文章主题:量化与高频研究课程
Vicguo
|
1 楼 |
|
发信人: Vicguo, 信区: 科大校园 标 题: Re: 量化与高频研究课程 发信站: 斗转星云 BBS站 (2019/6/4 11:39:05) 量化与高频研究课程 (量化圈大神授课) 随着股指逐渐放开，此次课程将研究股指期货日内高频策略，提供视频、ppt、数据、以及R、Python（Jupyter）Matlab（Octave）等语言供大家选择，覆盖因子分析、线性回归、投资组合优化、决策树等内容 12 周项目安排计划（2019 年 6 月 10 日-2019 年 9 月 1 日） 第 1 周 （2019 年 6月 10 日至2019 年 6 月16 日）-熟悉软件基本功能： 1 、R 语言的同学安装 RStudio 和 Windows R Open 等软件， Python 的同学安装Anaconda，Jupyter，Spyder 等软件， Matlab 的同学安装 Matlab 或 Octave； 2、每人获得一份国内沪深 300 股指期货分笔数据文件，进行简单地分析和学习； 3、利用数据，实现基本的统计、绘图等功能； 第 2 周 （2019 年 6月 17 日-2019 年 6 月23 日）-测试第一个预测因子的表现 1、改变回看周期生成不同的结果； 2、画出回测曲线，统计收益率、夏普比、最大回撤等指标； 3、统计样本内、样本外的表现； 第 3 周 （2019 年 6月 24 日-2019 年 6 月30 日）-测试多个因子： 1、测试约 5 个因子，分别生成结果； 2、对比不同的因子，总结看哪类因子比较好； 3、选取总体表现最好的一些日子，和表现最差的一些日子，画出相应的行情图； 第 4 周 （2019 年 7月 1 日至2019 年 7 月7 日）-增加趋势、反转等形态类因子 1、测试相关性、动量、波动率等方面的因子； 2、研究一些与方向无关的形态类因子； 3、因子大批量生成； 第 5 周 （2019 年 7月 8 日-2019年 7 月 14日）-因子深度加工（新增）： 1、增加跨周期的因子； 2、因子计算跨日的处理； 3、方向因子与波动因子联合回测； 第 6 周 （2019 年 7月 15 日-2019 年 7 月21 日）-建立投资组合模型，不同因子生成不同的资金曲线； 1、按照马科维茨、均值方差模型生成投资组合曲线； 2、按照风险平价模型生成投资组合曲线； 3、完成测试报告； 第 7 周 （2019 年 7月 22 日-2019 年 7 月28 日）-线性回归模型： 1、用因子来构建线性回归模型； 2、测试不同的因变量； 3、统计各个因子的 R 平方、t 统计量等； 4、分样本内、样本外统计 R 平方； 5、逐步向前回归； 6、生成资金曲线； 7、完成测试报告； 第 8 周 （2019 年 7月 29 日-2019 年 8 月4 日）-高级线性回归模型： 1、生成带约束的线性回归模型； 2、对比 ridge, lasso 的表现； 3、测试样本内、样本外的表现； 4、测试滚动样本的表现； 5、完成测试报告； 第 9 周 （2019 年 8月 5 日-2019年 8 月 11)-机器学习之决策树模型 1、安装 gbm, xgboost 等程序包； 2、调用决策回归树研究模型，优化参数； 3、按样本内核样本外构造模型； 4、按滚动方法构造模型； 第 10 周 （2019 年 8月 12 日-2019 年 8 月18 日）-机器学习之决策树模型 1、安装 gbm, xgboost 等程序包； 2、调用决策回归树研究模型，优化参数； 3、按样本内核样本外构造模型； 4、按滚动方法构造模型； 5、完成测试报告； 第 11 周 （2019 年 8月 19 日-2019 年 8 月25 日）-其它频率策略： 1、利用之前的结果，选取最好的因子和模型； 2、分析中低频策略表现，生成资金曲线，划分样本内、样本外、滚动优化等； 3、分析更高频策略表现，生成资金曲线，划分样本内、样本外、滚动优化等； 第 12 周 （2019 年 8月 26 日-2019 年 9 月1 日）-完全样本外测试 1、读取课程以来这 12 周的数据，清洗数据、计算因子等； 2、用之前的模型来进行完全样本外的测试； 3、一般选取最好的模型和参数进行一次性的测试 本项目的特点 直接用真实的期货高频数据建模，而不是人工合成的 K 线数据； 回测、优化程序大部分已经完成，学员只需要写最核心的部分； 有 ppt 和视频讲解；导师提供完整的样本策略供学员参考、学习； 建模用到的都是业内主流的统计学模型，不是传统程序化交易模型； 从第二周开始就提供完整的策略学习，培养学员的学习兴趣； 联系方式（VX）：18620818161 |
| 返回顶部 |