量化交易入门
译者：HorseHour原作者：Michael Halls-Moore
发表时间：2014-07-10浏览量：1861评论数：1挑错数：0
量化交易（Quantitative Trading）与传统证券交易机制存在极大的差异，一度有人神侃，量化交易就是“让机器赚钱，你躺那儿数钱”。本文是一篇入门文章，带您一睹量化交易的“剪影”，并非说笑，真容难觅啊，吼破嗓子不如甩开膀子，一切还得你自己去创造！
我将通过这篇文章向你介绍端到端的量化交易系统的一些基本概念。本文主要面向两类读者，第一类是正在努力寻找一份基金管理公司量化交易员工作的求职者，第二类是期望尝试开启自己“散户”算法交易事业的人士。
量化交易是数量金融学（注1）中一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略，就需要你投入大量的时间学习一些必备知识。不仅如此，它还需要你在MATLAB、R或Python至少一门语言上具备丰富的编程经验。随着策略交易频率的增加，技术能力越来越重要。因此，熟悉C/C++是重中之重。
一个量化交易系统包括四个主要部分：
?策略识别：搜索策略、挖掘优势（注2）、确定交易频率。
?回溯测试：获取数据、分析策略性能、剔除偏差。
?交割系统：连接经纪商、使交易自动化、使交易成本最小化。
?风险管理：最优资本配置、最优赌注或凯利准则、交易心理学。
我们首先来谈谈如何识别一个交易策略。
策略识别
所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其收益更高且（或）风险更低。如果你是一个“散户”交易员，一定要清楚自己的资金是否充足，以及交易成本对策略的影响。
通过各种公开数据搜索可盈利的策略实际上十分简单，并没有大家想的那么难。研究学者会定期发表理论交易结果（虽然大多为交易成本总额）。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
你可能会问，个人与公司怎么可能愿谈他们的可盈利策略，特别是当他们知道，如果其他人“复制相同的策略”，长期而言它终将失效。原因就在于，他们通常不会透露具体的参数以及他们所使用的调参方法，而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上，若要创建你自己的、独一无二的策略，一个最好的法子就是寻找相似的方法，尔后执行你自己的优化程序。
我这里提供几个网站，你可以藉此寻找策略性思想：
?Social Science Research Network
?arXiv Quantitative Finance
?Seeking Alpha
?Elite Trader
?Nuclear Phynance
?Quantivity
你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。均值回归策略试图利用这么一个事实：“价格序列”（如两个关联资产的价差）存在一个长期均值，价格对均值的短期偏离终将回归。动量交易策略则试图“搭上市场趋势的顺风车”，利用投资心理和大基金结构信息在一个方向积聚动量，跟随趋势直至回归。
定量交易还有一个重要方面，即交易策略的频率。低频交易（Low Frequency Trading, LFT）通常指持有资产超过一个交易日的策略。相应地，高频交易（High Frequency Trading, HFT）通常指持有资产一个交易日的策略。超高频交易（Ultra-High Frequency Trading, UHFT）指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易，但也只是在你掌握了交易“技术栈”（注3）与订单簿动力学（注4）的详细知识后才有可能。本篇入门文章，我们不会对这些问题做任何深入探讨。
策略或策略集合一旦确定，现在就需要在历史数据上测试其盈利能力，这就进入了回溯测试的工作范围。
回溯测试
回溯测试的目标是提供证据，佐以证明通过以上流程所确定的策略，无论是应用于历史（训练）数据还是测试数据（注5）均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。由于种种原因，回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处，由于它包含了大量的偏差，我们必须尽尽力仔细审查并剔除它们。我们将讨论几种常见类型的偏差，包括先窥偏差（注6）、幸存者偏差（注7）与优化偏差（亦称“数据窥视偏差”，注8）。回溯测试中其他几个重要方面，包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
策略一旦确定，我们就需要获取历史数据，并藉此展开测试，如有可能还可改进策略。现在卖数据的很多，所有资产类型的数据都有。通常，数据的质量、深度、时间间隔不同，其价格也不同。刚入门的量化交易员（至少零售等级）最初使用雅虎金融板块（Yahoo Finance）的免费数据就行。对于数据供应商，这里不再赘言。我想重点谈一谈处理历史数据时，时常遇到的问题。
对于历史数据，人们主要关心的问题，包括数据精度或清洁度、幸存者偏差、应对如分发红利、拆分股票等公司行为的调整。
?精度与数据整体质量有关，无论数据是否包含错误。有时错误容易识别，比如使用一个窄带滤波器（注9），就可以找出时间序列数据中的“窄带”并更正它们。其他时候，错误又很难甄别，经常需要根据多个数据供应商提供的数据进行对比检查。
?幸存者偏差通常是免费数据集或廉价数据集的一个”特征“。对于一个带有幸存者偏差的数据集，它不包含已经不再交易的资产数据。不再交易的证券，则表示已经退市或破产公司的股票。如果数据集中含有此类偏差，策略在此数据集上的测试表现可能比在”真实世界“里表现的更好，
毕竟历史”赢家“已经被预先筛选出来，作为训练数据使用。
?公司行为即公司开展的常引发原始价格阶梯形变化的”逻辑“活动，它不应该计入价格收益。公司分发红利和拆分股票行为是引发调整的两个常见行为，二者无论发生哪一种，都需要进行一个”回调“的流程。我们一定要留心，不要把股票拆分和真实收益调整混为一谈。许多交易员在
处理公司行为时都碰过壁！
为了开展回溯测试，我们必须使用一个软件平台。你可以选择一个专门的回测软件如Tradestation，一个数值平台如Excel或MATLAB，或者一个用Python 或C++完全自主实现的平台。对于Tradestation（或类似平台）、Excel或MATLAB，我不作过多介绍。我比较推崇的是创建一个内部技术栈。这么做的一个好处是可以实现回溯测试软件与执行系统的无缝集成，甚至还可以添加一些高级的统计策略。对于HFT策略，更应该使用自主实现的系统。
在做系统回测时，一定要量化表示系统性能。定量策略的“业界标准”度量为最大资金回挫与夏普比率。最大资金回挫表示一段时间（通常一年）内账户资金曲线从波峰至波谷的最大跌幅，常使用百分比表示。由于大量的统计因素，LFT策略比HFT策略的资金回挫更高。历史回测会显示过去的最大资金回挫，它能够较为贴切地反映策略的未来资金回挫情况。第二个度量指标是夏普比率，它被启发式地定义为“超额收益均值与超额收益标准差的比值”。这里，超额收益表示策略收益超出某个预定基准，如标普500或三月期短期国债（收益）的额度。注意人们通常不使用年化收益指标，因为它忽略了策略波动性的影响，而夏普比率却考虑到了这一点。
如果经过回测，策略的夏普比率很高且其最大资金回挫已经最小化，则可以认为它趋于无偏，下一步就是要搭建一个交割系统。
交割系统
交割系统是一个方法集合，由它来控制交易策略生成的交易列表的发送和经纪商的交割行为。事实上，交易可以半自动、甚至全自动生成，而执行机制可以手动、半自动（即“点击一次交割一项”）或者全自动。尽管如此，对于LFT策略，手动和半自动技术却比较常见；对于HFT策略，则必须创建一个全自动交割机制，由于策略和技术彼此依赖，还要经常与交易指令生成器紧密相接。
在搭建交割系统时，我们需要考虑几个关键因素：连接经纪商的接口、交易成本（包括佣金、滑动价差与价差）最小化、实时系统与回测时系统性能的差异。
联系经纪人的方法有很多，你可以直接电话联系他，也可以通过一个全自动高性能的应用程序接口（API）实现。理想情况，就是希望交割交易的自动化程度尽可能高。这样一来，你不仅可以脱开身集中精力进行深入研究，还能运行多个策略、甚至HFT策略（实际上，如果没有自动化交割，HFT根本不可能）。前面说过的几种常用回溯测试软件如MATLAB、Excel和Tradestation，对于LFT策略或简单策略都是不错的选择。但是，如果要做真正的HFT，你就必须要构造一个用高性能语言（如C++）编写的内部交割系统。说个我的亲身经历，以前受聘于一家基金管理公司，我们有一个十分钟的“交易周期”，每隔十分钟下载一次新的市场数据，然后根据这十分钟的信息进行交割。这里用的是一个优化的Python脚本。对于任何处理分钟级或秒级频率数据的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系统的优化通常不在量化交易员的工作范围。但是，在小点的公司或高频交易公司，交易员就是交割人，所以技术面越广越好。你要想进一家基金管理公司，一定要记住这一点。你的编程能力不说比你的统计学和计量经济学禀赋更重要，至少也同样重要！
