资金曲线相当于一个操盘手的脸
我不会刻意去追求高的收益，同样也不会刻意去追求低的回撤，我要把收益和回撤做一个适度的结合。
我觉得我的盈利方法（做权证的盈利方法）是可以复制的。
多品种的好处就是彻底将风险分散化。
我觉得资金曲线对一个操盘手而言是非常重要的。它相当于一个操盘手的脸。
我觉得资金曲线还有一个重要的指标，就是回撤时间。
大家上午好，非常高兴来到这里，我来自湖南长沙。我现在以工作室的形式做投资，名字叫小熊猫，小熊猫是我的网名，我真实姓名叫李治国。小熊猫二号是我们工作室对外长期展示的实盘账户。这是我的简单介绍，我经验不是特别丰富，今天来的各位可能都比我的经验要丰富很多。从事这个行业，七年的时间，我风格的攻略是收益风险兼顾型。我不会刻意去追求高的收益，同样也不会刻意去追求低的回撤，我要把收益和回撤做一个适度的结合。因为每个客户对收益的具体要求，对回撤风险的承受能力都会不同。每接一个客户我都会详细了解他的心理预期还有能够承受多大的风险，然后我就给他安排多少的仓位。我的投资经历，06年开始做股票，当时还是大二的学生。我大概从大学开始，就天天坐在电脑旁边，基本没有一天间断过。说句不好的，大学也逃了不少课。08年大概做了一年的权证。我觉得权证这东西很好玩。我觉得我的盈利方法是可以复制的，那个方法是通过历史数据得出来的。到了10年，国家就没搞权证了，无奈只能转行，转到其他品种上面。09年做了好多，也很杂，像黄金，包括现货，我都至少去了解过。09年年底，开始转到期货上。首先也是主观交易，交易了两三年，做得好惨，把我股票上赚的钱基本亏得差不多了。我有一段时间也非常落魄，因为我毕业之后，没找过工作，全职做这个。我的生活成本，生活费用都要从这里面提取，所以有一段时间确实非常落魄，这是前两年做期货的时候。到第三年就好多了，主观上也能有一点盈利，尤其是第三年上半年接触了程序化。我觉得程序化还是不错的，它有点像我08年做权证的那个方法，做权证也是通过历史数据得出来的方法，那个方法很简单。
我接触程序化也是费尽周折，经过了三个阶段。第一个阶段，单品种单周期单策略。从这个阶段开始，我就接客户了。当时客户跟我反应，回撤比较大，我就一直想办法改进，怎么去控制回撤，然后收益也不能降得太明显，我就转到第二个阶段。第二个阶段还是做股指，还是单品种、单周期，但是策略上，我总共筛选了八套。我在股指上的策略还是蛮多的。单品种的缺点是风险比较集中，但是相比于阶段一，我的回撤还缩小了不少，这已经有比较大的进步了。接下来，我就往多品种多周期多策略组合的方向发展了。现在好多投顾也都是这个模式，多品种的好处就是彻底将风险分散化，回撤率和隔夜风险都比之前要大大降低。但缺点就是会忙不过来，基本上就是要靠程序化交易。我现在基本上是100%全自动程序化交易。我有一个情况会手动，快收盘的时候，如果还没成交，我会施加追。回撤相比于前两个阶段控制的，有明显降低。这套组合我选了八个品种，基本上都是流动性非常强的。我也考虑到如果以后规模真的壮大，我还能够一直稳定下去。如果规模壮大我要考虑资金容量的问题，选择八个品种，三个周期，一共用到了三十多个策略，分成五十个小的单元进行交易，这五十个单元都是单独进行交易的。我做的八个品种是股指、橡胶、焦炭、螺纹、豆油、棕油、塑料、玻璃，开仓手数的比例基本上是固定的，尽量让每个品种所占的比重都差不多。这是小熊猫二号实盘展示的仓位，50%多。当然我有的客户还是觉得低回撤了仓位就没有50%多，有40%多，也有更低的。总仓位是50%多，但是净持仓没有这么多，我大概预估了一下，平均每个仓位30%的样子。
这是我一个账户的持仓截图。这里面每个品种都有那么多仓位，每个周期上面都用那么多策略，比如说塑料，它就锁住了，因为它有多策略，每个策略都单独进行交易，不管你其他策略是多的还是空的，这样就锁住了一定的风险，裸露仓位降低了。而且每个品种的净持仓也不一样，这是持仓的截图。
下面我重点介绍资金曲线，这是我展示账户的资金曲线，我觉得资金曲线对一个操盘手而言是非常重要的。它相当于一个操盘手的脸，要你拿来给别人展示的一个窗口。我们行业没有什么权威机构颁发的证书，这个资金曲线图，就是我们心里面的证书，每个操盘手都会有自己的资金曲线。我基本上会天天看自己的资金曲线，以及在座各位的资金曲线。这是一年的时间，收益率125%，回撤率17.4%，目前账户权益是208万，盈利九十多万。客户看我做得还可以，在这个账户中追加两次资金。其实我交易没这么频繁，但我们湖南人的手续费非常高。在这一段之前，股指的手续费是万分之零点七，交易所的三倍，后来我要求期货公司的居间人，一定要将客户利益放在第一位，客户赚钱，那才是最重要的，他才同意把手续费降下来。我觉得资金曲线还有一个重要的指标，就是回撤时间。我觉得回撤时间越小越好，比如网站上高频的高手，他们回撤时间基本上是每周，有的甚至是每两天，资金曲线在创新高。最大的回撤时间是这里到这里，才创新高，基本上一个半月左右才创新高。
