量化投资基础培训

合集下载

Python量化投资基础教程教学课件第二十四章 风险对冲策略

Python量化投资基础教程教学课件第二十四章 风险对冲策略
25. ContextInfo.close_tdaycommission = 15*ContextInfo.close_commission 26. ContextInfo.min_commission = 0 #最低交易费 27. #设置交易费率
28. missionList = ContextInfo.set_commission([ContextInfo.open_tax,ContextInf
使用简单线性回归OLS模型来计算对冲比率的有点是简单,但是其智 能求出单一对冲比率,难以体现市场的波动,即不同时期对冲比率是 变化的。
策略程序
在量化策略设计中,难以对信用风险和操作风险进行对冲,这里我们 只考虑市场风险的对冲策略。
构建一个投资组合,使用上证50股指期货对投资组合进行对冲,市 场风险的判断使用CMI加上布林通道进行判断。
order_target_value(i,500000,ContextInfo,ContextInfo.accountid)
52.
ContextInfo.position= 1
53. if ContextInfo.position== 1:
54.
_value.append(ContextInfo.get_net_value(index))
16. ContextInfo.IF_amount = 0 17. #设置期货与现货交易组合对
18. ContextInfo.trade_pair=['IF00.IF', '510310.SH'] 19. ContextInfo.position=0 #初始化持仓状态 20. ContextInfo.open_tax = 0 #开仓税率 21. ContextInfo.close_tax = 0 #平仓税率 22. ContextInfo.open_commission = 0.00005 #开仓佣金费率 23. ContextInfo.close_commission = 0.00005 #平仓佣金费率 24. #平今仓佣金费率

量化投资新手入门基础知识汇总

量化投资新手入门基础知识汇总

量化投资新手入门基础知识汇总 量化投资就是利用计算机技术并且采用一定的数学模型去实践投资理念,实现投资策略的过程。

价值投资和趋势投资(技术分析)是引领过去一个世纪的投资方法,随着计算机技术的发展,已有的投资方法和计算机技术想融合,产生了量化投资。

relquant雷尔量化投资平台老师讲解量化交易入门学习知识。

一、什么是量化策略? 什么是策略? 策略,可以实现目标的方案集合;在证券交易中,策略是指当预先设定的事件或信号发生时,就采取相应的交易动作。

什么是量化策略? 量化策略是指使用计算机作为工具,通过一套固定的逻辑来分析、判断和决策。

量化策略既可以自动执行,也可以人工执行。

二、一个完整的量化策略包含哪些内容? 一个完整的策略需要包含输入、策略处理逻辑、输出;策略处理逻辑需要考虑选股、择时、仓位管理和止盈止损等因素。

选股 量化选股就是用量化的方法选择确定的投资组合,期望这样的投资组合可以获得超越大盘的投资收益。

常用的选股方法有多因子选股、行业轮动选股、趋势跟踪选股等。

1.多因子选股 多因子选股是最经典的选股方法,该方法采用一系列的因子(比如市盈率、市净率、市销率等)作为选股标准,满足这些因子的股票被买入,不满足的被卖出。

比如巴菲特这样的价值投资者就会买入低PE的股票,在PE回归时卖出股票。

2.风格轮动选股 风格轮动选股是利用市场风格特征进行投资,市场在某个时刻偏好大盘股,某个时刻偏好小盘股,如果发现市场切换偏好的规律,并在风格转换的初期介入,就可能获得较大的收益。

3.行业轮动选股 行业轮动选股是由于经济周期的的原因,有些行业启动后会有其他行业跟随启动,通过发现这些跟随规律,我们可以在前者启动后买入后者获得更高的收益,不同的宏观经济阶段和货币政策下,都可能产生不同特征的行业轮动特点。

4.资金流选股 资金流选股是利用资金的流向来判断股票走势。

巴菲特说过,股市短期是投票机,长期看一定是称重机。

Python量化投资基础教程教学课件第十六章 股指期货期现套利策略

Python量化投资基础教程教学课件第十六章  股指期货期现套利策略
2. IF_multiplier = ContextInfo.get_contract_multiplier('IF00.IF')