另外一个属于交割系统的重要问题是交易成本最小化。一般地，交易成本由三部分构成：佣金（或税收）、损耗与价差。佣金是向经纪商、交易所和证券交易委员会（或类似政府监管机构）支付的费用；滑动价差是你的预期交割价位与真实交割价位的差值；价差则是待交易证券的卖出价与买入价之差。注意价差不是常数，它依赖于市场当前流动性（即买单和卖单数量）。
交易成本是决定一个策略是高夏普比率且盈利丰厚，还是低夏普比率且极不盈利的关键。根据回溯测试正确预测未来的交易成本很具有挑战性，你需要根据策略频率，及时获取带有卖出价与买入价信息的历史交易数据。为此，大型基金管理公司量化交易的整个团队都专注于交割优化。当基金管理公司需要抛售大量交易时（原因五花八门），如果向市场“倾泻”大批股票，会迅速压低价格，可能都来不及以最优价格交割。因此，纵使遭受损耗风险，基金管理公式也会选择使用算法交易，通过“打点滴”的方式向市场出单。此外，其他策略如若“捕到”这些必要性条件，也能利用市场失效（获利）。这是基金结构性套利的内容。
交割系统最后一个主要问题关系到策略的实时性能与回测性能的差异。这种差异由多种因素造成，比如我们在“回溯测试”一节已经深入讨论过的前窥偏差与最优化偏差。然而，对于有些策略，在部署之前不易测得这些偏差。这种情况对于HFT最为常见。交割系统和交易策略本身均可能存在程序错误，回溯测试时没有显现却在实时交易时出来捣乱。市场可能受到继交易策略部署后的一场政变的影响，而新的监管环境、投资者情绪与宏观经济形势的变化也均可能导致现实市场表现与回溯测试表现的差异，从而造成策略盈利性上的分歧。
风险管理
量化交易迷宫的最后一块是风险管理程序。风险包含我们之前谈论的所有偏差。它包括技术风险，比如所有在交易所的服务器突然发生硬盘故障。它还包括经纪风险，如经纪商破产（此说并非危言耸听，最近引发恐慌的明富环球就是一个例子，注10）。总而言之，它覆盖了几乎所有可能干扰到交易实现的因素，而其来源各不相同。目前已经有成套的书籍介绍量化交易策略的风险管理，本人也就不再对所有可能的风险来源做详细说明。
风险管理还包括投资组合理论的一个分支，即所谓的“最优资本配置”，涉及到如何将资本分配给一组策略、如何将资本分配给策略内不同交易的方法。这是一个复杂的领域，依赖于一些高级数学知识。最优资本配置与投资策略杠杆通过一个名为凯利准则（注11）的业界标准建立联系。本文是一篇入门文章，我在此不详谈其计算。凯利准则对策略收益的统计性质做过一些假设，但是它们在金融市场中并不一定成立，交易员因此在实现时通常会有所保留。
风险管理的另外一个关键成分涉及到交易员自身心理因素的处理。尽管大家都承认，算法交易若无人为干涉，不太容易出现问题。交易员在交易时，稍不留神仍然可能会掺入许多认知偏差。一个常见的偏差是厌恶规避，当人发现损失已成定局，其所带来的痛苦，可能会麻痹人的行为，不能做到及时抛盘止损。类似地，由于太过忧心已经到手的收益可能赔掉，人们可能也会过早抛盘收利。另外一个常见的偏差是所谓的近期偏好偏差：交易员太看重近期事件而非长远地看
问题。此外，当然不能落下“恐惧与贪婪”这对经典的情绪偏差。这两种偏差常导致杠杆不足或杠杆过度，造成爆仓（账户资产净值近乎为零或更糟）或盈利缩水的局面。
总结
由此观之，量化交易是数量金融学中一个虽趣味十足但极其复杂的领域。我对这个话题的讨论浅尝辄止，文章就已经这么长了！我在文中三言两句带过的问题，已经有大量的相关书籍和论文出版。因此，在你申请量化基金交易职位前，务必要进行大量的基础调研，至少应当具有统计学和计量经济学的广泛背景，以及使用MATLAB、Python或者R程序语言实现的丰富经验。如果应对的是更加复杂的高频端策略，你的技能组合可能还要包含Linux内核修改、C/C++、汇编编程和网络延迟优化。
如果你有兴致创建自己的算法交易策略，我的头条建议就是练好编程。我偏向于尽可能多地自己实现数据采集器、策略回溯测试系统和交割系统。如果你自己有投钱做交易，而你又了解系统是否已经通过充分测试，还知晓其存在的缺陷和特殊问题，你怎么可能夜里睡不踏实？如果把它外包出去，短期内也许节省了时间，但长期来看可能成本巨大。
译注：
（01）. 数量金融学（Quantitative Finance），也称金融工程学或金融数学，通过高级数学理论量化分析金融产品，为金融市场提供了多样性的金融衍生产品，在丰富投资选择的同时也带来了隐患，比如2008年金融危机。从事数量金融工作的人常使用“矿工”（Quant）自嘲，由于使用大量的高级数学技术也有人称他们火箭科学家。
（02）. 挖掘优势（Exploiting an Edge）并无特别明确的上下文关系。如果以“边界”理解，也不恰当，毕竟常用于表达数学边界含义的是另外一个词‘Bound’。所谓挖掘优势，即对搜索到的多个策略进行对比，选择最佳的一个使用。
（03）. 技术栈（Technology Stack）实际上是提供应用服务的系统所使用的各种技术，若从分层角度来看，各种技术层叠相连、彼此分工协作，好像一个“栈”。如果有人对各种技术都有颇深造诣，那么他（她）就可称作是一名“全栈工程师”（Full Stack Engineer），通俗点就是一多面手、全才，在业界绝对炙手可热。
（04）. 根据交易机制，证券市场可以分成报价驱动市场（Quote-driven Market）、订单驱动市场（Order-driven Market）。订单簿动力学（Order Book Dynamics）则是根据订单驱动市场的信息，探索订单量、流动性与价格之间的动力关系。其主要目的是使用高频交易订单簿当前数据信息预测其短期状态，以辅助做出最佳投资决策。
（05）. 量化交易中使用的每种投资策略实际上就是一个数学模型。在搜索投资策略时，存在各种各样的模型，如何选择呢？可以对投资策略做回溯测试（Backtesting），检测模型在历史数据中的表现。然而，这里就出现一个问题，模型中可能存在各种参数，选择不同的参数对于模型性能的影响也是不同的，为此就需要在测试之前进行一个模型参数调优的过程。典型的做法是将完整的历史数据分割成多份，最简单地是分成两份：一部分做训练样本，另外一部分作为测试数据。如果首先抽样得到训练样本，那么余下的数据就是测试数据（Out-of-Sample Data）。
（06）. 由于利用历史数据回测时，策略在实际运作中使用的信息与历史数据回测时使用的信息不同，比如策略“日均价达到10元卖出”在实时运作时，只能得到开盘至当前的价格数据，从而无从获得日均价的数据。它如同一部穿越剧，属于典型的先窥偏差（Look-ahead Bias）。
（07）. 用于回测的历史数据通常都会经历一个预处理的过程，将部分数据删除。比如，由于私有化或收购的退市股票，只存在部分交易数据，可能会从数据集中剔除，只使用那些一直处于交易状态的数据进行回测。这种只使用预先筛选的幸存者数据进行回测所产生的偏差称作幸存者偏差（Survivorship Bias）。关于幸存者偏差，有个二战的故事读者可以读读。
（08）. 优化偏差（Optimisation Bias），亦称“数据窥视偏差”（Data-snooping Bias），从机器学习的角度来看，这即是过拟合，经过过度优化，策略虽然在历史数据测试集上表现不错，然而在实际应用时却差强人意。
（09）. 窄带滤波器（Spike Filter）主要用于处理时间序列数据的大幅波动。一般而言，时间序列数据的移动变化较为平缓，为了探测数据中可能包含的异常数据，可以使用一个滤波器，将波动变化异常（设定阈值）的数据进行变换，恢复到正常范围，反之则保持不变。由于异常数据呈现扁平长窄带状，窄带滤波器名称由此而来。
（10）. 明富环球（MF Global）是全球最大的商品期货经纪商之一，数月之内在欧洲主权债券上的投资达到63亿美元，接近其资本的6倍，其杠杆率飙升至40:1。由于欧债危机，其信用评级跌至垃圾级，2011年10月31日向法院提交破产保护申请。
（11）. 1956年，贝尔实验室的工程师约翰·拉里·凯利（John Larry Kelly）在研究长距离电话通讯噪声问题时推导出的一个公式，由于意外在21点、赌马等博彩游戏中获得成功，后来广泛应用于证券投资领域，即凯利准则（Kelly Criterion）。由于长距离通话存在随机噪声，凯利研究如何传输信号，从而保证传输速率最大。如果将其应用于赌博，就可以确定每次的赌注大小从而赢的最多。
https://www.doczj.com/doc/a716618216.html,/articles/Beginners-Guide-to-Quantitative-Trading
BEGINNER'S GUIDE TO QUANTITATIVE TRADING
By Michael Halls-Moore on March 26th, 2013
In this article I'm going to introduce you to some of the basic concepts which accompany an end-to-end quantitative trading system. This post will hopefully serve two audiences. The first will be individuals trying to obtain a job at a fund as a quantitative trader. The second will be individuals who wish to try and set up their own "retail" algorithmic trading business.
