相似文件
换一批
经管之家送您一份
应届毕业生专属福利!
求职就业群
感谢您参与论坛问题回答
经管之家送您两个论坛币!
+2 论坛币
量化投资是什么? 量化投资是指通过数量化方式及计算机程序化发出买卖指令,以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史,其投资业绩稳定,市场规模和份额不断扩大、得到了越来越多投资者认可。
量化投资就业前景如何? Wind数据显示,2016年1月至今,有32家基金公司和具有公募基金资格的证券公司申报了59只名称中包含“量化”二字的基金,其中31只基金已经获批,6只为基金中基金(FOF)。产品的大量申报和发行也带来了人才缺口。据了解,南方基金、金鹰基金、浙商基金、富国基金等多家公司近期在招聘量化研究的实习生。
量化投资薪酬如何(北沪深)? 实习生(一周四天):4000-8000元/月 经验1年以上:15000-25000元/月 经验3年以上:30000-50000元/月
量化投资国内发展趋势怎么样? 如果从2007年大批海外量化基金投资人才归国算起,我国量化投资基金行业已走过10年历程。从最初不为人知到成为公募行业名片,从单一的量化对冲产品到多策略量化组合,从震荡市大放异彩到单边行情下饱受质疑……这一全新的投资方式正在被各类资管机构接受,尤其是公募量化证券投资基金因其高门槛、大规模、运作透明规范的标准化特点,被广大中小投资者热捧。 大类资产配置需求给量化投资带来了全新的发展机遇。随着技术门槛的降低以及大数据、人工智能的应用,任何投资者都可以将量化投资应用到自身资产组合当中,广大中小投资者也可以为自己定制量化投资产品。同时,机器学习的发展也对量化投资起了促进作用。 16年11月,私募基金管理规模已经超越了公募基金,从这一事实就一定程度可以反映出量化投资在国内是可行的,因为现在私募基金募资,资金更青睐于量化投资方式而不是主观交易方式。 从量化投资的定义和特征来看,量化投资是借助于数学知识、统计学知识开发出策略模型然后根据模型给出的信号严格执行信号。因量化投资有其天然的优势:客观性、系统性、纪律性、可验证性,所以量化投资在国内是可行的,而且是未来投资领域的重要角色。
想入行,从思想到工具,策略,实战都不会怎么办? 参加量化投资就业班_从零基础入行量化投资
开课信息: 时间:共360课时授课,随报随学 方式:在线学习,提供全程答疑 费用:23112元 我要报名
学员要求: 1,本科大三及以上在读或本科以上学历毕业生; 2,本课程授课期间全勤且按时提交课程作业。
课纲概览 模块 | 章 | 节 | 课时 (小时) | 概述 | 量化投资概述 | 量化投资的定义
量化投资行业现状
量化投资行业展望 | 3 | 金融理论 | 金融基础知识 | 经济金融原理
证券及衍生品
期货及衍生品 | 12 | python | 基础 | 语言介绍和对比
安装、配置和IDE
python基础和特性 | 12 | 进阶 | numpy pandas
scipy
matplotlib
… | 12 | 三方库 | 清单介绍 | 3 | 数学 | 概率论与数理统计 | 理论和python案例 | 6 | 微积分 | 理论和python案例 | 3 | 线性代数 | 理论和python案例 | 6 | 数据库 | 数据库 | mysql、mongodb | 6 | 大数据 | 大数据理论和技术 | hadoop、spark | 12 | 机器学习 | 机器学习理论 | 概念、类型、应用场景
监督学习
无监督学习
半监督学习
强化学习
深度学习
迁移学习
其他
| 12 | | 机器学习技术 | sklearn
keras TensorFlow
… | 24 | 金融理论 | 金融专业知识 | 专业技能
证券估值
衍生品定价 | 12 | 量化相关软件 | 同花顺、通达信 | 软件使用
公式
指标
信号 | 3 | joinquant、ricequant、bigquant、uqerquant | 介绍
数据
功能