基本信息获取模块

查询期货和现货品种k线收盘价格序列
可利用ContextInfo.get_market_data()分开查询每个品种的价格
1. IF_closes = ContextInfo.get_market_data(['close'], stock_code=code0,\ period = Cont
# 获取ETF的收盘价时间序列
也可作为品种组合一次获取该组合一段时间的数据,有利于提高速度和价格时间对应。
1. closes=ContextInfo.get_market_data(['close'], stock_code=ContextInfo.trade_pair, per
iod = ContextInfo.period, count=32)
[ (−)(−) − T , (−)(−) + T ]
当股指期货实际价格′ > (−)(−) + T ,进行正向套利,即做多现货,做空期货;当
股指期货实际价格′ < (−)(−) − T ,进行反向套利,即做空现货,做多期货。
# 获取两个品种的收盘价时间序列
2. IF_closes = closes[ContextInfo.trade_pair[0]]['close’]
#股指期货IF00收盘价
3. ETF_closes = closes[ContextInfo.trade_pair[1]]['close']
#现货ETF收盘价

量化冯老师课件(一)

量化冯老师课件(一)

量化冯老师课件(一)量化冯老师课件教学内容1.量化投资基础概念2.量化投资策略的分类3.量化投资模型构建方法4.量化投资的风险管理教学准备•PPT课件•教学笔记•讲义/教材•计算机及相关软件教学目标•理解量化投资的基本概念和原理•掌握量化投资策略的分类和应用•了解量化投资模型的构建方法与实践•能够运用风险管理技巧进行量化投资设计说明•采用理论结合实例的方式讲解,增强学生对概念和方法的理解和应用能力•引导学生进行小组讨论,促进学生之间的合作和思维碰撞•布置作业和实践任务,加深学生对量化投资的应用和实践理解教学过程1.导入–引入量化投资的背景和意义,激发学生学习的兴趣–提出学习目标和预期效果2.知识讲解–介绍量化投资的基本概念和原理–分类和讲解不同类型的量化投资策略–解释量化投资模型的构建过程和方法–强调风险管理在量化投资中的重要性3.实例分析–选取实际投资案例,进行量化投资策略分析和模型构建展示–鼓励学生参与讨论,对案例进行思考和分析4.小组讨论–将学生分成小组,讨论不同的量化投资策略和模型构建方法–汇报小组讨论结果,促进不同思维方式的碰撞和交流5.案例分析–提供更多实际案例,要求学生运用所学知识进行量化投资策略和模型构建分析6.作业布置–布置与课堂内容相关的作业,要求学生对所学知识进行总结和应用7.课堂总结–总结课堂重点内容和学生的学习成果–引导学生思考和总结知识的关键点和难点课后反思•教学过程中,学生的参与度和思维深度如何?•课堂教学组织是否合理,设计的讲解和实例是否能够强化学生的理解?•学生对于量化投资的概念和方法的理解程度如何?•后续是否需要进行更多实践和案例分析,加深学生的应用能力和实践能力?课后反思(续)•是否需要对整个课程进行评估和调整,以提高教学效果?•学生对于风险管理的认识和应用能力如何?•是否需要引入更多实际案例和资料,丰富教学内容和引发学生的思考?•学生的学习反馈和课后问答有哪些亮点和问题?是否需要进一步优化和改进?•是否需要设立课外学习群,鼓励学生分享和讨论更多的量化投资资源和经验?总结•需要对教学准备做好充分的前期工作,包括准备案例、PPT和教材等。

量化投资基础入门(一)

量化投资基础入门(一)

量化投资基础入门(一)讲起量化投资,就不得不提华尔街的传奇人物——詹姆斯·西蒙斯(James Simons)。

这位慧眼独具的投资巨擘,有着一份足以支撑其赫赫名声的光鲜履历:20岁时获得学士学位;23岁时在加州大学伯克利分校博士毕业;24岁时成为哈佛大学数学系最年轻的教授;37岁时与中国数学家陈省身联合发表了著名论文《典型群和几何不变式》,并开创了著名的陈—西蒙斯理论;40岁时运用基本面分析法设立了自己的私人投资基金;43岁时与普林斯顿大学数学家勒费尔(Henry Laufer)重新开发了交易策略并由此从基本面分析转向数量分析;45岁时正式成立了文艺复兴科技公司,最终笑傲江湖,成为勇执牛耳的投资霸主。

