学习量化交易都有哪些书可以参考

黄百钢 2019-12-21 23:05:00

推荐回答

开门见山,下面推荐10本投资入门的经典书籍,总有一本适合你。1.经济学原理曼昆的「经济学原理」作为三大经典入门书籍之一,浅显易了、博大精深、富有人文热情,是学习投资怎么都绕不开的一本书。为什么有的人聪明绝顶,却一生穷困潦倒?很多时候,学校只给了专业知识,却没有告诉人们如何理财。而经济学,作为投资理财的基础课程,对人的一生都是有用的。2.伟大的博弈一部讲述以华尔街为代表的美国资本市场发展历史的著作。要了解投资市场,就要了解华尔街的历史。贪婪,投机,野蛮生长,这是人的本性,也是资本市场的原生态,你只有了解了它们,才会变得更加理性。3.选择做富人一个人是贫穷还是富裕,不是靠运气,也不是机遇,而靠的是选择:一种生活方式和价值体系的选择。中国第一部以故事化手法展现的理财专著!4.财富自由之路很多人对李笑来的偏见,是源于对他的不理解。很多人对财富和投资的偏见,是认知差异的结果。这是一本不可多得的书,不少人在李笑来的影响下,往财务自由的路上奋进,而更多的人则是在对李笑来的偏见中,止步不前。5.邓普顿教你逆向投资主角约翰•邓普顿,被誉为本世纪伟大的选股人,他开创了全球投资的先河,在长达50年的股市上叱咤风云,表现出色。本书以前所未有的视角,揭开了邓普顿的投资之谜。这本书让我明白了一个道理,要远离喧嚣与浮躁,离市场远一点,离内心近一点。6.巴菲特的护城河说起投资,绕过巴菲特是不存在的。不多做介绍,简单实用,干货十足。7.股市真规则如果只用一本经典来指导自己的股票投资,那就只有它了!站在巴菲特和晨星公司的肩膀上投资。它是一本基本面分析的绝佳著作,言简意赅,有理有据,让人不得不服。8.投资异类这是一本介绍天使投资的书,书中关于投资的理念和策略都非常受用,可以说是干货满满。9.彼得林奇的成功投资大师和专家的区别是,大师总是把复杂的事情说简单,而专家总是把简单的事情搞复杂。彼得林奇就是这样一个大师级的存在,他的书平白实用,深刻扼要,阅读体验非常愉悦。10.股票大作手回忆录这是一本精彩的人物传记,列为传世经典之作都不为过。即使作者所写的经历相距当前已经过了一个世纪,但文中显露出来的智慧和光芒,仍然不会过时。无论处于什么样的时代,人性总是不变的。
樊承谋2019-12-21 23:38:48

提示您:回答为网友贡献,仅供参考。

其他回答

  • 提两本相关的学术著作。一本是2019年的论文集EconophysicsofOrder-drivenMarkets,收录了一系列关于盘口和高频数据建模的论文。另一本是2019年的High-FrequencyTradingbook,包含一些策略研究和机器学习方面的应用。这两本一定程度上可以反应学界目前对这个领域的研究现状。
    童蟾素2019-12-22 00:08:07
  • 解读量化投资:西蒙斯用公式打败市场的故事作者:忻海 著出版社:机械工业出版社出版时间:2019-1-1内容简介詹姆斯·西蒙斯,基金领域的拓扑学大腕,成功取代保尔森的对冲之王,20年内最佳赚钱基金经理,在投资界掀起了一场量化投资的狂潮。本书用轻松、幽默的讲故事手法,解读了西蒙斯量化投资“黑箱”之内的秘密。通过深入浅出地回顾西蒙斯的投资布阵,比较西蒙斯与巴菲特投资模式的迥异,分析投资领域技术分析方法和宏观分析方法的优劣,本书带我们走近了20年中平均每年总回报为80%的大奖章基金,看看它如何能将1万元变成1亿元。用数学公式打败市场,投资并非悬而未决的事情——这就是本书揭示的投资之道。
    连会新2019-12-21 23:58:14