这是组合模型的测试报告，我测试的是四年时间，这个东西没有实盘资金曲线重要，这些测试结果是从电脑软件当中导出来的，都是真实的，盈利一百万，盈利率一千多。测试的时候回撤比实盘低，实盘的效果肯定没有测试好。我测试的时候用的是文华的软件，我也觉得文华做得不是特别专业，现在在考虑换其它的，可能换到金字塔。测试效果相当理想，没有一个月亏钱，这是测试报告，一百万本金。最大回撤138000，接近14万的样子。仓位是50%，收益大概是1200万。我现在简单介绍一下我们的团队，我们团队核心的成员有两个，这些模型大部分是我开发出来的，但这些模型具体使用时要经过另外一个人的同意，是他帮我做检测，善后的工作，还负责市场客户开发。谢谢。
我们用自己的钱先去做交易，所以养成了防守型的风格。
我们的团队文化提炼出来，就是一句格言：冬天正在来，永远会想着将来应该会有一些难受的日子等着我们。
我们只做对策，不做预测，所有的交易是纯量化。
从我们自己的测试来看，通过做组合策略并不能够提高收益，但是能够提高收益风险比。
对于产品的设计，我们主要追求的是持续，然后稳健以及高收益风险比。
如果我能够做到持续稳健地实现这样一个目标，已经可以做得很棒了，即使是最防守型的，如果真的年收益有30%，十年十倍肯定没有问题。
大家好，今天感谢沈总，有这个机会跟大家进行交流。我介绍一下巡洋在量化投资方面的探索。团队主要是两个人，一个是我，也算海归，原来做IT，在阿里巴巴、新浪、火鸟跟广州巡洋都做过。后来卖了一个项目之后，有笔钱，委托了蛮多的投顾做，但效果不好，就自己来干。我的搭档是姜男，他也是做IT，也做过管理。他原来是做股票的，后来我就把他拉过来一起搭档，一起做交易。我们这个团队的特色以计算机跟研发为主，对管理也比较熟悉。我和姜男都是IT出身，阴差阳错地去做投资，然后慢慢变成职业投资。还有一个特点就是，我们用自己的钱先去做交易，所以养成了防守型的风格。我们的团队文化提炼出来，就是一句格言：冬天正在来，永远会想着将来应该会有一些难受的日子等着我们。“冬天正在来”其实借鉴了冰火之歌北国国王的格言。我们核心的交易理念是哺育这个市场，我们只做对策，不做预测，所有的交易是纯量化。中线策略我们还是会手工交易，因为合约数比较大，短线跟日内是完全程序化的。在做研发的过程里面，每家公司的做法可能都不一样，我们的选择是以盈利的可持续性作为第一标准，第二是稳健，第三是容纳大规模的资金，第四我们才会选高收益风险比，基本上这样一个逻辑顺序来选研发的方向。这里面也贯彻了冬天正在来的理念。今天那么多同行展示的业绩都比股神巴菲特高得多，但是我们都知道每个人不可能持续这么高的收益再走五年、十年，所以一定会有一些困难的东西在等着我们，所以我们得有警惕，做好预防。其中我们还有一个策略就是通过组合来做分散风险，我们的做法也是采取了中线、短线、日内的多周期、多策略来对冲风险，提高收益风险比。从我们自己的测试来看，通过做组合策略并不能够提高收益，但是能够提高收益风险比。通过三年多的研发，研发出一个叫量化风华的股指期货的交易系统，目前有中线、短线，以及一个日内的模型，有大资金在交易了。我们还储备了一些新的模型，在做测试。我们学中国的军工研发，做实战一代，储备一代，然后预研一代的一个梯队，这样能够保证我们的研发跟交易有一个稳定性。在资金头寸使用方面，在中后期我们花了很多的时间去做研发，目前我们基本上按1:1:1的角度去做匹配，这跟刚才小熊猫二号做法都蛮类似。跨日的策略我们以趋势跟踪为主，日内的策略是完全多元化的交易理念，这样对冲能够做得更好。
这是跨日模型组合测试出来的效果。简单来说就是通过组合之后它的收益风险比有比较明显的提高。
这是我们预测的资金曲线。
这个是日内模型本身的情况，也是组合之后收益风险比提得比较高。
这是日内组合的资金曲线。我们整个交易系统组合的特色就是中线、短线、日内结合。同时就模型管理方面，通过这两年的实战跟大资金的考验，后期花很多心思做模型管理跟资金管理，现在已经形成一个比较稳健的风控体系。这个体系包括头寸的使用、模型的管理以及模型怎么去做升级。目前我们这个体系的优点就是资金容量比较大，我们现在管理的资金刚超过一个亿，我们自己评测，可以比较轻松承载三个亿的资金。
这是我们实盘的业绩，前面一年还是比较顺的，去年十一月份我们经历过一次比较大的考验，然后到今年三四五月份也有一个考验，基本上是这么一个情形。这里是我列举出来的业绩，图表是实盘的业绩，10年跟11年是仿真测试的业绩，从业绩表现来说比较连贯，从收益分析来说，我本身是从研究股票入手来去做研究，也比较关心它跟沪深300指数的相关性。从我们的收益风险来说，是负相关。所以从资产配置来看，对投资股票的人而言是很好的配资工具。从详细的月度收益来分析我们还是有比较强的趋势跟踪的特点。大家一看这里就很明显，这是去年十二月份跟今年六月份，月度收益都超过25%。去年我们也参加了朝阳永续的采访，拿了一个奖，也有他们的业绩见证报告。在它这边从4月20号起到年底，我们的收益是96%。去年也拿了期货日报实战排行榜的两个奖项。
这个是我们主策略仿真测试的收益情况，它主要还是有一个比较好的稳定性。
