量化投资方面,国内都有哪些好的论坛或者网站?

桑雨生 2019-12-21 23:10:00

推荐回答

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。
龙尚雪2019-12-21 23:39:26

提示您:回答为网友贡献,仅供参考。

其他回答

  • 因为期货市场可以买涨买跌就是不停的交易,那就叫量化。
    黄皖苏2019-12-22 00:08:36
  • 真正做的好的量化软件是不会在市场上公开的,是根据每个操盘手的习惯和思路针对性的设计的,大众的货色要么是几大交易软件,像东财,同花顺,通达信之类的买L2版本可能有这方面的内容。
    黄石兰2019-12-21 23:58:47
  • 国内量化的书还很少,而且如果你基础差的话,很多看了都没有,可以找些国外的,比如打开量化投资的黑箱,超越技术分析之类的译本,找有很多。
    连中连2019-12-21 23:21:18

相关问答

期货合约:是由期货交易所统一制定的、规定在将来某一特定的时间和地点交割一定数量和质量商品的标准化合约。保证金:是指期货交易者按照规定标准交纳的资金,用于结算和保证履约。结算:是指根据期货交易所公布的结算价格对交易双方的交易盈亏状况进行的资金清算。交割:是指期货合约到期时,根据期货交易所的规则和程序,交易双方通过该期货合约所载商品所有权的转移,了结到期未平仓合约的过程。开仓:开始买入或卖出期货合约的交易行为称为”开仓”或”建立交易部位”。平仓:是指期货交易者买入或者卖出与其所持期货合约的品种、数量及交割月份相同但交易方向相反的期货合约,了结期货交易的行为。持仓量:是指期货交易者所持有的未平仓合约的数量。仓单:是指交割仓库开出并经期货交易所认定的标准化提货凭证。撮合成交:是指期货交易所的计算机交易系统对交易双方的交易指令进行配对的过程。涨跌停板:是指期货合约在一个交易日中的交易价格不得高于或者低于规定的涨跌幅度,超出该涨跌幅度的报价将被视为无效,不能成交。强行平仓制度:是指当客户的交易保证金不足并未在规定时间内补足,客户持仓超出规定的持仓限额,因客户违规受到处罚的,根据交易所的紧急措施应予强行平仓的,其他应予强行平仓的情况发生时,期货经纪公司为了防止风险进一步扩大,实行强行平仓的制度。头寸:一种市场约定。期货合约买方处于多头,成交之后,该投资者的实际持仓就应该是15手,10手多头持仓和5手空头持仓。爆仓:是指投资者帐户权益为负数。表明投资者不仅输光了全部保证金而且还倒欠期货经纪公司债务。由于期货交易实行逐日清算制度和强制平仓制度,一般情况下爆仓是不会发生的。但在一些特殊情况下,如在行情发生跳空变化时,持仓较重且方向相反的帐户就有可能发生爆仓。发生爆仓时,投资者必须及时将亏空补足,否则会面临法律追索。为避免这种情况的发生,需要特别控制好仓位,切忌象股票交易那样满仓操作。并且对行情进行及时跟踪,不能象股票交易那样一买了之。多头和空头:期货交易实行双向交易机制,既有买方又有卖方。在期货交易中,买方称为多头,卖方称为空头。虽然股票市场交易中也将买方称为多头,卖方称为空头。但股票交易中的卖方必须是持有股票的人,没有股票的人是不能卖的。结算价格:是指某一期货合约当日成交价格按成交量的加权平均价。当日无成交的,以上一交易日的结算价作为当日结算价。结算价是进行当日未平仓合约盈亏结算和制订下一交易日涨跌停板额的依据。成交量:是指某一期货合约在当日交易期间所有成交合约的双边数量。持仓量:是指期货交易者所持有的未平仓合约的双边数量。总持仓量:是市场上所有投资者在该期货合约上总的“未平仓合约”数量。在交易所发布的行情信息中,专门有“总持仓”一栏。新手不懂的可以先去游侠股市模拟期货多练习多学习,等积累一定经验后再入市实战,以降低入市后亏损的概率。总持仓量的变化,反映投资者对该合约的交易兴趣,是投资者参与该合约交易的一个重要指标。如果总持仓量在持续增长,表明交易双方都在开仓,投资者对该合约的兴趣在增长,场外资金在不断涌入该合约交易中;相反,当总持仓量不断减少,表明交易双方都在平仓出局,交易者对该合约的兴趣在退潮。还有一种情况是当交易量增长时,总持仓量却变化不大,这表明市场以换手交易为主。换手交易:换手交易有“多头换手”和“空头换手”,当原来持有多头的交易者卖出平仓,但新的多头又开仓买进时称为“多头换手”;而“空头换手”是指原来持有空头的交易者在买进平仓,但新的空头在开仓卖出。交易指令:股指期货交易有三种指令:市价指令、限价指令和取消指令。交易指令当日有效,在指令成交前,客户可提出变更或撤销。
