定位： 掌握数据挖掘/机器学习技术的应用场景 从事量化策略工程师、量化策略分析方向 目标： 掌握回测框架的使用 掌握股标的量化投资策略
最化交易简介 了解量化交易的定义以及类别 说明量化交易研究流程 了解量化交易项目的工作内容
什么是量化交易 学习目标 目标： 了解量化交的的定义
量化交易： 定义 量化交易（量化投资）是指借助现代统计学和数据的方法，利用计算机来进交易的证券投资方式。
量化交易从庞大的历史数据中海选能带来超额收益大概率事件以制定策略，用数量模型验证及固化这些规律和策略。然后严格执行已固化的策略来指导资，以求获得可以持续的、稳定且高于平均收益的超额回报。
掌握技能： 投资策略： 金融市场 经济环境 科学研究 模型 数据挖掘技术 计算机技术 编程 IT互联网
量化交易分类： 学习目标： 说明量化交易的分类 说明常见金融产品的专业投资方法 了解量化交易的优势 应用： 无 分类：
三种分类特点以及要求： 趋势性交易：适合一种主观交易的高手，用技术指标作为辅助工具在市场中如鱼得水的。但如果中用各种技术指标和指标组合作为核心算法构建模型，从未见过能长期盈利的。 一般也会做一些量化分析操作，使用如 python/matlab 市场中性：在任何市场环境下风险更低，收益稳定性更高，资金容量更大。适合一些量化交易者，发现市场中alpha因子赚取额外收益，例如股票与股指期化的对冲策略 会做一些量化分析操作，如使用python/matlab 高频交易： 在极短的时间内频繁买进卖出，完成多次大量的交易，此类交易方式对硬件环境以及市场环境的要求极高，所以只有成熟市场中的专业机构才会得到应用。 适合一些算法高手，使用c/c++编程语言，去进行算法交易，对软硬件条件要求比较高。 1、金融专业出生，对金融市场环境非深入了解 2、基本了解鑫融基础，投资知识，对数据挖掘、机器学习方法擅长、挖掘股标等的价值 非常擅长算法，c/c++,编写程序化的一些交易方法 量化交易历史： 了解量化交易的发展历史 量化设资的产生 1969年，爱德化,索普利用他发明的科学股票市场系统（实际上是一种股标权证定模型），成立第一个量化投资基金，索普也称之为量化投资的鼻祖
量化投资-第1周 什么是金融： 金融：就是对现有资源进行重新整合之后，实现价值 期货： 现货： 股票：是股份公司发给出资人的一种凭证，股票的持有者就是股份公司的股东
股标的作用： 出资证明，证明股东的身份，对公司经营发表意见 公司分红，交易获利 上市/ipo:企业通过证券交易所公开向社会增发股票以募集次金
股标按业绩分类： 蓝筹股：资本雄厚，信誉优良的股标 绩优股：业绩优良的股票 st股：特别处理股票，连续两年亏损或每股净资产低于股票面值 股票按上市上地区分类： A股：中国大陆上市，人民币认购买卖（T+1,涨跌幅 10%） B股：中国大陆上市，外币认购买卖（T+1,T+3） H股：中国香港上市（T+0,涨跌幅不） N股：美国纽约上市 S股：新加坡上市
金融分析： 基本面分析： 宏观经济面分析：国家的财政政策，货币政策 行业分析 公司分析：财务数据，业绩报告等 技术面分析：各项技术指标 k线 MA（均线） KDJ随机指标 MACD 指数平滑移动平均线
金融量化投资： 量化投资：利用计算机技术并且采用一定的数学模型去实践投资理念，实现投资策略的过程。 最化投资的优势： 避免主观情绪，人性弱点和认知偏差，选择更加客观 能同时包括多角度的观察和多层次的模型 及时跟踪市场变化，不断发展新的统计模型，寻找交易机会 在决定投资策略后，能通过回测验证其效果。 量化策略： 量化策略：通过一套固定的逻辑来分析、判断和决策、自动化进行股票交易。 策略的周期： 产生想法/学习知识 实现策略：python 检验策略：回测/模拟交易 实盘交易 优化策略/放弃策略 如何使用python进行量化投资： 为什么选择python? 其他选择：excel、sas/spss、R 量化投资实际上就是分析数据从而作出决策的过程 python数据处理相关模块： numpy:数组批量计算 pandas:灵活的表计算 matplotlib:数据可视化 如何使用python进行量化投资： 自已编写numpy+pandas+matplotlib+…… 在线平台：聚宽、优矿、米筐、Quantopian 开源框架：Rqalpha、Quantaxis ipython的交互命令行 pip3 install ipython http://pypi.douban.com/simple/ --trusted-host pypi.douban.com