对于产品的设计，我们主要追求的是持续，然后稳健以及高收益风险比。具体的配资，我们目前的做法就是可以通过头寸的配置，实现三种账户管理的风格。防守型那一档是控制它的最大回撤，是在10%，预期的年化收益是30%。稳健型最大回撤会控制在6%，预期年化收益是50%，进取型最大回撤是控制在25%，年化收益是80%。我个人的资金放在稳健型这一档。我原来是把钱给别人来管，当我自己管钱的时候，我明白大概会喜欢这三档的处理。我自己相信，如果我能够做到持续稳健地实现这样一个目标，已经可以做得很棒了，即使是最防守型的，如果真的年收益有30%，十年十倍肯定没有问题。所以我花心思最多的应该会是在怎么能够把收益做得持续跟稳健，而不是追求超高的收益。这可能是我们在产品设计跟研发上的一个侧重点。今年的目标已经实现，把资产规模做到一个亿。我们也刚发了一期结构化的产品，四千两百万，1:2的配资。我们希望在明年一月份能够再发行一款管理型的产品，希望能跟投20%，个人账户也接，大概三百万起合作。我们自己的想法，关键还是要把规模做起来。因为我原来是做IT实业，我们管的钱不多，虽然看上去百分比收益很高，但算细账，我们赚的钱并不多。真正要有价值的话还是要把规模做起来。对于期货基金，跳开这个圈子之外去看，我觉得跟做股票还是有蛮大差距。做股票的基金我们随便都能找到几家规模五个亿以上，它能够有三年五年的实盘，第三方能够见证的业绩。但是做期货的，我自己找找不到，虽然也听到有传奇的人物，那毕竟他们的业绩没有第三方的见证。我不能说不信，但我也不能全信，我希望能看到，不管是我们还是在座的各位还是别的人，能够做出一个标杆。我相信当这种标杆起来的时候，可能就是整个期货基金有大发展的时候了。我自己以前是一个投钱的人，到现在来管钱，我最大的体会就是希望能够参与到这个奇迹出现的过程，能看到期货基金能有一个大发展的过程，谢谢大家。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。宽潮组合课量化培训9月24日第3日学习笔记（峰回路转）
　　今天在非常安静的情况下，通过后台数据观察到大家的热心和期待，虽然是周末，依然给予我们很高的回应。　　今天的讲师也比较给力，早晨讲解了matlab的一般应用，李洋老师已在某基金公司成为基金经理，对于matalb仅作为主要工具之一使用，对于策略的理解才是最深入的，下午重要嘉宾主要和民间资本合作，实际上已经构建了全品种对冲和超强的资金管理获利能力，晚上出乎意料两位大师，一位讲解套利交易中基本面分析的重要因素，另一位则是22岁已经管理3个亿资本的郑玉峰老（同）师（学）……　　做好准备，老司机踩油门了。　　早间课程　　《matlab在量化投资中的具体应用》　李洋&　　首先讲解了如何快速学习matlab，然后介绍了一些使用matalb开发的策略模型。　　然后展开讲解了一个open range breaker，也就是经典的RB经典策略。这个策略刚开始赚钱很容易。该模型使用开盘价，形成一个benchmark，目前的改良方法，是benchmark = open + n*ATR，上下轨类似。　　李老师说：我这边的策略细节，也是benchmark做改良，我是在当天开盘价N分钟内，对价格求均值，我们用的是1分钟K线，然后生成上沿下沿，做突破操作。　　很遗憾没能拍到李洋老师照片，虽然中午一起进餐竟然都忘记了，只能用他的书来替代了。　　如果我们再抽象一层，这个benchmark是某些变量的函数，比如开盘价、昨日收盘价、波动率，上沿下沿的生成，应该是不一样的，跌容易，上涨难。各品种的多空状态，并不是很对称的。　　比如我可以用一个值，来生成新的benchmark，这就是我们自己的RB，区别于其他团队。如果策略太相似，冲击成本会特别高。我们应该思考，这类策略为什么一直存货。　　纵轴是频数，横轴是收益率。答案是：收益率分布肥尾（大家可以绘图分析，尖峰肥尾）。广发做过分析，上下沿用随机数生成，也是可以盈利的。　　我们可以看一个跨期套利的案例，协整，ADF检验，得到价差。交易的时候，是对价差进行交易。模型不难，但是远月交易成本较高。还有跨市场跨品种套利，豆油和棕榈油，铜和锌。在matlab高级计量经济学工具箱，有一个协整检验。　　matlab内置的函数可以进行K线绘制。还有技术指标，SMA、EMA（以指数式递减加权价格，递归方式来计算，越远离当下，权重外衰）。在未来计算大批量代码编写的时候，注意编程风格问题。AMA方面也值得使用，他的平滑系数，是用ER系数进行变化的。通过效率系数ER，可以给出曲线和震荡的定义。　　AMA这部分量化投资训练营之前的夜报已经多次分析过。ER系数来自Kaufman的自适应均线系统。　　步骤1：价格方向　　价格方向被表示为整个时间段中的净价格变化。比如，使用n天的间隔（或n小时）：　　direction = price – price[n];　　其中，direction是当前价格差或方向数值，price是当前价格（当日收盘价或小时收盘价），price[n]是n日前的收盘价（或n个周期前）。　　步骤2：波动性　　波动性是市场噪音的总数量，它可以用许多不同的方法定义，但是这个计算使用了所有“日到日”或“小时到小时”的价格变化的总和（每一个都作为一个正数），在同样的n个周期上。　　如下表达：　　volatility = @sum(@abs(price – price[1]), n);　　其中，volatility是指波动性数值，@abs是绝对值函数，@sum(value, n)是n个周期中的数值之和函数。　　