这段看似青云直上的成名之路,再次为世人印证了一个道理——当代的技术创新,其实大多源自跨越学科的资源整合,而非从无到有的发明创造。

具体说来,即使睿智如西蒙斯,在最初之时,他也没有直接想到运用量化方法投资,而是和众多投资者一样着眼于外汇市场,但野心勃勃的西蒙斯并不甘于只是简单因循传统的投资策略。

随着经验的不断累积,他开始思考,为何不运用他最为熟悉的数学方法来搭建投资模型,从而能够科学精准地预测货币市场的走势变动?这一大胆的跨学科尝试,最终彻底改变了他的人生走向。

通过将数学理论巧妙融合到投资的实战之中,西蒙斯从一个天资卓越的数学家摇身一变,成为了投资界中首屈一指的“模型先生”。

由其运作的大奖章基金(Medallion)在1989-2009的二十年间,平均年收益率为35%,若算上44%的收益提成,则该基金实际的年化收益率可高达60%,比同期标普500指数年均回报率高出20多个百分点,即使相较金融大鳄索罗斯和股神巴菲特的操盘表现,也要遥遥领先十几个百分点。

最为难能可贵的是,纵然是在次贷危机全面爆发的2008年,该基金的投资回报率仍可稳稳保持在80%左右的惊人水准。

西蒙斯通过将数学模型和投资策略相结合,逐步走上神坛,开创了由他扛旗的量化时代,他的骤富神话更让世人对于量化投资有了最为直观而浅显的认识:这能赚钱,而且能赚很多钱。

Python量化投资基础教程教学课件第二十章 算法交易

Python量化投资基础教程教学课件第二十章 算法交易

(2)滑点:就是投资者下单的价格和真实成交之后的价格存 在差距,这种差距就和上述提到的交易成本有着密不可分的关 系
市价单产生滑点:一般下市价单的时候会比较明显,市价单造 成滑点的主要原因是网络延迟,下单时刻的报价,和下单指令 真实到达交易所时的报价因存在时间差发生了变化。
限价单产生滑点:限价单的成交机制是标的价格必须达到或超 过设定价格才会在下一个可成交的Tick成交(先出发后成交) 。
目标:使用算法交易对大额订单进行分拆,寻找最佳的下单时间 、下单数量和最有利的执行价格,以降低市场的冲击成本、提高 执行效率和订单执行的隐蔽性。
交易成本最小化,如降低市场冲击成本。 执行效率最大化。 成交均价最贴近目标价格。 执行效率最大化。 隐藏下单意图。 其他非技术性原因。包括节约人力成本、提高下单效率,确保指令
摩根大通的冲击成本模型
在摩根大通的冲击成本模型中, 为永久性冲击成本。 为暂时性冲击成本。上式表明,冲击成本与方差,相关交易数量和交易速率成正比。
德银的冲击成本模型
根据德银的冲击成本模型,总体冲击成本与相关交易数量、波动率、交易速率和买卖价差呈正性相 关关系。德银的冲击成本模型包含了瞬间冲击成本、暂时性冲击成本和永久性冲击成本。其中
02 算法交易目标 03 冲击成本模型 04 算法交易经典模型
算法交易是相对于普通交易而言的另一种执行订单交易的 方法,相比于手动订单执行,算法交易能够有效减少冲击 成本、自动监控交易机会、隐藏交易意图、避免人的非理 性因素对交易造成的干扰等。同时通过算法交易还可以寻 求最佳的成交执行路径,以获取最大收益。基于算法交易 的思想,又可以将其划分为被动型、主动性和综合性算法 交易。本章以在国际市场上使用最多的被动型算法交易中 的时间加权平均价格(TWAP)、成交量加权平均价格 (VWAP)为例详细介绍具体的交易实施策略