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。
日前,中国经济界最顶级的企业家论坛亚布力年会如期在黑龙江亚布力召开,有着“东方达沃斯”之称的亚布力论坛本届年会吸引了马云、王石、杨元庆、陈东升、刘强东、陈启宗、李小加等众多企业大佬云集。如此众多的知名企业家和经济学家相聚在一个冰天雪地的深山老林里共同召开亚布力论坛,足以看出此次论坛的影响力所在。在这一次的亚布力大会中,众多的企业家都围绕着民营企业如何能够更好地生存下去进行了激烈的思想碰撞。从19日到21日这三天,诸多企业家们在地产、创业、融资、股市、新技术等多个领域展开激烈的讨论与交流,共同探讨每一个行业的未来以及民营企业的出路。参与此次亚布力论坛的中国企业家认为,新的时代中国经济要实现转型,超越欧美,必然要建立“互联网+”的生态发展方式。而亚布力作为国内乃至世界上最有影响力的企业经济发展论坛,其会议背后也折射出未来中国经济的四大发展方向。泡沫之后的O2O服务业是新的机会在亚布力论坛中,有关于O2O的讨论主题则是“泡沫中的O2O”,其中金沙江创业投资董事总经理丁健、饿了么创始人张旭豪、途牛创始人严海峰等O2O垂直领域的卓越创业家围绕着O2O进行了激烈的讨论。对于O2O来说,在过去的一年里经历了大起大落,从资本的疯狂追逐到资本的寒冬,O2O在资本市场的推动下达到了顶峰,但随着无数O2O创业企业的倒闭,O2O又开始跌入谷底,成为人人唾弃。然而有一个不可否认的事实是,阿里巴巴、腾讯、三大巨头却围绕着O2O在进行疯狂的布局。阿里巴巴错失了美团之后,又开始扶持口碑网,并成为了饿了么第一大股东;则霸气地要把200亿砸向糯米,对于外卖的扶持力度也非常大,更是不惜一切代价促成了去哪儿与携程之间的合并;腾讯就更猛了,先后推动了滴滴快的、美团点评、58赶集等O2O平台的合并,最后坐享其成。而在BAT以及资本的推动下,众多的垂直细分领域也出现了一些优秀的O2O平台。经历了泡沫之后的O2O告诉我们,互联网与各个服务业的结合孕育着巨大的商机,同时也给了创业者很多新的启示:一、纯粹的线上服务平台必须重视线下体验O2O创业者多数都是纯粹出身于互联网的人士,这些人并没有某一个传统服务业的从业经验,他们在打造线上服务平台的时候,往往都会忽视一个最严重的问题:线下的用户体验。对于线上服务平台来说,他们的核心并不是在于线上平台的用户购买如何,而是在于线下的消费体验如何。通过线上平台下单消费之后,在线下的消费能否让客户真正满意才是平台发展壮大的关键。二、传统的线下服务商家必须借助线上平台升级转型对于传统的线下服务商家来说,在移动互联网时代,如果不跟上时代的发展就必然要面临被淘汰的命运。眼下的互联网正在以雷电般地速度冲击线下市场,京东商城彻底击败了整个中关村商业大街,而淘宝天猫则正在一步步地吞食全国各个城市的服装购物商场。同样,传统的线下服务商家也正在受到互联网的威胁,不转型就意味着死亡。对于一些实力较为雄厚的传统线下服务商家来说,他们完全可以打造属于自己的O2O平台,而对于实力较弱的传统线下服务商家来说,并不意味着死亡,他们则可以借助傍上该领域实力雄厚的O2O平台获得不错的发展。三、线上与线下互动的消费体验是服务业发展必然趋势尽管去年一年倒闭的O2O平台数以万计,但这却不能忽视O2O价值所在。智能手机与线下服务业结合的互动消费体验正在成为一种必然趋势,正如无数企业人士所说的那样,团购在未来会逐渐消失:今天的美团点评以及糯米,其团购形态也正在开始悄然发生变化,电影团购渐渐被在线选座所取代,而餐饮团购也正在被到店买单享优惠所代替。