期货多因子
㈠ 乔治·索罗斯写过一本叫《量化投资》的书吗
一下内容纯手打
证券分析方法主要分三种：
一是基本面分析，代表作《证券分析》《价值投资》，代表任务“巴菲特”；
二是技术面分析，代表做《趋势技术分析》《道琼斯理论》等，注重短期投资，索罗斯属于短期投机类型，但是没有任何资料显示他的投资流派属于纯粹的技术面分析，可能的情况是上述两种都有。今年的而贝尔经济学得主法玛提出的”有效市场假说“某一种程度上，否定了技术面分析。
三是量化分析，美国近几十年兴起的一种方法，典型的代表人物是西蒙斯。
中国国内的量化投资的研究还比较少，量化投资的基金以及机构也不够普遍，切主要集中于香港地区。原因之一是，国内金融金融市场没有完全开放，金融产品匮乏。美国市场的金融产品多达几万种，而国内只有两百多种。
关于量化投资的书，国内国外都有很多，主要集中与国外，国内学者大多是对国外技术的学习。当然，如果你是初学者，建议你还是从国内的相关书籍开始学起。
如果有一本书，叫《量化投资》，我敢保证你看了一定学不到什么东西，丁鹏的《量化投资》就是这样，只是对现在主要方法以及模型的简单介绍。用于同行业交流也许会有些价值。书籍内容从：量化选股、量化择时、到套利什么什么的，基本上都是简单的介绍，可以当作课外读物，了解一下什么叫量化投资。如果你真的想学到什么东西，直接网络文库：量化选股、多因子选股等词，你会看到无数国内证券机构对市场的量化研究。而且资料详细。可是，你学不到最根本的原理。
原因如下：
进行量化分析，必须至少具备两种能力：
一、扎实且足够的数学、统计学基础，用于理论上的金融建模；
二、能够使用相关计量软件进行数据分析或者模型求解等。
这两个要求一般人很难到达，所以证券从业的教材认为难度大是量化投资的一个很大局限性。
如果楼主对量化投资有兴趣，我可以推荐一些教材给你：
如果仅仅是想了解一下： 丁鹏《量化投资》，书很贵，个人认为没什么实用价值。可以有个简单的系统的认识；
如果是想学习并且能在实际中运用，建议如下：
数学方面：
《微积分》 到高级《高级微积分》
《线性代数》《非线性代数》
《概率论与数理统计》《概率、随机变量、随机过程》
《离散数学》《运筹学》《统计学》
金融理论上
《计量经济学基础》《计量经济分析》
《数量金融学》《金融时间序列分析》
。。。。还有很多很多
以及其他金融知识基础
建模方面
这类的书，我看的不多哦，你自己网络一下，或者找个图书馆看看
计算机软件
C 和 C++ 至少学一个，SQL 建议学一点
建模软件主要有：MATHEMATICA MATLAB SAS SAC R Eviews GAMS 等等等等，终于哪些海外基金用的是哪一种，或者是不是自己做的专用软件，我就不知道了。
不过，上述的软件，肯定是可以满足个人的研究需求的。这个，你选几种学一学还是可以的。
一个人，想要精通上述全部，应该是很难的，所以，注定了，量化分析的方法，单个的普通人很难完成。
量化投资起源与上世纪美国政府大幅度削减了对物理航天业经费自持，导致很多搞火箭的科学家、数学家下岗。于是他们流入金融行业（收入高），利用自己对数学、计算机的优势，使用原先用于火箭的建模预测证券市场，发现有着显著成效。当然，这些模型的前提是，现代金融理论的奠基，以及数量金融的发展。
因此，我个人对量化投资的理解是：金融界的火箭科学家，传统的分析方法，只用看某一或某几个指标，根据历史经验或者主观的客观的XXOO判断证券的未来走势，但是量化分析，首先建立合理的数学模型，然后借助计算机运用某些XX的算法，分析求解，难度相对于传统的方法难很多。
如果你想比较浅显的掌握，用于投资决策的参考
那量化分析，也没有想想中的那么高深，它本质上是一种金融的建模，本质上，常用的方法还是统计专业的那几个 ，什么 回归分析，线性规划 ，相关性，时间序列等等等。。。我看了丁鹏的书，大致上认为他是用了这些方法。所以你只用把应用数学学好就好了。
还有一些像遗传算法、神经网络这些他的书里面也提到了，属于现代算法，这些方法比较小，难度大，但是我猜只有学术界会用这些方法，因为现代算法在实际运用中还不够成熟，预测经常不准确。
表述有些乱，不过大致也只能写成这样了。
最后：和量化分析相关的专业主要有三个：
金融专业：金融工程；
数学专业：统计、应用数学；
计算机专业
这些专业的就业方向是可以面向量化分析的
㈡ python培训需要多久
人工智能市场的火热导致python开发工程师岗位薪资水涨船高，且在各行各业的大中小型企业中都很抢手，就业方向非常广。既可进军当前正流行的人工智能行业，也可研究大数据做数据分析人才。那python培训需要学多久?今天我们一起来探讨一下这个问题。