Quantitative trading is an extremely sophisticated area of quant finance. It can take a significant amount of time to gain the necessary knowledge to pass an interview or construct your own trading strategies. Not only that but it requires extensive programming expertise, at the very least in a language such as MATLAB, R or Python. However as the trading frequency of the strategy increases, the technological aspects become much more relevant. Thus being familiar with C/C++ will be of paramount importance.
A quantitative trading system consists of four major components:
?Strategy Identification - Finding a strategy, exploiting an edge and deciding on trading frequency
?Strategy Backtesting - Obtaining data, analysing strategy performance and removing biases
?Execution System - Linking to a brokerage, automating the trading and minimising transaction costs
?Risk Management - Optimal capital allocation, "bet size"/Kelly criterion and trading psychology
We'll begin by taking a look at how to identify a trading strategy.
Strategy Identification
All quantitative trading processes begin with an initial period of research. This research process encompasses finding a strategy, seeing whether the strategy fits into a portfolio of other strategies you may be running, obtaining any data necessary to test the strategy and trying to optimise the strategy for higher returns and/or lower risk. You will need to factor in your own capital requirements if running the strategy as a "retail" trader and how any transaction costs will affect the strategy.
Contrary to popular belief it is actually quite straightforward to find profitable strategies through various public sources. Academics regularly publish theoretical trading results (albeit mostly gross of transaction costs). Quantitative finance blogs will discuss strategies in detail. Trade journals will outline some of the strategies employed by funds.
You might question why individuals and firms are keen to discuss their profitable strategies, especially when they know that others "crowding the trade" may stop the strategy from working in the long term. The reason lies in the fact that they will not often discuss the exact parameters and tuning methods that they have carried out. These optimisations are the key to turning a relatively mediocre strategy into a highly profitable one. In fact, one of the best ways to create your own unique strategies is to find similar methods and then carry out your own optimisation procedure.
Here is a small list of places to begin looking for strategy ideas:
?Social Science Research Network - https://www.doczj.com/doc/a716618216.html,
?arXiv Quantitative Finance - https://www.doczj.com/doc/a716618216.html,/archive/q-fin
?Seeking Alpha - https://www.doczj.com/doc/a716618216.html,
?Elite Trader - https://www.doczj.com/doc/a716618216.html,
?Nuclear Phynance - https://www.doczj.com/doc/a716618216.html,
?Quantivity - https://www.doczj.com/doc/a716618216.html,
Many of the strategies you will look at will fall into the categories of mean-reversion and
trend-following/momentum. A mean-reverting strategy is one that attempts to exploit the fact that a long-term mean on a "price series" (such as the spread between two correlated assets) exists and that short term deviations from this mean will eventually revert. A momentum strategy attempts to exploit both investor psychology and big fund structure by "hitching a ride" on a market trend, which can gather momentum in one direction, and follow the trend until it reverses.
Another hugely important aspect of quantitative trading is the frequency of the trading strategy. Low frequency trading (LFT) generally refers to any strategy which holds assets longer than a trading day. Correspondingly, high frequency trading (HFT) generally refers to a strategy which holds assets intraday. Ultra-high frequency trading (UHFT) refers to strategies that hold assets on the order of seconds and milliseconds. As a retail practitioner HFT and UHFT are certainly possible, but only with detailed knowledge of the trading "technology stack" and order book dynamics. We won't discuss these aspects to any great extent in this introductory article.
Once a strategy, or set of strategies, has been identified it now needs to be tested for profitability on historical data. That is the domain of backtesting.
Strategy Backtesting
The goal of backtesting is to provide evidence that the strategy identified via the above process is profitable when applied to both historical and out-of-sample data. This sets the expectation of how the strategy will perform in the "real world". However, backtesting is NOT a guarantee of success, for various reasons. It is perhaps the most subtle area of quantitative trading since it entails numerous biases, which must be carefully considered and eliminated as much as possible. We will discuss the common types of bias including look-ahead bias, survivorship bias and optimisation bias (also known as "data-snooping" bias). Other areas of importance within backtesting include availability and cleanliness of historical data, factoring in realistic transaction costs and deciding upon a robust backtesting platform. We'll discuss transaction costs further in the Execution Systems section below.
Once a strategy has been identified, it is necessary to obtain the historical data through which to carry out testing and, perhaps, refinement. There are a significant number of data vendors across all asset classes. Their costs generally scale with the quality, depth and timeliness of the data. The traditional starting point for beginning quant traders (at least at the retail level) is to use the free data set from Yahoo Finance. I won't dwell on providers too much here, rather I would like to concentrate on the general issues when dealing with historical data sets.
The main concerns with historical data include accuracy/cleanliness, survivorship bias and adjustment for corporate actions such as dividends and stock splits:
Accuracy pertains to the overall quality of the data - whether it contains any errors.
Errors can sometimes be easy to identify, such as with a spike filter, which will pick out
incorrect "spikes" in time series data and correct for them. At other times they can be very difficult to spot. It is often necessary to have two or more providers and then
check all of their data against each other.
?Survivorship bias is often a "feature" of free or cheap datasets. A dataset with survivorship bias means that it does not contain assets which are no longer trading. In the case of equities this means delisted/bankrupt stocks. This bias means that any
stock trading strategy tested on such a dataset will likely perform better than in the
"real world" as the historical "winners" have already been preselected.
?Corporate actions include "logistical" activities carried out by the company that usually cause a step-function change in the raw price, that should not be included in
the calculation of returns of the price. Adjustments for dividends and stock splits are
the common culprits. A process known as back adjustment is necessary to be carried out at each one of these actions. One must be very careful not to confuse a stock split with a true returns adjustment. Many a trader has been caught out by a corporate
action!
In order to carry out a backtest procedure it is necessary to use a software platform. You have the choice between dedicated backtest software, such as Tradestation, a numerical platform such as Excel or MATLAB or a full custom implementation in a programming language such as Python or C++. I won't dwell too much on Tradestation (or similar), Excel or MATLAB, as I believe in creating a full in-house technology stack (for reasons outlined below). One of the benefits of doing so is that the backtest software and execution system can be tightly integrated, even with extremely advanced statistical strategies. For HFT strategies in particular it is essential to use a custom implementation.
When backtesting a system one must be able to quantify how well it is performing. The "industry standard" metrics for quantitative strategies are the maximum drawdown and the Sharpe Ratio. The maximum drawdown characterises the largest peak-to-trough drop in the account equity curve over a particular time period (usually annual). This is most often quoted as a percentage. LFT strategies will tend to have larger drawdowns than HFT strategies, due to a number of statistical factors. A historical backtest will show the past maximum drawdown, which is a good guide for the future drawdown performance of the strategy. The second measurement is the Sharpe Ratio, which is heuristically defined as the average of the excess returns divided by the standard deviation of those excess returns. Here, excess returns refers to the return of the strategy above a pre-determined benchmark, such as the S&P500 or a
3-month Treasury Bill. Note that annualised return is not a measure usually utilised, as it does not take into account the volatility of the strategy (unlike the Sharpe Ratio).
Once a strategy has been backtested and is deemed to be free of biases (in as much as that is possible!), with a good Sharpe and minimised drawdowns, it is time to build an execution system.
Execution Systems
An execution system is the means by which the list of trades generated by the strategy are sent and executed by the broker. Despite the fact that the trade generation can be semi- or even fully-automated, the execution mechanism can be manual, semi-manual (i.e. "one click") or fully automated. For LFT strategies, manual and semi-manual techniques are common. For HFT strategies it is necessary to create a fully automated execution mechanism, which will often be tightly coupled with the trade generator (due to the interdependence of strategy and technology).
The key considerations when creating an execution system are the interface to the brokerage, minimisation of transaction costs (including commission, slippage and the spread) and divergence of performance of the live system from backtested performance.
There are many ways to interface to a brokerage. They range from calling up your broker on the telephone right through to a fully-automated high-performance Application Programming Interface (API). Ideally you want to automate the execution of your trades as much as possible. This frees you up to concentrate on further research, as well as allow you to run multiple strategies or even strategies of higher frequency (in fact, HFT is essentially impossible without automated execution). The common backtesting software outlined above, such as MATLAB, Excel and Tradestation are good for lower frequency, simpler strategies. However it will be necessary to construct an in-house execution system written in a high performance language such as C++ in order to do any real HFT. As an anecdote, in the fund I used to be employed at, we had a 10 minute "trading loop" where we would download new market data every 10 minutes and then execute trades based on that information in the same time frame. This was using an optimised Python script. For anything approaching minute- or second-frequency data, I believe C/C++ would be more ideal.
In a larger fund it is often not the domain of the quant trader to optimise execution. However in smaller shops or HFT firms, the traders ARE the executors and so a much wider skillset is often desirable. Bear that in mind if you wish to be employed by a fund. Your programming skills will be as important, if not more so, than your statistics and econometrics talents!
Another major issue which falls under the banner of execution is that of transaction cost minimisation. There are generally three components to transaction costs: Commissions (or tax), which are the fees charged by the brokerage, the exchange and the SEC (or similar governmental regulatory body); slippage, which is the difference between what you intended your order to be filled at versus what it was actually filled at; spread, which is the difference between the bid/ask price of the security being traded. Note that the spread is NOT constant and is dependent upon the current liquidity (i.e. availability of buy/sell orders) in the market.