未来O2O服务业的线上平台提供给用户的更多是信息服务、支付买单服务等,而商家提供给消费者才是实实在在的消费体验,消费者影响商家绩效,同时消费者又能通过O2O平台监督商家的服务。而从整个国内的经济大环境来看,都足以说明泡沫之后的O2O是新机会,线上与线下互动的消费是服务业发展必然趋势:1、内需正在成为经济新的火车头不得不承认,今天中国的经济已经开始出现了增长放缓的现象。过去在外贸以及房地产等粗放投资的拉动下,中国的经济获得了快速的发展,但随着房地产市场的逐渐饱和以及全球经济的整体不景气,外贸以及地产投资驱动型的经济显然无法继续带动国内经济的快速发展。而同样作为三驾火车头之一的内需消费就开始走上舞台,过去十年在淘宝、京东等电商平台的带动下,国内的电子商务消费获得了快速增长,未来数十年在O2O的拉动下,国内的服务业消费同样也将获得迅猛发展。2、政策也在催生O2O的发展O2O已经上升到了国家的经济发展战略,并把拉动红红火火的线上线下一体消费作为经济发展的新动力。国家层面对于O2O的经济推动作用给予了高度认可,并开始在各个层面给予O2O支持。而在很多地方政府,对于O2O的重视程度显然已经超过了很多传统行业,未来在政府的推动下很多本地化O2O都会涌现出来。3、智能手机普及对于传统行业的冲击如果说过去电子商务对于线下商店造成了巨大的冲击,那么今天O2O则对传统的线下服务业同样构成了极大的威胁,如何借助移动互联网转型已经成为了各个传统服务业的焦虑症。今天国内的智能手机普及率已经超过了80%,而在城市中的普及率甚至已经达到了95%,智能手机的普及让O2O以更迅猛的发展速度向传统行业渗透,也推动着传统行业向移动互联网转型。互联网医疗的五大细分机会在亚布力的论坛中,爱康国宾张黎刚、东软集团刘积仁等企业家围绕着互联网医疗的四大商业模式进行激烈地思想互动,亚布力论坛将互联网医疗作为一个极为重要的讨论主题,也足以说明未来互联网医疗所孕育的巨大市场机会。其实对于互联网医疗,国内的众多知名企业、创业者以及各大医疗机构都一直在积极探索如何通过借助互联网的手段来解决国人看病的难题。而把整个医疗产业细分的话,互联网医疗在以下五大垂直领域对于创业者以及民营企业意味新的市场机会。一、如何让医生能够在线看病目前国内已经有一些平台在开始尝试推出医生在线看病,不过都只是基于简单的线上病症咨询阶段,还远没有实现线上诊断病情。而国内的医院看病主流群体却往往分为三种:一类是以行动不方便的老年人为主,一类是头痛感冒等病情并不严重的患者为主,还有一类则是以严重病患者为主。对于那些病情并不是太严重的患者来说,如果能够实现医生在线诊断病情,然后患者自己购买医生所开的药方吃药,就能够极大地缓解医院的压力。医院看病难的问题导致有的时候患者可能还没看上病反而病情加重了,患者也不用因为一个简单的感冒跑到医院去排队看病。由此看来,如何能够让医生实时在线看病也会存在一定的市场空间。二、挂号预约能否变得轻松简单国内的大型医院看病难问题首在挂号难,很多大型医院的某些号甚至可以用千金易得、一号难求来形容,以至于在一些大型医院还出现了很多号贩子,如何解决挂号难的问题就给互联网平台带来了巨大的市场机会。眼下国内很多大型的医院都推出了网上预约挂号,也有一些综合类的挂号预约平台开始推出,但是网上挂号的普及程度还停留在一个非常低的层面。虽然要打通各个医院的挂号资源有着一定的难度,但正是因为这个难度让网上挂号预约给创业者留下了机会空间。三、智能医疗逐渐普及带来的科技创新众所周知,医疗器械的发展对于整个医疗水平的发展具有极大的促进作用。物联网的发展极大地促进了智能硬件的快速发展,对于医疗行业来说,智能医疗器械也开始走上舞台,这些智能医疗设备的研发对于一些具有技术和创新优势的企业而言同样是一个巨大的机会。目前在国内很多大型的医院,很多昂贵的医疗器械基本上都是从国外引进过来,国内在医疗器械的研发方面还处于发展初期阶段。智能医疗时代的到来,对于国内的医疗器械研发企业来说是一个巨大的机会,传统的医疗器械设备将会被智能医疗设备全面取代。四、医药O2O日渐成熟带来的机会过去医药电商由于快递配送无法及时、药品监督及特殊性、医保报销等诸多原因制约了它的发展。