期貨多因子

① 如何看待量化交易的回測

美股研究社指出：不同風格的策略對於回測的要求是不同的，比如對於多因專子選股或者趨勢策略屬等，需要注意的幾點是：

1. 區分好樣本內數據和樣本外數據，這個和機器學習很類似，樣本內數據用於訓練，樣本外數據用於校驗。這樣做的目的是為了避免過擬合陷阱。

2. 收益的分布，看看你回測後所有交易的收益分布，看看你的收益來源是少數的幾次大的收益還是來源多次的小的收益。來源於大的收益，你的收益波動性就很大，實盤往往會達不到你的效果。

3. 參數的穩定性。如果你某個參數過敏感，隨便調整下就對收益影響很大，那你實盤的情況和模擬盤也有很大可能會有出入。

這類策略嚴格來說，避免了一些常見的坑，還是比較容易做到回測和實盤類似的。
京東量化最新推出了一些通達信的技術指標還不錯，你們可以去看一下，應該能學到好多東西。

② 量化投資—策略與技術的作品目錄

《量化投資—策略與技術》
策略篇
第 1章 量化投資概念
1.1 什麼是量化投資 2
1.1.1 量化投資定義 2
1.1.2 量化投資理解誤區 3
1.2 量化投資與傳統投資比較 6
1.2.1 傳統投資策略的缺點 6
1.2.2 量化投資策略的優勢 7
1.2.3 量化投資與傳統投資策略的比較 8
1.3 量化投資歷史 10
1.3.1 量化投資理論發展 10
1.3.2 海外量化基金的發展 12
1.3.3 量化投資在中國 15
1.4 量化投資主要內容 16
1.5 量化投資主要方法 21
.第 2章 量化選股 25
2.1 多因子 26
2.1.1 基本概念 27
2.1.2 策略模型 27
2.1.3 實證案例：多因子選股模型 30
2.2 風格輪動 35
2.2.1 基本概念 35
2.2.2 盈利預期生命周期模型 38
2.2.3 策略模型 40
2.2.4 實證案例：中信標普風格 41
2.2.5 實證案例：大小盤風格 44
2.3 行業輪動 47
2.3.1 基本概念 47
2.3.2 m2行業輪動策略 50
2.3.3 市場情緒輪動策略 52
2.4 資金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 實證案例：資金流選股策略 60
2.5 動量反轉 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 實證案例：動量選股策略和反轉選股策略 70
2.6 一致預期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 實證案例：一致預期模型案例 78
2.7 趨勢追蹤 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 實證案例：趨勢追蹤選股模型 92
2.8 籌碼選股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 實證案例：籌碼選股模型 99
2.9 業績評價 104
2.9.1 收益率指標 104
2.9.2 風險度指標 105
第 3章 量化擇時 111
3.1 趨勢追蹤 112
3.1.1 基本概念 112
3.1.2 傳統趨勢指標 113
3.1.3 自適應均線 121
3.2 市場情緒 125
3.2.1 基本概念 126
3.2.2 情緒指數 128
3.2.3 實證案例：情緒指標擇時策略 129
3.3 有效資金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 實證案例：有效資金擇時模型 137
3.4 牛熊線 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 實證案例：牛熊線擇時模型 144
3.5 husrt指數 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 實證案例 149
3.6 支持向量機 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 實證案例：svm擇時模型 155
3.7 swarch模型 160
3.7.1 基本概念 160
3.7.2 策略模型 161
3.7.3 實證案例：swarch模型 164
3.8 異常指標 168
3.8.1 市場雜訊 168
3.8.2 行業集中度 170
3.8.3 興登堡凶兆 172
第 4章 股指期貨套利 180
4.1 基本概念 181
4.1.1 套利介紹 181
4.1.2 套利策略 183
4.2 期現套利 185