Transaction costs can make the difference between an extremely profitable strategy with a good Sharpe ratio and an extremely unprofitable strategy with a terrible Sharpe ratio. It can be a challenge to correctly predict transaction costs from a backtest. Depending upon the
frequency of the strategy, you will need access to historical exchange data, which will include tick data for bid/ask prices. Entire teams of quants are dedicated to optimisation of execution in the larger funds, for these reasons. Consider the scenario where a fund needs to offload a substantial quantity of trades (of which the reasons to do so are many and varied!). By "dumping" so many shares onto the market, they will rapidly depress the price and may not obtain optimal execution. Hence algorithms which "drip feed" orders onto the market exist, although then the fund runs the risk of slippage. Further to that, other strategies "prey" on these necessities and can exploit the inefficiencies. This is the domain of fund structure arbitrage.
The final major issue for execution systems concerns divergence of strategy performance from backtested performance. This can happen for a number of reasons. We've already discussed look-ahead bias and optimisation bias in depth, when considering backtests. However, some strategies do not make it easy to test for these biases prior to deployment. This occurs in HFT most predominantly. There may be bugs in the execution system as well as the trading strategy itself that do not show up on a backtest but DO show up in live trading. The market may have been subject to a regime change subsequent to the deployment of your strategy. New regulatory environments, changing investor sentiment and macroeconomic phenomena can all lead to divergences in how the market behaves and thus the profitability of your strategy.
Risk Management
The final piece to the quantitative trading puzzle is the process of risk management. "Risk" includes all of the previous biases we have discussed. It includes technology risk, such as servers co-located at the exchange suddenly developing a hard disk malfunction. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global!). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wont't attempt to elucidate on all possible sources of risk here.
Risk management also encompasses what is known as optimal capital allocation, which is a branch of portfolio theory. This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. The industry standard by which optimal capital allocation and leverage of the strategies are related is called the Kelly criterion. Since this is an introductory article, I won't dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation.
Another key component of risk management is in dealing with one's own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone! A common bias is that of loss
aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias. This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under- or over-leveraging, which can cause blow-up (i.e. the account equity heading to zero or worse!) or reduced profits.
Summary
As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long! Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, C/C++, assembly programming and network latency optimisation.
If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldn't you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues? Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term.
首先，在了解期货的开始，先来了解一下什么叫保证证交易？保证金杆杠交易简单来说就是把本钱放大几倍,甚至几百倍来交易,以更小的资金进行更大投资,实现以小博大,同时损失也会增大. 比如说以黄金为例我们知道黄金都是以美元/盎司计价的一手黄金的总合约是100盎司，现价是1700美元为例，那么他的总合约值是170000美元，合计成人民币是（6.3），算下来是1071000元。黄金做一手的保证金是1000美金，那么也相当于1000美元就可以买到价值107万人民币的黄金这就是保证证的作用。 再来谈一谈期货：期货是什么东东？期货是现在进行买卖，但是在将来进行交收或交割的标的物，这个标的物可以是某种商品（例如黄金、原油、农产品），也可以是金融工具，还可以是金融指标。交收期货的日子可以是一星期之后，一个月之后，三个月之后，甚至一年之后。买卖期货的合同或者协议叫做期货合约。买卖期货的场所叫做期货市场。投资者可以对期货进行投资或投机。 期货包括：商品期货和金融期货商品期货：1.农产品期货：如大豆、豆油、豆粕、籼稻、小麦、玉米、棉花、白糖、咖啡、猪腩、菜籽油、棕榈油 2.金属期货：如铜、铝、锡、铅、锌、镍、黄金、、螺纹钢、线材。 3.能源期货：如原油（塑料、PTA、PVC）、汽油（甲醇）、燃料油。新兴品种包括气温、二氧化碳排放配额、天然橡胶。 金融期货：股指期货：德国DAX指数、恒生指数、沪深300指数 中国目前有四家交易所：中金所期货交易所商品交易所商品期货交易所. 期货的特点：1.T+0双向交易，可以做多，也可以做空. 2. 保证金交易（通常为5%-10%），像股指期货是15%.有的是18%。有的时候还会提高保证金要求，交易所会有通告。3.交易时间：上午是9：00-10：15 10：30-：11：30 （也就是说中间停盘15分钟）下午13：30-15：00 4。有涨跌停板限制10%. 