Python量化投资基础教程教学课件第十二章 网格交易策略

Python量化投资基础教程教学课件第十二章 网格交易策略

67. for obj in resultlist:
68.
holdinglist[obj.m_strInstrumentID+"."+obj.m_strExchangeID]=obj.m_nVolume/100
69.
#返回{code.market:持仓手数}
70. return holdinglist
02 网格交易策略 03 网格交易策略的操作方法 04 本章小结
策略概述
股价下跌过程中分批买入,上涨时分批卖出,从而捕捉股价上下 波动带来的价差,在震荡行情中不断获取利润。
在入场价格上设定目标价格,只要价格触及这些价格,系统就会 自动买卖一定数量标的产品。
策略优势:
越是盘整类型的波动,表现越优秀。 网格交易技术的基准价跟随趋势变动。 具有较强开放性,可融合其他有效的分析法。
策略案例:
股价下跌0.1元,则买入5000股,上涨0.1元则卖出5000股。 如果简单持有,却不进行买卖,则资金被占用不增值。 网格交易技术在期货市场运用时,单边行情可能会出现爆仓
而不能等到价格的折返,具有较大风险。
网格交易的关键参数:
基准价:
基准价可自行确定,可以是股票建仓时的价格,也可以是当前最新或其 他。
未完成委托:
盘中并非每笔委托都能成功,对于未完成的委托,后续需要进行补仓交易。
资金管理:
一是总体仓位的资金投入占所有资金的比例,建议不超过90% 二是单一标的资金投入占总体仓位的比例,建议不超过15%。
30. holdings=get_holdings(ContextInfo.accountid,'STOCK')
31. totalvalue=get_totalvalue(ContextInfo.accountid,'STOCK')