步骤3：效率系数（ER）　　以上两个成分被组合起来，以表达方向移动对噪音之比，称之为效率系数，ER：　　Efficiency_Ratio = direction/　　用“方向性”除以“噪音”，该系数的值就从0到1变化。当市场在全部n日以同一方向移动时，则方向=波动性，效率系数=1。如果波动对于同样的价格移动是增加了，“波动性”就变得较大并且ER往小于1的方向移动。如果价格不变化，则方向=0，ER=0。　　每一个技术指标，一定要了解背后的意义，然后使用。比如MACD等其他很多指标，其实你把均线梳理很透彻的情况下，会发现很多技术指标都是均线的再复合（我强烈认同该观点，并对此进行了长达一年多的分析）。　　最后介绍了万德和大奖章接口，同花顺ifind接口，都是可以使用的。当公司创建初期，规模没上去的时候，建议先用第三方平台把产品跑起来，然后规模上去之后，可以自己开发平台。　　接下来做一个基于matalb的交易品种分析。　　比如PTA没有外盘，连续性很好，2013年制度修改存量资金少了，不好操作的了。我们给出两个方式进行定义：流动性：规则1：成交量/持仓量 每一个时间截面（监控），给出全市场流动性排序，实战中，我们一般做一个N日平均处理，每一个月，半个月，进行调整。这个N周期，和你的策略持仓周期也有很直接的关系。规则2：对于开始交易的品种，监控流动性实际走势，历史分布，左侧可以少交易、低仓位。波动性：趋势性系统的盈利能力，和波动性成正比。波动性，有3个描述方式。是高相关性的。最直观的方式，是定义一个波动率，波动率小于某一阈值的情况下，可以少交易，不交易。规则1：20日波动性MA & 25分位数，就交易规则2：用这个对比值进行仓位控制，满仓、半仓、暂停　　有了流动性规则、波动性规则，就可以放在一起，进行交易品种控制。那么针对震荡策略呢？可以想象，当某个时间级别的趋势类策略关闭的时候，震荡类策略可以开启。　　相关性检验的时候，要记得做时间轴校正（数据清洗），这是很多人忽略的，否则日期不能对应。如果剔除了太多，显然统计意义是不强的，所以要做差值来弥补。那么到底需要向后回溯多远，计算相关性合理呢？这部分没有定论，因为牵扯到很多基本面影响因素。　　相关性分析方面，求出他们之间的相关系数。这个课题有利于构建一个收益和风险互相包容，能够实现对冲效果的投资组合。　　通过数值回测给出交易系统的表现，这是大家都知道的，所以我们可以用matlab构建一个回测系统。原始策略提出的源泉：1、国内卖方金工报告，万德，迈博汇金2、计量金融分析报告《高级计量经济学》3、，如国外有一个futures magazine4、团队自己的Alpha挖掘，团队交流，挖掘交易策略　　关于期货主力合约定义，有不同方式，大致是成交量/持仓量最大，即可。隔夜策略的测试，会有很大区别，各个第三方平台都不一样，所以这是需要注意的。期货数据这块的坑，是巨大的，近月远月，升贴水问题。我们做量化的，第一步就是做数据，不要用回测自己骗自己。　　我也求证了几个问题：　　通道类策略的上下轨，针对商品，多空相似，用一个比率是否可以？李阳老师认为：其实不合适。因为上涨下跌启动点的形态，是不一样的。这里应该设置不同参数，不要怕拟合。　　某个主力连续合约数据失真，存在大跳空，但是主力指数，也失真吗？答——也失真，比较尴尬，隔夜策略的评估效果，在实盘中可能不能令人满意。　　关于分散参数，分析参数热图，我的办法是，如果有多块高点区域，寻找交易次数较高的参数组合。李老师还是老观点：关于参数优化，找到参数高原图，或者说热图之后，不要去赌某个参数，而是去分散参数。因为后期实战中，你会发现参数漂移。　　下午课程　　《全市场全周期全品种全通用多元化的全智能》　陈海龙　　首先提出几个问题，大家心里要有自己的答案，然后带着问题听讲。　　1、你交易多少个品种？股票多少只？　　2、赚钱主要是依靠趋势，还是震荡？　　3、历史数据写出来的有没有用？失效，改进，失效，再改进，有没有用？　　4、期货和股票主要依靠什么在赚钱？　　5、补仓或者抄底行为，是对还是错？　　6、如何判断程序是否失效？　　7、趋势和震荡，能否判断？　　8、1万亿以上资金容量的模型是否存在？　　我会给大家全新的思路，不是书本上能够看到的，我只生产永动机，不是永动机我还不用。　　我写过4000多个模型，很多用历史数学写的，改的很痛苦。都进入垃圾桶了。我实盘用的只有一个程序。　　我的模型，全市场、全品种、全周期都通用。　　我的团队，把所有不可能的变成可能。但是所有的可能，又变成不可能。很多风险（万一）全部都要变成不可能。我们设计交易系统的时候，只有一万，没有万一。　　我认为，根据历史数据训练出的模型，是没用的。历史根本不可靠。谁告诉你加载出来的就一定有行情？万一没有呢？没有行情就是死路。　　我们不用历史，而是用概率。比如明天新上一个品种，我就可以做。而很多机构，必须等待非常多的历史数据，才可以做。　　我做的是全品种，任何一个单品种和我没关系。我看文化商品指数，就知道怎么回事。震荡我就亏钱，趋势我就赚钱。我的一个朋友，40多天震荡都在赚钱，是震荡策略，还有所谓的纪律，但是遇到大的单边行情，他开始逆势加仓。这就是人，关键时刻会由于人性崩溃，没有纪律。最终爆仓了。