基本简介
- 量化投资区别于定性投资的鲜明特征就是模型。
四大特点
其实,定量投资和传统的定性投资本质上是相同的,二者都是基于市场非有效或是弱有效的理论基础,而投资经理可以通过对个股估值,成长等基本面的分析研究,建立战胜市场,产生超额收益的组合。不同的是,定性投资管理较依赖对上市公司的调研,以及基金经理个人的经验及主观的判断,而定量投资管理则是“定性思想的量化应用”,更加强调数据。
1·纪律性
所有的决策都是依据模型做出的。我们有三个模型:一是大类资产配置模型、二是行业模型、三是股票模型。根据大类资产配置决定股票和债券投资比例;按照行业配置模型确定超配或低配的行业;依靠股票模型挑选股票。纪律性首先表现在依靠模型和相信模型,每一天决策之前,首先要运行模型,根据模型的运行结果进行决策,而不是凭感觉。有人问,模型出错怎么办?不可否认,模型可能出错,就像CT机可能误诊病人一样。但是,在大概率下,CT机是不会出错的,所以,医生没有抛弃CT机,我的模型在大概率下是不出错的,所以,我还是相信我的模型。
纪律性的好处很多,可以克服人性的弱点,如贪婪、恐惧、侥幸心理,也可以克服认知偏差,行为金融理论在这方面有许多论述。纪律化的另外一个好处是可跟踪。定量投资作为一种定性思想的理性应用,客观地在组合中去体现这样的组合思想。一个好的投资方法应该是一个“透明的盒子”。我们的每一个决策都是有理有据的,特别是有数据支持的。如果有人质问我,某年某月某一天,你为什么购买某支股票的,我会打开系统,系统会显示出当时被选择的这只股票与其他的股票相比在成长面上、估值上、动量上、技术指标上的得分情况,这个评价是非常全面的,只有汇总得分比其他得分要高才有说服力。
2·系统性
具体表现为“三多”。首先表现在多层次,包括在大类资产配置、行业选择、精选个股三个层次上我们都有模型;其次是多角度,定量投资的核心投资思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度;再者就是多数据,就是海量数据的处理。人脑处理信息的能力是有限的,当一个资本市场只有100只股票,这对定性投资基金经理是有优势的,他可以深刻分析这100家公司。但在一个很大的资本市场,比如有成千上万只股票的时候,强大的定量投资的信息处理能力能反映它的优势,能捕捉更多的投资机会,拓展更大的投资机会。
3·套利思想
定量投资正是在找估值洼地,通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。定性投资经理大部分时间在琢磨哪一个企业是伟大的企业,那个股票是可以翻倍的股票;与定性投资经理不同,定量基金经理大部分精力花在分析哪里是估值洼地,哪一个品种被低估了,买入低估的,卖出高估的。
4·概率取胜
这表现为两个方面,一是定量投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用。二是依靠一组股票取胜,而不是一个或几个股票取胜。
Python机器学习与量化投资
时间:2019年5月24-27日 (四天) 北京, 6月6-9日 (四天) 上海
安排:上午9:00-12:00;下午1:30-4:30;答疑4:30-5:00
地点:北京市海淀区厂洼街3号丹龙大厦/上海市培训教室
学费:5000元 / 4200元 (仅限全日制在读本科生及硕士生优惠价);食宿自理
我要报名
讲师介绍:
蔡立耑(Terry Tsai),美国伊利诺伊大学金融硕士,华盛顿大学经济学硕士、博士,在国内外如美国、韩国有丰富的授课经验。带领博、硕士生从事投资决策、金融衍生品、风险分析、交易策略等领域的研究。
生长于台湾,求学于美国,在台湾的信息与金融业担任高级顾问,不仅拥有扎实的金融理论基础,而且具备广阔的国际视野与前沿的研究理念!经管之家资深量化投资讲师。
主持多项金融大数据研究项目,涉及SAS、R、Matlab、Mathematica、Java 与C#、F# 等多种统计分析工具与编程语言。在数据处理、数据分析以及数据可视化等数据科学领域有丰富的经验和独到的见解。
亲身实践各种金融应用,主持研究团队与台湾知名大学与企业合作开展各种金融研究,例如量化投资、风险分析等。在统计套利、金融大数据等领域有丰富的操作经验与授课经验。带领的量化投资研究团队用多种编程语言实现了统计套利以及风险管理自动化程序。
课程介绍:
人工智能与机器学习对交易与投资产生巨大影响。交易领域的人工智能应用,大多藉由机器学习来鍳别,分析资产价格变化的特征或因子,以利于构建盈利的交易策略。本课程将系统性介绍常用机器学习方法在股市的应用。
课程大纲:
Python 基本介绍(一天)
1. Python对象类型
2. Python 常用语句和语法
3. Python函數
Python数据分析(一天)
1. Numpy程序库与多维数组
2. Pandas与时间序列数据
3. Matplotlib数据可视化
机器学习与量化交易(两天)
机器学习是从看似无序的数据中分析规律,识别可能具代表性的模式,再藉以对未知数据进行预测。
而股市具有大数据特征,应用机器学习方法从海量的股市数据中发现潜在规律,预测未来发展趋势,对于降低投资风险与增进决策效率显然有重要的意义。
本课程拟介绍如何应用下列的机器学习方法来预测股市,并分析不同方法的效能。
1. 逻辑回归
1.1 逻辑回归基本概念
1.2 二元分类与逻辑回归模型
1.3 多类别逻辑回归
1.4 逻辑回归的案例分析
2. 机器学习算法:线性判别分析(LDA)和 二次判别分析(QDA)
2.1 判别分析的基本定义
2.2 线性判别分类器与二次判别分类器的理论模型
2.3 构造判别分析分类器的具体操作步骤
2.4 LDA与QDA 金融案例分析
3. 支持向量机
3.1 支持向量机基本概念
3.2 支持向量机的原理
3.3 线性可分与非线性可分支持向量机
3.4 核函数
3.5 支持向量机与金融数据分类
4. 金融机器学习算法绩效表现分析
4.1 绩效表现指标
4.2 交叉验证
4.3 Bias and variance
5. 随机森林
5.1 决策树
5.2 随机森林的基本概念与演算法
5.3 随机森类算法的独特优势
5.4 随机森林的应用:股票市场
6. 人工神经网路(ANN)与深度神经网络(DNN)
6.1 人工神经网络的缘起
6.2 神经元与激活函数
6.3 人工神经网络
6.4 反向传播算法
6.5 深度神经网络
6.6 人工神经网络与深度神经网络的金融市场应用分析
7. 卷积神经网络(CNN)
7.1 卷积神经网络的基本想法
7.2 卷积层
7.3 池化层
7.4 全连接层
7.5 卷积神经网络的整体架构及其变形架构
7.6 CNN与股票预测
8. 递归神经网络(RNN)
8.1 递归神经网络的基本框架
8.2 Backpropagation Through Time(BPTT) 算法
8.3 RNN与CNN对股票预测的对比分析
8.4 長短期記憶模型LSTM和GRU 网络
8.5 RNN, LSTM和GRU模型对股票预测的对比分析
报名流程:
1:点击“我要报名”,网上填写信息提交;
2:给予反馈,确认报名信息;
3:网上订单缴费;
4:开课前一周发送课程电子版讲义,软件准备及交通住宿指南。
优惠:
现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;
以上优惠不叠加。
联系方式:
魏老师
QQ:1143703950
Tel:010-68478566
Mail:vip@pinggu.org