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
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27