而做趋势的人，这短时间，都是小亏，赚的时候都是大赚，绝对不会爆仓。　　这里牵扯到一个问题：趋势和震荡市可以判断的。　　另外，我是只做日内为主的，绝对的日内交易为主，隔夜都是没有仓位，或者很低仓位。　　很多东西都是一环扣一环的，判断趋势和震荡，就能赚钱。另外固定品种，这就是个错误。我们的系统，事实扫描所有品种，这个品种没行情，你根本赚不到。　　那我们到底是靠什么在赚钱？是仓位管理。有行情重仓，没行情轻仓，什么买卖点都行。你研究历史写出来的，训练出来的模型，有意义吗？　　大部分人眼中的模型，就是一个多个模型，然后自动下单。我看着就是个下单工具，根本就不是程序化。　　我们的系统，买卖点很弱，资金管理很强，这意味着，我们的容量可以超级大。我们公司的整个系统，可以容纳1.2万个亿。我可以把华尔街很多人干掉，他们已经做了几十年投资，他们相对于我输在哪里，就是输在仓位管理。　　2015年，2016年，震荡的时间达到90%，程序化大部分都死了。　　我要知道每个账户的总资金，还要知道系统评估后能承受的亏损额。　　我们在90%的时间，账户里，只有1成仓位不到。59个合约，哪个最有机会的，我才略大一些交易手术。一旦来行情，我的账户就是50%甚至满仓。但是加仓是有前提的，亏钱是不能加仓的，盈利才能加仓。　　我可以明确告诉你们，所有补仓的人都是亏的，追涨杀跌是对的还是错的？答案是对的。涨停板策略，也是对的。而所有逆势策略，抄底，摸顶，都是危险的。我们的账户，达到亏损限制了，直接砍。　　如何判断程序失效还是不失效？比如股指5分钟模型，我让你测试4分钟，6分钟，白银，橡胶，我就是不测试你股指5分钟。我就是要考核程序的通用性。历史数据是结果，你知道了结果，再去写程序，写出来的程序，那必然是很好的效果。但是有价值吗？　　我是一个做概率的人，做的越多，概率越准确。我可以告诉各位，做13个品种以下，都是赔钱的。我玩概率游戏的胜率可以达到70%，每次押注，我在各品种都押注。就和做期货一样，全品种覆盖。我用仓位去管理这个东西，哪个轻，哪个重，亏的时候，亏的小，赚的时候，绝对要大赚。盈亏比要非常高，才能在市场上生存下去，最后就是一直赚钱。　　财经栏目、波浪理论、缠论、江恩理论，这些东西都是狗屁。　　通过现场讲解的饼图，可以看到波动性仓位管理。　　我选择品种，只看成交量、持仓量大的品种，如果控制不好滑点，特别是焦炭铁矿，一定会亏钱。另外我不赞成选股指，特别是现在，复利效果是很慢的。加仓很少的。　　我的单均线模型，都在赚钱，这能失效吗。必须有仓位管理。比如用8成仓位开螺纹，2009年到现在，均线模型，1万元本金开始，30亿。　　突破高低点的时候，可以认为是趋势来了，重仓。正常做趋势的，更容易做的就是突破。追涨杀跌，低卖高买。判断趋势之后，还要判断趋势大小。我有一套方法，识别品种、方向、仓位、趋势和震荡。很多人用一生精力研究买卖点。我不仅能判断趋势，才能判断趋势力量。　　所有时间，都是静态的，凝固的，而行情是连续性的。要提醒大家的是，我们做的是概率，比如说盘中的概率是80%，盘后的概率是70%，我这里的表格，就是一张概率表。　　我会用到很多过滤技术，一个单均线系统，胜率从不过滤的25%，到56%。我现在的模型，无周期，无均线，无指标。如果大家做震荡，要记得它不是赚钱的，它就是趋势策略亏钱的时候，用来弥补的。　　白糖、股指、黄金，我的一个模型，都可以做出比较好的资金曲线，一个程序，各位看清了。我做所有品种赚钱的原因，是我区分趋势和震荡，趋势行情来了，所有的模型都能赚钱。　　开盘20分钟内，都不做，或者仓位很轻。　　下面说说过滤方法，可以参考：　　大级别（跨级别）均线过滤（也可以理解为单向过滤）：我不用跨周期调用，而是设置一个大周期均线，用的是换算方法。　　幅度过滤：好像没说明细　　指数过滤：比如豆油、棕榈、菜籽油，做成一个篮子数据，然后去过滤　　时间过滤：开盘某些时间，不交易。　　大权重指数过滤：主力合约过滤非主力合约。　　智能过滤：？没记录下来　　滑点过滤：计算好买卖点，我用挂单方式，我会多挂一个点。　　我容纳一万亿资金，用多个方法：　　1、全品种分散，我会选择其他国家市场　　2、指数基金，和外盘新华富时A50　　3、信号是概率发出的，买卖点是不重要的，但是基本上每个买卖点时间上是不同的，基本上都能错开　　4、滑点控制：通过控制交易频率、提高网络速度，硬件设备。阿里云是共享资源，速度慢，不安全，交易所直连是一种方法。　　从交割单可以看出，策略基本上是在tick级别数据运行，开仓持仓时间非常短。　　谈到补仓，再次说明，我们是不补仓的，我设置好止损，到了肯定会走。不补仓的原因是，如果开始下跌了，下跌会更加严重，补仓方法是逆势的。　　我描述我的产品：多元化、多周期、多策略、多市场。组合的越多，越平滑。我的目标是全智能，我们是一个全智能的下单系统，资金、仓位、亏损、风险增速、收益增速。后两个值和资金权益相关。我计算出今天收益可能性很高的时候，我下很大的仓位，设置比较宽的止损。　　资金管理30%，仓位管理更多，选品种25%，择时交易系统20%，滑点控制15%，心态管理是最小的。因为量化有刚性的风控系统，其要求是很严的，如果加的仓位，经常会平掉，和我系统同方向的，先留着观察，反的立刻平掉。　　