4.2.1 定價模型 185
4.2.2 現貨指數復制 186
4.2.3 正向套利案例 190
4.2.4 結算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 無套利區間 196
4.3.3 跨期套利觸發和終止 197
4.3.4 實證案例：跨期套利策略 199
4.3.5 主要套利機會 200
4.4 沖擊成本 203
4.4.1 主要指標 204
4.4.2 實證案例：沖擊成本 205
4.5 保證金管理 208
4.5.1 var方法 208
4.5.2 var計算方法 209
4.5.3 實證案例 211
第 5章 商品期貨套利 214
5.1 基本概念 215
5.1.1 套利的條件 216
5.1.2 套利基本模式 217
5.1.3 套利准備工作 219
5.1.4 常見套利組合 221
5.2 期現套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值稅風險 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 實證案例：pvc跨期套利策略 233
5.4 跨市場套利 234
5.4.1 套利策略 234
5.4.2 實證案例：倫銅—滬銅跨市場套利 235
5.5 跨品種套利 236
5.5.1 套利策略 237
5.5.2 實證案例 238
5.6 非常狀態處理 240
第 6章 統計套利 242
6.1 基本概念 243
6.1.1 統計套利定義 243
6.1.2 配對交易 244
6.2 配對交易 247
6.2.1 協整策略 247
6.2.2 主成分策略 254
6.2.3 績效評估 256
6.2.4 實證案例：配對交易 258
6.3 股指套利 261
6.3.1 行業指數套利 261
6.3.2 國家指數套利 263
6.3.3 洲域指數套利 264
6.3.4 全球指數套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可轉債—融券套利 268
6.4.3 股指期貨—融券套利 269
6.4.4 封閉式基金—融券套利 271
6.5 外匯套利 272
6.5.1 利差套利 273
6.5.2 貨幣對套利 275
第 7章 期權套利 277
7.1 基本概念 278
7.1.1 期權介紹 278
7.1.2 期權交易 279
7.1.3 牛熊證 280
7.2 股票/期權套利 283
7.2.1 股票—股票期權套利 283
7.2.2 股票—指數期權套利 284
7.3 轉換套利 285
7.3.1 轉換套利 285
7.3.2 反向轉換套利 287
7.4 跨式套利 288
7.4.1 買入跨式套利 289
7.4.2 賣出跨式套利 291
7.5 寬跨式套利 293
7.5.1 買入寬跨式套利 293
7.5.2 賣出寬跨式套利 294
7.6 蝶式套利 296
7.6.1 買入蝶式套利 296
7.6.2 賣出蝶式套利 298
7.7 飛鷹式套利 299
7.7.1 買入飛鷹式套利 300
7.7.2 賣出飛鷹式套利 301
第 8章 演算法交易 304
8.1 基本概念 305
8.1.1 演算法交易定義 305
8.1.2 演算法交易分類 306
8.1.3 演算法交易設計 308
8.2 被動交易演算法 309
8.2.1 沖擊成本 310
8.2.2 等待風險 312
8.2.3 常用被動型交易策略 314
8.3 vwap演算法 316
8.3.1 標准vwap演算法 316
8.3.2 改進型vwap演算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 並購套利策略 324
9.1.2 定向增發套利 325
9.1.3 套利重倉停牌股票的投資組合 326
9.1.4 封閉式投資組合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 無風險套利 330
9.2.3 其他套利 334
9.3 lof套利 335
9.3.1 基本概念 335
9.3.2 模型策略 336
9.3.3 實證案例：lof 套利 337
9.4 高頻交易 341
9.4.1 流動性回扣交易 341
9.4.2 獵物演算法交易 342
9.4.3 自動做市商策略 343
9.4.4 程序化交易 343
理論篇
第 10章 人工智慧 346
10.1 主要內容 347
10.1.1 機器學習 347
10.1.2 自動推理 350
