京公网安备 11010802034615号
经营许可证编号:京B2-20210330
普通投资者如何进行量化投资
1.什么是量化投资?
打个比方来说明这种关系,我们先看一看医生治病,中医与西医的诊疗方法不同,中医是望、闻、问、切,最后判断出的结果,很大程度上基于中医的经验,定性程度上大一些;
西医就不同了,先要病人去拍片子、化验等,这些都要依托于医学仪器,最后得出结论,对症下药。
定性投资更像中医,更多地依靠经验和感觉判断病在哪里;定量投资更像是西医,依靠模型判断,模型对于定量投资基金经理的作用就像CT机对于医生的作用。
说的再直白点,就是在金钱面前,人类更愿意去相信成熟的套路,趋利避害和利益最大化毕竟人类的天性啊!
2.量化投资,这不是一般人能玩的起的
在懵懂的时候听到“量化投资”这个名词时,脑子中第一个反应竟然是
确实,这个名词的确不是平头老百姓(81.35 -2.18%,诊股)能触及到的领域....
不少量化投资产品的主要客户来源大多都是以银行,保险,私募,对冲基金以及一系列投资机构为主,即便开放给普通投资人最低也都是几百万起步...
那么普通投资者如果要进行个人投资,如何入门呢?
第一部分:知识储备
好,明白了学习的方向,我们就知道自己需要学习以及掌握的内容了。从这个方向内容来看,在学习量化之前,我们需要具备一些基础知识,否则我们都看不懂呢。
1、数学
数学是一切的基础,扎实的数学功底还是很重要的。由于数学相关教材太多了,就不一一列举了,主要还是看个人对数学各学科的理解、联系和运用。对于初学者来说,掌握微积分、线性代数、概率统计这些最基础的就可以了,既可以运用又可以看懂大部分教程。
2、计算机
量化所有的一切都要在计算机上实现,这就需要有一定的编程能力,至少要掌握R,Matlab,Python等脚本语言。当然,如果要做高频,那么还需具备高级的C++编程能力以及性能调优能力。
除了基本的编程能力外,机器学习、数据挖掘、人工智能等好用的量化工具也需要有一定的了解。这里为大家推荐一本网友推荐频率极高的书。
《集体智慧编程》作者:Toby Segaran。
这本书选择的是Python语言,以机器学习与计算统计为背景,专门讲述如何挖掘和分析Web上的数据和资源。可以说是数据挖掘的入门书籍,它将机器学习算法这一复杂议题拆分成实用易懂的例子,能够让初学者少走弯路。
3、金融投资
既然量化投资归根结底是一种投资,那么我们就需要对投资品、操作以及投资原理等有个基本的了解。股票、期货、外汇、衍生品、ETF等等,每种投资品、投资方式都有很多书介绍,作为初学者个人觉得只要找看的明白的就行了,有个简单的了解,等以后需要深入研究的时候再仔细选书。
这里为大家简单整理几本网友普遍推荐的经典入门级教科书。
《投资学》作者:凯恩/马库斯/博迪
这本书对于投资交易入门而言,体系完整,覆盖面比较广泛,可以让大家对市场有个基本认识,属于经典的金融投资入门课本。
《计量经济学导论》作者:杰弗里·M·伍德里奇
量化策略需要有一定的计量基础,毕竟大部分策略始终和时间序列以及面板数据打交道。这本书虽然不属于初级难度,但相对结构安排更合理。
第二部分:量化交易
在具备了数学、计算机、金融投资等等基础知识之后,我们就可以开始学习如何将量化这种手段运用到投资中。
1、量化入门
在入门阶段,大家可以找一些简单的介绍性的书籍,对量化投资有个全面的框架性的了解。这里可选择一些传记,比如说像这几本既趣味易懂,又可以了解有一些知识性的介绍。
《打开量化投资的黑箱》作者:[美]里什·纳兰
可以看做是入门的介绍书,比较全面的讲解量化交易的基本框架。
《解读量化投资:西蒙斯用公式打败市场的故事》作者:忻海
算是科普吧,虽然核心内容较少,但阐述了量化投资的一些基本方法和特点,属于量化投资的初级读物。
《宽客人生》作者:Emanuel Derman
一个由物理学家转行到金融领域的宽客自传。
2、经典策略
在了解量化投资的基本框架后,我们可以进一步学习那些经典的策略、模型,以及各种投资理论的运用。这里也简单列几本网友推荐的书,抛个砖。
《海龟交易法则》作者:柯蒂斯·费思
一本论述如何创建机械交易系统的书。有实例说明,对大体上把握策略研发的工作很有帮助。
《交易策略评估与最佳化》作者:Robert Pardo
这本书主要是交易策略的评估与最佳化的思路,对形成量化投资策略的研究思维有一定帮助。
《量化交易——如何建立自己的算法交易事业》作者:欧内斯特·陈
本书对个人投资者建立量化投资系统的过程做了很好的阐述。
《量化投资策略:如何实现超额收益Alpha》作者:理查德·托托里罗
本书涉及的模型类型覆盖面广,可以说作者是在对所有能够获得超额收益的策略进行了地毯式的搜索,并且提供了超过20种常胜投资idea的详细回测情况,充分展示了经验丰富的宽客是如何通过自己的想法来改进模型的。
3、实操进阶
准备了这么多,也看了这么多的书,最重要的还是进行实践,否则一切都是空谈。大家可以试着找个想法或已有的策略进行回测,然后根据结果调整,通过这个过程让自己熟悉策略开发。当然这个阶段,除了实践还需要补充更多新的知识和技术。大家可以根据自己的需求找相关方面的书学习,保持不断学习实践,才能有所进步。
说到这里,关于量化投资入门需要学习内容基本上也差不多了,下次为大家整理下量化投资入门涉及工具、平台。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25