不过线上医药平台结合线下实体药店所形成的O2O平台会逐渐成为老百姓购买药品的选择。目前整个国内的医药O2O市场竞争十分激烈,但还远没有到哪一家形成称霸的局面,这个领域仍然存在相当的市场空间与机会。五、社区医生上门看病的市场空间春节期间回老家农村过年,家里有人发烧感冒了,农村仍然流行着附近村子的村大夫上门看病习俗。而老人的病发频率远远高于年轻人,随着中国社区的老龄化程度越来越高,再加上老人到医院看病的行动不方便,社区医生上门看病就有了一定的市场空间。本来老人们出门就不方便,有个头痛感冒的还动不动就要去医院排队看病,反而只会让老人劳心费神,加重病情,社区上门看病在未来会成为一种新趋势。互联网+让中国制造飞上更高台阶在这一次的亚布力论坛上,互联网+中国制造也成为了重要议题,新奥集团董事局主席王玉锁、中国自动化集团董事局主席宣瑞国等制造业大佬也进行了激烈的思想碰撞。互联网+对于整个全球的制造业正在掀起一股新的革命,过去传统的制造业将被新的制造业彻底颠覆。我们拿汽车业举例来说,智能汽车以及特斯拉电动汽车的兴起,不仅仅只是对于传统汽车产业的冲击,更是新能源对于不可再生能源的颠覆。所谓互联网+,就是通过运用数字化、网络化、智能化、大数据化等手段来打造新的制造业模式,新的制造业态和新的产品。很多人都清楚,中国如今已是全球第一制造业大国,但是中国制造的产品一直呈现给世界的是廉价、低质的形象,这种依靠投资驱动、大规模生产低附加值产品的莫斯已经难以为续。中国的制造业急切需要借力互联网的力量,转变生产模式和商业模式,向智能制造升级,这对于中国制造业来说既是一个挑战,同时也是一个巨大的机会。对于中国的企业来说,互联网+给制造业所掀起的旋风将会带来四个领域的巨大市场机遇。机遇一:机器人产业未来整个人类社会将会是一个机器人与人类共存的时代,机器人已经开始在各个领域得到应用,从企业的工厂生产车间到每一个普通的老百姓家庭都将会有机器人的存在。整个2019年,国内的机器人市场总产值达到了109亿元,不过国产机器人的市场份额仅为15%,其余份额都被国外机器人所占。未来整个机器人的市场规模将会非常庞大,这对于国内的制造业既是一个非常大的市场机遇,同时也是提升国内制造业生产效率的最好机遇。工业革命正在全面迈向4.0时代,而中国也正在逐步形成以重庆、广州、沈阳、上海四大城市为首的机器人产业重镇,未来国内的机器人生产企业将会越来越多。目前国内已经有不少工厂已经开始在使用机器人员工,这些机器人员工不知疲倦,干起来说又快又好,效率更高。机遇二:工业互联网工业互联网是新一代信息技术与工业系统深度融合所形成的新生态。要将整个工业生态体系通过借助互联网形成一个完整的新生态体系,就必须要依赖于数据的流动和分析,它是整个人工智能系统的基础化体系建设。从智能控制系统到工业数据平台、云平台等,都意味着新的市场机会。与以前销售硬件产品不同的是,工业互联网通过机器数据和云平台,改变了制造业的商业运行逻辑。打造工业互联网,对于生产制造业的企业来说同样也意味着效率的提升,工业互联网能够带动整个制造业产业的全面升级。工业互联网不是一项科学技术的突破,而是一种伟大的人类思维创新。机遇三:人工智能相较于机器人产业来说,目前人工智能的产品应用范围要更广,并且很多产品已经开始走向了寻常老百姓家庭当中。从智能手环等可穿戴类产品到智能电视、智能冰箱等家电家居类产品,未来所有的一切工业制造产品都将可能会被智能产品所取代,这意味一个新的革明与颠覆。智能手机时代来临,曾经的手机巨头诺基亚已经离我们远去,而苹果则成为了全球市值最高的公司。目前国内不论是传统的生产制造企业,还是大型的互联网公司,都开始进入人工智能领域。人工智能意味着整个制造业产业将会发生翻天覆地的变化,这是中国制造实现全面超越欧美制造业的最佳机遇,它也将重新改写整个国际产业的竞争格局。机遇四:新能源制造除了智能制造方向之外,新能源制造也将会是一个非常大的方向。这一点从当前整个全球的新能源汽车市场就可窥见一斑,由于石油的稀缺不可再生、不菲的价格以及巨大的污染,电动汽车相比智能汽车更快一步走向了全球市场。