10.1.3 專家系統 353
10.1.4 模式識別 356
10.1.5 人工神經網路 358
10.1.6 遺傳演算法 362
10.2 人工智慧在量化投資中的應用 366
10.2.1 模式識別短線擇時 366
10.2.2 rbf神經網路股價預測 370
10.2.3 基於遺傳演算法的新股預測 375
第 11章 數據挖掘 381
11.1 基本概念 382
11.1.1 主要模型 382
11.1.2 典型方法 384
11.2 主要內容 385
11.2.1 分類與預測 385
11.2.2 關聯規則 391
11.2.3 聚類分析 397
11.3 數據挖掘在量化投資中的應用 400
11.3.1 基於som 網路的股票聚類分析方法 400
11.3.2 基於關聯規則的板塊輪動 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波變換主要內容 409
12.2.1 連續小波變換 409
12.2.2 連續小波變換的離散化 410
12.2.3 多分辨分析與mallat演算法 411
12.3小波分析在量化投資中的應用 414
12.3.1 k線小波去噪 414
12.3.2 金融時序數據預測 420
第 13章 支持向量機 429
13.1 基本概念 430
13.1.1 線性svm 430
13.1.2 非線性svm 433
13.1.3 svm分類器參數選擇 435
13.1.4 svm分類器從二類到多類的推廣 436
13.2 模糊支持向量機 437
13.2.1 增加模糊後處理的svm 437
13.2.2 引入模糊因子的svm訓練演算法 439
13.3 svm在量化投資中的應用 440
13.3.1 復雜金融時序數據預測 440
13.3.2 趨勢拐點預測 445
第 14章 分形理論 452
14.1 基本概念 453
14.1.1 分形定義 453
14.1.2 幾種典型的分形 454
14.1.3 分形理論的應用 456
14.2 主要內容 457
14.2.1 分形維數 457
14.2.2 l系統 458
14.2.3 ifs系統 460
14.3 分形理論在量化投資中的應用 461
14.3.1 大趨勢預測 461
14.3.2 匯率預測 466
第 15章 隨機過程 473
15.1 基本概念 473
15.2 主要內容 476
15.2.1 隨機過程的分布函數 476
15.2.2 隨機過程的數字特徵 476
15.2.3 幾種常見的隨機過程 477
15.2.4 平穩隨機過程 479
15.3 灰色馬爾可夫鏈股市預測 480
第 16章 it技術 486
16.1 數據倉庫技術 486
16.1.1 從資料庫到數據倉庫 487
16.1.2 數據倉庫中的數據組織 489
16.1.3 數據倉庫的關鍵技術 491
16.2 編程語言 493
16.2.1 GPU演算法交易 493
16.2.2 MATLAB 語言 497
16.2.3 c#語言 504
第 17章 主要數據與工具 509
17.1 名策多因子分析系統 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易開拓者：期貨自動交易平台 514
17.4 大連交易所套利指令 518
17.5 mt5：外匯自動交易平台 522
第 18章 量化對沖交易系統：D-alpha 528
18.1 系統構架 528
18.2 策略分析流程 530
18.3 核心演算法 532
18.4 驗證結果 534
表目錄
表1 1 不同投資策略對比 7
表2 1 多因子選股模型候選因子 30
表2 2 多因子模型候選因子初步檢驗 31
表2 3 多因子模型中通過檢驗的有效因子 32
表2 4 多因子模型中剔除冗餘後的因子 33
表2 5 多因子模型組合分段收益率 33
表2 6 晨星市場風格判別法 36
表2 7 夏普收益率基礎投資風格鑒別 37
表2 8 中信標普風格指數 41
表2 9 風格動量策略組合月均收益率 43
表2 10 大小盤風格輪動策略月收益率均值 46
表2 11 中國貨幣周期分段（2000—2009年） 49
表2 12 滬深300行業指數統計 50
表2 13 不同貨幣階段不同行業的收益率 51
表2 14 招商資金流模型（cmsmf）計算方法 58
表2 15 招商資金流模型（cmsmf）選股指標定義 59
表2 16 資金流模型策略——滬深300 61
表2 17 資金流模型策略——全市場 62
表2 18 動量組合相對基準的平均年化超額收益（部分） 68
