零基础⼊门AI量化交易学习笔记
AI量化学习笔记
1. 量化基础
1.1 量化投资理解
量化投资就是借助统计学、数学的⽅法，运⽤计算机等⼯具，从海量历史数据中寻能够带来超额收益的多种“⼤概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，⼒求取得稳定的、可持续的、⾼于市场平均的超额回报。
量化投资与传统投资的区别
传统投资：经验判断（中医，望闻问切）
量化投资：统计规律（西医，仪器测量）
传统投资的投资经验、投资理念⽤数量化的⼯具实现，就是量化投资
传统投资并不是量化投资的对⽴⾯，主观交易才是量化投资的对⽴⾯
量化投资是投资从艺术⾛向科学的必经之路
量化投资的代表⼈物：詹姆斯.西蒙思 ，1989-2008年年均收益33%，⼤帐超越巴菲特、索罗斯等⼈，充分说明量化投资的先进性
1.2 量化交易策略
量化投资的优势
1. 纪律性：严格执⾏投资策略。不随投资者情绪的变化⽽随意变更，可以克服⼈性弱点，如贪婪、恐惧、侥幸⼼理，也可以克
服认知偏差。
2. 及时性：及时跟踪市场变化。不断发现能够提供超额收益的新的统计模型，寻新的交易机会。硬件编程
3. 系统性：通过多层次的量化模型多⾓度去观察及海量数据的处理，捕捉⼤量投资机会。
1. 多层次，⼤类资产配置、品种选择、精选种类
2. 多⾓度，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。
3. 多数据，海量数据的处理。
4. 准确性：准确客观评价交易机会，克服主观情绪偏差，从⽽盈利
5. 分散化：充当分散化投资的⼯具。
织梦百度编辑器源码
1. 从历史中挖掘未来重复的历史规律，且这些历史规律都是较⼤概率取胜的策略。
2. 依靠筛选出股票组合来取胜，是捕捉⼤概率获胜的股票，⽽不是押宝到单个股票。
量化投资的流程
1. 数据获取：完整、可靠、规范的数据，使得最终的分析和研究结论是正确的、可靠的
2. 回测：构建交易策略并在历史数据中进⾏撮合成交，并得到收益率曲线，以便进⾏回测验证。
3. 模拟交易：策略通过回测验证后，⼀般不会直接实盘，⽽是通过模拟交易进⼀步验证策略。
4. 实盘交易：交易执⾏需要考虑资产管理、订单管理、风控管理。
什么是回测？
回测就是⽤量化策略对过去指定时间段进⾏模拟交易，从⽽得到的收益以及净值变化情况。进⾏回测是量化投资的⼀个重要特征。
回测就是⽤量化策略对过去指定时间段进⾏模拟交易，从⽽得到的收益以及净值变化情况。进⾏回测是量化投资的⼀个重要特征。
1. 以挑选优质策略、淘汰劣质策略为核⼼⽬的。
2. 为量化策略进⼊实盘交易提供⼀定的依据的作⽤，只是判断量化策略好坏的第⼀个门槛。
3. 过往绩效并不能代表未来，宏观经济、市场制度、市场结构、投资者投资⽔平，科学技术发展等⼀系列因素的不断演变。jsp用什么软件
量化交易策略有哪些？（只考虑股票市场）
1. 多因⼦模型
2. 趋势交易
3. 统计套利
4. 算法交易
5. 价值选股
6. 择时研究
7. 事件驱动
8. ⽇内策略
9. 技术分析
回测中常见的陷阱
1. 未来函数：当前时间点获取到了该时间点之后的信息
2. 过拟合：拟合过度，会学习和记忆噪⾳数据，在未来很容易失效
3. 幸存者偏差
4. 交易费⽤的低估：在回测中，对交易费⽤的计算低于实际情况，使得策略收益虚⾼