国泰安量化投资终端Quantrader培训

国泰安量化投资终端Quantrader培训

图表元素设置
合理设置图表的标题、坐 标轴标签、图例等元素, 提高图表的可读性。
交互式图表制作
利用Python等编程语言实 现交互式图表制作,增强 数据展示效果。
04 量化模型构建与 优化
量化模型构建方法
基于统计学的模型构建
01
运用回归分析、时间序列分析等方法,挖掘历史数据中的统计
规律,构建预测模型。
量化投资发展
随着计算机技术和大数据技术的不断发展,量化投资在近年来得到了迅速的发 展。越来越多的投资者和机构开始采用量化投资策略,并取得了显著的成果。
量化投资策略类型
统计套利策略
利用统计方法分析历史数据,寻 找资产价格之间的异常波动,通 过构建投资组合获取低风险收益。
高频交易策略
利用计算机程序在极短的时间内 对市场进行快速交易,捕捉微小 价格波动中的盈利机会。
机器学习模型构建
02
应用神经网络、支持向量机、随机森林等机器学习算法,训练
模型并预测未来市场走势。
基于规则的模型构建
03
根据特定的交易规则和逻辑,编写算法程序实现自动化交易。
模型评估与回测技巧
模型评估指标
使用准确率、召回率、F1分数等 指标,全面评估模型的预测性能。
交叉验证
运用交叉验证方法,评估模型的稳 定性和泛化能力,避免过拟合现象。
国内量化投资市场尚处于初级阶段,投资者教育和市场规范有待加强。
国外量化投资现状
国外量化投资市场相对成熟,拥有完善的法律法规和监管体系。许多知名的投资机构和 对冲基金都采用量化投资策略,并取得了显著的业绩。同时,国外金融市场历史悠久, 数据丰富,为量化投资提供了良好的研究基础和市场环境。然而,随着市场竞争的加剧
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第四,靠概率取胜 靠概率取胜。这表现为两个方面,一是定量投资不断的从历史中 靠概率取胜 挖掘有望在未来重复的历史规律并且加以利用。二是依靠一组交易取胜, 而不是一个或几个交易取胜。
定性投资: 定性投资:
人的情绪, 人的情绪,人性弱点对投资影响较大
定量投资资: 定量投资资:
+
人的情绪, ★ 人的情绪,人性弱点对投资影响较小 人的思维和精力得到延伸和补充, ★ 人的思维和精力得到延伸和补充,在投资覆盖的广 度和深度,尤其在广度上有很大提高。 度和深度,尤其在广度上有很大提高。
定量投资者的成功典范:詹姆斯 西蒙斯 定量投资者的成功典范:詹姆斯.西蒙斯 1989-2008平均年回报约 平均年回报约35%; 平均年回报约 ; 2008年回报率约 年回报率约80% 年回报率约
一位大型对冲基金的基金经理说:“只有少数几个人改变了我们对市场 的看法,凯恩斯是一个,巴菲特是一个,西蒙斯也是其中的一个。” 詹姆斯·西蒙斯(James Simons),量化投资大师、数学家和对冲基 金——文艺复兴科技公司(Renaissance Technologies Corp.)掌门人。 从1988年到2008年,他管理下的大奖章(Medallion)基金的年均净回报 率是35.6%,比索罗斯等投资大师同期的年均回报率要高出10个百分点, 比同期标准普尔500指数的年均回报率则高出20多个百分点。 2009年10月,西蒙斯宣布将退居二线,人们不禁要问,文艺复兴 科技的光环在失去了西蒙斯后会不会消失?但毋庸置疑,西蒙斯在量化 投资领域的地位无可替代,他的“粉丝”众多,用一位资产管理总部总 经理章飚的话来说:“他就是我们的巴菲特,我们的神,我们膜拜的对 象,因为他赚钱,因为他水平高。”
量化投资以先进的数学模型代替人为的主观判断 数学模型代替人为的主观判断,和客服人性的弱 数学模型代替人为的主观判断 点,如贪婪、恐惧、 侥幸心理 贪婪、 贪婪 恐惧、 侥幸心理,也可以克服认知偏差,借助系统强 大的信息处理能力具有更大的投资稳定 性,极大地减少投资者情绪 稳定 的波动影响,避免在市场极度狂热或悲观的情况下做出非理 性的投 非理 资决策。 。
第二,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、品种选择、精选种类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10个交易品种,这对定性投资经理是有优势的,他可以深刻分析这 10家公司。但在一个很大的资本市场,比如有成千上万的入场机会时, 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。
——内部培训
量化投资在海外的发展已有30多年的历史,其 投资业绩稳定,市场规模和份额不断扩大、得到了 越来越多投资者认可。事实上,互联网的发展,使 得新概念在世界范围的传播速度非常快,作为一个 概念,量化投资并不算新,国内投资者早有耳闻。 但是,真正的量化基金在国内还比,就是利用数学、统计学、信息技术的量化投资方法来管 数学、统计学、信息技术 数学 理投资组合。数量化 投资的组合构建注重的是对宏观数据、市场行 为、交易数据进行分析,利用数据挖掘技 术、统计技术、计算方法 等处理数据,以得到最优的投资组合和投资机会。 。