表2 19 反轉組合相對基準的平均年化超額收益(部分) 69
表2 20 動量策略風險收益分析 71
表2 21 反轉策略風險收益分析 73
表2 22 趨勢追蹤技術收益率 93
表2 23 籌碼選股模型中單個指標的收益率情況對比 99
表3 1 ma指標擇時測試最好的20 組參數及其表現 117
表3 2 4個趨勢型指標最優參數下的獨立擇時交易表現比較 120
表3 3 有交易成本情況下不同信號個數下的綜合擇時策略 120
表3 4 自適應均線擇時策略收益率分析 124
表3 5 市場情緒類別 126
表3 6 滬深300指數在不同情緒區域的當月收益率比較 128
表3 7 滬深300指數在不同情緒變化區域的當月收益率比較 129
表3 8 滬深300指數在不同情緒區域的次月收益率比較 130
表3 9 滬深300指數在不同情緒變化區域的次月收益率比較 130
表3 10 情緒指數擇時收益率統計 132
表3 11 svm擇時模型的指標 156
表3 12 svm對滬深300指數預測結果指標匯總 156
表3 13 svm擇時模型在整體市場的表現 156
表3 14 svm擇時模型在單邊上漲市的表現 157
表3 15 svm擇時模型在單邊下跌市的表現 158
表3 16 svm擇時模型在震盪市的表現 159
表3 17 雜訊交易在熊市擇時的收益率 170
表4 1 各種方法在不同股票數量下的跟蹤誤差（年化） 190
表4-2 股指期貨多頭跨期套利過程分析 199
表4 3 不同開倉比例下的不同保證金水平能夠覆蓋的市場波動及其概率 211
表4 4 不同倉單持有期下的保證金覆蓋比例 212
表6 1 融券標的股票中在樣本期內最相關的50 對組合（部分） 248
表6 2 殘差的平穩性、自相關等檢驗 249
表6 3 在不同的閾值下建倉、平倉所能獲得的平均收益 251
表6 4 採用不同的模型在樣本內獲取的收益率及最優閾值 252
表6 5 採用不同的模型、不同的外推方法在樣本外獲取的收益率（%） 253
表6 6 主成分配對交易在樣本內取得的收益率及最優閾值 255
表6 7 主成分配對交易在樣本外的效果 255
表6-8 各種模型下統計套利的結果 256
表6 9 延後開倉+提前平倉策略實證結果 260
表6 10 各行業的配對交易結果 261
表7 1 多頭股票-期權套利綜合分析表 283
表7 2 多頭股票—股票期權套利案例損益分析表 284
表7 3 多頭股票-指數期權套利案例損益分析表 285
表7 4 轉換套利分析過程 286
表7 5 買入跨式套利綜合分析表 289
表7 6 買入跨式套利交易細節 289
表7 7 賣出跨式套利綜合分析表 291
表7 8 賣出跨式套利交易細節 292
表7 9 買入寬跨式套利綜合分析表 293
表7 10 賣出寬跨式套利綜合分析表 294
表7 11 買入蝶式套利綜合分析表 296
表7 12 賣出蝶式套利綜合分析表 298
表7 13 買入飛鷹套利分析表 300
表7 14 賣出飛鷹式套利綜合分析表 301
表9 1 主要並購方式 324
表9 2 並購套利流程 325
表9 3 鵬華300 lof兩次正向套利的情況 339
表9 4 鵬華300 lof兩次反向套利的情況 340
表10 1 自動推理中連詞系統 352
表10 2 模式識別短線擇時樣本數據分類 369
表10 3 rbf神經網路股價預測結果 375
表10 4 遺傳演算法新股預測參數設置 379
表10 5 遺傳演算法新股預測結果 380
表11 1 決策樹數據表 389
表11 2 關聯規則案例數據表 392
表11 3 som股票聚類分析結果 403
表11 4 21種股票板塊指數布爾關系表數據片斷 404
表12 1 深發展a日收盤價小波分析方法預測值與實際值比較 427
表12 2 不同分解層數的誤差均方根值 428
表13 1 svm滬深300指數預測誤差情況 445
表13 2 svm指數預測和神經網路預測的比較 445
表13 3 技術反轉點定義與圖型 448
表13 4 svm趨勢拐點預測結果 450
表14 1 持續大漲前後分形各主要參數值 463
表14 2 持續大跌前後分形個主要參數值 465
表14 3 外匯r/ s 分析的各項指標 469
表14 4 v(r/s)曲線回歸檢驗 470
表15 1 灰色馬爾可夫鏈預測深證成指樣本內（2005/1—2006/8） 484
表15 2 灰色馬爾可夫鏈預測深證成指樣本外（2006/9—2006/12） 484
表16-1 vba的12種數據類型 499
表18-1 d-alpha系統在全球市場收益率分析 534

