量化管理

本书由三名美国知名学府的金融学教授撰写的著作，是美国好的商学院和管理学院的首选教材。位列第一的滋维・博迪博士是波士顿大学管理学院的金融与经济学教授，他拥有麻省理工学院的博士学位，并一直在哈佛大学和麻省理工学院讲授金融学。博迪教授在一流的专业期刊上发表过有关养老金财务和投资战略等大量文章。他的著作包括《快乐投资：平安实现你一生中财富目标的方法》以及《养老金财务基础》等。博迪教授是综合财务有限公司的经理人，这是一家特别的投资银行和金融工程公司。他同时还是养老金研究顾问委员会的成员。 以美国金融市场百年发展为基础。不仅涵盖丰富的现代投资组合理论，还包括诸多成熟市场在产品创新、风险控制方面的丰富经验经验。特别是在金融危机后全球投资环境的纷繁变化中，显得尤为贴合金融现实。与此同时，作者还特别注意资产配置的相关内容，并对期货、期权以及其他衍生证券的讲解也十分广泛和深入。 本书主要为投资分析课程撰写。编写的基本原则是将真实的资料按照核心知识框架进行整理后呈现给读者。全书详细讲解了投资领域中的风险组合理论、资本资产定价模型、套利定价理论、市场有效性、证券评估、衍生证券、资产组合管理等重要内容。作者尽可能将不必要的数学和技术细节剔除，重点在于培养学生和从业人员建立投资直觉以面对职业生涯中不断涌现出的新理念与挑战。 本书涉及了投资者当前普遍关注的主要话题

量化 Q uantit ative 量化，一个横跨多个学科领域的工作。已经在不同场合，听了无数次的三座大山： 较好的数学功底 、 编程技能 、 金融知识 。 你觉得你会编程就很容易上手量化吗？ 你认为交易策略开发完了就没有价值了吗？ 那你了解交易策略有多少种吗？ ・・・ 所有的一切都要经过你一步一步的努力。 入行 Quant You Must Know! Quant 的职位主要集中在投资银行、对冲基金、商业银行和金融机构。负责的主要工作根据职位也有很大区别，比较有代表性的包括 Pricing、Model Validation、Research、Develop and Risk Management ，分别负责衍生品定价模型的建立和应用、模型验证、模型研究、程序开发和风险管理。 最近几年，很多跨专业的朋友（计算机、生物、物理、通信等专业）也想在量化的领域展示一下自己的抱负。 像计算机、物理等专业有自身的优势，做Quant不能一辈子当开发吧。得全面发展。 大家可能觉得搞量化的人就是整天和大量数据打交道，用一行行代码写出复杂的模型，然后没完没了地Run，在回测和优化中挣扎，沉浸在数学和统计海洋里的一群人。 实际上，这只是表面现象。虽然每个搞量化的人必须会写代码，也必须具备扎实的数学功底，在开发策略的过程中，的确需要分析大量数据，不断做回测和优化，但是，

1. 问题 我们首先要提出一个观点，在企业工作中，不以“效益”为目标的工作都是耍流氓。不论是日常工作安排，还是长远的技术规划布局，不论是产品的生产，还是人员的培训，在企业里其最终落脚点都应是“效益”。而效益，则必须以量化的方法加以度量，否则就无法客观准确衡量其价值。 如何量化工作，在现今的企业中是实际存在的问题，很多企业和企业中的管理者包括基层员工，都不具备量化思想和思路。这导致我们经常在工作中能看到一些令人啼笑皆非的现象。 在企业绩效管理中，我们经常发现自己被不断的“定性评价”。比如一个绩效指标是工作完成情况。那么工作完成得好还是不好？如果“完成得好”应该如何定义？ 在技术应用的领域中，很多项目只是出于追赶潮流的目的而进行技术升级，然而却缺乏有效的手段去衡量技术所带来的价值。 在个人工作范畴内，如何向领导展示自己的工作业绩和成果？我们的个人汇报常常流于“记流水账”，缺乏亮点，也缺乏说服力。 如果一件工作你永远都找不到一个量化它产生价值的方法，那我们可以说这件工作没有什么价值。有些人可能会质疑这种观点，他们经常会举例说司机、清洁工或者是厨师，他们的工作怎么量化，我就问他们，那他们工作主要目的是什么?你会说：提供服务啊!那就对了。既然是提供服务是他们的主要工作目标，那就可以用满意度指标来度量，这样不就是量化了吗? 对于软件测试工作来说也存在着难以量化的问题

