3.1 趨勢追蹤 112
3.1.1 基本概念 112
3.1.2 傳統趨勢指標 113
3.1.3 自適應均線 121
3.2 市場情緒 125
3.2.1 基本概念 126
3.2.2 情緒指數 128
3.2.3 實證案例：情緒指標擇時策略 129
3.3 有效資金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 實證案例：有效資金擇時模型 137
3.4 牛熊線 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 實證案例：牛熊線擇時模型 144
3.5 husrt指數 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 實證案例 149
3.6 支持向量機 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 實證案例：svm擇時模型 155
3.7 swarch模型 160
3.7.1 基本概念 160
3.7.2 策略模型 161
3.7.3 實證案例：swarch模型 164
3.8 異常指標 168
3.8.1 市場雜訊 168
3.8.2 行業集中度 170
3.8.3 興登堡凶兆 172
第 4章 股指期貨套利 180
4.1 基本概念 181
4.1.1 套利介紹 181
4.1.2 套利策略 183
4.2 期現套利 185
4.2.1 定價模型 185
4.2.2 現貨指數復制 186
4.2.3 正向套利案例 190
4.2.4 結算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 無套利區間 196
4.3.3 跨期套利觸發和終止 197
4.3.4 實證案例：跨期套利策略 199
4.3.5 主要套利機會 200
4.4 沖擊成本 203
4.4.1 主要指標 204
4.4.2 實證案例：沖擊成本 205
4.5 保證金管理 208
4.5.1 var方法 208
4.5.2 var計算方法 209
4.5.3 實證案例 211
第 5章 商品期貨套利 214
5.1 基本概念 215
5.1.1 套利的條件 216
5.1.2 套利基本模式 217
5.1.3 套利准備工作 219
5.1.4 常見套利組合 221
5.2 期現套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值稅風險 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 實證案例：pvc跨期套利策略 233
5.4 跨市場套利 234
5.4.1 套利策略 234
5.4.2 實證案例：倫銅—滬銅跨市場套利 235
5.5 跨品種套利 236
5.5.1 套利策略 237
5.5.2 實證案例 238
5.6 非常狀態處理 240
第 6章 統計套利 242
6.1 基本概念 243
6.1.1 統計套利定義 243
6.1.2 配對交易 244
6.2 配對交易 247
6.2.1 協整策略 247
6.2.2 主成分策略 254
6.2.3 績效評估 256
6.2.4 實證案例：配對交易 258
6.3 股指套利 261
6.3.1 行業指數套利 261
6.3.2 國家指數套利 263
6.3.3 洲域指數套利 264
6.3.4 全球指數套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可轉債—融券套利 268
6.4.3 股指期貨—融券套利 269
6.4.4 封閉式基金—融券套利 271
6.5 外匯套利 272
6.5.1 利差套利 273
6.5.2 貨幣對套利 275
第 7章 期權套利 277
7.1 基本概念 278
7.1.1 期權介紹 278
7.1.2 期權交易 279
7.1.3 牛熊證 280
7.2 股票/期權套利 283
7.2.1 股票—股票期權套利 283
7.2.2 股票—指數期權套利 284
7.3 轉換套利 285
7.3.1 轉換套利 285
7.3.2 反向轉換套利 287
7.4 跨式套利 288
7.4.1 買入跨式套利 289
7.4.2 賣出跨式套利 291
7.5 寬跨式套利 293
7.5.1 買入寬跨式套利 293
7.5.2 賣出寬跨式套利 294
7.6 蝶式套利 296
7.6.1 買入蝶式套利 296
7.6.2 賣出蝶式套利 298
7.7 飛鷹式套利 299
7.7.1 買入飛鷹式套利 300
7.7.2 賣出飛鷹式套利 301
第 8章 演算法交易 304
8.1 基本概念 305
8.1.1 演算法交易定義 305
8.1.2 演算法交易分類 306
8.1.3 演算法交易設計 308
8.2 被動交易演算法 309
8.2.1 沖擊成本 310
8.2.2 等待風險 312
8.2.3 常用被動型交易策略 314
8.3 vwap演算法 316
8.3.1 標准vwap演算法 316