③ 致遠期貨：多因子模型和統計套利模型有什麼本質區別

2009年以來，一來股「量化基金」的熱自潮悄然掀起，中海基金、長盛基金、光大保德和富國基金先後推出了自己的量化產品，而富國正在推出的富國300增強基金還屬於第一隻增強型的指數基金，就是因為量化概念的引入。關於量化基金，國際資本市場，尤其是美國市場已經有了長足的發展並形成了相當的規模，量化基金通過數理統計分析，選擇那些未來回報可能會超越基準的證券進行投資，以期獲取超越指數基金的收益。區別於普通基金，量化基金主要採用量化投資策略來進行投資組合管理，總的來說，量化基金採用的策略包括：量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、期權套利、演算法交易、資產配置等。

④ 匯添富成長多因子量化策略在哪個銀行買

1、匯添富成長多因子量化策略在江蘇銀行，恆豐銀行，蘇州銀行，工版商銀行等銀行代銷。基金權為股票型基金,其預期風險和預期收益高於貨幣市場基金、債券型基金、混合型基金,屬於證券投資基金中較高預期風險、較高預期收益的基金產品。
2、基金的投資范圍為具有良好流動性的金融工具,包括國內依法發行上市的股票(包含中小板、創業板及其他經中國證監會核准上市的股票)、債券、貨幣市場工具、權證、資產支持證券、股指期貨以及法律法規或中國證監會允許基金投資的其他金融工具(但須符合中國證監會相關規定)。 如法律法規或監管機構以後允許基金投資其他品種,基金管理人在履行適當程序後,可以將其納入投資范圍。

⑤ 量化投資策略的趨勢判斷型量化投資策略

量化選股就是利用數量化的方法選擇股票組合，期望該股票組合能夠獲得超越基準收益率的投資行為。量化選股策略總的來說可以分為兩類：第一類是基本面選股，第二類是市場行為選股。
基本面選股介紹了多因子模型、風格輪動模型和行業輪動模型。市場行為選股介紹了資金流模型、動量反轉模型、一致預期模型、趨勢追蹤模型和籌碼選股模型。 與股指期貨套利類似，商品期貨同樣存在套利策略，在買入或賣出某種期貨合約的同時，賣出或買入相關的另一種合約，並在某個時間同時將兩種合約平倉。在交易形式上它與套期保值有些相似，但套期保值是在現貨市場買入（或賣出）實貨、同時在期貨市場上賣出（或買入）期貨合約；而套利卻只在期貨市場上買賣合約，並不涉及現貨交易。
商品期貨套利主要有期現套利、跨期套利、跨市場套利和跨品種套利4種 有別於無風險套利，統計套利是利用證券價格的歷史統計規律進行套利的，是一種風險套利，其風險在於這種歷史統計規律在未來一段時間內是否繼續存在。
統計套利的主要思路是先找出相關性最好的若干對投資品種（股票或者期貨等），再找出每一對投資品種的長期均衡關系（協整關系），當某一對品種的價差（協整方程的殘差）偏離到一定程度時開始建倉——買進被相對低估的品種、賣空被相對高估的品種，等到價差回歸均衡時獲利了結即可。
統計套利的主要內容包括股票配對交易、股指對沖、融券對沖和外匯對沖交易。 期權（Option）又稱選擇權，是在期貨的基礎上產生的一種衍生性金融工具。從其本質上講，期權實質上是在金融領域將權利和義務分開進行定價，使得權利的受讓人在規定時間內對於是否進行交易行使其權利，而義務方必須履行。在期權的交易時，購買期權的一方稱為買方，而出售期權的一方則稱為賣方；買方即權利的受讓人，而賣方則是必須履行買方行使權利的義務人。
期權的優點在於收益無限的同時風險損失有限，因此在很多時候，利用期權來取代期貨進行做空、套利交易，會比單純利用期貨套利具有更小的風險和更高的收益率。

