Greenwicher's Wiki【金融】手把手入门量化交易5 2018-01-23
请见https://www.zhihu.com/lives/918521716542689280
Live简介
知乎 id:教父。曾经全国奥赛获奖，保送国内 top2 本科。出国取得物理学博士学位，毕业后进入海外知名对冲基金，一直从事量化交易员和研究员职位。掌握丰富的全平台经验，擅长期货和外汇的短线和日内策略。
本 Live 面向量化交易新手，主讲短线，日内 CTA 型策略，干货较多，要求听众具备 1)基本高等数学，概率统计知识 ; 2)一定的编程能力，编程语言不限，比如 C++, Java, python, Matlab, C#等等都可以。听课不需要跟着一起写代码，课上只讲解决方案，比如架构，伪代码，截图，以及一些重要代码抓屏等等。自己有时间开发后，可以将本课程当作技术文档，工具书等等。
本系列计划内一共 5 节课，内容先后都有关联。 原计划本节课是最后一节，实际讲课中如果发现课时不够用就再开一节。建议学习本课之前先学习前 4 节课： 「手把手入门量化交易 x 」, x=1,2,3,4 。
本系列 live 将覆盖新手入职国内外量化对冲基金(CTA 型)后第一年的大部分工作内容。 量化交易是一个复杂而庞大的系统工程，通常需要全职团队。本课程将对冲基金的工作方法精简化，通过大约 5 节课带领听众在业余时间搭建一套轻量级的，可以在家跑起来的交易系统。
本次 Live 主要包括以下内容
本次课作为本系列的完结篇，会讲述几个避免过拟合的方法和经验，以及最终跑起实盘的几个注意事项：包括但不限于
• permutation test
• 参数对称性
• 关于择时和择股
• 失效判定
• 风控
(具体内容和顺序以实际讲课为准，如果时间不够用就再开一节 live 将剩下的讲完)
嘉宾分享
过拟合
- 金融市场信噪比过低
- 真实信号还是过拟合？
- 底层要有逻辑支撑
- 统计上足够显著
- 样本外表现好，交叉验证等等
Permutation Test
- 假设检验（信号 vs 收益率）
- 相关性分布（直接计算indicator和收益率时间序列相关性的话，该值太小）
- spearsman’s rank correlation （避免pearson correlation中的outlier导致相关性太高）
- 其实感觉这种带噪声的相关性检验，也可以先分组，计算各自组内均值（相当于去噪声），然后看是否有线性关系
参数对称性
- 公式越简单，越对称会比较鲁棒
- RSI按照50为临界值
关于择时和择股
- 时机或者品种
- 多品种、多策略（多空，不同信号），构建资产组合
失效判定
- 复盘分析亏损的原因
- 背后逻辑是否还存在
风控
- 挂单，不一定成交，无法按照传统理论计算VaR
- 固定止盈止损，策略、市场尽量分散
- 单边头寸限制
- 头寸冲销（做多做空同时存在）
这类CTA策略的最大问题
- 震荡（越跌越买）和趋势（越涨越买）的区分
观众提问
Q: 教父好，我的导师原本是研究算法的，现在执意要用人工智能来做量化，我因此很迷茫，想问一下有没有可行的切入点和研究方向？
A: 不要太刻意人工智能。我之前讲过。feature找好了，机器学习不机器学习区别不大。feature找的不对，无论怎么人工智能都是overfitting
Q: 教父好，我在外汇市场上测试了一些策略，我觉得在一小时周期以下很难找得到在外汇市场上赚钱的策略，起码要在4小时或以上周期研究，您觉得是这样吗？
A: 你说的对，我记得我前面是不是讲过，至少要以4小时为周期
Q: 再请教一下，初步验证日内的策略回测时间跨度多少为宜，太长浪费时间，太短不具代表性
A: 四小时周期的，至少2年。 daily周期的，5年以上比较好。而且daily周期的不怕长，真正robust的策略，30年以上的历史数据都会有效的
Q: 教父您好，您之前所讲的用indicator过滤原始信号，请问原始信号和indicator两者重要性的权重在您看来大概是什么样子的？是不是应该把更多的精力用在寻找indicator上？
A: 相辅相成，迭代开发
Q: 是做完置换测试之后，最后才做样本外测试？
A: 样本外测试在最后
Q: 一个策略的参数数量怎么控制才好
A: 能少就少（感觉相对比较可控，也防止了过拟合）
Q: 某个indicator的值对应的return是指它在它这个策略整段测试期间的return ？
A: indicator的值以及接下来4小时（该策略执行的最小周期）的return
Q: 这种cta短线策略也需要Barra那样的风险控制模型做风控吗？
A: 无法预测下单是否成交，因此得靠经验来做风控（不是太明白，一般风控是什么机制？）
Q: 哪些具体的统计知识对策略开发研究帮助大，需要深入学习？资料推荐？
A: forecasting (e.g. ARMA)；其他的需要的时候再用（略悖论）；学习现有公司的套路
Q: 稀疏学习的方法你在开发研究策略的时候会使用吗？其他同行使用的多吗？
A: 研究过机器学习，但是没有发现太大的作用