投资名词：阳烛：单位时间收盘价高于开盘价阴烛：单位时间开盘价高于收盘价 跳空：又叫缺口，价格在波动中没有交易的区域。开仓：开始买入或者卖出某一种商品合约的交易行为。平仓：交易者为了了结手中持有的合约，从合约转为现金的一种交易行为。 套利：投机者或者对冲者都可以使用的一种交易技术，即在某一市场买进现货或者期货商品，同时在另外一个市场卖出相同或类似的商品，并希望两个交易会产生价差而获利。 1．什么是金融衍生产品？它包括哪些种类？ 衍生产品是英文（Derivatives）的中文意译。其原意是派生物、衍生物的意思。金融衍生产品通常是指从原生资产（Underlying Asserts）派生出来的金融工具。由于许多金融衍生产品交易在资产负债表上没有相应科目，因而也被称为“资产负债表外交易（简称表外交易）”。金融衍生产品的共同特征是保证金交易，即只要支付一定比例的保证金就可进行全额交易，不需实际上的本金转移，合约的了结一般也采用现金差价结算的方式进行，只有在满期日以实物交割方式履约的合约才需要买方交足贷款。因此，金融衍生产品交易具有杠杆效应。保证金越低，杠杆效应越大，风险也就越大。国际上金融衍生产品种类繁多。活跃的金融创新活动接连不断地推出新的衍生产品。金融衍生产品主要有以下下种分类方法 （1）根据产品形态。可以分为远期、期货、期权和掉期四大类。 远期合约和期货合约都是交易双方约定在未来某一特定时间、以某一特定价格、买卖某一特定数量和质量资产的交易形式。期货合约是期货交易所制定的标准化合约，对合约到期日及其买卖的资产的种类、数量、质量做出了统一规定。远期合约是根据买卖双方的特殊需求由买卖双方自行签订的合约。因此，期货交易流动性较高，远期交易流动性较低。 掉期合约是一种交易双方签订的在未来某一时期相互交换某种资产的合约。更为准确他说，掉期合约是当事人之间签订的在未来某一期间相互交换他们认为具有相等经济价值的现金流（Cash Flow）的合约。较为常见的是利率掉期合约和货币掉期合约。掉期合约中规定的交换货币是同种货币，则为利率掉期；若是异种货币，则为货币掉期。 期权交易是买卖权利的交易。期权合约规定了在某一特定时间、以某一特定价格买卖某一特定种类、数量、质量原生资产的权利。期权合同有在交易所上市的标准化合同，也有在柜台交易的非
一、单项选择题 1. 著名的Chern-Simons定理是由（）与数学家陈省身共同创立。 A. 詹姆斯·西蒙斯 B. 大卫·肖 C. 伊曼纽尔·德曼 D. Ray Dalio 您的答案：A 题目分数：10 此题得分：10.0 批注： 2. 事件驱动策略的特点是（）。 A. 低收益、低风险、大容量 B. 高收益、低风险、小容量 C. 高收益、高风险、大容量 D. 低收益、高风险、小容量 您的答案：B 题目分数：10 此题得分：10.0 批注： 二、多项选择题 3. 数学理论和方法在量化投资中非常重要，以下（）是对图形进 行模式识别的数学理论或方法。 A. 贝叶斯分类 B. 分形理论 C. 机器学习 D. 小波分析 您的答案：D,B,C 题目分数：10 此题得分：10.0 批注： 4. 下列关于股指期货套利的说法正确的是（）。 A. 股指期货套利可看作无风险套利 B. 股指期货套利是指利用股指期货市场存在的不合理价格，
同时参与股指期货与股票现货市场交易，以赚取差价的行为 C. 股指期货套利策略的核心是冲击成本和保证金管理 D. 高速的套利系统是股指期货套利的重要支撑 您的答案：A,C,D,B 题目分数：10 此题得分：10.0 批注： 5. 下列选项属于主要量化对冲策略的是（）。 A. 阿尔法套利 B. 股指期货套利 C. 商品期货套利 D. 期权套利 您的答案：B,C,A,D 题目分数：10 此题得分：10.0 批注： 三、判断题 6. 阿尔法套利是主流的量化对冲策略，Pure Alpha是阿尔法套利 的代表性产品。（） 您的答案：正确 题目分数：10 此题得分：10.0 批注： 7. 投资的核心是小数定律。（） 您的答案：错误 题目分数：10 此题得分：10.0 批注： 8. 量化投资的目标是追求绝对收益。（） 您的答案：错误 题目分数：10 此题得分：10.0
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。 “文艺复兴”的能否真的“复兴”? 但金融行业瞬息万变，老天也没有一味垂青这位叱咤风云的“模型先生”。自2012年以来，由西蒙斯掌印的文艺复兴科技公司可谓祸事不断，厄运缠身。其麾下的“文艺复兴机构期货基金”(RIFF)在2011年仅实现盈利率增长1.84%，到2012年，更是破天荒的亏损了3.17%，这一亏损幅度甚至超过了同年巴克莱CTA指数的平均降幅(1.59%)。RIFF主要通过全球范围的期货和远期交易来实现绝对收益，虽属于文艺复兴公司旗下规模较小的基金产品，但作为公司的明星”印钞机“，其回报率竟会一下暴跌至行业平均水平，难免让众人始料不及。到2012年底，RIFF 的
注意新版本与旧版本不同的地方，如下： 1、从基本素质要求为出发点，删繁就简。太难理解的可以忽略。 2、基本概念和专业术语前后统一。会有概念题目，对重要概念要能理解而不用背诵。 3、加强了交易所有关规则和期货公司业务实务的介绍。识记交易所规则和公司业务 4、全面介绍合约，更实用。注意合约细节 5、补充完善了一些案例。注意案例的分析，与分析题相关 特别提示：理解为主，识记熟悉而不必须背诵。 第一章．期货市场概述 第一节期货市场的产生和发展 第二节期货市场的特征 第三节中国期货市场的发展历程 重点：期货交易基本特征，期货市场基本功能和作用，发展历程 第一节期货市场的产生和发展 一、期货交易的起源： 期货市场最早萌芽于欧洲。 早在古希腊就出现过中央交易所、大宗交易所。 1571年，英国创建了——伦敦皇家交易所。 现代意义上的期货19世纪中叶产生于美国， 1848年——82个商人——芝加哥期货交易所（CBOT）， 1851年引进了远期合同， 1865年推出标准化合约，同时实行保证金制度 1882年对冲交易， 1925年成立了结算公司。 标准化合约、保证金制度、对冲机制和统一结算——标志着现代期货市场的确立。 世界上主要期货交易所： 芝加哥期货交易所CBOT 芝加哥商业交易所（1874）CME——1969年成为全球最大肉类、畜类期货交易中心 以上两个2007年合并成CME Group芝加哥商业交易所集团 伦敦金属交易所（1876）LME——全球最大的有色金属交易中心 二、期货交易与现货交易、远期交易的关系 现货交易：买卖双方出于对商品需求或销售的目的，主要采用实时进行商品交收的一种交易方式。 期货交易：在期货交易所内集中买卖期货合约的交易活动，是一种高度组织化的交易方式，对交易对象、交易时间、交易空间等方面有较为严格的限定。 联系：现货交易是期货交易的基础，期货交易可以规避现货交易的风险。 现货交易与期货交易的区别 a交易对象不同：实物商品 VS 标准化期货合约 b交割时间不同：即时或者短时间内成交VS 时间差 c交易目的不同：获取商品的所有权 VS 转移价格风险或者获得风险利润 d交易场所和方式不同：场所和方式无特定限制 VS 交易所集中公开竞价 e结算方式不同：一次性结算或者分期付款 VS 每日无负债结算制度 期货交易与远期交易 远期交易：买卖双方签订远期合同，规定在未来某一时间进行商品交收的一种交易方式。属于现货交易，是现
量化投资修行之葵花宝典 很多朋友问过，顺手认真整理了一下，个人观点，特指“量化组合投资领域”，仅供各位朋友参考 预备知识 预备知识包括：数学、计算机、投资学。 数学方面至少包括微积分、线性代数、优化理论、概率统计基础、线性回归等知识点。当然，数学专业出身最佳，肯定满足条件，一般理工科也都基本满足要求，即使有所欠缺，花一点时间也就自学补上了。 计算机方面有两点：一是要会编程，MATLAB、C++、Java、Python、R等语言或软件只要会用一种就行，但要求比较熟练，有过几万行代码的经验；二是了解数据库和SQL语言，因为量化投资中涉及对海量数据的管理和分析，所以需要建立和维护数据库，并用SQL从数据库按各种形式查询数据。 投资学方面只要通过大学的《投资学》课程就好，像William Sharpe等3人合著的《投资学》，还要好几部其它优秀的《投资学》教程都可以。要是能够通过CFA，那就最好了，知识面更广。 入门阶段 Barra USE3 handbook Barra是量化投资技术提供商，是量化投资先驱。其经典的美国股票风险模型第3版（USE3）手册，详细介绍了股票市场多因子模型的理论框架和实证细节。手册共几十页，不太长，描述规范清晰，不陷入无意义的细节，非常适合于入门。
系统学习阶段 系统化学习1：Quantitative Equity Portfolio Management（QEPM），Ludwig Chincarini 偏学术风格 偏学术界的作者撰写的关于量化股票组合投资的系统教程。尤其是前几章概述部分写得非常精彩、易懂、准确。把该领域的各个方面高屋建瓴地串讲了一遍。后面部分的章节似乎略有些学术了，但也值得一读。 由于其较高的可读性，适于初学者学习。 系统化学习2：Active Portfolio Management（APM）， Grinold & Kahn 偏业界风格 业界先驱所著，作者均曾任Barra公司的研究总监。本书深度相对较深，描述也偏实践，介绍了许多深刻的真知。并且书中很多论述精彩而透彻。该书被奉为量化组合投资业界圣经。不过该书有些章节撰写得深度不一，初学者容易感到阅读起来有点困难。所以推荐：首次阅读不必纠结看不懂的细节，只要不影响后续阅读就跳过具体细节；有一定基础后，建议经常反复阅读本书。 系统学习3：Quantitative Equity Portfolio Management（QEPM），Qian & Hua & Sorensen APM的补充 业界人士所著。针对性地对APM没有展开讲的一些topic做了很好的深入探讨。建议在APM之后阅读。该书风格比较数学，不过对数学专业背景
