关于量化投资，Python，MATLAB的若干问题

顶一下楼主，个人对股票投资比较感兴趣，在研究收益率的时候，投资者预期的确是难以处理的一个门槛，市场中的价格由各类投资者的交易形成，而投资者的交易行为又比较容易受到有影响力的人的影响，比如新财富的明星分析师，知名经济学家还有各类投资界的大V等，目前个人比较粗浅的想法是能不能通过构建一个舆论池来衡量投资者预期，这个池子包括典型的明星分析师，国内著名经济学家，股票大V等，通过收集这些人的观点汇总分析投资者预期，不知是否可行？

感觉好多大神都在

学习学习

你好，我曾任职XXXX，负责创新实验室，完成个股诊断、相似K线、智能组合、智能基金、智能筹码、智能估值、用户画像、持仓诊断、智能推荐等等，为各大券商做智能+升级。
1、资产配置模型一般都需要估计资产的预期收益率，之前做基金端智能投顾的时候用历史收益率效果很好，但在股票端效果很差，是不是因为股票市场和基金市场的价格形态存在差异呢？莫非基金市场动量效应比较显著，股票市场反转效应比较显著？有没有这方面的实证研究？
因为基金类似指数。
2、资产配置模型成功的关键就在于对资产未来收益率和相关性的准确估计，这当中经典马科维茨模型的假设存在严重缺陷，所以需要引入Black Litterman模型对收益率等进行修正，其中会用到分析师一致预期，这部分数据如何爬取和挖掘？
预期收益率本质来自于对于估值的判断，分析师一致预期也不会是市场的一致预期，所以没有必要在BL里面死磕。直接进入估值部分。
3、资产配置不是一劳永逸的事，投资组合需要根据市场状况（不）定期再平衡，这就涉及到调仓算法，目前市面上有哪几种比较好用的调仓算法？阈值如何来设定？如果在调仓过程中，原有股票正处在停牌或跌停的状态怎么处理？
(1)根据净值曲线波动率来调整体仓位（从风控角度调），个股权重调整根据行业轮动及“相关性”调，频率根据你其他的监控指标。
（2）根据舆情关联程度来调
（3）根据产业链关联在市场上的反应来调

4、无论是在调仓算法中设置阈值还是在资产配置模型中设置约束条件都不可避免地需要用到人为设定的参数，如何在优化这些参数的同时避免过度拟合以及数据窥视偏差？
（1）回归范式下都是偏拟合的，设计好的惩罚函数
（2）在贝叶斯范式下，根据主观逻辑（要求你很高的主观交易能力）修订网络的拓扑结构

5、在做历史回溯的时候，股票名称、行业、ST状态的变化会对资产配置结果造成影响，一律用最新的股票基本信息来做回测肯定结果是不真实的，那如何在模型回测中考虑这些历史变化？
拿最真实的数据，最真实的历史。
6、最后一个问题比较大，也涉及到我们的宗旨：如何在量化策略中加入各种交易细节，将纸上谈兵的卖方策略转化成切实可行的买方策略？MATLAB和Python在大数据研究和实盘交易领域孰优孰劣？
（1）你有能力梳理“纸上谈兵”的逻辑框架
（2）你有能力处理纸上谈兵所涉及的非结构化数据结构
（3）有能力对逻辑链条建模
（4）Python、C++、Scala

不好意思发多了，撤不回来了

量化策略将你所要表述的策略构建完整、清晰表达应该就可以，无所谓卖方或者买方。

学习学习

好有启发性。这里跨界的比较多