Greenwicher's Wiki【金融】量化交易职业发展 2017-06-29
Live简介
2005-2009中山大学数学与应用数学本科，2009-2011美国斯坦福大学计算与数学工程硕士，此后在美国从事高频与量化交易两年，2013年回国，在期货公司和私募证券投资基金都工作过。从业以来交易过美国、日本、新加坡、中国的期货市场，熟悉各种高中低频期货交易。目前主要从事CTA商品期货中低频量化交易。
结合自己这6年来在中美量化领域的工作经历，介绍量化交易的基本概念以及建模方法，以及职业发展的经验，最后留有问答时间。
本次 Live 主要包括以下内容
•量化交易概要
• 策略基本类型
• 国内外著名的量化交易公司
• 量化交易和基本面、技术分析的关系
• 量化交易用到的方法有多复杂？
• 常用的一些模型和方法
• 基于规则的交易系统
• 预测模型
• 举例说明
• 规则交易系统的特点总结
• 现代统计模型的思路
• 如果样本外数据测不好怎么办？
• 统计模型怎么学？入门、中级、高级
• 机器学习vs统计
• python vs R
• C++实现
• 什么专业合适？
• 找工作与职业发展的一些问题
• 好量化vs坏量化
• 金融市场的逻辑
• FAQ
嘉宾分享
- 量化交易概要
- 策略基本类型
- 量化对冲
- CTA策略（国内指期货的趋势交易策略，泛指商品期货投资资金）
- 高频交易
- 国内外著名的量化交易公司
- 文艺复兴、DE Shaw、Two Sigma、Citadel、Jump Trading, Tower Research Capital、WorldQuant、Virtu；高盛、摩根
- 深圳：博普、盛世、大岩；
- 广州：凯纳、阿巴马、广发纳斯特
- 上海：富善、明泓、金锝、青骓
- 北京：黑翼
- 杭州：龙旗、天禾
- 量化交易和基本面、技术分析的关系
- CTA一般只用到行情信息，程序托管在机房，无法获得外部信息
- 技术分析更多是给交易员提示
- 量化交易用到的方法有多复杂？
- 策略基本类型
- 常用的一些模型和方法
- 基于规则的交易系统
- 国内很多做期货程序化的都是这个套路
- 更先进的用组合优化来自动生成策略
- 预测模型
- 支持向量机、神经网络、随机森林、决策树、深度学习
- 利用机器学习预测涨跌幅度以及波动率
- 如果样本外数据测不好怎么办？
- 首先，样本外数据要大
- 如果样本外测试不好，干脆不用
- 统计模型怎么学？入门、中级、高级
- An Introduction to Statistical Learning
- Applied Predictive Modeling
- The Elements of Statistical Learning
- Statistical Learning with Sparsity; A Wavelet Tour of Signal Processing
- 近10年来统计学重要的理念
- bet on sparsity
- number of features >> number of observation
- low-rank matrix
- compressive sensing/sampling
- 基于规则的交易系统
- C++实现
- 最常见的CPP接口基于C/C++
- Lasso & Ridge
- 多进程（不推荐多线程，因为任意一个线程出问题，所有线程都出错）
- I/O耗时比较大
-
国外做期货高频或者期货CTA的回国比较好
观众提问
Q:想了解一下国内的量化发展情况，哪些公司做的比较好，刚从美国回来，以前专业也是量化金融，有过一些工作经验，想回国从事相关方面的工作
A:明汯、千象、富善、金锝、黑翼、博普、阿比特等量化不错，如果是国外投行想回国内券商资管或公募基金的话，广发证券、广发基金都有量化的团队;黑翼是北京的，阿巴马、广发证券、广发基金是广州的;广发证券有资产管理子公司，里面有做量化的，另外还有纳斯特、逸信等私募，也有做量化的
Q:还想问一下现在国内做量化机器学习什么的很火，大家现在真的都在用这些吗？传统的一些数理统计的东西已经淘汰了？
A:国内用机器学习做量化的应该不会很多，很多还是金字塔、TB开拓者等第三方平台，用内嵌的回测、优化工具来研究策略。从简单到复杂应该是传统的数理统计==》线性模型==》神经网络==》深度学习等，前面的是后面的基础，不会淘汰
Q:短周期策略的开发难点在那里;5分钟以下周期开发难度很大,没有思路卡壳
A:其实在我看来无论什么数据频率都是一个套路，频率越高数据量越大计算量很大会耗时多一些
Q:多策略、品种、参数如何组合？例如，三个策略，做四个品种，每个品种使用五组参数，这样就有345个策略实例。请问有什么好的方法调整它们的权重？
A:调整每个策略权重是属于投资组合优化的方面，说实话这个方面比较主管，虽然有传统的均值方差模型，以及Black-Litterman模型，但很多时候都有主观的调整。这方面很难很系统的量化。如果用那种动态规划的模型，计算量会很大。我之前的文章有写过。个人建议可以分步进行，比如先对品种分配仓位，然后品种内部各个策略再分配，不要全局优化。
Q:?