  • 一下内容纯手打证券分析方法主要分三种:一是基本面分析,代表作《证券分析》《价值投资》,代表任务“巴菲特”;二是技术面分析,代表做《趋势技术分析》《道琼斯理论》等,注重短期投资,索罗斯属于短期投机类型,但是没有任何资料显示他的投资流派属于纯粹的技术面分析,可能的情况是上述两种都有。今年的而贝尔经济学得主法玛提出的”有效市场假说“某一种程度上,否定了技术面分析。三是量化分析,美国近几十年兴起的一种方法,典型的代表人物是西蒙斯。中国国内的量化投资的研究还比较少,量化投资的基金以及机构也不够普遍,切主要集中于香港地区。原因之一是,国内金融金融市场没有完全开放,金融产品匮乏。美国市场的金融产品多达几万种,而国内只有两百多种。关于量化投资的书,国内国外都有很多,主要集中与国外,国内学者大多是对国外技术的学习。当然,如果你是初学者,建议你还是从国内的相关书籍开始学起。如果有一本书,叫《量化投资》,我敢保证你看了一定学不到什么东西,丁鹏的《量化投资》就是这样,只是对现在主要方法以及模型的简单介绍。用于同行业交流也许会有些价值。书籍内容从:量化选股、量化择时、到套利什么什么的,基本上都是简单的介绍,可以当作课外读物,了解一下什么叫量化投资。如果你真的想学到什么东西,直接文库:量化选股、多因子选股等词,你会看到无数国内证券机构对市场的量化研究。而且资料详细。可是,你学不到最根本的原理。原因如下:进行量化分析,必须至少具备两种能力:一、扎实且足够的数学、统计学基础,用于理论上的金融建模;二、能够使用相关计量软件进行数据分析或者模型求解等。这两个要求一般人很难到达,所以证券从业的教材认为难度大是量化投资的一个很大局限性。如果对量化投资有兴趣,我可以推荐一些教材给你:如果仅仅是想了解一下:丁鹏《量化投资》,书很贵,个人认为没什么实用价值。可以有个简单的系统的认识;如果是想学习并且能在实际中运用,建议如下:数学方面:《微积分》到高级《高级微积分》《线性代数》《非线性代数》《概率论与数理统计》《概率、随机变量、随机过程》《离散数学》《运筹学》《统计学》金融理论上《计量经济学基础》《计量经济分析》《数量金融学》《金融时间序列分析》。还有很多很多以及其他金融知识基础建模方面这类的书,我看的不多哦,你自己一下,或者找个图书馆看看计算机软件C和C++至少学一个,SQL建议学一点建模软件主要有:MATHEMATICAMATLABSASSACREviewsGAMS等等等等,终于哪些海外基金用的是哪一种,或者是不是自己做的专用软件,我就不知道了。不过,上述的软件,肯定是可以满足个人的研究需求的。这个,你选几种学一学还是可以的。一个人,想要精通上述全部,应该是很难的,所以,注定了,量化分析的方法,单个的普通人很难完成。量化投资起源与上世纪美国政府大幅度削减了对物理航天业经费自持,导致很多搞火箭的科学家、数学家下岗。于是他们流入金融行业,利用自己对数学、计算机的优势,使用原先用于火箭的建模预测证券市场,发现有着显著成效。当然,这些模型的前提是,现代金融理论的奠基,以及数量金融的发展。因此,我个人对量化投资的理解是:金融界的火箭科学家,传统的分析方法,只用看某一或某几个指标,根据历史经验或者主观的客观的XXOO判断证券的未来走势,但是量化分析,首先建立合理的数学模型,然后借助计算机运用某些XX的算法,分析求解,难度相对于传统的方法难很多。如果你想比较浅显的掌握,用于投资决策的参考那量化分析,也没有想想中的那么高深,它本质上是一种金融的建模,本质上,常用的方法还是统计专业的那几个,什么回归分析,线性规划,相关性,时间序列等等等。我看了丁鹏的书,大致上认为他是用了这些方法。所以你只用把应用数学学好就好了。还有一些像遗传算法、神经网络这些他的书里面也提到了,属于现代算法,这些方法比较小,难度大,但是我猜只有学术界会用这些方法,因为现代算法在实际运用中还不够成熟,预测经常不准确。表述有些乱,不过大致也只能写成这样了。最后:和量化分析相关的专业主要有三个:金融专业:金融工程;数学专业:统计、应用数学;计算机专业这些专业的就业方向是可以面向量化分析的。
    辛国栋2019-12-21 23:20:32

相关问答