8.3.2 改進型vwap演算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 並購套利策略 324
9.1.2 定向增發套利 325
9.1.3 套利重倉停牌股票的投資組合 326
9.1.4 封閉式投資組合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 無風險套利 330
9.2.3 其他套利 334
9.3 lof套利 335
9.3.1 基本概念 335
9.3.2 模型策略 336
9.3.3 實證案例：lof 套利 337
9.4 高頻交易 341
9.4.1 流動性回扣交易 341
9.4.2 獵物演算法交易 342
9.4.3 自動做市商策略 343
9.4.4 程序化交易 343
理論篇
第 10章 人工智慧 346
10.1 主要內容 347
10.1.1 機器學習 347
10.1.2 自動推理 350
10.1.3 專家系統 353
10.1.4 模式識別 356
10.1.5 人工神經網路 358
10.1.6 遺傳演算法 362
10.2 人工智慧在量化投資中的應用 366
10.2.1 模式識別短線擇時 366
10.2.2 rbf神經網路股價預測 370
10.2.3 基於遺傳演算法的新股預測 375
第 11章 數據挖掘 381
11.1 基本概念 382
11.1.1 主要模型 382
11.1.2 典型方法 384
11.2 主要內容 385
11.2.1 分類與預測 385
11.2.2 關聯規則 391
11.2.3 聚類分析 397
11.3 數據挖掘在量化投資中的應用 400
11.3.1 基於som 網路的股票聚類分析方法 400
11.3.2 基於關聯規則的板塊輪動 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波變換主要內容 409
12.2.1 連續小波變換 409
12.2.2 連續小波變換的離散化 410
12.2.3 多分辨分析與mallat演算法 411
12.3小波分析在量化投資中的應用 414
12.3.1 k線小波去噪 414
12.3.2 金融時序數據預測 420
第 13章 支持向量機 429
13.1 基本概念 430
13.1.1 線性svm 430
13.1.2 非線性svm 433
13.1.3 svm分類器參數選擇 435
13.1.4 svm分類器從二類到多類的推廣 436
13.2 模糊支持向量機 437
13.2.1 增加模糊後處理的svm 437
13.2.2 引入模糊因子的svm訓練演算法 439
13.3 svm在量化投資中的應用 440
13.3.1 復雜金融時序數據預測 440
13.3.2 趨勢拐點預測 445
第 14章 分形理論 452
14.1 基本概念 453
14.1.1 分形定義 453
14.1.2 幾種典型的分形 454
14.1.3 分形理論的應用 456
14.2 主要內容 457
14.2.1 分形維數 457
14.2.2 l系統 458
14.2.3 ifs系統 460
14.3 分形理論在量化投資中的應用 461
14.3.1 大趨勢預測 461
14.3.2 匯率預測 466
第 15章 隨機過程 473
15.1 基本概念 473
15.2 主要內容 476
15.2.1 隨機過程的分布函數 476
15.2.2 隨機過程的數字特徵 476
15.2.3 幾種常見的隨機過程 477
15.2.4 平穩隨機過程 479
15.3 灰色馬爾可夫鏈股市預測 480
第 16章 it技術 486
16.1 數據倉庫技術 486
16.1.1 從資料庫到數據倉庫 487
16.1.2 數據倉庫中的數據組織 489
16.1.3 數據倉庫的關鍵技術 491
16.2 編程語言 493
16.2.1 GPU演算法交易 493
16.2.2 MATLAB 語言 497
16.2.3 c#語言 504
第 17章 主要數據與工具 509
17.1 名策多因子分析系統 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易開拓者：期貨自動交易平台 514
17.4 大連交易所套利指令 518
17.5 mt5：外匯自動交易平台 522
第 18章 量化對沖交易系統：D-alpha 528
18.1 系統構架 528
18.2 策略分析流程 530
18.3 核心演算法 532
18.4 驗證結果 534
表目錄
表1 1 不同投資策略對比 7
表2 1 多因子選股模型候選因子 30
表2 2 多因子模型候選因子初步檢驗 31
表2 3 多因子模型中通過檢驗的有效因子 32
表2 4 多因子模型中剔除冗餘後的因子 33
表2 5 多因子模型組合分段收益率 33
表2 6 晨星市場風格判別法 36
表2 7 夏普收益率基礎投資風格鑒別 37
表2 8 中信標普風格指數 41
表2 9 風格動量策略組合月均收益率 43
表2 10 大小盤風格輪動策略月收益率均值 46