用系统防止有人来干预，风控系统的权限是最高的，可以随时控制风险（仓位）。我们管理1600多个账号，就是这样管理的。　　通过我的买卖点可以看出，我就是过滤震荡，做趋势。只要趋势来，所有的反向运行都是反弹而已，趋势形成，很难反转。　　大道至简、由简到繁。这是课间交流时候讲的，希望大家记忆。　　仓位分配：保证金同比例分配，震荡趋势分配。我的仓位下单的时候，是实时复利的，这一秒赚的1万，下一秒我就要用上。　　回答问题中：有以下重要内容：　　我只有1成仓位90%时间，大行情来，会快速加仓　　日内高频+日内趋势，是交易择时模型的总体描述　　趋势级别，和速度有直接关系，我只是说这条路是通的　　目前我一个品种一天，只交易1-2次，频率不高了　　晚间课程　一　　《对冲套利——稳健盈利模式的探讨》　王一博　　主持人说：王老师是巨大的专家，好（我是说巨大这个词用的牛逼），今晚的两节课鏖战开始。　　王老师很谦虚地说，大家参加学习，我们也是自我总结提高。期货市场任何一个你性格的优点，都会10倍回报你。我主要是做套利，半年时间，我就转到套利。对于一个交易者，对一个个人、家庭、公司，是最为重要的。　　我们从2012年成立到2016年，资产管理规模有50亿元。　　趋势交易，基本上是一战成名。但是他的缺点是，一年或者几年，70~80%时间里，都是震荡，这个时间点，趋势没有走出来，是非常考验交易者资金管理和操作心里的。　　但是，有现货和贸易背景的团队个人，在趋势交易中，远远胜于个人投资者。且优秀交易者，凤毛麟角。观察了别人，结合自己的性格，我选择了套利交易，这是一个日久生辉，复利增长的交易模式。这几年套利模式的公司，资金规模都在快速放大，所以大家需要仔细甄选。　　王老师展示了自己的一个产品。赚钱的交易模式，有时候是很简答的，不要把赚钱想得很复杂。2005年上了IC和IH，这是套利的盛宴，IC和IH自己的跨期，和IC-IH跨品种套利，都是非常好的机会。后来股指受限，流动性降低，我们就走的慢了。去年我们100%收益，在套利方面，但是我知道，这不是常态。今年到现在，我半年的收益也就6%，我接受这个收益率。　　比如豆油、豆粕套利，这是一个大级别的宏观经济机会。无论是个人，公司，都需要抓住机会，机会来的时候，全力以赴。没有风的时候，我们也要站在风口等风来。凯丰600万到4000万，就是抓住这个机会。　　套利领域也有失败的案例，2010年，棉花起涨，内盘带动外盘，内外盘有2000点利润（价差）。当时上海一家公司买入纽约棉，卖出国内棉。后来价差竟然拉倒4000点，加仓一次，浮亏加仓，这种回归机会，4000点难遇。后来价差拉倒6000点的时候，扛不住了，棉花冲击33000，砍仓了。这就是做套利交易，不要刻舟求剑，很多条件已经不具备了。　　07~08年的时候，只做少数品种，收益不错，第一桶金。2010年，PTA，RU跨期，2012年，焦炭焦煤。当时高波动率，不用太深入研究，现在是低波动率，必须精细化操作。人无完人，我们要找到自己适合的，符合自己的交易模式。　　我们是在交易行情吗？我们是在交易自己的资金曲线，我们要控制资金向上，低回撤。在某些特殊时段，我们要集中全部火力在一些品种上，大胆做，带来资金曲线的大幅度提升。　　说到软件，目前文化财经WH4，达钱，TB，2006年我一直用易盛交易软件，有非常多的好处。　　股指的收敛是很好的，在贴水情况下，买近空远，是没有资金能够操纵的。　　大豆提油套利，买大豆，卖出豆油豆粕期货。在大豆1号上，有一段时间，炒作非转基因大豆，豆粕猛跌，大豆猛涨，价差迅速拉大。当时亏了150个点，迅速平仓了。当时也是因为急躁，使用了较大仓位。　　在一点就是要选对对手，比如油脂，产业机构已经非常成熟了，难以套利了。很多品种留给投机者的空间，是在压缩的，因为产业客户已经开始在这里获取利润。　　需要说明的是：历史规律不会简单重复。人的天然的惯性思维是回忆历史，但是并不是这样。我的套利策略，是产业逻辑分析套利机会，而不是统计套利。　　目前阶段，我认为商品里，黑色套利还是不错的。螺纹、热卷、焦炭、焦煤、动力煤跨期跨品种套利还是不错的。钢厂没有什么科技含量，是一个产业链，最重要的核心，是螺纹钢和铁矿石的利润，没有高科技，高利润是周期性的，是不可维持的。螺纹铁矿比价在6，钢厂利润很好。钢厂利润好，加大铁矿石采购量，能复产的都要复产。　　笔记到此突然中断一下，昨天有读者说，量化行业没有参与，气场不协调啊。其实是有的，我们今天在会场终于找到一位很甜美的，刚毕业的金融专业ＭＭ。　　嗯，这就是今天标题里所说的峰回路转，谁说没有女生的，看来量化这个行业，还是孕育着希望的。由于此照片分散了精力（改善了量化行业生态环境），本节课后面的笔记无法完成记录……　　晚间课程　二　　《深度学习(deep learning)方法在量化投资实战当中的应用》 郑玉峰　　郑老师本科大四，22岁，目前管理3亿元人民币资金，其策略早已在更多更大的资管公司使用。他使用了很多前沿的科技，比如机器学习算法，大量融入到量化中。　　他讲公司发展称作一群量化革命者的自述，我们是一个团队在作战，这就是全天候量化科技团队发起成立的故事。2012年团队在西安成立，是一只90后团队。