1、炒白银如何开户？ 以泛亚有色金属交易所为例，全国免费开户，目前有三个交易品种:白银,铟与云锗。 开户流程如下： 1、直接把身份证正、反和工行正面扫描件传给我，一小时内就能开户成功。（用手机拍照也可，但要清楚） 2、拿到交易账号后，通过工行网银在网上办理账号绑定。（也可以去当地的工行柜台办理绑定） 附：建议把工行卡开通网银，这样就不用去当地的工行柜台跑了，直接在网上可以绑定的。 开户是免费的，开户资料就三样东西：身份证正、反和工行卡正面扫描件，总部审核通过后就开户成功了。 2、做多与做空? 做多：是指预期未来价格上涨，以目前价格买入一定数量的交易品种,等价格上涨后，高价卖出，从而赚取差价利润的交易行为，特点为先买后卖的交易行为.一般的市场只能做多，这种模式只有在价格上涨的波段中才能盈利。即先低位买进再高位卖出。 做空：是指预期未来价格下跌，将交易品种按目前价格卖出，待行情跌后买进，获利差价利润。其特点为先卖后买的交易行为。 现货比股票多一种赚钱模式，就是做空。 做多和股票是一样的，低买高卖。但现货可以做空，比如你认为1000这里要跌了，可以在1000卖，如果真跌到了950，你在950买进，简单说，就是高卖低买。一手的波动利润是50点（实战中要扣掉3点手续费），10手就是500元的浮动利润。这种先高卖，后低买的盈利模式，就叫"做空"。 所以，现货不管涨跌，只要有波动，就至少有50%的赚钱概率。 现货的赚钱模式： 价格上涨时（做多）：先买入订立，后卖出转让； 价格下跌时（做空）：先卖出订立，后买入转让； （订立就是进场的意思，转让就是出场的意思。） 3、大宗商品是什么？ 大宗商品是指可进入流通领域，但非零售环节，具有商品属性用于工农业生产与消费使用的大批量买卖的物质商品。在金融投资市场，大宗商品指同质化、可交易、被广泛作为工业基础原材料的商品，如原油、有色金属、农产品、铁矿石、煤炭等。包括3个类别，即能源商品、基础原材料和农副产品。泛亚有色金属交 1
金融期货基础知识测试题题库 一、选择题（20个） 1.期货公司应当在（A）向投资者揭示期货交易风险。 A、投资者开户前 B、投资者开户后 C、交易亏损时 2.建立空头持仓应该下达（C）指令。 A、买入开仓 B、买入平仓 C、卖出开仓 D、卖出平仓 3.沪深300 股指期货交易中，单边市是指某一合约收市前（B）分钟内出现只有停板价格的买入（卖出）申报、 没有停板价格的卖出（买入）申报，或者一有卖出（买入）申报就成交、但未打开停板价格的情形。 A、1 B、5 C、10 4.沪深 300 股指期货合约的合约标的是（C）。 A、上证综合指数 B、深证成份指数 C、沪深 300 指数 D、上证50指数 5.金融期货交易具有杠杆性，既放大盈利也放大亏损，是因为实行了（B）。 A、双向交易制度 B、保证金制度 C、当日无负债结算制度 D、强制平仓制度 6.金融期货交易的杠杆性决定了：收益可能成倍放大，损失也可能（C）。 A、不变 B、成倍缩小 C、成倍放大 7.金融期货投资者不得采用（D）下达交易指令。 A、书面委托 B、电话委托 C、互联网委托 D、全权委托期货公司 8.在极端行情下，金融期货投资者面临的亏损（B）。 A、不可能超过投资本金 B、可能会超过投资本金 9.客户在金融期货交易中发生保证金不足，且未能按照经纪合同中的约定及时追加保证金或者主动减仓，该客户
A、强制减仓 B、强行平仓 C、协议平仓 10.某交易日收盘后，某投资者持有 1 手沪深300 股指期货某合约多单，该合约收盘价为3660 点，结算价为 3650 点。下一交易日该投资者未进行任何操作，该合约的收盘价为 3600 点，结算价为3610 点，结算后该笔持仓的当日亏损为（C）。 A、18000 元 B、15000 元 C、12000 元 11.中金所上市的 5 年期国债期货属于：（B） A、短期国债期货 B、中期国债期货 C、长期国债期货 D、超长期国债期货合约 12.中金所 5 年期国债期货合约的面值为（A）元人民币。 A、100 万 B、120 万 C、150 万 D、200 万 13.中金所 5 年期国债期货合约票面利率为：（B） A、2.5% B、3% C、3.5% D、4% 14.中金所 5 年期国债期货合约对应的可交割国债的剩余期限为:（C） A、距离合约交割月首日剩余期限为 2 至 5 年 B、距离合约交割月首日剩余期限为 3 至 6 年 C、距离合约交割月首日剩余期限为 4 至 5.25 年 D、距离合约交割月首日剩余期限为 5 至 8 年 15.中金所 5 年期国债期货合约对应的可交割国债是：（A） A、固定利率国债 B、浮动利率国债 C、固定或浮动利率国债 D、以上都不是 16.中金所 5 年期国债期货合约的最小变动价位为：（D） A、0.001 元 B、0.0012 元 C、0.0015 元 D、0.005 元 17.中金所 5 年期国债期货的交易代码为：（C） A、IF B、IE C、TF D、TE 18.中金所 5 年期国债期货合约交割方式为：（B） A、现金交割 B、实物交割
量化投资 =============================================================================== 究竟什么是量化投资 日期：2009-10-28 09:15:53 回国工作这段时间来，经常有人问我：“究竟什么是量化投资？”尽管这一投资方式在国际上已经获得了广泛的认同与应用，但对于国内投资人而言，还是一个新话题。 简单地说，定量投资是将人的投资思想反应在数量模型中，并利用电脑处理大量信息，进行投资决策。定量投资强调投资的科学性，它意味着“投资已由一种艺术发展为科学”。 首先是科学验证。与传统定性投资相比，定量投资更加强调投资思想的科学验证。比如，某些投资者认为管理质量好，产品质量高的公司更有可能带来长期回报。而另一些人却认为在中国市场，利用市场情绪和技术分析更能取得高市场回报。两种投资者都分别能讲出一些成功的故事来。那么，我们又该相信谁呢？ 定量外汇保证金投资会将两种说法都进行验证。我们会建立两个模型，分别反映上述两种投资思想。以验证这些思想长期有效，而不仅仅在某一时期、某种市场甚至某些个别事例上正确。定量投资人会采用长期历史数据和大量股票进行研究。只有在多数情况下有效的思想，我们才会在最终的投资模型中采用。 其次，便是纪律性。虽然量化模型是由人设计的，具体的交易单却由模型产生。我们在经验总结以及模型设计时容易理性，但在个股的交易时却不免受制于人性的弱点。基于对思想模型的信任，定量投资会严格执行模型所产生的交易单，仅在特殊的情况下对交易单进行个别修改。这种由模型确定交易的过程能帮助我们克服交易中的人性弱点。 定量投资是计算机科技以及投资炒外汇入门市场发展到一定阶段的产物。1971年，巴克莱国际投资管理公司发行了世界上第一只被动的定量投资产品。1977年，这一公司又发行了首只主动定量产品。 受益于计算机技术和市场数据供应的完善，进入21世纪后，这一投资方式开始飞跃成长。2000年至2007年间，美国定量投资总规模翻了四倍多。而同期的美国共同基金总规模(定量+定性)只翻了1.5倍左右。定量投资在全部投资中的占比从1970年为零发展到2009年30%以上。 什么是量化基金?什么是量化投资基金? 量化基金的主要特点是将定性研究的理论通过数量模型演绎出来，借助电脑强大的处理信息的能力，全范围的筛选符合“标准”的股票，避免任何投资“盲点”的产生，最大限度地捕捉“标准”的投资对象。由于借助量化模型，定量投资能够避免基金经理情绪、偏好等对投资组合的干扰，精确地反映基金管理人的投资思想，最大限度地“理性”投资。
【基础业务知识试题答案】 上海黄金交易所是经国务院批准，由中国人民银行组建，在国家工商行政管理局登记注册的，不以营利为目的，实行自律性管理的法人。遵循公开、公平、公正和诚实信用的原则组织黄金、白银、铂等贵金属交易。交易所于2002年10月30日正式开业，并于2004年推出Au(T+D)业务；2006年推出Ag(T+D)业务。 交易所主要实行标准化撮合交易方式。交易时间为每周一至五（节假日除外）上午9:00-11:30，下午13:30-15:30，晚上21:00-2:30。 目前，交易的商品有黄金、白银和铂金，黄金有四个现货实盘交易品种：、、Au50g、Au100g； 两个延期交易品种：Au(T+5)与Au(T+D)；两个中远期交易品种：Au(T+N1)、Au(T+N2)；白银有现货实盘交易品种：；现货保证金交易品种：Ag(T+D)；铂金有现货实盘交易品种：；现货保证金交易品种：Pt(T+5)； 现货交易品种的涨跌停板幅度为30%；延期交易品种的涨跌停板幅度为7%。 截至2008年10月底，交易所指定的清算银行主要有：中国银行、中国农业银行、中国工商银行、中国建设银行、深圳发展银行、兴业银行、华夏银行、上海银行、广东发展银行等9家。 交易所清算实行集中、直接、净额的资金清算原则和每日无负债结算制度。 交易所实物交割实行“一户一码制”的交割原则，在全国37个城市设立55家指定仓库，金锭和金条由交易所统一调运配送。 交易所实行会员制组织形式，现有会员162家，分散在全国26个省、市、自治区；交易所会员依其业务范围分为金融类会员、综合类会员和自营会员。目前会员单位中年产金量约占全国的80%；用金量占全国的90%；冶炼能力占全国的90%。 黄金延期合约的交易报价单位为人民币元/克，最小变动价格为元人民币，最小交易单位为1手，每手代表的实物标准重量为1千克，最小实物交收量为1手；白银延期合约的交易报价单位为人民币元/千克，最小变动价格为1元人民币，最小交易单位为1手，每手代表的实物标准重量为1千克，最小实物交收量为15手、并以15手整倍数申报交收 ! 延期交易是指以保证金交易方式进行交易，客户可以选择合约交易日当天交割，也可以延期交割，同时引入延期补偿费（简称延期费）机制来平抑供求矛盾的一种现货交易模式。 它是一种更为灵活的、敞口的现货交易，是一种现、期货合一的交易。买卖双方可以灵活确定实际交收的时间以及数量。既可以帮助企业利用黄金市场进行套期保值，也可以满足投资（投机）者的投资需要。 延期费为客户延期交收发生的资金或黄金实物的融通成本，延期费的支付方向根据交收申