一、修复引导:使用启动U盘或光盘启动电脑,运行DISKGENIUS,检测硬盘,并重建主引导记录。二、重装系统:如果以上操作无效,则需要重装系统。电脑安装系统方法很多,以下所列可择一操作。1、硬盘安装:开机或重启后按F11键或F8键,看有没有安装一键GHOST或类似软件,有则选择一键还原按回车确定,进入一键还原操作界面后,再选择“还原”确定即可。如果以前刚装机时进行过一键备份,则能恢复到备份时的状态。另外,如果能够进入现在的系统或开机时按F8能够进入命令行模式,可搜索WINDOWS版或DOS版的GHOST.exe程序和GHO系统文件,然后手工运行GHOST程序装载系统GHO文件也能重装系统。2、U盘安装:如果没有一键还原,则使用系统U盘重装系统。启动U盘制作及U盘重装系统的操作步骤为:克隆安装系统:光盘启动成功后会显示功能菜单,此时选择菜单中的“将系统克隆安装到C区”,回车确定后,电脑会自动运行GHOST软件自动载入GHO文件克隆安装到C区,整个过程基本无需人工干预,直到最后进入系统桌面。注意:在安装系统完成后,先安装安全软件如360安全卫士加360杀毒或者金山毒霸之类其它安全软件,进行全盘查杀木马、病毒,再打好系统补丁、安装常用软件,并下载安装使用一键还原工具进行系统备份,以备不时之需。
作者:杨博理在整个量化交易策略的研发流程当中,买和卖是最为基本的量化交易策略组成部分,而这个部分的设定主要与收益情况相关。这里所说的相关,具体分为两种不同的情形,一种是总体的关联性,即基于买点、卖点的选择,买卖策略应该得到一个正的整体收益。另一种则来自于对交易资产未来收益的判断、或者说预测,即判断交易资产的未来收益为正时,就买入资产;判断交易资产的未来收益为负时,则卖出或卖空资产。实际操作中,这两种关联关系的情况可能更为复杂一些。有的时候,买和卖的具体操作也可能受到风险方面设置的影响,例如为了限制单次交易的最大损失而采取止损之类的操作时,用于清仓的买卖设置就会相应的变动,这也是作者将风险和买卖用虚线相连的原因。不过在大部分情况下,买卖这一最为基本的组成部分还是与收益的关系最大,研究者也应该在研发这一个组成部分时,着重考虑收益情况的具体影响。对量化交易策略风险的控制可能会影响到量化交易策略中的买卖设置,但是在更普遍的情况下,风险这一因素主要影响的是交易仓位的设置。当然,前提条件还是需要买卖策略的总体收益为正,在这样的条件下再结合仓位的设置,才能够在合适的风险水平下取得达到要求的收益。通过对交易资产具体仓位的调整,交易者可以比较直接的控制单次交易以及整个交易策略的风险水平。例如在满仓交易的情况下,定量的判断了当前交易的风险之后,觉得风险过大无法承受,那么最为直接的处理方法就是在满仓的基础上相应的降低仓位的大小。在仓位降低之后,对于整体资金而言风险也就随之降低了。由于仓位本身具有量化、直观的特性,因此当交易者希望将风险处理到一个特定的水平时,调整仓位是一个比较方便的手段。需要说明的是,前面已经提到了买和卖是量化交易策略最为基本的组成部分,实际上仓位的设定是根据买卖决策和风险两个因素共同形成的,不建立在买卖之上的仓位选择是空洞没有意义的。此外还有一个更为极端的情况,仓位的正确设定有助于进一步优化策略的整体收益,之后要介绍的凯利公式的意义正在于此。在图1中由买卖到仓位的箭头,实际上可以看作是收益、买卖这一个整体部分指向仓位的箭头。不过在实际使用中,凯利公式所导出的仓位设定往往过于偏激,超过正常风险控制下的最高仓位值,因此仓位仍然与风险的关系更为紧密。在图1这个较为松散的量化交易策略研发流程中,交易成本是和买卖以及仓位具有同等地位的组成部分。在实际操作中,就是首先基于对收益和风险的判断得出合适的买卖和仓位选择,然后在买卖和仓位共同组成的量化交易策略当中考虑交易成本,也就是在建立仓位和退出仓位等操作中扣除所需要承担的交易成本。随后再次判断该量化交易策略所代表的收益和风险情况,只有这两个因素仍然在接受范围之内,才能确认这是一个可行的量化交易策略。虽然最后用来执行的组成部分只有买卖和仓位,但是交易成本作为对量化交易策略的一个实际化修正,也是策略研发流程中一个不可或缺的组成部分。