量化投資步驟

A. 量化交易該如何入門

5000萬差不多吧。沒5000萬不要談量化交易，手續費能不能賺回去都是問題

B. 在國內做交易策略的回測的具體步驟是什麼

交易策略回測屬於量化交易，至於用什麼工具看個人習慣，可以用量化交易平台，也可以用某些行情交易軟體，也可以自己利用一門計算機語言，最簡單的用excel，也可以進行回測分析。

C. 目前對量化投資非常感興趣 所以想請教下各位大神

模型僅僅是方法論,不是說模型本身能解決投資問題.
模型能否有效,主要還是看你的模型背後的邏輯思路是否有效.
你去看看：經濟學（曼昆）金融學(博迪);金融工程(約翰希爾);在學學量子力學、計算機編程+你的本行（實變函數、復變函數、測度論、鞅、隨機過程等等）。
你的數學基礎會派上用途的，前途路漫漫，加油吧！

D. 零基礎想學金融投資,量化交易編程,該怎麼學有哪些方法

我想問你學習的方法以編程是通過設定來完成的

E. 什麼是期貨量化交易與程序化交易一樣的嗎

量化投資理論是藉助現代統計學和數學的方法，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，用數量模型驗證及固化這些規律和策略，然後嚴格執行已固化的策略來指導投資，以求獲得可持續的、穩定且高於平均的超額回報。
量化從一開始也不是作為定性的對立面而提出的方法，它是將定性分析中的技術分析策略用模型固化，替代過程中可以用電腦進行的部分並將其效用極大優化。量化交易策略幾乎覆蓋了投資的全過程，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、演算法交易，資產配置，風險控制等。

程序化交易將具體的交易時機，倉位，止損止盈，獲利標准編寫進交易程序中，也可能獨立於程序外。程序化只是交易執行的一種方式。

F. 量化交易主要有什麼經典的策略

您好
研究量化投資模型的目的是找出那些具體盈利確定性的時空價格形態，其最重要手段的概率取勝，最重要的技術是概率統計，最主要的研究方向是市場行為心理。那麼我們在選擇用於研究的參數時，也應該用我們的經驗來確定是否把某技術參數放進去，因為一般來說定性投資比較好用的參數指標對量化投資同樣適用。
量化投資區別於傳統定性投資的主要特徵在於模型。我打個比方，我們看病，中醫與西醫的診療方法是不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，主觀定性程度大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。中醫對醫生的經驗要求非常高，他們的主觀判斷往往決定了治療效果，而西醫則要從容得多，按事先規定好的程序走就行了。量化投資就是股票投資中的西醫，它可以比較有效地矯正理智與情緒的不兼容現象。
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。
量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統。

G. 量化投資模型如何開發的

量化的模型開發大致分為以下幾個環節：
①數據處理，看你用什麼工具，內R還是Matlab還是python，或者是c++，最好是工具容本身的格式，這樣速度會快的多，比如Rdata，或matlab的mat格式，或者python的npy格式，或者c++的二進制格式，還有就是你要用什麼數據，分鍾數據，切片數據，還是tick數據，根據你的需求不同進行處理。

②指標建立，這個工作可以看成問題的關鍵，如何建立指標，你的思想是什麼，都來源於此，舉個簡單的均線指標，matlab，就是ma=movavg(data,length)
③模型回測，據我理解就是一個大循環:
if time>9. && time<15 && close(i)>ma(i) && p!=1
buy
else
sell
if p==1 && 止損條件
平倉
等等
④計算收益
然後根據收益，夏普比率等，改條件，重復上面的工作。

總結：
開發模型的步驟一般是：數據處理、尋找因子、回測驗證、實盤模擬、風險歸因。

備註：
數據處理：去極值、標准化、中性化；數據預處理。
尋找因子：尋找Alpha、尋找收益波動比因子、另外優礦上提供了近400個因子因子可以自己驗證。

H. 求Python量化投資教程 百度網盤

python和matlab的共同點都來是各種庫十分豐富。源python是給懶人用的。matlab是給數學好的人用的。。。比起python，matlab的大小簡直不能忍。python是免費的，我用上了Windows正版，AdobeFlash和DW的正版，但是仍然買不起matlab的正

I. 股票融資怎麼操作，步驟是什麼

1. 單邊多頭：（自+融 全買入）
a. 自有資金全部轉入信用賬戶；
b. 用信用賬戶的授權額度融資買入標的股票（交易費0.25%+利息0.7%每月）；
c. 用自有資金再次買入目標股票（手續費0.25%）；

2. 單邊空頭：（融 賣出 自不動）
a. 自有資金全部劃轉入信用賬戶；
b. 用信用賬戶的授權額度融券賣出標的股票（交易費0.25%+利息0.7%每月）；
c. 用自有資金買入標的股還券（交易費0.25%）；

3. 多空交織：
a. 自有資金全部劃轉入信用賬戶；
b. 融券賣出標的股票做空；（手續費0.25%+利息0.7%每月）
c. 自有資金買入標的股票做多；（手續費0.25%）
d. 賣出自有資金買入的股票獲得現金；（手續費0.25%）
e. 買入融券股還券；（手續費0.25%）