表2 11 中國貨幣周期分段（2000—2009年） 49
表2 12 滬深300行業指數統計 50
表2 13 不同貨幣階段不同行業的收益率 51
表2 14 招商資金流模型（cmsmf）計算方法 58
表2 15 招商資金流模型（cmsmf）選股指標定義 59
表2 16 資金流模型策略——滬深300 61
表2 17 資金流模型策略——全市場 62
表2 18 動量組合相對基準的平均年化超額收益（部分） 68
表2 19 反轉組合相對基準的平均年化超額收益(部分) 69
表2 20 動量策略風險收益分析 71
表2 21 反轉策略風險收益分析 73
表2 22 趨勢追蹤技術收益率 93
表2 23 籌碼選股模型中單個指標的收益率情況對比 99
表3 1 ma指標擇時測試最好的20 組參數及其表現 117
表3 2 4個趨勢型指標最優參數下的獨立擇時交易表現比較 120
表3 3 有交易成本情況下不同信號個數下的綜合擇時策略 120
表3 4 自適應均線擇時策略收益率分析 124
表3 5 市場情緒類別 126
表3 6 滬深300指數在不同情緒區域的當月收益率比較 128
表3 7 滬深300指數在不同情緒變化區域的當月收益率比較 129
表3 8 滬深300指數在不同情緒區域的次月收益率比較 130
表3 9 滬深300指數在不同情緒變化區域的次月收益率比較 130
表3 10 情緒指數擇時收益率統計 132
表3 11 svm擇時模型的指標 156
表3 12 svm對滬深300指數預測結果指標匯總 156
表3 13 svm擇時模型在整體市場的表現 156
表3 14 svm擇時模型在單邊上漲市的表現 157
表3 15 svm擇時模型在單邊下跌市的表現 158
表3 16 svm擇時模型在震盪市的表現 159
表3 17 雜訊交易在熊市擇時的收益率 170
表4 1 各種方法在不同股票數量下的跟蹤誤差（年化） 190
表4-2 股指期貨多頭跨期套利過程分析 199
表4 3 不同開倉比例下的不同保證金水平能夠覆蓋的市場波動及其概率 211
表4 4 不同倉單持有期下的保證金覆蓋比例 212
表6 1 融券標的股票中在樣本期內最相關的50 對組合（部分） 248
表6 2 殘差的平穩性、自相關等檢驗 249
表6 3 在不同的閾值下建倉、平倉所能獲得的平均收益 251
表6 4 採用不同的模型在樣本內獲取的收益率及最優閾值 252
表6 5 採用不同的模型、不同的外推方法在樣本外獲取的收益率（%） 253
表6 6 主成分配對交易在樣本內取得的收益率及最優閾值 255
表6 7 主成分配對交易在樣本外的效果 255
表6-8 各種模型下統計套利的結果 256
表6 9 延後開倉+提前平倉策略實證結果 260
表6 10 各行業的配對交易結果 261
表7 1 多頭股票-期權套利綜合分析表 283
表7 2 多頭股票—股票期權套利案例損益分析表 284
表7 3 多頭股票-指數期權套利案例損益分析表 285
表7 4 轉換套利分析過程 286
表7 5 買入跨式套利綜合分析表 289
表7 6 買入跨式套利交易細節 289
表7 7 賣出跨式套利綜合分析表 291
表7 8 賣出跨式套利交易細節 292
表7 9 買入寬跨式套利綜合分析表 293
表7 10 賣出寬跨式套利綜合分析表 294
表7 11 買入蝶式套利綜合分析表 296
表7 12 賣出蝶式套利綜合分析表 298
表7 13 買入飛鷹套利分析表 300
表7 14 賣出飛鷹式套利綜合分析表 301
表9 1 主要並購方式 324
表9 2 並購套利流程 325
表9 3 鵬華300 lof兩次正向套利的情況 339
表9 4 鵬華300 lof兩次反向套利的情況 340
表10 1 自動推理中連詞系統 352
表10 2 模式識別短線擇時樣本數據分類 369
表10 3 rbf神經網路股價預測結果 375
表10 4 遺傳演算法新股預測參數設置 379
表10 5 遺傳演算法新股預測結果 380
表11 1 決策樹數據表 389
表11 2 關聯規則案例數據表 392
表11 3 som股票聚類分析結果 403
表11 4 21種股票板塊指數布爾關系表數據片斷 404
表12 1 深發展a日收盤價小波分析方法預測值與實際值比較 427
表12 2 不同分解層數的誤差均方根值 428
表13 1 svm滬深300指數預測誤差情況 445
表13 2 svm指數預測和神經網路預測的比較 445
表13 3 技術反轉點定義與圖型 448
表13 4 svm趨勢拐點預測結果 450
表14 1 持續大漲前後分形各主要參數值 463
表14 2 持續大跌前後分形個主要參數值 465
表14 3 外匯r/ s 分析的各項指標 469
表14 4 v(r/s)曲線回歸檢驗 470
表15 1 灰色馬爾可夫鏈預測深證成指樣本內（2005/1—2006/8） 484
表15 2 灰色馬爾可夫鏈預測深證成指樣本外（2006/9—2006/12） 484
表16-1 vba的12種數據類型 499
表18-1 d-alpha系統在全球市場收益率分析 534