不论是奔驰、宝马、大众等汽车巨头,还是国产汽车,亦或是特斯拉等科技创新企业,我们都可以看出电动汽车正在开始成为这些汽车生产厂家的研发生产重心。不仅仅只是在汽车领域,太阳能、风能等可再生能源的应用已经变得更加广泛,围绕着能源相关的制造业也将会发生一场彻底的革命。雾霾已经开始充满着国内每一个大小城市,绿色环保的新能源变得越发受重视,一场有关新能源的制造业革命也在开始悄然进行。房地产开启智慧城市新未来这一次的亚布力论坛中,任志强、冯仑、彭耀佳、阎志等地产大佬围绕着“变革中的房地产”也是各抒己见。过去十年中,房地产作为带动中国经济发展的火车头,起到了非常大的作用。不过随着过去几年国内房地产市场的过度开发,以及当前房产市场的逐渐饱和,房地产市场的发展显然已经受到了影响。那么,处于变革中的房地产到底该如何走?互联网+的兴起,似乎让地产商们看到了新的机会。今天,国内很多城市诸如上海、银川等城市都提出要建设智慧城市的口号,不过智慧城市的打造离不开地产商。智慧城市的建设对于过去传统的城市建设同样也意味新的颠覆,对于地产商来说同样也意味着更大的市场机会,刘旷认为变革中的房地产同样也正在迎来五大发展机遇。一、智慧小区智慧城市的建设离不开智慧小区的打造,那么如何打造一个又一个新的智慧小区对于地产商们来说就是新的机会。如何通过在小区打造一套基于云平台之上的小区大数据服务系统,把小区内各类公共信息应用系统和业主家居应用系统等进行集成,将传感器获取的信息通过云计算技术反馈到用户的手机、PC和电视屏上,实现在任何时间、任何地点、以任何主体、向任何对象传播任何信息,是地产商打造智慧小区的根本所在。智慧小区需要将楼房与整个小区的物业数控中心连在一起,比如业主车要进入小区停车,是否能够提前通过手机告知业主什么地方有停车位?又比如每栋楼的入户门能否变得更加智能安全,能够让业主直接通过指纹或者刷脸即可进入?二、更智能的社区服务提到社区服务,不得不提社区O2O。过去一年中,社区O2O平台可谓惨不忍睹,几乎呈现了一片倒的态势。其实打造更完善的社区服务,离不开地产商和物业的支持,对于地产商以及物业来说也是一个新的市场机会。如何让用户直接在家就能实现交物业费、燃气费、水电费、呼叫各类周边商家服务,是地产商打造智慧小区的最好补充,同时也帮助了地产商完善了售后服务以及建立新的商业生态。三、智能家居今天很多地产商在推出自己的新楼盘都会推出精装修的房子,如果在这些精装修的房子里摆上全套的智能家居产品,对于业主来说完全是一个全新的家居体验和吸引。房地产商完全可以与智能家居生产厂家达成长期战略合作,从家里的智能门窗、智能灯泡、智能橱柜到一切智能家居家电产品,都可以进行捆绑打包销售给客户。消费者在这些全新智能家居产品的刺激下,以旧换新的欲望也将会被全部激发出来。四、房产电商房产电商并不是一个新鲜的概念,尽管国内诸如万科、SOHO等地产巨头都有尝试在网上卖房子的动作,但基本上都只是进行简单的尝试,反而是诸如搜房网、房多多等房产电商平台正在开始受到越来越多用户的欢迎。其实对于地产商来说,通过基于自家开发的楼盘之上打造一个线上房产销售平台完全有成功的可能,还能借助地产商传统的品牌影响力,获得更快速的发展。五、房产互联网金融尽管中国的互联网金融在过去几年的野蛮生长着出现了诸多圈钱跑路、倒闭等问题,但是互联网金融的快速发展完全验证了这是一个巨大的市场机遇。相比房产电商来说,房产互联网金融才是平台真正实现赚钱盈利的最佳利器。今天买房贷款实际上占据了很多传统银行主要的业务,消费者在地产商的楼盘买房之后,然后再在地产商的线上金融平台进行贷款理财只是顺便的事情。如果地产商能够通过线上平台打造自己的房产金融体系,这也意味着地产商能够轻松打造一个庞大的互联网房产金融帝国。在这一次的亚布力论坛中,马云就表示中国经济目前已经出现了三个新的增长点,分别是服务行业、消费和高科技。马云的演讲与亚布力论坛主题背后所折射的未来中国经济发展方向有着高度的吻合,智能制造紧跟高科技和新消费,O2O以及互联网医疗、地产与服务业、消费以及高科技都有着密切牵连,亚布力论坛告诉我们:中国经济在互联网+的引擎下,正在展现出更大的市场机遇。