京公网安备 11010802034615号
经营许可证编号:京B2-20210330
量化投资是什么?
量化投资是指通过数量化方式及计算机程序化发出买卖指令,以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史,其投资业绩稳定,市场规模和份额不断扩大、得到了越来越多投资者认可。
量化投资就业前景如何?
Wind数据显示,2016年1月至今,有32家基金公司和具有公募基金资格的证券公司申报了59只名称中包含“量化”二字的基金,其中31只基金已经获批,6只为基金中基金(FOF)。产品的大量申报和发行也带来了人才缺口。据了解,南方基金、金鹰基金、浙商基金、富国基金等多家公司近期在招聘量化研究的实习生。
量化投资薪酬如何(北沪深)?
实习生(一周四天):4000-8000元/月
经验1年以上:15000-25000元/月
经验3年以上:30000-50000元/月
量化投资国内发展趋势怎么样?
如果从2007年大批海外量化基金投资人才归国算起,我国量化投资基金行业已走过10年历程。从开始不为人知到成为公募行业名片,从单一的量化对冲产品到多策略量化组合,从震荡市大放异彩到单边行情下饱受质疑……这一全新的投资方式正在被各类资管机构接受,尤其是公募量化证券投资基金因其高门槛、大规模、运作透明规范的标准化特点,被广大中小投资者热捧。
大类资产配置需求给量化投资带来了全新的发展机遇。随着技术门槛的降低以及大数据、人工智能的应用,任何投资者都可以将量化投资应用到自身资产组合当中,广大中小投资者也可以为自己定制量化投资产品。同时,机器学习的发展也对量化投资起了促进作用。
16年11月,私募基金管理规模已经超越了公募基金,从这一事实就一定程度可以反映出量化投资在国内是可行的,因为现在私募基金募资,资金更青睐于量化投资方式而不是主观交易方式。
从量化投资的定义和特征来看,量化投资是借助于数学知识、统计学知识开发出策略模型然后根据模型给出的信号严格执行信号。因量化投资有其天然的优势:客观性、系统性、纪律性、可验证性,所以量化投资在国内是可行的,而且是未来投资领域的重要角色。
想入行,从思想到工具,策略,实战都不会怎么办?
参加量化投资就业班_360小时从零基础入行量化投资
开课信息:
时间:随报随学,共360小时授课
方式:在线学习,按时完成课程作业
费用:23112元;学习有效期2年,提供全程答疑与学习监督
优惠:现场班老学员九折优惠
学员要求:
1,本科大三及以上在读或本科以上学历毕业生;
2,本课程授课期间全勤且毕业时可以以团队为单位编写量化策略。
课纲概览(理论部分与案例部分各占比一半):
| 概述 | 量化投资的定义 |
量化、金融、工程、交易 |
|||
| 量化投资行业现状 |
国外、国内 |
||||
| 量化投资行业展望 |
岗位职业、互联网金融、金融科技 |
||||
| 理论 | 金融基础知识 |
经济金融原理 |
|||
|
证券及衍生品 |
|||||
|
期货及衍生品 |
|||||
| 金融专业知识 |
专业技能 |
||||
|
证券估值 |
|||||
|
衍生品定价 |
|||||
| 数学 |
线性代数(矩阵) |
||||
|
微积分(导数,偏导数) |
|||||
|
概率论与数理统计(统计,回归,时间序列分析) |
|||||
| 机器学习 |
概念、类型、应用场景 |
监督学习 |
|||
|
无监督学习 |
|||||
|
半监督学习 |
|||||
|
强化学习 |
|||||
|
迁移学习 |
|||||
|
其他 |
|||||
| 程序、软件 |
各开发语言介绍和对比 |
||||
|
Python基础 |
安装、环境配置、IDE |
||||
|
基础教程 |
|||||
|
Python进阶 |
|||||
|
tushare |
|||||
|
talib |
|||||
| Wind(万得咨询终端) |
wind软件介绍和使用演示 |
||||
|
wind量化平台介绍 |
|||||
|
wind open api(python)介绍和实例 |
|||||
|
机器学习案例 |
|||||
| 量化 |
量化投资流程 |
||||
|
量化投资方法论,交易哲学 |
|||||
| 实战 | 研发框架 |
1. 策略原型 |
|||
|
2. 数据 |
|||||
|
3. 策略模板 |
|||||
|
4. 回测 |
|||||
|
5. 优化 |
|||||
|
6. 业绩评价 |
|||||
|
7. 风险和资金管理 |
|||||
| 策略案例 | 择时模型 | 技术指标策略 | ma | ||
| macd | |||||
| sar | |||||
| rsi | |||||
| kdj | |||||
| boll, | |||||
| kama | |||||
| turtle(海龟交易) | |||||
| grid | |||||
|
K线形态与组合策略 |
希望之星 |
||||
|
黄昏之星 |
|||||
|
红三兵 |
|||||
|
绿三兵 |
|||||
|
圆弧底 |
|||||
|
“V”型底 |
|||||
|
“U”型底 |
|||||
|
“W”底 |
|||||
|
“M”顶 |
|||||
|
经典日内策略 |
hans123 |
||||
|
r-breaker |
|||||
|
hl-breaker |
|||||
|
nhl-breaker |
|||||
|
ap-cross |
|||||
|
grid |
|||||
|
机器学习模式识别 |
|||||
| 因子模型 |
基本面因子 |
财务因子(盈利性、估值、现金流、成长性、营运能力、资本结构) |
|||
|
统计因子(换手率、波动率) |
|||||
|
一致预期因子(分析师评级、盈利预测) |
|||||
|
技术因子 |
动量 | ||||
|
数据挖掘另类因子 |
事件 |
||||
|
舆情 |
|||||
|
大数据 |
|||||
| 套利对冲 |
无风险套利 |
ETF套利 |
|||
|
期现套利 |
|||||
|
统计套利 |
跨期套利 |
||||
|
跨品种套利 |
|||||
|
跨市场套利 |
|||||
|
期权套利 |
|||||
|
配对策略 |
|||||
|
对冲 |
alpha hedge |
||||
|
smart beta |
|||||
| 组合投资 |
Equal Weight |
||||
|
risk parity |
|||||
|
Minimum Variance |
|||||
|
Markowitz Model |
|||||
|
Black-Litterman Model |
|||||
| 交易系统 |
交易接口(api)(eg.股票、期货、其他) |
||||
|
开源项目讲解 |
|||||
| 备注 |
后续由于进度、反馈等原因,不排除课程大纲(内容、顺序等)有所调整 |
||||
最后一讲:量化投资职场求职经验分享。
毕业答辩:以团队为单位提交量化策略并展现回测结果。
为什么选择经管之家的量化投资就业班:
1,通过专业,有针对性的课程迅速提升自己的量化投资技能;
2,通过量化投资领域从业的讲师授课,迅速掌握量化投资实战经验;
3,通过360小时高强度的学习与训练,实现独立编写策略的目标;
4,通过毕业答辩的能力展现,弥补招聘中无法吻合的条件要求;
5,有机会毕业后直接进入授课讲师的量化团队进行实习。
投资也讲究一个快字,等大家都知道了,很多投资方法也就没那么有效、甚至失效了!
经管之家量化投资学院:http://q.peixun.net/
课程咨询及报名:
魏老师
Tel:010-68478566
Mail:vip@pinggu.org
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16