上面提到的对量化交易策略收益和风险情况的判断,实际上是一个综合性的评价问题。一个最为重要的参考依据应该是策略在整个交易过程中的净值走势,通过对策略净值走势的分析,就可以建立起该量化交易策略运行情况的全面判断。但是净值走势本身由于细节过多,因此无法简单的用来进行策略之间的横向对比。这时就需要精炼净值走势中所包含的信息,选取合适的部分形成量化的评价指标,从而进行量化交易策略的进一步判定。就作者看来,评判一个策略的标准中最重要的仍然是策略在整个交易过程下的收益情况,一个负收益的量化交易策略根本无需考虑其风险即可排除。而当收益为正时,再结合风险的度量进行具体的取舍,就可以直观的给出量化交易策略是否合格的评判标准了。作者心目中最重要的风险指标是策略净值的回撤水平,在后面的案例分析中也会重点查看回撤的结果。于此同时,一些量化交易策略在进行收益和风险情况的判断时,仅仅针对策略自身的净值走势进行研究是不够的,给出一个合理的基准来进行对比往往是更为有效的判别方法。例如后面的案例中会涉及到的量化选股策略,当交易选择仅限为对具体的股票进行持仓,而不考虑空仓或者卖空时,选取一个特定的基准进行对比就会是一个更为有效的判别方法。这主要是由于量化选股策略的仓位始终为多头,因此不论如何配置,策略所持仓位都含有资本资产定价模型中所提到的市场成分。而选股策略本身的意义在于选择更好的股票、不在于获取市场收益,因此将市场走势作为对比、或者在策略收益中剔除掉市场成分就是一个更合理的做法。上述所有的操作,都需要建立在对历史数据的分析之上,在量化交易领域当中一般称之为回溯测试,或者简称回测。所谓回溯,也就是将交易的过程在历史数据上复现一遍,这里面包含了一个假设,即历史数据在量化交易策略中展现出的样本特征在未来的交易中依然存在,否则回溯测试就失去了意义。关于这一假设的分析其实在诸多技术分析著作中均有涉及,一般被称为“历史会重演”,这里不再继续展开。不同于传统技术分析的是,量化交易策略的研发过程更加深入具体,在涉及到策略的参数设定、模型设置等具体问题时,需要采用数量化的方法、也就是最优化等技术手段进行解决。例如如何设置买点和卖点可以使得相应的总体收益最大等等,都是很典型的最优化数学问题,那么找到合适的最优化技术和算法并加以应用,就能够确定量化交易策略的最终形式,用以进行实际交易。图1中所展示的是一个较为松散的一般性框架,用来总领性的说明量化交易策略的基本研发流程。在具体的策略研发过程中,这个框架经常会因为具体研发设置和策略设置的不同而产生变化。例如当量化交易策略的主要作用不是在时间轴上选择具体的买卖时点,而是在同一个时间点上对多个资产进行选择和配置时,图1中的一些说明就显得有些含混不清。量化选股策略就是这一类策略中最为常见的形式,因此这里在整体框架不变动的情况下,针对图1进行了文字上的调整,用以说明量化选股策略的运行框架与研发流程。当然,使用选股策略的框架体系来处理多个资产甚至多个策略的挑选、配置也是可以的,在不复杂的情况下只需要稍作联想即可。买卖和仓位虽然是更为通用的说法,但是更适合于描述择时策略,放在选股策略的研发框架中会显得比较突兀,因此图2将买卖换成了选股,仓位则换成了配比,这样更容易让读者领会该研发流程的含义。实际上,对于每一期的选股而言,如果选择了原先没有仓位的股票,那么对应的操作就是买入该股票,如果已经建仓的股票没有被选入这一期的股票池,那么对应的操作就是卖出该股票。而配比则是在买卖的基础上,通过仓位大小的变化来实现具体配置。因此,选股和配比实际上可以算作是买卖和仓位选择的特殊情况,只是这种说法更为贴合量化选股策略本身。略有不同的,是风险在量化选股策略研发流程中的具体含义。由于选股策略的仓位操作涉及到多个股票之间的配比问题,因此这里的风险不仅包括单支股票的风险,也涉及到多支股票之间的风险程度,后一种风险一般采用股票收益之间的相关性来进行描述。