根据2月6日‘每日经济新闻’的报导,三量化投资公司首度上榜赚钱对冲基金,机器战胜人力。量化投资已经是不可逆转的未来趋势。
每年,专注研究对冲基金的LCH Investments NV公司都会发布全球20大对冲基金榜单,并公布这20大对冲基金的收益情况。
2月初,LCHInvestments NV在2016年年度报告中表示,令投资界惊喜又恐慌的是,过去一年有三大计算机策略即量化投资基金,首次上榜20大赚钱对冲基金公司。这表明传统人力占投资主导地位的方式正在受到技术的严峻挑战。
从1975年由雷·达利奥(Ray Dalio)创立以来,桥水基金便是对冲基金界的桥头堡。作为目前全球的对冲基金,其以49亿美元的净收益位居2016年全球20大对冲基金榜首,回报率近4.2%。其创立的42年来,总净收益达494亿美元,目前管理资产为1178亿美元。
该榜单中,引人瞩目的要属华尔街金融巨鳄乔治·索罗斯旗下基金的表现。总体来看,索罗斯基金管理公司(Soros Fund Management)位居第二,自1973年创立以来为客户赚取收益总计418亿美元,目前资管规模280亿美元。
量化投资挑战人力
LCHInvestments NV在报告中强调,即便在差强人意的行业大环境下,采用量化策略的对冲基金却迎来不错的表现,也显示出传统人力占投资主导地位的方式正在受到技术的严峻挑战。值得注意的是,这是从LCH Investments NV发布此类报告以来,依靠计算机的量化投资首次上榜对冲基金之列。
素有“精算之王”美誉的美国计算机科学家大卫·肖(David Shaw)在1988年创立了量化对冲公司DE Shaw,其以2016年净收益12亿美元位居第三,排名仅次于桥水和索罗斯基金,成立以来总净收益也名列第三,为253亿美元。
而另外两家上榜的对冲基金,Citadel和Two Sigma均是近几年大热的量化投资公司,采用所谓“系统策略”通过计算机算法进行交易,收益颇为亮眼。Citadel自1990年创立以来的净收益为252亿美元,位居第五,该公司去年收益10亿美元。2002年创立的Two Sigma Investments位居第20,总净收益131亿美元,去年收益11亿美元。
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. 聚类与统计套利
4.1 时间序列的基本概念
4.2 配对交易的思想与实现
4.3 聚类演算法的介绍与应用
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