量化交易，指的是利用数学模型，在金融市场中寻找稳定超额收益的投资手段。量化交易有着挖掘信息能力强，不易受主观情绪影响，下单及时、准确，风险控制严格等特点，能够获得稳健的收益。而其相对于传统主观投资，上手难度也比较大，门槛较高。入门量化交易，主要需要了解如下几方面的知识。 1.数学/统计学知识 既然说到用数学模型，那数学和统计学的知识是必不可少的。由于国内金融市场尚不完备，一些衍生品交易受到限制，所以相较国外市场，能用到的数学/统计学知识也要少一些。对于非理工背景的投资者，需要补充基础的高等数学，线性代数，概率论，统计学，最优化理论等等学科的知识，这些内容可以在高校教科书中找到。对于一些新兴的利用机器学习的交易策略，还需要了解一些数据挖掘的知识。但既然是入门，这部分自然不是必要的。 另外，计量经济学的应用尤其广泛。进行策略研究时经常要面对大量的时间序列、面板数据。虽然在实践过程中更加注重策略结果，只要能赚钱的策略就是好策略，但在严谨的计量理论的支持下，回归结果更准确，能更好的刻画数据背后的关系，故往往更容易得到与预期相近的结果。其中，时间序列回归与截面、面板回归的逻辑与假设均有较大区别，且广泛用于刻画及预测金融资产的收益，波动。计量经济学的书籍推荐伍德里奇的《计量经济学导论：现代观点》；时间序列推荐布鲁克斯的《金融计量经济学导论》。 2.编程能力 由于量化策略要处理大规模的数据

图像检索：基于内容的图像检索技术 背景与意义 在Web2.0时代，尤其是随着Flickr、Facebook等社交网站的流行，图像、视频、音频、文本等异构数据每天都在以惊人的速度增长。例如， Facebook注册用户超过10亿，每月上传超过10亿的图片；Flickr图片社交网站2015年用户上传图片数目达 7.28亿 ，平均每天用户上传约200万的图片；中国最大的电子商务系统淘宝网的后端系统上保存着286亿多张图片。针对这些包含丰富视觉信息的海量图片，如何在这些浩瀚的图像库中方便、快速、准确地查询并检索到用户所需的或感兴趣的图像，成为多媒体信息检索领域研究的热点。基于内容的图像检索方法充分发挥了计算机长于处理重复任务的优势，将人们从需要耗费大量人力、物力和财力的人工标注中解放出来。经过十来来的发展，基于内容的图像检索技术已广泛应用于搜索引擎、电子商务、医学、纺织业、皮革业等生活的方方面面。 图像检索按描述图像内容方式的不同可以分为两类，一类是基于文本的图像检索(TBIR, Text Based Image Retrieval)，另一类是基于内容的图像检索(CBIR, Content Based Image Retrieval)。 基于文本的图像检索方法始于上世纪70年代，它利用文本标注的方式对图像中的内容进行描述，从而为每幅图像形成描述这幅图像内容的关键词，比如图像中的物体、场景等

1、学习目标 ​ 谈到金融量化分析，可能大多数人想到的肯定就是海量的股票数据，交叉错乱的股票数据图表，让从未接触过金融的人无法入手，就会想这种东西我怎么可能学的会。但是在我们有着扎实的Python编程基础就完全不需要担心这些东西了，我们只需要通过编程的方式编写出对应的策略就能通过计算机帮我们进行自动化交易。 ​ 从本文的标题当中就可以看到，我们的目标就是金融量化分析，在前面已经简单介绍过金融了，所以说我们就直接来看量化，量化这个词在当前这个时代已经越来越常见了，它主要就是可以通过一些策略获取一个投资的方案，而分析就是我们常说的数据分析了，数据分析也是与我们的生活息息相关，本文主要是针对金融方面的数据进行分析，但是如果你从事其他行业，这些技术完全适用。 2、金融量化简介 2.1、什么是金融量化 ​ 金融量化主要是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据当中选出能够带来超额收益的多种“大概率”事件以此来指定策略。主要就是以下几步： 1、发现的一种能够赚钱的规律 2、将规律分解成可操作的步骤（策略） 3、编写程序，让机器去执行这个策略 4、机器返回结果，或者说是让机器直接实现自动化交易 2.2、金融量化能干什么 ​ 相信大家都经常会使用百度、谷歌等之类的搜索引擎搜索我们想了解的问题，但是你要是直接去问它，我到底该买哪一支股票？什么股票可以挣钱

01、海外量化投资基金的发展 量化的起源 证券市场的历史悠久，由此形成了各式各样的投资流派。而基于股票的本质是代表股东对企业的所有权，本杰明·格雷厄姆领衔的价值投资方式，最为大众所熟悉。格雷厄姆因此也被称为“现代证券之父”，他著作的《证券分析》和《聪明的投资者》，至今仍是经典。格雷厄姆的经典价值策略分为两个部分，一方面关注投资价值，有五条准则用于表现价值要求;另一方面关注安全边际，有五条准则用于表现安全要求。整个十条准则中包含了对估值、股息率、成长性、偿债能力、股价泡沫等多个维度的衡量。 作为新型的投资流派，量化投资的历史并不长，其学术依据可追朔于1952年马克维茨提出的投资组合理论（该理论于90年代获得诺贝尔经济学奖）。投资组合理论，主要包含均值－方差分析方法和投资组合有效边界模型两个内容，在传统投资回报的基础上，第一次提出了风险的概念，并提出了组合优化方法。此后，学术界陆续提出了资本资产定价模型，有效市场假说，期权定价模型，套利定价理论，行为金融理论等，它们共同构成了现代投资组合理论，丰富了量化投资的理论基础。 1.2 量化基金的历史发展 量化理论的不断扩充完善伴随着量化对冲基金的发展，上世纪60年代，在仅有电脑主机和打孔卡片的环境下，量化工具已应用在投资中。但在80年代末之前，由于数据、计算机和网络等环境和技术的限制，量化投资的发展相对缓慢。1988年，詹姆斯