我们去年在北京，发行第一只公开管理计划，当时21岁，募集资金管理3000万。　　2014年我们从30万元管理规模，到年底2000多万，2015年底搬到杭州，再搬到北京。　　目前数据抓取技术，在急剧地改变量化的生态。一家科技公司，根据京东数据，构建了一个消费品指数，构建了因子库。然后以此为基础，构建了一个多因子选股模型。这个模型的结果还是比较不错的，从2014年-2016年，这个收益率的alpha非常高，实现了250%。　　这说明了一个什么问题？很多人把个性化的，非结构化的，非公开的数据，应用到量化投资体系里。　　我想说的是：有效信息的提取，反映到量化中，超额信息就是超额收益的重要来源。超额信息比模型的构建方法，研究方法，更重要。比如说徐翔，每年200%的回报率，他的优势就是大量的内幕信息，他获取了普通人无法获知的信息。　　我们普通人应该怎么办？我们应该合理合法地获取信息，在此基础上，建模分析，成为稳定超额收益的来源。我们在构建量化模型过程中，是这个思路。　　有一个很火的国外对冲基金公司，使用了VHF跟踪全球市场的船只形成，购买了卫星，来监控大型货轮是否按时到达港口，这是在获取数据，数据爆发增长，如何科学的挖掘，如何科学有效有技巧地抓取，是我们量化投资者的分析研究课题。还是老话：超额信息，有决定性的作用。　　我们认为：股票市场，尤其是中国的股票市场，是非常复杂的非线性系统，有显性和隐形因素。隐形因素，本质上大众可以获取，但是获取的难度大，门槛高。　　大家应该了解随机漫步游走理论，认为股票是完全随机的，没有规律。所以造就了ETF和共同基金比较多，但是我觉得这种理论是非常愚蠢的。我们肉眼都可以看到，市场上有相当数量的，能够跑赢市场的人，长期、稳定、远远跑赢市场。　　中国的金融市场（特指股票），是成熟度非常低，容量大，机会超级多的市场，明显的是波动率非常高，相比于国外，波动率不止大了两三倍。股票交易量基本1个亿保底，大的都是几十亿。我们A股每天的流动性，是非常巨大的。我们的市场介于确定性和非确定性的动力系统。　　股票价格，行情数据，非行情数据，在未来预测股票价格信息。有一个函数关系，是成立的。T+1天的股票价格，是T天的价格，和行情等基本面的因素共同决定的。量化的建模，就是通过现有的训练数据，通过实战方法，无限逼近函数F，也就是构造函数。但是大多数我们做出来的F，只在样本内有效，或者有效性非常短。　　我们认为传统线性量化模型，都是针对训练样本，做加权求和做择时和预测，这是原始不科学的，需要有新的思维和血液进来。　　我们注意到：随着硬件的飞速发展，价格下降，我们普通人也可以拥有性能比较好的计算机，这给我们做量化投资一个好的条件，我们可以把传统计算机行业的数据处理方法，应用到股票价格中，ANN SVM 小波等等。　　机器学习是什么？它是建立一个模拟人脑建立一个分析学习的神经网络，解决数据问题，这种方法，其实是能够很好地应用到金融建模。数据大，维度多，成分复杂，这个方法非常好。可以无限逼近金融市场的真实函数F。　　我想提醒大家一点，机器学习很火，都在推，尤其是DP深度学习，但是目前机器学习应用到实际场景，是比较难的。很多说法，都是很扯淡的，我们的观点是：机器学习要应用到实际量化投资：你得有数据，你得有数据，你得有数据。　　机器学习，不仅对数据质量要求高，数据的有效信息多，数据预处理细致合理，国内大学的计算机专业，都有这个研究方向，但是水平不好说，极少数的人，深刻掌握理解机器学习方法。我们有过惨痛的教训，我们走了很多的坑。我们去年到北京的时候，做了一个实验室。4个博士，8个硕士，10个本科，国内比较好的学校都招了，结果比较惨，最终根据数据做优良结果的，样本外检验的，只有2个人。需要深刻理解，才可以做出来。　　机器学习有一个很重要的概念：经验的反馈，这个概念很重要。人类与生俱来的的，从生活和实践中，通过对已经发生的事实观测，归纳总结。机器学习也是这个过程，模拟人类。一个叫做样本外推广能力，是核心的，致命的问题。只要训练时间长，一般都是拟合度高的，但是如果你过优化了，样本外数据，是需要质疑的，这太常见了，这是最大的坑。　　我用了Adaboost算法，多个训练分类器的方法做示意。就像多个评委打分，我们需要评价股票好坏，我们需要建立标准体系。多个评价体系，构成终极分类器。比如有2700多个股票，我们需要机器学习模型做评级、评分。我们要找到相对好的东西，基于这个思路，我们要学习出分类器，最终用这个分类器，去评价所有股票。当模型有效，评价体系得分在前面的股票，预期收益是比较高的，这就是这个策略的思路。　　我们看来量化投资有五个模块：　　1、收集数据、收集各种原始数据，这是5个模块中，最重要的，这是70%左右重要的。　　2、数据预处理，对原始数据进行加工。比如缺失值，比如不需要的数据去除，这是一个非常复杂的工作。这样才能保证数据的可学习性。　　3、训练算法，用10年整体长度，随机抽取时间段，做样本内交叉验证数据（训练集）　　4、样本外测试，基于之前的成果，测试算法的工作效果。我们样本外数据会留20%，我们对过拟合比较敏感。　　5、实盘测试，实盘也需要三个月左右数据，没有明显衰减，使用这个模型。　　