5. 冲击成本的忽略：交易本⾝会引起市场变化，带来冲击成本，尤其资⾦量⽐较⼤时，冲击成本的考虑更应该严谨
6. ⼩样本视⾓：数量量⼩，分析结论普适性不强
7. 偷价漏价：在⼀定时间点上按照价格的最⾼价和最低价撮合（这在实盘中是不切实际的）
策略评估：指的是我们应该采⽤⼀种客观统⼀的衡量标准，来评价哪些策略好，哪些策略不好。
当我们对策略进⾏回测，得到资⾦曲线，那怎么评价这条资⾦曲线的好坏？
资⾦曲线：按照固定的策略进⾏投资后，把每天结束后的净值画出来连成线，就成了资⾦曲线。
评价策略最通⽤的⼀个指标：夏普⽐率。它不仅考虑了收益，也考虑了风险。代表的是经风险调整后的收益 。
1.3 量化平台概述
量化平台，指的是传统量化策略开发平台，也是策略回测⼯具
量化策略，分为传统量化策略和AI量化策略
量化平台的主要⽬的是进⾏回测验证，是策略想法的快速验证⼯具。国内量化平台⼤都是借鉴Quantopian ，QuantStart
传统量化策略特点
1. 数据对接：⾏情数据、财务数据、基本⾯数据，数据规模⼩
2. 策略开发：依赖研究员⾃⾝的⾏业经验和专业知识
3. 数据计算：主要在回测环节，对计算资源要求不⾼
传统量化投资的痛点
1. 周期漫长：策略从⽣产、回测、验证、上线，研究⼈员往往需要数周甚⾄数⽉的时间来挖掘和评介新的因⼦，基于因⼦开发
策略周期较长
2. 策略同质化：绝⼤部分策略研究过程只使⽤价量数据和财务数据，采⽤被市场⼴泛使⽤的因⼦，策略同质化程度⾼
3. 收益瓶颈：使⽤传统数据建模算法只能捕获数据之间线性关系，研究⽅法的局部视野导致⽆法从海量数据中挖掘更多投资机
会，策略收益存在瓶颈。
4. 流程复杂、精⼒分散：研究⼈员⽆法聚焦在策略研究上，在⼯具、底层框架、编码实现上花费不少时间，策略开发效率低。
传统量化平台运⾏逻辑
1. 有限的⼈⼒资源⽆法处理海量数据
2. ⼈脑在策略构建中没有得到充分解放
3. 仅凭回测功能⽆法提⾼投研效率
AI量化平台运⾏逻辑
1. 海量数据挖掘和优质策略开发
2. 涵盖数据搜集、处理、分析等提⾼投研效率
3. 解放⼈脑，专注策略研究
1.4 AI量化概览
AI 赋能投资场景
StockRanker 排序模型，可以对全市场的股票按照未来⼀定时间段的收益率进⾏排序，排序的依据主要是股票的⾏情数据和财务数据（因⼦）
计算机入门自学教程python深度学习的应⽤ DNN ，全连接深度神经⽹络。借助DNN算法，可以对股票因⼦和收益率之间的相关关系进⾏挖掘，到其中蕴含的关系。⼀般这种关系⾮常复杂，是⾮线性的。
机器学习算法，能⾃动从数据中挖掘因⼦，构建⾮常复杂的策略。其中GP遗传算法是⽐较有代表性的⼀个算法
CNN 卷积神经⽹络
2. AI量化
2.1 AI量化简介
AI量化将机器学习、深度学习、强化学习为代表的AI技术应⽤在量化投资领域，是在智能投资时代下的科学投资⽅式。
投资1.0，依赖于交易员的主观经验
投资2.0， 理论投资（有效市场假说，基本⾯分析，技术⾯分析等）
投资3.0，量化投资（随着计算机的发展，通过历史数据进⾏模拟，得到策略的回测结果）
投资4.0，智能投资（AI量化，模型⾃动从海量的数据中去寻规律，量化研究不再局限于研究员）
3.0 和
4.0 最⼤的区别在于，前者以⼈为主导，后者以机器学习算法为主导
