笔者按：
最近看到大家对于量化的热情很高，想着自己阅读高等数学也有一段时间了，量化也有一些生疏了，所以还是要对量化进行总结和分析，原来自己曾经有一个关于基础，量化，机器学习的笔记，现在看来都过于凌乱，所以借着这个情况，对于量化进行重新梳理。笔者的量化之路的开启的领路书是蔡立耑先生的 《量化投资：以为工具》，这本书最大的好处就是厚【原谅笔者不厚道的笑了】，其实最主要还是重视基础，并且将统计学的内容进行讲解，而且通过编程进行了实现，其中还有一些不错的案例进行解释和说明，算是一本不错的书。虽然有一些代码的确跑不出来，有一定的错误，豆瓣评分也才6.3分，但是对于初学者的我们而言，是一本非常友善的书籍了。
与量化并不神秘，其实你可以当做是通达信的公式即可。
的量化本质与实质其实解决的只不过是读者提高了解市场的速度，扩大了读者对于市场广度的范围和能力，但需要指出的是，在盈利上的专业性【即圣杯】仍然需要读者仔细假设，思考，推论，验证，请不要过分迷信。只是工具，对于市场探寻仍然是我们自身的基础知识，专业知识以及长期交易形成的丰富经验，心理经验，并借此形成的逻辑判断，理性推导以及对于交易产生偏差的风险管理，头寸管理，如果我们忽视了这个要点，那么也不会给本身的投资带来任何好处和益处。
并不是说不学习就不能盈利，提高速度，按本书《量化投资技术分析实战-解码股票期货交易模式》的说法，我们可以专注于某几个领域进行深耕【这里笔者后面会详细解释】，毕竟在注册制的背景环境下，获得资金青睐的公司会越来越少，公司如果不自行振作，只会乱搞，必然会被淘汰，也就是说，成交量能够上眼的【一般的股市书籍是以换手率3%作为分界线】也很少。就如同当前我们面临的震荡市一样。
我们更加要注意的是如何通过学习量化，进一步理清我们的投资思路，投资逻辑，投资能力，使得自己脱胎换骨，摆脱【情绪】、【惯性】的混沌思维，将理性，客观的大旗树立在自己的大脑之上，并且借由量化对市场上的理论，人物进行证伪，一个有效的盈利模式是存在周期性的，生命期的，如果它不能被证伪，自然就是骗局，这就是量化的另一个功能了【系统化思维的建立，训练，识破骗局】。
本文的读书心得，仍然是自己的思考，不作为投资建议，投资参考，请读者自己进行鉴别。
第一章 量化投资入门建议与行业概况：
本章要点：【本章将通过对于量化所需要的知识结构，学习方式进行梳理，作为学习量化的前期准备和心理预期，从而提出对于该理论的成功性上的保留意见：是否存在持续盈利的可能，有保留的回测结果，以及通过相关指标对于策略进行证伪三个方面开展开。最后举例一些平台。】
1.1量化投资入门建议与行业概况（1）体验各类资产的择时模型，激发学习兴趣
【关于动能的解释】：
笔者在自己的【按】中提到的，这就是为什么作者会将提出在择时上选择，够交易的个股不多的缘故所在，动能在我看来就是能够在一段时间，个股有足够的量能，有充分的振幅空间，便于投资者在交易中形成价差，从而进行盈利的这样子一个过程。但是个股如果自身实力不足，行情恶劣，一般这种行情的持续性所付出的代价和成本高昂的时候，对于主力背后的资金，合力资金都是一件吃力不讨好的事情。以【四川双马】、【美的集团】为例，
案例：
【四川双马】：
【美的集团】：
其实只要简单的划分一下，比较一下，价格走势的不同，量能的不同，都足以使得我们远离很多垃圾股票，其实严格的划分，我们可选择标的其实是很少的。
类似【美的集团】这种在财经大V大财猫眼里是很不错的，他的选股模式一般是从1000亿市值以上进行划分的，主要的观察集中在20个大市值股票里面，所以选股这个东西，你要是没有标准和条件，那么你就会晕头转向，你要是有了选股的标准和条件，其实可以给你挑选的其实并不多。
所以还是要多看书，看别人的观点，从而提炼自己的判断和认知才是。
（2）语言与金融基础
【存在的问题】
【解决的方法】：
（3）探索股票和期货波动特征，尝试较为复杂的股票和期货模型
【笔者看法】：
【作者看法】：
（4）做足单因子分析功课，然后切换到多因子学习1.2稳步上升的资金曲线是否存在
【作者观点】：
1.基于强壮稳健的投资逻辑