案例 | 6 | TB、WH、TS、YT、MC | 软件介绍
数据
功能
案例 | 6 | 国泰安、天软、Wind | 软件介绍
数据
功能
案例 | 6 | python | 量化相关库 | tushare
talib
… | 12 | 模型案例 | 模型研发流程 | 1.模型原型
2.数据
3.模型模板
4.回测
5.优化
6.业绩评价 | 12 | 择时模型:技术指标模型 | 1.模型原型:
ma,macd,sar,rsi,kdj,boll,kama,turtle,grid
2.数据类型、源和清洗
3.模型信号
4.历史回测
5.参数优化
6.业绩评价
| 12 | 择时模型:K线形态与组合 | 1.模型原型:
希望之星,黄昏之星,红三兵,绿三兵,圆弧 底,“V”型底,“U”型底,“W”底,“M”顶
2.数据类型、源和清洗
3.模型信号
4.历史回测
5.参数优化
6.业绩评价 | 12 | 择时模型:经典日内模型 | 1.模型原型:
hans123,r-breaker,hl-breaker,nhl-breaker,ap-cross,grid
2.数据类型、源和清洗
3.模型信号
4.历史回测
5.参数优化
6.业绩评价 | 12 | 择时模型:机器学习模式识别 | 1.模型原型:
线性回归,逻辑回归,决策树,随机森林,SVM,神经网络
2.数据类型、源和清洗
3.模型信号
4.历史回测
5.参数优化
6.业绩评价 | 24 | 因子模型:基本面因子 | 1.模型原型:因子模型、套利定价模型(APT)
2.数据类型、源和清洗
财务因子(盈利性、估值、现金流、成长性、营运能力、资本结构)
统计因子(换手率、波动率)
一致预期因子(分析师评级、盈利预测)
3.模型信号
4.历史回测
5.参数优化
6.业绩评价 | 12 | 因子模型:技术因子 | 1.模型原型:因子模型
2.数据类型、源和清洗
技术因子
3.模型信号
4.历史回测
5.参数优化
6.业绩评价 | 12 | 因子模型:数据挖掘另类因子 | 1.模型原型:因子模型
2.数据类型、源和清洗
事件
舆情
大数据
3.模型信号
4.历史回测
5.参数优化
6.业绩评价 | 12 | 套利 | 1.无风险套利理论 2.无风险套利案例:
ETF套利
期现套利
跨期套利
跨品种套利
跨市场套利
期权套利
配对模型
3.统计套利原理 4.统计套利案例 | 12 | 阿尔法对冲(alpha hedge) | capm
套利定价模型(APT)
案例 | 12 | 聪明贝塔(smart beta) | 同因子投资、阿尔法投资的相同和区别
产生背景
案例 | 12 | 资产配置 | Equal Weight
risk parity
Minimum Variance
Markowitz Model
Black-Litterman Model
… | 12 | 交易接口 | 交易接口 | 股票交易接口
期货交易接口
其他交易标的交易接口 | 12 | 量化系统 | 量化系统 | rqalpha
zipline
vnpy
… | 24 | 量化交易经验分享 | 量化交易经验分享 | 交易分享
模型开发分享
技术分享 | 6 | 结业 | 量化投资岗位就业指导 | | 6 |
讲师: 李紫超 拥有多年的机构投资管理经验,涉及套利、做市、量化等交易领域。 精通套利模型(期现套利、跨期套利、α套利、量化对冲等),CTA策略,因子策略、资产配置模型等模型和交易策略的研发和运用。
为什么选择经管之家的量化投资就业班: 1,通过专业,有针对性的课程迅速提升自己的量化投资技能; 2,通过量化投资领域从业的讲师授课,迅速掌握量化投资实战经验; 3,通过360小时高强度的学习与训练,实现独立编写策略的目标; 4,通过毕业答辩的能力展现,弥补招聘中无法吻合的条件要求; 5,有机会毕业后直接进入授课讲师的量化团队进行实习。 投资也讲究一个快字,等大家都知道了,很多投资方法也就没那么有效、甚至失效了! 经管之家量化投资学院:http://q.peixun.net/
课程咨询及报名: 尹老师:13321178792