AI 在证券投资中的应⽤背景
量化投资是机器学习的天然应⽤场景，证券投资对AI的应⽤有强烈的需求，并提供了天然的⼟壤。random函数库
⼈⼯智能的发展和应⽤依赖于
1. ⼤数据：海量数据让统计规律可提炼
2. 算法：深度学习等算法的发展⽀持去寻复杂的投资模式
3. ⼤算⼒：可以遍历⼏乎所有的投资模式
从上图可以看到，传统策略开发周期⽐较长，⽽且只能发现部分的投资机会。⽽AI量化投资策略开发周期较短，将传统量化
投资数周到数⽉的开发周期缩短到数天甚⾄数分钟，这就⼤⼤提⾼了策略的研发效率。从效果和质量上也有⼀个提升。因为
AI量化借助算法，在海量的数据中进⾏⾃动挖掘，可以发现更多的常⼈难以挖掘的投资机会
AI量化发展⾯临的新趋势
策略研究⼴度⽇益提升
1. NLP应⽤的⽇趋融合，舆情、新闻、电商、⽂本等⼤数据被应⽤
2. 收益的追求不再局限于对有效因⼦进⾏挖掘，同时提⾼策略⼴度（Breadth)
策略研究周期尺度⽇益精细
1. 利⽤算法⾃动从数据中挖掘更多有价值因⼦
2. ⾼频数据对于策略研究和投资交易重要性不断提升
AI算法⽇益多样化，性能⽇益提升
1. 机器学习，深度学习、强化学习等AI算法应⽤在量化投资领域
2. 模型在线推理有更⾼的频率和时效性
2.2 如何开启AI量化
最快的途径：BigQuant ⼈⼯智能量化平台 进⾏策略研究，⽆门槛使⽤AI做更好的量化投资
股票、期货、期权、基⾦、美股、港股
在算法上，BigQuant⽀持主流机器学习、深度学习框架：Keras、Tensorflow、Sklearn…还提供针对股票市场的专有选股排序模型Stockranker。在算⼒上，BigQuant提供⽐本机更强⼤的计算资源，⽽且配置⽐较灵活。
AI量化课程体系主要包括这三部分
1. 复现（基础编程知识，AI量化策略构建流程）
2. 在模板策略的基础上进⾏创新和调整（修改参数、算法、交易逻辑）
3. 理解（介绍因⼦研究体系，深度学习、机器学习最佳实践，帮助⼤家深刻理解策略，评估策略，理解策略的收益和风险）
编程语⾔选择 Python
量化交易员痛点
1. 商业软件⼤多收费⾼昂，性价⽐低
2. 商业软件存在太多功能⽅⾯的限制
3. C++/Java 学习曲线陡峭
4. 使⽤C++语⾔的⽤户开发效率低下
5. 使⽤者在代码⼯程实践上花费⼤量时间
python 的解决⽅案
1. 作为开源软件，Python ⼏乎完全免费
2. 有⼤量的开源第三⽅库，在数据挖掘、机器学习领域有⼤量的开源模块
3. 拥有接近伪代码的开源项⽬和活跃的开源社区
4. 使⽤者将时间精⼒聚焦在业务逻辑上
Python和⾦融的不解之缘
1. JP Morgan银⾏是全球最⼤的银⾏之⼀
2. 作为Enthought公司的早期客户，JP Morgan 为 Numpy等项⽬的发展提供了巨⼤的帮助
c语言入门教程mp33. 08年后其lt架构全⾯转向使⽤Python语⾔开发逻辑，C++/Java 仅⽤于实现性能需求较⾼的模块底层代码
4. 开发了Athena交易和风险管理系统，构建了⼀套基于Python的⾦融模型快速开发环境。
NumPy, pandas 两个⾮常有⽤的函数包
宽客是可以实现财务⾃由的⼀个职业选择，成为⼀名宽客：
不需要背景
不需要资历
不需要⼈脉
不需要关系
只需要努⼒
2.3 ⾦融基础知识