我们应当指出的是，在前文中，我们提到了【编程语言】，【高等数学（尤其是统计学）】，在这里，我们要熟悉【金融知识，金融交易制度】，才能提出符合市场逻辑走势的策略。
举例说明：
在1996年以前，我们的股市是涨跌幅无限制，在此之后，是涨跌幅10%，st股5%，在2020年则是新上市涨跌幅放开五天，创业板，科创板是涨跌幅20%，如果不对这个进行了解，那么我们的模型做出来的肯定是错误的。
这也是笔者想说的，【量化的本质】实际上市通过基础知识+编程语言去模拟仿生整个市场，毕竟市场开发出来的软件是存在一般性，不适合投资者的个性化交易，因此，在编辑中存在一定的差距，违和感。通过量化，熟悉市场，可以提高我们对于整个市场变化的把控能力，提高我们的分析能力，从而为我们对市场的深度挤出大量时间来进行思考和探索。
【策略的来源】：
【策略的思考】：
2.基于“时间的玫瑰”
【作者观点】：
3.基于多资产多策略的配置
【笔者看法】：
1.3有保留地相信回撤结果
【作者观点】：
比如在解释【大盘股】，【中盘股】，【小盘股】的当前表现上，不可能只是以【中石油】单个的产品来解释，它不能解释金融，地产现在的强势，因此，样本过少，不利于得到正确的分析结论，同理，以st股来分析【中盘股】，【小盘股】，通过风格来解释市值也是不利的说明和作出正确结论的。
样本要充足，至少要能够覆盖到解释该市值划分中不同市值的表现上来，提高解释的能力。
市场行为包容消化一切信息市场以趋势方式演变历史会重演
正是因为奉行【市场行为包容消化一切信息】的逻辑和看法，所以笔者很少谈论财经类新闻，因为任何市场信息都已经反馈和包容在里面。
我们要知道的是策略的开发，交易系统的建立都是建立在一定的假设，通过假设建立理论，然后建立策略，通过实际表现来证伪假设，理论，从而到达一个逻辑上的闭环思考。
我们只能无限去接近模仿市场，而不能代替市场，决定市场，这是任何投资者必须做到的，应当遵守的原则，当你成为市场的主力，代替市场，决定市场的时候，毁灭之日也就不远了。
美国的投资大师【李佛摩尔】就是在棉花一战中成为最后的庄家，最终惨败。
（1）样本内部数据的交易原则，交易成本，市场参与主体是否和目前的实盘一致【回测的时间和样本选取应当尽可能靠近当前的交易时间，服从当前的交易规则】
（2）在样本内数据上，单笔交易的利润贡献是否平稳，还是说来自于少数高盈利的交易？
（3）样本数数据的不同周期波动率，是否和日前的市场波动率相似？
服从市场，敬畏市场，与当前市场取得一致性结论，使得自己的投资思路与当前的市场重叠，一致。
（4）样本内数据是否质量低下，以及政策是否过度干预？
是否存在长时间的停牌导致的数据【向下填充】之后，数据都是一样的，从而导致分析出来的结果差强人意等。
优化是否存在过拟合的情况，导致胜率达到100%的可能性。
【对策】：
1.4常见评估指标、方法1. ratio【夏普比率】
夏普比率=策略年化收益率-（无风险回报率/策略回报率标准差）
【这里的无风险回报率可以用一年期定期，也可以用国债来衡量，甚至可以用逆回购的收益，都是可以的】
2.alpha【阿尔法】
alpha=r【p】-[r【f】+β【p】（r【m】-r【f】] 【公式一】
alpha=策略年化收益率-[无风险利率+β*（基准或者市场年化收益率-无风险利率）]
先计算β值，才能计算alpha值
3.beta【贝塔】
β=[策略每日收益与基准或者市场每日收益协方差]/[基准或者市场每日收益方差]
4. 【策略年化收益率】
ar=（策略最终价值/策略最初价值-1）/（回测交易日数量）*250
5.max 【最大回撤比率】
md=max(1-（策略当日价值/当日之前资金最高价值））
6. 索提诺比率
=策略年化收益率-（无风险回报率/策略下行波动率）
ratio【信息比率】
IR=（策略年化收益率-基准年化收益率）/策略与基站每日收益差值的年化标准差
———END———
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，永久会员只需99元，全站资源免费下载 点击查看详情
站 长 微 信： hs105011