總結：首先要確定大勢，其次確定對板塊多空的影響，其實尋找標的，最好要在確定的趨勢下做！

J. 量化投資的主要方法和前沿進展

量化投資是通過計算機對金融大數據進行量化分析的基礎上產生交易決策機制。設計金融數學和計算機的知識和技術，主要有人工智慧、數據挖掘、小波分析、支持向量機、分形理論和隨機過程這幾種。
1．人工智慧
人工智慧（Artificial Intelligence，AI）是研究使用計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及計算機科學、心理學、哲學和語言學等學科，可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。
從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性發展，數學常被認為是多種學科的基礎科學，因此人工智慧學科也必須借用數學工具。數學不僅在標准邏輯、模糊數學等范圍發揮作用，進入人工智慧學科後也能促進其得到更快的發展。
金融投資是一項復雜的、綜合了各種知識與技術的學科，對智能的要求非常高。所以人工智慧的很多技術可以用於量化投資分析中，包括專家系統、機器學習、神經網路、遺傳演算法等。
2．數據挖掘
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。在量化投資中，數據挖掘的主要技術包括關聯分析、分類/預測、聚類分析等。
關聯分析是研究兩個或兩個以上變數的取值之間存在某種規律性。例如，研究股票的某些因子發生變化後，對未來一段時間股價之間的關聯關系。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閾值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
聚類就是利用數據的相似性判斷出數據的聚合程度，使得同一個類別中的數據盡可能相似，不同類別的數據盡可能相異。
3．小波分析
小波（Wavelet）這一術語，顧名思義，小波就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與傅里葉變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了傅里葉變換的困難問題，成為繼傅里葉變換以來在科學方法上的重大突破，因此也有人把小波變換稱為數學顯微鏡。
小波分析在量化投資中的主要作用是進行波形處理。任何投資品種的走勢都可以看做是一種波形，其中包含了很多噪音信號。利用小波分析，可以進行波形的去噪、重構、診斷、識別等，從而實現對未來走勢的判斷。
4．支持向量機
支持向量機（Support Vector Machine，SVM）方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特徵空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特徵空間中的線性可分的問題，簡單地說，就是升維和線性化。升維就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津。但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特徵空間中卻可以通過一個線性超平面實現線性劃分（或回歸）。
一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，就不需要知道非線性映射的顯式表達式；由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難。這一切要歸功於核函數的展開和計算理論。
正因為有這個優勢，使得SVM特別適合於進行有關分類和預測問題的處理，這就使得它在量化投資中有了很大的用武之地。
5．分形理論
被譽為大自然的幾何學的分形理論（Fractal），是現代數學的一個新分支，但其本質卻是一種新的世界觀和方法論。它與動力系統的混沌理論交叉結合，相輔相成。它承認世界的局部可能在一定條件下，在某一方面（形態、結構、信息、功能、時間、能量等）表現出與整體的相似性，它承認空間維數的變化既可以是離散的也可以是連續的，因而極大地拓展了研究視野。
自相似原則和迭代生成原則是分形理論的重要原則。它表示分形在通常的幾何變換下具有不變性，即標度無關性。分形形體中的自相似性可以是完全相同的，也可以是統計意義上的相似。迭代生成原則是指可以從局部的分形通過某種遞歸方法生成更大的整體圖形。
分形理論既是非線性科學的前沿和重要分支，又是一門新興的橫斷學科。作為一種方法論和認識論，其啟示是多方面的：一是分形整體與局部形態的相似，啟發人們通過認識部分來認識整體，從有限中認識無限；二是分形揭示了介於整體與部分、有序與無序、復雜與簡單之間的新形態、新秩序；三是分形從一特定層面揭示了世界普遍聯系和統一的圖景。
由於這種特徵，使得分形理論在量化投資中得到了廣泛的應用，主要可以用於金融時序數列的分解與重構，並在此基礎上進行數列的預測。
6．隨機過程
隨機過程（Stochastic Process）是一連串隨機事件動態關系的定量描述。隨機過程論與其他數學分支如位勢論、微分方程、力學及復變函數論等有密切的聯系，是在自然科學、工程科學及社會科學各領域中研究隨機現象的重要工具。隨機過程論目前已得到廣泛的應用，在諸如天氣預報、統計物理、天體物理、運籌決策、經濟數學、安全科學、人口理論、可靠性及計算機科學等很多領域都要經常用到隨機過程的理論來建立數學模型。
研究隨機過程的方法多種多樣，主要可以分為兩大類：一類是概率方法，其中用到軌道性質、隨機微分方程等；另一類是分析的方法，其中用到測度論、微分方程、半群理論、函數堆和希爾伯特空間等，實際研究中常常兩種方法並用。另外組合方法和代數方法在某些特殊隨機過程的研究中也有一定作用。研究的主要內容有：多指標隨機過程、無窮質點與馬爾科夫過程、概率與位勢及各種特殊過程的專題討論等。
其中，馬爾科夫過程很適於金融時序數列的預測，是在量化投資中的典型應用。
現階段量化投資在基金投資方面使用的比較多，也有部分投資機構合券商的交易系統應用了智能選股的技術。