A:股票量化短线的策略可以很牛，因为股票市场远没有期货有效，而且程序化现在有限制，准入门槛较高。再说股票数据量很大，研究起来对IT要求比较高；另外股票不仅没有杠杆，而且对冲的话需要资金量也很大。总之这些原因导致如果能做股票程序化（不是阿尔法选股）的话应该可以比期货更赚钱。
Q:能不能说一下数学对现在的quant发展的重要性还有多少？是不是现在的quant都是寻找因子，特征工程，然后调用机器学习算法包跑模型就行了？
A:确实很多团队依赖特征工程，比如招很多实习生、兼职生研究新的因子，因子库可能有几百万个，但我自己没这么做。我也不认为他们是对的。
Q:?
A:我刚毕业那年是2011，h1b名额很多，我申请的时候advanced degree还有5000个，不用抽签。现在的问题是大公司都比较难申请h1b，摩根斯坦利、Two Sigma等两年都抽不到也有，小公司则更难了。再说美国现在对冲基金业跟6年前相比小公司倒了很多，大公司则还行，只能说整个行业不行，但量化在行业中越来越行，此消彼长，整体趋势还是不行，只是底子很厚，所以待遇也不错，大公司也在扩招，进这些公司的难度比几年前下降了不少。
Q:您好，能否推荐一些初学者入门书目或者教程，最近我拉了一个小团队打算业余时间做这一块的研究，都是理工硕博背景，但没有量化实操经验。谢谢
A:入门的可以是Xinfeng Zhou的Active Equity Management
Q:?
A:那应该是reinforcement learning/approximate dynamic programming那些，先确定要优化的目标J，每期需要的action是调整仓位等，未来每个策略的收益是不确定的，大概这样吧。但现实中挺难的，很多东西都是随机的，很难准确估计。
Q:如何面对禁业条款？
A:美国对禁业条款比较严格，国内比较宽松。总体来说，国内《新劳动法》对员工保护比美国好，如果要禁业生效，公司得继续付基本工资，否则无效。
Q:数学上有方法穷举可能的因子吗？beta曲线可以模拟任意的函数曲线，但是挖掘因子我到现在也没想到通用的数学工具
A:穷举因子可以用一些ensemble 的方法，简单因子合成复杂的
Q:你好，持仓3-5天的中短线CTA策略，资金容量现在能有多少了？
A:3-5天的策略容量十亿左右
Q:请问从研究员到能够逐渐自己负责交易的这个过程，在能力的培养上有哪些重要的节点？
A:策略从模拟到实盘，实盘从小规模到大规模，从管理策略到处去募集资金，等等
Q:live主有做过A股的alpha吗?最近的风格因子失效有啥看法
A:没做过哦股票alpha，最近确实听说很多策略都不大行，但我自己买的一些大蓝筹还是能赚钱的。。。股票负基差其实没必要对冲吧，很多公募转私募的人也都不对冲的，可以考虑量化选股不对冲，类似指数增强，或者加入更多择时，降低跟指数的相关性。
Q:还有想咨询一下国内量化目前的薪资水平，大部分人在哪个位置