新起点丁老师总结（不断更新中） 《现货问题总结》 此为2012－08版本： 1、炒白银如何开户？ 泛亚有色金属交易所，全国免费开户，目前有三个交易品种:白银,铟与云锗。 开户流程如下： 1、直接把身份证正、反和工行正面扫描件传给我，一小时内就能开户成功。（用手机拍照也可，但要清楚） 2、拿到交易账号后，通过工行网银在网上办理账号绑定。（也可以去当地的工行柜台办理绑定） 附：建议把工行卡开通网银，这样就不用去当地的工行柜台跑了，直接在网上可以绑定的。开户是免费的，开户资料就三样东西：身份证正、反和工行卡正面扫描件，总部审核通过后就开户成功了。 2、做多与做空? 做多：是指预期未来价格上涨，以目前价格买入一定数量的交易品种,等价格上涨后，高价卖出，从而赚取差价利润的交易行为，特点为先买后卖的交易行为.一般的市场只能做多，这种模式只有在价格上涨的波段中才能盈利。即先低位买进再高位卖出。 做空：是指预期未来价格下跌，将交易品种按目前价格卖出，待行情跌后买进，获利差价利润。其特点为先卖后买的交易行为。 现货比股票多一种赚钱模式，就是做空。 做多和股票是一样的，低买高卖。但现货可以做空，比如你认为1000这里要跌了，可以在1000卖，如果真跌到了950，你在950买进，简单说，就是高卖低买。一手的波动利润是50点（实战中要扣掉3点手续费），10手就是500元的浮动利润。这种先高卖，后低买的盈利模式，就叫"做空"。 所以，现货不管涨跌，只要有波动，就至少有50%的赚钱概率。 现货的赚钱模式： 价格上涨时（做多）：先买入订立，后卖出转让； 价格下跌时（做空）：先卖出订立，后买入转让； （订立就是进场的意思，转让就是出场的意思。） 3、大宗商品是什么？ 大宗商品是指可进入流通领域，但非零售环节，具有商品属性用于工农业生产与消费使用的大批量买卖的物质商品。在金融投资市场，大宗商品指同质化、可交易、被广泛作为工业基础原材料的商品，如原油、有色金属、农产品、铁矿石、煤炭等。包括3个类别，即能源商品、基础原材料和农副产品。泛亚有色金属交易所，全国免费开户。我的名字就是交流裙。
量化研究学习书单 重要说明： 1、这里所列的书籍，专指定量研究学习，侧重应用，定性研究的大量好书，暂不列入。 2、方法论为各学科所共通，此书单所列书目，对包括新闻传播学在内的所有社会科学学生掌握定量研究方法都有帮助。 3、研究方法的学习与运用，有相当的难度。为了使中国学生便于理解和阅读，这里所列的绝大部分都是中文书，且为近期出版，容易找到。事实上，英文世界，有大量更好的学习书籍，请感兴趣者通过其他途径查找阅读。 4、方法论的书，都是“工具书”，看一遍或几遍远远不够，要放在案头，像字典一样，遇到具体的问题，常读常新。每次阅读，你都能有新的理解和收获。 5、如果能把书目中所列的大部分书都读通读精，完成一篇比较优秀的定量研究博士论文，在方法论上已经游刃有余。但学海无边，方法会不断出新，更深入、专业的分析手段，请感兴趣者日后自行查找。 6、台湾地区的研究方法和论文写作指导书，无论是数量还是质量上，远高于大陆。所以这里特别列出了一些台湾地区的书目，如有机会阅读，对你的帮助肯定很大很大。 7、量化研究入门容易，学好很难。在最后特别列出了“值得学习的定量研究论文集”，看看高手的量化研究论文是怎么写的，是如何从构思到步步深入的。每篇都值得新手反复研读，模仿，你的水平定会提高。 8、量化研究要学好，理论、方法技术、分析软件，三者缺一不可。这里所列书目，以方法技术为主，部分涉及分析软件，侧重实用性。理论书，请根据具体的研究选题，自行查阅。 9、读书也要看“品牌”，品牌是质量的保证。量化研究学习领域，个人认为，比较好的作者品牌是：台湾学者邱皓政、吴明隆、温福星等；海外学者谢宇、边燕杰、侯杰泰等；国内学者徐淑英、郭志刚、风笑天、仇立平、温忠麟等；比较好的出版社品牌是：大陆的重庆大学出版社“万卷方法”系列；格致出版社的“格致定量”系列；台湾的五南图书出版公司、三民书局、心理出版社等。另外，大陆的社科文献出版社，经常会出版一些优秀的定量研究专著。 10、目前市面上量化研究的书也很多，但说实话，好书不多，中文的好书更少，手把手教你学习的好书，则少之又少。这里所列书目，每本我都认真研读过数遍，都是我自认为觉得对研究入门、研究进阶、研究深入很有帮助的好书。但受制于我的阅读量和阅读范围，仅为一家之言，特此说明。 基础篇： 1.陈国明：《传播研究方法》，复旦大学出版社，2011年版。 2.邱皓政：《量化研究与统计分析》，重庆大学出版社，2009年版。 3.仇立平：《社会研究方法》，重庆大学出版社，2008年版。
金融学院量化投资方向复试经验 1、复试各环节完整流程 金院金融专硕分为四个方向：银行管理，资本市场，金融工程，量化投资。量化投资（以下称量化）与其他三个方向在复试上有很大程度的差别。量化整个复试包括审查、笔试、面试。如果是10月考研报名时已经选择了量化投资，则不需要审查，过线后直接进笔试，如果10月没选量化投资，初试成绩出了后有改选量化投资的机会，但是需要审查，审查成绩单、简历等资料，主要看数学、计算机、金融等学科的成绩和有没有相关经历。金院量化的笔试和面试一般在挨着的两天，第一天上午笔试之后，下午公布结果，一般在5点左右，转天上午面试，也是当天下午5点左右电话或者短信通知是否拟录取，如果没有拟录取，那么你还有再次参加专硕其他三个方向面试的机会，只是时间会很紧张，量化的面试和普通方向的面试之间不会隔很久，18年是挨着的。 2、复试为什么需要提前准备 对于量化来说，绝大多数复试内容在准备初试期间基本没有涉及，同时也没有固定的题库，考生需对复试的各个领域全面复习，而且对于编程等技能性知识来说，需要较长时间的经验积累，因此需要提前准备。 3、复试中应该如何表现自己（着装、仪表、举止言谈） 复试笔试可以穿平时的衣服，不要太随意就好。面试建议男生穿着正装，女生不严格要求正装但也要正式一点的衣服，尽管不能用服装确定你是否录取，但着装正式对老师表示尊重是绝对没错的。回答问题语气要平和，切不可过度表现自己。最简单来说，无论从你身体哪里（头发、鞋、语气），都不会让老师觉得不适就可以了。
4、复试中笔试的参考书（怎么看，什么时间看） 量化的复试，不管是笔试和面试，都可以按照金融学院官网上给出的笔试提纲和样卷来准备。主要包括运筹学（管理科学）、统计学（计量经济学）、随机分析、投资学和衍生品、编程和数学（主要是概率论）等。参考教材有李子奈《计量经济学》或其他本科教材，博迪《投资学》，赫尔《衍生品》，《管理科学基础》天大版或其他运筹学的书，编程语言可以自己任选，这边的老师用Matlab和Python比较多，量化的工作也基本是这两个最常用，相信各位朋友圈可以看到很多这俩语言的教程，这里就不多列举。随机分析的部分如果本科没有学过的话就放弃吧，看了书考试也写不上来，非要看可以看《金融随机分析》，施里夫的。看书的过程中着重看自己以前见过的，把已经掌握的弄牢固，以前接触少或者没接触过的大概知道意思就好。专业跨度比较大的同学建议越早看书越好，金融工程、数学、计算机等专业压力会相对小一些。 5、复试中金融热点问题 量化的复试基本不会涉及热点问题，但是老师会针对性的问一些金融市场的基本常识，但是并不是根据热点问题提问的。 6、复试需要提前联系导师吗 量化的整个研究生考试相当于过关式，过了一关以后，上一关的成绩不会影响下一关。也就是说，在最后一关参加面试的同学中，是否录取基本只取决于面试的表现，和初试和笔试关系不大。因此初试成绩很高并不能保证录取，初试成绩低的同学，只要复试表现好，老师会给你复试打很高的成绩保证你被录取，因此大家的机会都是公平的，不需要提前联系导师。 7、复试英语面试的准备
教材目录第一章：量化基础知识 第一节 量化投资的概念和优势 第二节 量化投资的历史和未来 第三节 量化投资的流程与应用 第二章：量化策略入门 第一节：MindGo量化交易平台 第二节：MindGo API介绍 第三节：我的第一个量化策略 第三章：Python编程 第一节：Python介绍 第二节：数据类型 第三节：条件与循环 第四节：函数 第五节：numpy 第六节：pandas基础 第七节：pandas进阶 第四章：经典量化策略集锦 第一篇：投资高股息股票 第二篇：从“二八轮动”中学择时 第三篇：网格交易—动态调仓策略 第四篇：进军交易系统，从Dual Thrust中学“趋势”第五篇：布林强盗，一个霸道的交易系统 第六篇：交易系统终结者—海龟交易法则 第七篇：向彼得林奇投资大师学习PEG选股 第八篇：CAPM模型的应用 第九篇：Fama-French三因子模型应用 第十篇：动量类多因子之择时中选股 第五章：量化研究专题 第一篇：用matplotlib绘图函数实现数据可视化 第二篇：运用Scipy模块实现统计技术 第三篇：10分钟学会用Python做线性回归 第四篇：统计套利：利用相关系数进行配对交易 第五篇：数据处理专题：去极值、标准化、中性化
第六篇：数据挖掘专题：分类与预测 第七篇：算法交易入门—VWAP 第八篇：Python实现马克维兹投资组合理论 第九篇：隐马尔科夫模型【机器学习+数据挖掘】 第十篇：机器学习之神经网络入门