第一部分是我们引以为傲的，我们做了一个事，依托复杂算法，以海量舆情数据，财经、社交网站、上市公司公告，多层次语义匹配，形成知识图谱。可以提取关键词，匹配版块，个股，最终形成一张网，这是知识图谱。这是策略最基本的策略框架。　　以一个上市公司图谱，它产生了很多标签，信息，各种好听的名字概念。公告中，可以分析到被机构表扬还是出发。还有定增的协议，子公司诉讼等。还有产品标签，比如新能源汽车。还有股东标签，没那么重要了。　　我们用基本面数据，是做反向排除工作。A股比较奇葩，基本面信息，是可以找到比较坏的股票，排除掉它。我们的优势，就是在新闻数据分析方面，做数据清洗、网络训练。　　我们用了一个比较新的技术，大部分是关键字分析阶段，但是只是这样分析，误差比较大的。当网络出现某一个关键字的时候，是积极的？消极的？正向的？反向的？我们用了一种技术，做这个结论的产生。以股民对万科的评价为例，有一个思维情绪的结果。　　最终形成了数据链，数据图谱，形成了最基础的数据。目标函数是：保证拓展能力的情况下（也就是样本外外推），对训练数据做处理，这个Y最大。这是我们的训练目标。　　最终我们形成打分体系的时候，肯定是很多因子，连接在一起。首先是构建因子库，作为训练参数的材料，我们采用的是多因子选股的投资方法，我们将其抽象成一个二元分类问题：强势股（前10%）、弱势股（其他的）。构建能够解释收益率高低差异的因子。　　数据分为样本内训练，样本外检验，要得到样本内优秀的因子集合，参数集合。外推检验证明合格。从因子选股角度来说，运算过程中，大概是先做样本划分，给样本给权重。对因子按照大小进行排序，分组，然后分别计算每个分组中，强势股和弱势股的比重，我们以此方式，要检验因子的对于股票涨跌的解释能力。　　我们可以从大量复杂的因子库里，初步提取有效因子。一个弱分类器就完成了。　　然后进行算法训练，我讲过Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。AdaBoost算法中不同的训练集是通过调整每个样本对应的权重来实现的。　　如果迭代的分类器有效，做回测的时候，是比较稳健的。错误率为0不可信，难以实现的。比如我们看到一个因子，远远跑输大盘，收益率差，比较低。　　我们先淘汰无效因子，然后留下有效的，反复训练迭代，最终可以构建更强的因子组合。不同有效性因子组合积累到一定量，就会产生质的飞跃。我们在做模型的交易，暂时不考虑回撤的控制，如果测试的回撤小，实际中不会给你任何的保障。我们寻找的是超额收益，和超额收益的稳定性。　　关于时间窗口推进建模测试，我们加了时间窗口，测试得到不稳定。所以就一次性把数据分为样本内、样本外即可。　　机器学习量化投资中，我们看中的，是：　　1、注重数据采集收集，我们的理念就是超额信息，产生超额收益。　　2、一脉相承的，个性化数据方面，很下功夫。我们最宝贵的，就是很早开始积攒构建的舆情数据库。　　3、这部分没有记录到……　　舆情数字地形图，经过几层处理后，最终留下的东西：　　从0到2400左右，2400个股票的信息量，纵轴是信息强度。　　机器学习还有一个优势是，能够大规模地，批量地生产策略。它可以帮助公司快速拓展投资容量和规模。　　1、少数派思维，走在大众思维的反方向。少数人能够赢，避免大众化思维。　　2、不与狼群争草原，守住自己的树林。自己的水平、团队能力，还有就是对手是谁。如果对手太强，比如期货市场，就避免这些成熟度比较高的市场，找成熟度低的市场。　　我对未来发展趋势的一些看法：　　1、方法趋同化。我会用机器学习，你也会，大家都会。　　2、数据差异化。数据的差异化，是决定成败的来源，基础数据做的好，正则化提炼清洗好，就有超额信息优势。　　3、量化建模的模型是否有效，能否赚钱，不是用研究方法和挖掘方法决定的，最终是数据质量决定的。如果信息有效性低，不可能挖掘出好的策略，只有包含的有效信息多，足，才是战胜大盘，产生超额收益的最终来源。　　未来专业化分工　　1、基本的模式验证，需要人来做——策略模式研究员　　2、最优参数调节，批量生产——数据挖掘专家　　我的提问：　　小波右侧数据怎么办？lowess等方式呢？　　——需要用到右侧数据的，都不能用。可能实验过程中可以用，但是实战过程中，貌似不好用。我提出回归出后几个数据，郑老师没有直接解答是否可以　　我听您的意思，价格信息，并不是主要了，是这样吗？　　——是的，舆情数据很重要。价格数据也是需要的。　　最终负责决策的因子，是能够解释的清晰明确的因子，还是合成的因子，不容易解释的？　　——都是一些合成因子。郑老师对因子有效性（也就是对于价格的解释能力）很有信心。　　舆情数据，基本上都要反着用的（因子强度和语义度，对价格起到反作用力）。　　——舆情是韭菜的观点，不解释了……　　点击底部【阅读原文】　　跳转到我们刚发布的《打开量化交易大门 36节精选公开课》目录。　　或者去优酷，也可以看到完整的课程专辑。　　/albumlist/show?id=&ascending=1&page=1.html
& 上一篇：
& 下一篇：
宽潮组合课量化培训9月24日第3日学习笔记（峰回路转） [相关推荐]
Copyright & , All rights reserved.牛哥网 , 传播文明正能量，做有文艺范的青年喜爱网站。