⑥ 國債期貨 為什麼需要轉換因子我知道這個是不同債權之間的轉換，但是那個最新期貨報價的標的是什麼

國債期貨的交易標的是虛擬的債券，而不是現實存在的。然而在交割專時，必須使用現實存在屬的國債。由於合約規定剩餘期限4-7年的國債都可以用於交割，但符合這個條件的國債有很多，它們的價格不一樣，所以需要轉換因子將這些國債與交易中的虛擬券聯系起來便於計算比較，通俗點講有點像商品的交割升貼水。最新的期貨報價是虛擬券的最新價格。

⑦ python培訓需要多久

人工智慧市場的火熱導致python開發工程師崗位薪資水漲船高，且在各行各業的大中小型企業中都很搶手，就業方向非常廣。既可進軍當前正流行的人工智慧行業，也可研究大數據做數據分析人才。那python培訓需要學多久?今天我們一起來探討一下這個問題。
python憑借其突出的語言優勢與特性，已經融入到各行各業的每個領域。一般來說，python培訓需要脫產學習5個月左右，這樣的時長才能夠讓學員既掌握工作所需的技能，還能夠積累一定的項目經驗。當然如果你想要在人工智慧的路上越走越遠，則需要不斷的積累和學習。
python培訓的5個月時間里，有相當大一部分時間是在實戰做項目，第一階段是為期一個月學習python的核心編程，主要是python的語言基礎和高級應用，幫助學員獲得初步軟體工程知識並樹立模塊化編程思想。學完這一階段的內容，學員已經能夠勝任python初級開發工程師的職位。
第二個階段也是為期一個月，主要學習python全棧開發基礎，通過本模塊的學習，學生不僅能夠掌握js在網路前端中的使用，還能夠把js作為一門通用語言來運用，為學生將來從事全棧工作打下堅實的基礎。
第三個階段是全棧開發項目實戰，整個階段需要1.5個月的時間學習，是整個培訓時間佔比比較長的一個階段，時間更長、案例更多、
實用性更強，在這個階段主要是做項目，學案例，學完這個階段，學員就可勝任python全棧開發工程師的職位。
第四個階段的學習是網路爬蟲，學習三周，主要是掌握數據的爬取，學完這個階段可選擇的職位有網路爬蟲工程師或者是數據採集工程師，第五階段的學習是數據分析+人工智慧，主要是掌握機器學習演算法的匹配方法，深入理解演算法原理與實現步驟，學習三周，這個階段結束學員可選擇的崗位就更多了，數據分析師、演算法工程師、人工智慧工程師等都可以直接勝任。
最後一周的學習時間是就業指導，主要是清晰了解職業發展規劃，明確自身定位，找到適合自身發展的工作，同時提高自己的面試能力，獲得更好的工作機會。
python培訓5個月，只要你好好學習，找到一份滿意的工作不是難題，優就業的python全棧+人工智慧課程，以企業需求為導向，引入企業較熱門技術，項目實戰模擬實際企業開發流程，讓你更加了解真實的企業項目開發，避免你在學習的路上多走彎路

⑧ 量化交易領域有哪些經典策略

量化交易種比較受寬客們所熟知的量化經典策略有：

alpha對沖(股票專+期貨)

集合競價屬選股(股票)

多因子選股(股票)

網格交易(期貨)

指數增強(股票)

跨品種套利(期貨)

跨期套利(期貨)

日內回轉交易(股票)

做市商交易(期貨)

海龜交易法(期貨)

行業輪動(股票)

機器學習(股票)

以上這些經典的量化交易策略源碼都可以到掘金量化交易平台查閱。