第一章：量化基础知识 第一节 量化投资的概念和优势 量化投资的概念 量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。 量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，打个比方来说明，我们先看一看医生治病，中医与西医的诊疗方法不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。 医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。 但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，我会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。 量化投资的优势 量化投资的优势在于纪律性、系统性、及时性、准确性和分散化。 1.纪律性：严格执行投资策略，不是投资者情绪的变化而随意更改。这样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。 2.系统性：量化投资的系统性特征包括多层次的量化模型、多角度的观察及海量数据的观察等。多层次模型包括大类资产配置模型、行业选择模型、精选个股模型等。多角度观察主要包括对宏观周期、市场结构、估值、成长、盈利质量、市场情绪等多个角度分析。此外，海量数据的处理能力能够更好地在广大的资本市场捕捉到更多的投资机会，拓展更大的投资机会。 3.及时性：及时快速地跟踪市场变化，不断发现能够提供超额收益的新的统计模型，寻找新的交易机会。 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。
股指期货基础知识测试试题（A 卷） （共30 道题，答对24 题为合格。测试时间为30 分钟。） 一、判断题（本大题共10 道小题，对的打“√”，错的打“X”，请将正确答案填入下面的表格中） 1．沪深300 股指期货合约价值为沪深300 指数点乘以合约乘数。（） 2．IF1005 合约表示的是2010 年5 月到期的沪深300 股指期货合约。（） 3．沪深300 股指期货实行T+1 交易制度。（） 4．中金所可以根据市场风险状况调整沪深300 股指期货合约的交易保证金标准。（） 5．客户参与股指期货交易在不同的会员处开户的，其交易编码中客户号不相同。（） 6．股指期货合约的当日结算价是计算当日持仓盈亏的依据，沪深300 股指期货合约以该合约当天收盘价作为当日结算价。（） 7．股指期货合约到期时，交易所将按照交割结算价将投资者持有的未平仓合约进行现金交割，投资者将无法继续持有到期合约。（）
8．沪深300 股指期货合约的交易单位为“手”，期货交易以交易单位的整数倍进行。（） 9．期货合约有到期日，不能无限期持有。（） 10．投资者对期货交易结算报告的内容有异议的，应在期货经纪合同约定的时间内向期货公司提出，否则视为对交易结算结果的确认。（） 二、单项选择题（本大题共20 道小题，每题仅有一个正确答案，请将正确答案填入下面的表格中） 1. 会员应当与客户约定，客户出现交易所规定的异常交易行为并经劝阻、制止无效的，会员可以采取以下何种措施（）。 A、提高交易保证金 B、限制开仓 C、拒绝客户委托或终止经纪关系 D、以上均包括 2. 根据股指期货投资者适当性制度的要求，自然人投资者申请开立股指期货交易编码需要具有累计（）以上的股指期货仿真交易成交记录，或者最近三年内具有10 笔以上的商品期货交易成交记录。 A、5 个交易日、10 笔
量化投资入门教程六——技术指标MA策略 目录 1.策略原理及代码 1.1策略原理 1.2策略代码 1.2.1ATR.ini 1.2.2ATR.py 1.2.3stock_pool.csv 2.Python相关函数 2.1Python标准函数 2.2掘金接口函数 3.金融术语（移动平均线）
1.策略原理及代码 1.1策略原理 基于ta-lib的MA策略。如果当前价格高于MA，买入股票；如果当前价格低于MA，卖出股票。 实现量化投资策略的相关编程并非想象中这么困难，从Python的安装到量化编程的实现只需简单几步（具体见 https://www.doczj.com/doc/a716618216.html,/q/forum.php?mod=viewthread&tid=54&extra=page%3D1轻松安装Python、掘金量化平台及相关工具包） 1.2策略代码（可直接在python中实现） 1.2.1 ma.ini [strategy] username= password= ;回测模式 mode=4 td_addr=localhost:8001 strategy_id= ;订阅代码注意及时更新 subscribe_symbols=SHFE.ag1705.tick,SHFE.ag1705.bar.60 [backtest] start_time=2017-02-15 21:00:00 end_time=2017-03-07 16:00:00 ;策略初始资金 initial_cash=10000000 ;委托量成交比率，默认=1（每个委托100%成交） transaction_ratio=1 ;手续费率，默认=0（不计算手续费） commission_ratio=0.0004
代理金业务基础知识测试题 一、单选题（共25题） 1. 上海黄金交易所正式开业时间为（），它的成立标志着中国黄金市场走向全面开放。 D A . 2001年6月30日 B . 2001年10月30日 C . 2002年6月30日 D . 2002年10月30日 2. （）确立美元与黄金挂钩，美国承担了以官价兑换黄金的义务。 C A . 第一次世界大战 B . 20世纪30年代 C . 布雷顿森林会议 D . 1978年《国际货币基金协定》 3. 目前，全球黄金期货定价最具有影响力的是（）黄金市场。 B A . 纽约 B . 伦敦 C . 苏黎世 D . 东京 4. 上海黄金交易所白银现货即期交易的最小提货单位为（）。 B A . 10公斤 B . 15公斤
D . 25公斤 5. 下列选项中，对于上海黄金交易所现货交易说法错误的是（）。 D A . 黄金现货交易报价时即冻结全额资金和实物。 B . 普通交易模式中，会员卖出黄金，其所得金额的90%可用于本交易日内的交易。 C . 买入黄金，可以立即卖出或提货。 D . 铂金现货卖出报价时，交易所会冻结102%的资金。 6. 上海黄金交易所Au99.99最小交易单位为__。 B A . 50g/手 B . 100g/手 C . 500g/手 D . 1000g/手 7. 延期交收交易合约价格的涨跌幅是以上一交易日的（）为基准。 B A . 收盘价 B . 结算价 C . 开盘价 D . 最后五笔平均成交价 8. 对于现货实盘交易中的铂金品种，交易时买入报价需要冻结（）的资金。 D A . 10% B . 70%
期货（现货中远交易）交易基本知识 期货交易是市场经济发展到一定阶段的必然产物，它只需交纳少量保证金，通过在期货交易所公开竞价买卖期货合约，并在合约到期前通过对冲，即先买入后卖出(或相反)，或者进行实物交割来完成交易。因此，期货交易是对期货合约进行的买卖，主要目的在于转移现货交易中的风险，或猎取风险利润，又分套期保值业务与风险投资业务。 一、期货交易的主要特征 以小博大(保证金制度) 期货交易只需交纳比率很低的履约保证金，通常占交易额的5-10%，从而使交易者可以用少量资金进行大宗买卖，节省大量的流动资金。 获利机会多(双向交易) 无论市场行情看涨还是下跌，均可入市和获得盈利机会。价格看涨时，先低买再高卖的过程称为“多头”；价格看跌时，先高卖再低买的过程称为“空头”。
交易便利(标准化合约) 期货市场中买卖的是标准化的合约，只有价格是可变因素，其它交货时间、地点、方式、数量、质量都是固定的，只通过频繁的合约交易而创造较多的盈利机会，而无需面临找上家、找下家的问题。 不担心履约问题(结算制度) 所有期货交易都通过期货交易所进行结算，且期货交易所成为任何一个买者或卖者的交易对方，为每笔交易做担保。 二、期货交易的主要功能 转移、回避价格风险 这种功能作用主要针对生产厂商、加工厂商和贸易厂商而言的，也就是对套期保值者来讲的。随着商品交换的复杂化、社会化、市场经济的运行变得越来越充满不确定性。某种商品的价格因以供求为代表的多种因素的影响而非常容易发生波动。而价格的波动对无论是商品供给者还是商品需求者来说是有很大影响的，因此，人们总是想方设法转移、回避和分散价格风险，这也正是期货交易发展起来的主要
、单项选择题 1. 相对价值策略的特点是（）。 A. 低收益、低风险、大容量 B. 高收益、低风险、小容量 C. 高收益、高风险、大容量 D. 高收益、高风险、小容量 您的答案：A 题目分数：10 此题得分：10.0 2. 关于金融市场的数学定义，下列说法正确的是（）。 A. 数学可以用来描述金融市场 B. 把金融市场看成是函数逼近问题时，可以用贝叶斯分 类进行计算 C. 把金融市场看成是分类问题时，可以用回归分析的方 式进行数据分析 D. 把金融市场看成是概率问题时，可利用小波分析理论 计算概率 您的答案：A 题目分数：10 此题得分：10.0 二、多项选择题 3. 美国对冲基金主要运用的策略包括（）。 A. 相对价值策略 B. 宏观因素策略 C. 事件驱动策略 D. 小盘价值策略 您的答案：B,C,A 题目分数：10 此题得分：10.0 4. 量化投资具有以下（）等优点。 A. 以组合对冲为主，赌大概率事件 B. 以机器交易为主，克服人性弱点 C. 可进行全市场、全产品、全周期监控，精力无限
D. 利用算法交易降低对市场的冲击，实现精细化交易 您的答案：C,B,D,A 题目分数：10 此题得分：10.0 5. 下列关于量化投资的理解正确的是（）。 A. 数据是量化投资的基础要素 B. 程序化交易实现量化投资的重要手段 C. 量化投资追求的是相对收益 D. 量化投资的核心是策略模型 您的答案：D,B,A 题目分数：10 此题得分：10.0 三、判断题 6. 算法交易策略核心是成交量分布的预测。（） 您的答案：正确 题目分数：10 此题得分：10.0 7. 国际知名的对冲基金管理公司桥水公司（BRIDGEWATER）是由物 理学博士伊曼纽尔·德曼创立的。（） 您的答案：错误 题目分数：10 此题得分：10.0 8. 目前比较流行的量化对冲策略建模语言主要有MATLAB和R语 言。（） 您的答案：正确 题目分数：10 此题得分：10.0 9. 历史高频交易数据后验的核心在于根据历史高频交易数据进行 模拟撮合，撮合算法主要是判断在某个时段的成交量的成交比例。 （） 您的答案：正确