A:薪资的化，如果是期货公司研究部或资产管理部，刚起步6000-10000把，如果说证券公司研究部金工组会好很多，因为是证券总部，年终奖跟级别挂钩，研究员级别比营业部普通人高；如果是私募，估计1-1.5万，工作几年有策略的两三万。卖方本质上是其他部门赚钱养量化，压力不大。私募规模还不大，没有稳定收入，比不上互联网企业。美国大基金如Two Sigma那些有非常稳定的收入，所以可以给很高的工资，比码农高；国内不大行。2016很多私募规模应该缩小，2017继续缩小。我都换了N家了……券商和公募研究员会比较高，私募和期货公司比较低;基金经理（管理规模的千分之三至千分之五）
Q:想问一下群主觉得未来的量化行业是走上坡路还是下坡路呢?相对来说，国内的话
A:上坡路，美国大的对冲基金几百亿美元，最大的一千亿；高盛量化策略部门QIS管理一千亿；国内的量化规模最大一百亿人民币，大的几十亿，很多几个亿几千万的。未来对准美国发展潜力很大。
Q:你好 我是新加坡国立大学计算机+统计本科背景，入门量化的话在这两个方面有什么书籍/公开课/知识点推荐吗？1）市场知识；2）量化策略的具体设计
A:市场知识:
The Complete Guide to Capital Markets for Quantitative Professionals (McGraw-Hill Library of Investment and Finance) Kindle Edition by Alex Kuznetsov (Author);量化策略具体设计可以参考很多开源的金字塔/TB/Quantopian策略
Q:他们都是国内做量化的回报率低于主观投资的(好像是因为国内更依靠对政策的分析)，请问你对这个怎么看?
A:国内并没有长期、客观、严谨的分析报告，而且国内股票的量化等同于对冲，非量化基本不对冲，因此大牛市铁定主观赢，熊市铁定量化赢，现在非牛非熊，由于国家拉抬蓝筹股，所以那些价值投资的股票最近会好，量化对冲的股票型受到股指制约最近两年都不好。这些都是一段时间一段时间对比的。但是美国很明显量化基金比传统基金越来越厉害了
Q:如果说美国citadel two sigma这种顶级对冲量化策略是100分 巴菲特那种基本面分析是10分 国内量化策略大概在多少分 量化因子模型能给多少分
A:国内很多量化基金也是citadel, two sigma里面的中国人回来成立的。。。说不定10年之后，国内顶级的量化私募都是这些人成立的。。。现在的话，其实citadel, two sigma在美国是顶级水平，如果拿国内顶级水平对比，由于这些人也是citadel, two sigma回来的，所以是差不多的。。。但是，由于美国竞争激烈，或许中国赚钱容易一些。。。当然，投资是长期的比赛，现在时间还太短，或许优势不大明显。。
Q:好吧 这样一笔，券商主流的择时因子选股模型岂不是很low？
A:模型大家都可以拿最前沿的来说事，比如之前券商金工报告动不动来个随机微分方程。。。现在估计很快会上深度学习了。。。券商报告主要是为了显示自己牛逼，你看，我连这些都懂，多牛逼。。。但他们经常在不需要复杂的地方弄得很复杂，需要复杂的地方一笔带过。。。
Q:模型和策略的容量经常在大资金管理中需要考虑，能介绍一些方法来衡量模型的资金容量嘛？
A:看5分钟K线成交量，按照一定百分比进行估算
Q:能否介绍一下您自己最常用的机器学习模型是哪种？xgboost/深度神经网络？
A:一般都是线性回归，以及正则条件；gradient-boost machine试过还行吧，xgboost不太好