python凭借其突出的语言优势与特性，已经融入到各行各业的每个领域。一般来说，python培训需要脱产学习5个月左右，这样的时长才能够让学员既掌握工作所需的技能，还能够积累一定的项目经验。当然如果你想要在人工智能的路上越走越远，则需要不断的积累和学习。
python培训的5个月时间里，有相当大一部分时间是在实战做项目，第一阶段是为期一个月学习python的核心编程，主要是python的语言基础和高级应用，帮助学员获得初步软件工程知识并树立模块化编程思想。学完这一阶段的内容，学员已经能够胜任python初级开发工程师的职位。
第二个阶段也是为期一个月，主要学习python全栈开发基础，通过本模块的学习，学生不仅能够掌握js在网络前端中的使用，还能够把js作为一门通用语言来运用，为学生将来从事全栈工作打下坚实的基础。
第三个阶段是全栈开发项目实战，整个阶段需要1.5个月的时间学习，是整个培训时间占比比较长的一个阶段，时间更长、案例更多、
实用性更强，在这个阶段主要是做项目，学案例，学完这个阶段，学员就可胜任python全栈开发工程师的职位。
第四个阶段的学习是网络爬虫，学习三周，主要是掌握数据的爬取，学完这个阶段可选择的职位有网络爬虫工程师或者是数据采集工程师，第五阶段的学习是数据分析+人工智能，主要是掌握机器学习算法的匹配方法，深入理解算法原理与实现步骤，学习三周，这个阶段结束学员可选择的岗位就更多了，数据分析师、算法工程师、人工智能工程师等都可以直接胜任。
最后一周的学习时间是就业指导，主要是清晰了解职业发展规划，明确自身定位，找到适合自身发展的工作，同时提高自己的面试能力，获得更好的工作机会。
python培训5个月，只要你好好学习，找到一份满意的工作不是难题，优就业的python全栈+人工智能课程，以企业需求为导向，引入企业较热门技术，项目实战模拟实际企业开发流程，让你更加了解真实的企业项目开发，避免你在学习的路上多走弯路
㈢ 量华网上的量化交易有哪些主要的策略模型
国内的量化策略可以简单分为三个类型，Alpha策略，CTA策略以及高频交易策略。其中主要的是Alpha策略和CTA策略。
㈣ 量化交易领域有哪些经典策略
量化交易种比较受宽客们所熟知的量化经典策略有：
集合竞价选股(股票)
多因子选股(股票)
网格交易(期货)
指数增强(股票)
跨品种套利(期货)
跨期套利(期货)
日内回转交易(股票)
做市商交易(期货)
海龟交易法(期货)
行业轮动(股票)
机器学习(股票)
以上这些经典的量化交易策略源码都可以到掘金量化交易平台查阅。
㈤ 致远期货：多因子模型和统计套利模型有什么本质区别
2009年以来来，一股“量化基金”源的热潮悄然掀起，中海基金、长盛基金、光大保德和富国基金先后推出了自己的量化产品，而富国正在推出的富国300增强基金还属于第一只增强型的指数基金，就是因为量化概念的引入。关于量化基金，国际资本市场，尤其是美国市场已经有了长足的发展并形成了相当的规模，量化基金通过数理统计分析，选择那些未来回报可能会超越基准的证券进行投资，以期获取超越指数基金的收益。区别于普通基金，量化基金主要采用量化投资策略来进行投资组合管理，总的来说，量化基金采用的策略包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易、资产配置等。
㈥ 汇添富成长多因子量化策略在哪个银行买
1、汇添富成长多因子量化策略在江苏银行，恒丰银行，苏州银行，工商银行等银行代销。基金为股票型基金,其预期风险和预期收益高于货币市场基金、债券型基金、混合型基金,属于证券投资基金中较高预期风险、较高预期收益的基金产品。
2、基金的投资范围为具有良好流动性的金融工具,包括国内依法发行上市的股票(包含中小板、创业板及其他经中国证监会核准上市的股票)、债券、货币市场工具、权证、资产支持证券、股指期货以及法律法规或中国证监会允许基金投资的其他金融工具(但须符合中国证监会相关规定)。 如法律法规或监管机构以后允许基金投资其他品种,基金管理人在履行适当程序后,可以将其纳入投资范围。
㈦ 3分钟了解深度学习跟量化交易是什么关系
机器学习怎样应用于量化交易（一）