量化投资应用场景: 提到量化投资的应用,一定要说华尔街的对冲基金-大奖章基金。 鼎鼎有名的基金经理西蒙斯和他的大奖章基金,通过他独特的数学模型捕捉市场机会,由电脑做出交易决策。西蒙斯也因此如神一般存在,2005年,西蒙斯成为全球收入较高的对冲基金经理,净赚15亿美元,差不多是索罗斯的两倍;从1988年开始,他所掌管的大奖章基金年均回报率高达34%,15年来资产从未减少过。2009年,大奖章基金名列获利较高的对冲基金之首,获利超过10亿美元。 和流行的“买人并长期持有”的投资理念截然相反,西蒙斯认为市场的异常状态通常都是微小而且短暂的,大奖章基金会通过数千次快速的日内短线交易来捕捉稍纵即逝的机会,交易量之大甚至有时能占到整个纳斯达克市场交易量的10%。 西蒙斯透露,公司对交易品种的选择有三个标准,即公开交易品种、流动性高,同时符合模型设置的一些要求,尽量减少人为的影响,成交量和成交额是很重要的因素。他表示,自己是模型先生,不想进行基本面分析,模型的优势之一是可以降低风险。而依靠个人判断选股,可能一夜暴富,也可能在第二天又输的精光。
已有国内银行开始做但还未普及仍然机会多多的还有智能投顾。 智能投顾就是人工智能+投资顾问的结合体。 具体在资产配置这块应用,可以通过资产配置模型由计算机得出较优投资组合,也可以通过多因子风控模型更好更准确的把握前瞻性风险,还可以通过信号监控、量化手段制定择时策略。计算机的加入让资产配置做得更精准,也让投资决策变得更加理性。 智能投顾的四个标准: 1、通过大数据获得用户个性化的风险偏好及其变化规律; 2、根据用户个性化的风险偏好结合算法模型定制个性化的资产配置方案; 3、利用互联网对用户个性化的资产配置方案进行实时跟踪调整; 4、不追求不顾风险的高收益,在用户可以承受的风险范围内实现收益更大化。 智能投顾还是一个年轻的行业,开始于2009年的智能投顾技术,经过短短几年的发展,已经在国际主流成熟市场逐渐被认可,各智能投顾公司的估值大幅提高。 在国外,Wealthfront、Betterment都是其中的佼佼者;花旗集团的报告显示,机器人投顾的管理资产规模(AUM)从2012年几乎为零增加到了2015年底的187亿美元。 智能投顾从2014年开始进入中国市场,在国内的投资领域,已开始有人做智能投顾,其中也包括一些做海外资产配置的公司,引发了很多人的关注,但是在实际操作层面,由于法律界限和投资标的物的问题,这个美好的新生事物被广泛接受还需要一段时间。 国际知名咨询公司AT Kearney预测,未来五年,机器人投顾的市场复合增长率将达到 68%,到 2020 年,全球机器人投顾行业的资产管理规模将突破 2.2 万亿美元。智能投顾在国内拥有良好的发展基础。首先,中国人口众多,投资者的理财需求多样化,而目前国内理财顾问面向的对象都是高净值人群,很多投资者有理财需求,但未能达到理财顾问的门槛要求,智能投顾能够较好地符合这类投资者的需求;其次,通过近年各类互联网理财产品在中国的推广,互联网金融概念已经深入人心,投资者愿意通过更为便捷的网络及手机APP进行理财投资;最后,当前银行存款利率水平不断下调,余额宝等理财产品的收益率不断下降,人们亟需个性化的资产配置组合。
近年来,随着计算机计算能力的提升,深度学习也迅速发展。因此,深度学习在量化投资中的运用国内也将得到快速发展。 量化交易从很早开始就运用机器进行辅助工作,分析师通过编写简单函数,设计一些指标,观察数据分布,而这些仅仅把机器当做一个运算器来使用。直到近些年机器学习的崛起,数据可以快速海量地进行分析、拟合、预测,人们逐渐把人工智能与量化交易联系得愈发紧密,甚至可以说人工智能的3个子领域(机器学习,自然语言处理,知识图谱)贯穿量化交易的始终。 深度学习在量化投资中的运用国外比较多,国内还处于探索阶段吧,但国内机器学习在量化投资中的运用已经不少了。 近年来,随着计算机计算能力的提升,深度学习也迅速发展。因此,深度学习在量化投资中的运用国内也将得到快速发展。
扫码加我 拉你入群
请注明:姓名-公司-职位
以便审核进群资格,未注明则拒绝
|