JD Quant50篇干货合集揭开量化交易之谜

百诺体检网 20 0

  目前量化策略主要包括多因子策略、统计套利、机器学习等,本文列出了这几类策略的框架,并列出了部分代表方法。

  量化选股,就是通过量化思想及配套的计算机程序化来实现选股(如何选择好的股票)和择时(如何在合适的时间进行合适的调仓),从而完成量化投资组合策略的构建。

  多因子模型包括了技术指标模型和财务指标模型,它的优点是思路直接清晰、数据便于获得。

  1、因子测试。将股票池中的个股按因子值大小进行分组,计算每个组合在一段时间内的收益情况,这样可以识别因子是否有效。为了防止该因子和一些已知的因子存在较强的相关性,有时需要将收益率对已知变量做回归,然后对残差进行分组测试。

  2、分配因子权重。按照不同目的,存在不同的因子加权方法。比如为了最大化超额收益,可以采取因子IC法。如若为了最大化夏普率,可以计算各因子的收益率和协方差矩阵,然后采用优化的方法求解权重。

  技术指标模型可谓是广受喜爱的选股方式,除了上文提到的技术指标模型外,还有以下经典

  其中可利用的因子有价值因子(PB,PE等)、市场因子(涨幅,换手率等)、基本面因子(资产负债率,流动比率等)以及成长因子(净利润增长率,主营利润增长率等)

  套利策略包括结合基本面的套利策略和纯粹的统计套利。结合基本面的套利策略多出现在期货市场中。股票和期权市场多是统计套利,这种统计套利依据历史的统计规律,由于历史规律不一定适用于未来,因此这种套利并不是无风险的。

  统计套路主要是在对历史数据进行统计分析的基础上,估计相关变量的概率分布,并结合基本面数据进行分析以指导套利交易,与传统单边投资方式相比,统计套利多空双向持仓在处理大资金方面可以有效规避一部分风险。

  决策树算法作为数据挖掘其中一种判定数据所属类别的算法,数学模型简单,编程有程序包,极易上手,适合大家研究使用。

  深度学习可以实现对高频市场行情数据进行挖掘并获得对未来股票价格走势有预测能力的模式。

  除了上述三类方法,还有文本挖掘方法和其他数学方法可以应用到量化投资当中。

  1、文本挖掘作为数据挖掘的一个分支,挖掘对象通常是非结构化的文本数据,文本挖掘应用于量化投资是一个比较新的思想。

  另外,各类数学方法也是不断地被尝试应用于量化策略的构造上,当然想要应用这类方法还是需要一定的数学基础。

  总之,从最早的技术因子、财务因子选股到最新的深度学习、文本挖掘,量化投资方法层出不穷。当然,方法是一回事,具体的策略构建又是另外一回事。正所谓“黑猫白猫能抓到耗子就是好猫”,只要这种方法构建的策略能够充分挖掘市场信息,取得良好的收益和较低的波动,策略就是好的策略,方法就是有效的方法。

标签: #jdjr股票