例如在一般性的最优投资组合理论当中,经常使用协方差矩阵来刻画整个资产组合的风险水平。虽然从实际情况来看,相关性这一度量方式与风险的直观感受之间有一定的差距,但是在多资产环境下,一般都将资产间的相关性视为风险的来源之一,这是一个偏学术的、约定俗成的做法。上面的例子是针对选股策略进行的文字上的变动,实际上量化交易策略研发流程的变化更多来自于各个研发组成部分不同的结合方式。而不同的结合方式,对应的是策略研发过程中不同的目标和需求。例如图1所介绍的松散的研发流程,是在确定好买卖行为和仓位设定之后,再针对实际交易中所产生的交易成本进行二次测试。这样的做法虽然简便易行,但是忽视了交易成本本身对于收益的影响,以及更进一步对于买点和卖点的影响。因此,在确定买卖设置的步骤中就考虑交易成本的影响,应该是一个更贴近于实际的研究框架。图3给出了相应的流程刻画,如图所示,在判断收益因素时,同时考虑交易成本对于收益的影响,从而优化出更为实际的买卖设置。再根据相应的风险控制,结合买卖点的选择,得出最后的仓位设置。在确定了买卖和仓位这两个部分之后,就获得了一个完整的量化交易策略。图4给出了一个更紧凑、更贴合实际操作的量化交易策略研发流程。在该流程中,买卖和仓位的设置是同时作为参数进行优化的,优化的目标函数也进行了唯一化,即量化交易策略的风险调整后收益。而在确定需要优化的目标函数时,交易成本也如同上一个研发流程一样同时被考虑进去,从而保证买卖和仓位优化结果的准确性。毫无疑问,相较于上面所涉及到的研发流程、特别是图1中较为松散的研发流程,该量化交易策略研发流程的各个组成部分更为紧密,因此在优化过程中所产生的与实际操作的偏离也就越小,买卖和仓位设置的准确度也就更高。但是在实际工作中,如果想参照这一流程进行研发,那么就需要比较强的计算能力,数据量的大小也要达到一定要求,同时优化方法和目标函数的设定要能够同时覆盖买卖和仓位的所有参数,因此往往也只有极为简单的策略思路可以采用这样的流程框架进行研发。在实际的量化交易策略相关工作中,研发只是整个工作流程的一部分,还有两个组成部分需要着重强调。基于此,图5在图1所示的研发流程的基础上给出了一个更为完整的工作流程。如图所示,需要增加的部分包括处于研发过程之前的数据准备工作以及处于研发过程之后的策略执行工作。这两项工作与前面所论述的研发流程具有很强的逻辑关联性与内在依赖性,三者结合起来形成的一个整体,基本上可以涵盖量化交易策略具体工作的绝大部分内容。首先论述数据准备的工作,循着图5中的箭头可以看到,在量化交易策略的整体工作中,既要为研发过程准备相应的研究数据,也要为策略执行准备相应的实时数据。在研究数据方面,由于寻找合适的量化交易策略需要不断重复研发流程,因此对于数据的要求更偏重于准确性和覆盖能力。同时,对数据的清洗和转换也是一项重点工作,在大部分的数据科学研究、包括量化交易策略的研发当中,数据特征的合理抽取对于整体效果提升的重要性有时甚至要高于精巧的模型,当然很多时候数据的转换和模型的构造是相互融合的,针对具体情况应当采取具体的分析和处理。而在策略执行数据方面,则更应该关注于数据获取的及时性。至于数据的清洗和变换,只需要完全复制研发得到的量化交易策略下的数据准备工作即可。另外,为了保证数据的及时性,最终进行的数据清洗工作对时间消耗存在一定的要求。然后讨论策略执行的工作。策略执行,是在量化交易策略研发完成之后,最终产出实际效能的组成部分。执行时应该遵循尽量贴近研发完成的量化交易策略的原则,与量化交易策略所确定的买卖、仓位等设置尽可能的保持一致,这样才能最真实的反映出前面量化交易策略的研发结果。同时,策略执行的结果也可以用来反向支持具体的研发流程,通过对策略执行所得到的收益、风险情况的判断,实时的重新进行研发,对量化交易策略进行修改,从而使得策略能够及时的得到现实的反馈,增强自身的稳健程度。值得一提的是,后面将要介绍的推进分析是一种模拟策略执行的回溯测试技术,读者可以在运行推进分析时有限度的了解到量化交易策略实际执行时的种种状态。