曾有朋友问过，国内现在量化领域机器学习应用的少，是否因为效果不如简单的策略。其实，把机器学习应用在量化交易上始终面临着两难，却并不是无解的两难。很多时候并不是机器学习不work，而是真正懂如何用正确科学的统计思维使用Machine Learning的人才太少。机器学习涉及到特征选择、特征工程、模型选择、数据预处理、结果的验证和分析等一整套建模流程，广义角度来说就不单单是模型选择的问题。所以，如果认为“用支持向量机成功预测股票涨跌” 这样的研究，就是把机器学习应用于量化交易，这种狭义的认识无疑是买椟还珠，对机器学习领域散落遍地的珍珠视而不见。如果把机器学习的崛起放在历史进程中考量，无非就是趋势的延续：现在，可通过系统的数据分析证实过去模糊不定的经验，机器学习算法将未曾被察觉的规律得以浮现纸面。在我看来，未来的发展概有两个方向：1.针对量化交易的统计学习算法被提出，使其适合于噪声大，分布不稳定的金融数据分析；2.对于机器学习的热情回归理性，从工具为导向回归到问题为导向。针对如何以问题为导向，在机器学习算法中挑选合适的工具，分享一些思路。1.多因子模型的因子权重计算当我们在构建多因子模型且已经选定了一系列因子之后，要如何根据不同的市场情况调整各个因子的权重呢？在以往的研究中发现，与其它算法相比较，随机森林算法对于存在非线性、噪音和自变量共线性的训练集的分析结果更出色。所以，目前在多因子模型的权重上，采用当期收益率对上期因子进行随机森林回归分析，以确定下一期多因子模型的因子权重。2.缺失值处理处理缺失值在金融的量化分析中是个无可避免的问题。选取合理的缺失值处理方法，依赖于数据本身的特点、数据缺失的情况、其对应的经济学意义，以及我们需要使用数据进行何种计算。在尝试构建多因子模型时，我们选择了两种缺失值替换方法：（1）采用期望最大化算法 来用同一变量的已知数据对缺失值进行极大似然估计。（2）把模型中包含的所有因子作为特征变量，并赋予其相同的权重，再采用机器学习中的K-近邻算法来寻找最相似的标的，保证缺失值替换后，不会强化一部分因子的影响力。其实在量化领域，机器学习解决着线性模型天生的缺陷或弊端，所以还是有着很深的介入的。除去凸优化、降维(提取市场特征)等领域的应用，目前“非动态性”和“非线性”是两个重要的弊端。金融关系之间并非静态，很多时候也不是线性的。统计学习的优势此时就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。在国内，机器学习在量化内应用跟领域有很大的关系，跟频率也有很大的关系。比如，CTA的运用可能就要多于股票，它处理数据的维度要远小于股票，获取市场的长度和动态又强于股票。股票市场的momentum要弱于期货市场的momentum，它的趋势与股票相比更明显和低噪声。这些特征对于机器学习发挥作用都更加有利。很可能国内一些交易执行算法的设计上就借鉴了机器学习。我们可以通过学习订单薄特征，对下一期盘口变化做一些概率上的预测，经过一定样本的训练之后，可以显著地提升算法表现。而我仍谨慎看好深度学习等机器学习方法的原因在于，在认识市场上，现行的大部分方法与这些方法并不在一个维度上，这个优势让它们与其他方法相比，捕捉到更多的收益。也就是说，一个新的认识市场的角度才能带来alpha。
㈧ 量化投资策略的趋势判断型量化投资策略
量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为。量化选股策略总的来说可以分为两类：第一类是基本面选股，第二类是市场行为选股。
基本面选股介绍了多因子模型、风格轮动模型和行业轮动模型。市场行为选股介绍了资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型。 与股指期货套利类似，商品期货同样存在套利策略，在买入或卖出某种期货合约的同时，卖出或买入相关的另一种合约，并在某个时间同时将两种合约平仓。在交易形式上它与套期保值有些相似，但套期保值是在现货市场买入（或卖出）实货、同时在期货市场上卖出（或买入）期货合约；而套利却只在期货市场上买卖合约，并不涉及现货交易。
商品期货套利主要有期现套利、跨期套利、跨市场套利和跨品种套利4种 有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利的，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。
统计套利的主要思路是先找出相关性最好的若干对投资品种（股票或者期货等），再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓——买进被相对低估的品种、卖空被相对高估的品种，等到价差回归均衡时获利了结即可。
统计套利的主要内容包括股票配对交易、股指对冲、融券对冲和外汇对冲交易。 期权（Option）又称选择权，是在期货的基础上产生的一种衍生性金融工具。从其本质上讲，期权实质上是在金融领域将权利和义务分开进行定价，使得权利的受让人在规定时间内对于是否进行交易行使其权利，而义务方必须履行。在期权的交易时，购买期权的一方称为买方，而出售期权的一方则称为卖方；买方即权利的受让人，而卖方则是必须履行买方行使权利的义务人。
期权的优点在于收益无限的同时风险损失有限，因此在很多时候，利用期权来取代期货进行做空、套利交易，会比单纯利用期货套利具有更小的风险和更高的收益率。