结论:定量投资在中国: 机遇难求!
量化投资之史 从1971年巴克莱投资管理公司发行世界上第一只指数基金至今,定量投资在 海外的发展已有30多年。1970年定量投资在海外全部投资中占比为零。而到 2009年,定量投资在全部投资中占30%以上。其中指数类投资几乎全部使用 定量技术,主动投资中大约有20%到30%使用定量技术。从2000年到2007年, 美国定量投资总规模翻了4倍多,与此相比,美国共同基金总规模(定性与 定量之和)只翻了1.5倍。定量投资较定性投资获得了更多投资者的青睐,而 我们知道基金规模持续扩张的背后应该离不开投资业绩的支撑。定量投资方 法以其多元分散,纪律化的投资风格在全球范围尤其获得了机构投资人更广 泛的认可。 量化投资鼻祖BGI(Barclays Global Investors (巴克莱投资管理公司))的 投资管理规模更是从1977年的30亿美元发展到2008年12月31日的1万5千亿 美元,高居全球资产管理规模榜眼。
2.量化投资四大特点 2.量化投资四大特点
第一,纪律性,所有的决策都是依据模型做出的。 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。
量化投资在中国 数据显示,截止2009年6月30日,中国定量投资规模总量约187亿,在全部基金管理规模中占 比尚不到1%.可以说量化投资在中国目前还是一块未被开垦的处女地,未来发展空间非 常大。 定量投资在中国的适用性 A\市场饱和度: 在美国定量投资约占全部主动金融投资的30%,在中国不到1%,有充分的发展空间。 B\需求环境: 市场更成熟时投资产品多样化需求加强,随着投资者对量化投资的了解,会有更多量化产品 需求。 C\供给环境: 数据:一方面,国内市场目前能提供丰富的数据,另一方面,即使存在“数据陷阱”,但大 范围,有规律的造假数据恰是定量投资超额收益的来源. 信息技术:在量化投资运用范围内,基本与国外同步 投研人员:具备很好的基本素质
国信量化投资,您身边的量化投资专家
END
西蒙斯小档案 1938年,詹姆斯·西蒙斯出生在美国波士顿郊区一个犹太人家庭, 家中经营一家制鞋厂。1958年,他在麻省理工学院完成了数学本科学 位,三年后在加州大学伯克莱分校获得了数学博士学位。 完成学业后的西蒙斯在母校麻省理工学院任教,但一年之后就跳 槽去了哈佛大学担任数学教师。两年之后又离开校园加入了美国国防 分析研究院,在1964至1967年间,他的工作职责是为国家安全局破 译各种密码。重回学术研究领域后,他加入了石溪大学,并在1968年 被任命为该校的数学系主任。在石溪大学的8年时间里,他不仅和陈 省身创立了陈-西蒙斯理论,而且大大提升了该校数学系在全美拓扑几 何研究领域的地位。一些他在研究领域结识的科学家后来还成了他投 身资本市场的伙伴。 1976年,西蒙斯获得了美国数学协会的奥斯瓦尔德·维布伦几何 奖。1978年,西蒙斯离开学术界,投身资本市场。 2009年10月,西蒙斯宣布从2010年1月1日起将退居二线,由鲍 勃·默色和彼得·布朗两位联席CEO主管文艺复兴科技公司的各项事务, 但他仍是公司的控股股东和董事会主席,参与公司的重大决策。
简而言之,
定量投资将投资专家的思想, 定量投资将投资专家的思想,经验和直觉反映在量化模型中 定量投资使用大量数据和信息帮助投资判断 定量投资利用电脑帮助人脑处理大量信息
定性投资者的代表人物:沃伦 巴菲特 定性投资者的代表人物:沃伦.巴菲特 1989-2008平均年回报约 平均年回报约20%; 平均年回报约 ; 2008年回报率约 年回报率约-15% 年回报率约
第三,妥善运用套利的思想 妥善运用套利的思想。定量投资正是在找估值洼地,通过全 妥善运用套利的思想 面、系统性的扫描捕捉错误价格偏离带来的机会。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,那个交易是可以翻倍的交易;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。
从数学家到投资人 在40岁之前,西蒙斯是一位在数学界颇有名望的教授,先后在麻省 理工学院、哈佛大学、美国国防分析研究院和石溪大学任职。他和华裔 科学家陈省身共同创立的陈-西蒙斯理论推动了拓扑几何的研究进程,被 运用在天体物理等领域。 但从学术研究转型后的西蒙斯,在投资领域的风头更劲。 初创时期,西蒙斯和大多数投资者一样,通过关注和分析各种经济 数据和宏观事件来做投资判断,而慢慢地,他发现很多价格变化是有规 律可循的,并能通过一定的方法来进行预测,因此,到了1988年建立大 奖章基金时,他把投资方法从判断型转变为量化投资。 大奖章基金的投资产品必须符合三个标准:公开交易品种、流动性 足够高、适合用数学模型来交易。而要符合第三个条件,该交易品种必 须有充分的可以进行分析的历史价格、交易量等数据,从而找出最适合 的交易模型来进行量化投资。西蒙斯认为,数学模型可以降低投资人的 风险和所需承受的各种心理压力,因为模型没有感情,一旦选定就会自 动执行,能够克服人性在市场面前暴露出来的弱点。
相关文档
最新文档