期貨量化投資與人工智慧

⑴ 量化投資的主要方法和前沿進展

量化投資是通過計算機對金融大數據進行量化分析的基礎上產生交易決策機制。設計金融數學和計算機的知識和技術，主要有人工智慧、數據挖掘、小波分析、支持向量機、分形理論和隨機過程這幾種。
1．人工智慧
人工智慧（Artificial Intelligence，AI）是研究使用計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及計算機科學、心理學、哲學和語言學等學科，可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。
從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性發展，數學常被認為是多種學科的基礎科學，因此人工智慧學科也必須借用數學工具。數學不僅在標准邏輯、模糊數學等范圍發揮作用，進入人工智慧學科後也能促進其得到更快的發展。
金融投資是一項復雜的、綜合了各種知識與技術的學科，對智能的要求非常高。所以人工智慧的很多技術可以用於量化投資分析中，包括專家系統、機器學習、神經網路、遺傳演算法等。
2．數據挖掘
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。在量化投資中，數據挖掘的主要技術包括關聯分析、分類/預測、聚類分析等。
關聯分析是研究兩個或兩個以上變數的取值之間存在某種規律性。例如，研究股票的某些因子發生變化後，對未來一段時間股價之間的關聯關系。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閾值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
聚類就是利用數據的相似性判斷出數據的聚合程度，使得同一個類別中的數據盡可能相似，不同類別的數據盡可能相異。
3．小波分析
小波（Wavelet）這一術語，顧名思義，小波就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與傅里葉變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了傅里葉變換的困難問題，成為繼傅里葉變換以來在科學方法上的重大突破，因此也有人把小波變換稱為數學顯微鏡。
小波分析在量化投資中的主要作用是進行波形處理。任何投資品種的走勢都可以看做是一種波形，其中包含了很多噪音信號。利用小波分析，可以進行波形的去噪、重構、診斷、識別等，從而實現對未來走勢的判斷。
4．支持向量機
支持向量機（Support Vector Machine，SVM）方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特徵空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特徵空間中的線性可分的問題，簡單地說，就是升維和線性化。升維就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津。但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特徵空間中卻可以通過一個線性超平面實現線性劃分（或回歸）。
一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，就不需要知道非線性映射的顯式表達式；由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難。這一切要歸功於核函數的展開和計算理論。
正因為有這個優勢，使得SVM特別適合於進行有關分類和預測問題的處理，這就使得它在量化投資中有了很大的用武之地。
5．分形理論
被譽為大自然的幾何學的分形理論（Fractal），是現代數學的一個新分支，但其本質卻是一種新的世界觀和方法論。它與動力系統的混沌理論交叉結合，相輔相成。它承認世界的局部可能在一定條件下，在某一方面（形態、結構、信息、功能、時間、能量等）表現出與整體的相似性，它承認空間維數的變化既可以是離散的也可以是連續的，因而極大地拓展了研究視野。
自相似原則和迭代生成原則是分形理論的重要原則。它表示分形在通常的幾何變換下具有不變性，即標度無關性。分形形體中的自相似性可以是完全相同的，也可以是統計意義上的相似。迭代生成原則是指可以從局部的分形通過某種遞歸方法生成更大的整體圖形。
分形理論既是非線性科學的前沿和重要分支，又是一門新興的橫斷學科。作為一種方法論和認識論，其啟示是多方面的：一是分形整體與局部形態的相似，啟發人們通過認識部分來認識整體，從有限中認識無限；二是分形揭示了介於整體與部分、有序與無序、復雜與簡單之間的新形態、新秩序；三是分形從一特定層面揭示了世界普遍聯系和統一的圖景。
由於這種特徵，使得分形理論在量化投資中得到了廣泛的應用，主要可以用於金融時序數列的分解與重構，並在此基礎上進行數列的預測。
6．隨機過程
隨機過程（Stochastic Process）是一連串隨機事件動態關系的定量描述。隨機過程論與其他數學分支如位勢論、微分方程、力學及復變函數論等有密切的聯系，是在自然科學、工程科學及社會科學各領域中研究隨機現象的重要工具。隨機過程論目前已得到廣泛的應用，在諸如天氣預報、統計物理、天體物理、運籌決策、經濟數學、安全科學、人口理論、可靠性及計算機科學等很多領域都要經常用到隨機過程的理論來建立數學模型。
研究隨機過程的方法多種多樣，主要可以分為兩大類：一類是概率方法，其中用到軌道性質、隨機微分方程等；另一類是分析的方法，其中用到測度論、微分方程、半群理論、函數堆和希爾伯特空間等，實際研究中常常兩種方法並用。另外組合方法和代數方法在某些特殊隨機過程的研究中也有一定作用。研究的主要內容有：多指標隨機過程、無窮質點與馬爾科夫過程、概率與位勢及各種特殊過程的專題討論等。
其中，馬爾科夫過程很適於金融時序數列的預測，是在量化投資中的典型應用。
現階段量化投資在基金投資方面使用的比較多，也有部分投資機構合券商的交易系統應用了智能選股的技術。

⑵ 喬治·索羅斯寫過一本叫《量化投資》的書嗎

一下內容純手打

證券分析方法主要分三種：
一是基本面分析，代表作《證券分析》《價值投資》，代表任務「巴菲特」；

二是技術面分析，代表做《趨勢技術分析》《道瓊斯理論》等，注重短期投資，索羅斯屬於短期投機類型，但是沒有任何資料顯示他的投資流派屬於純粹的技術面分析，可能的情況是上述兩種都有。今年的而貝爾經濟學得主法瑪提出的」有效市場假說「某一種程度上，否定了技術面分析。

三是量化分析，美國近幾十年興起的一種方法，典型的代表人物是西蒙斯。

中國國內的量化投資的研究還比較少，量化投資的基金以及機構也不夠普遍，切主要集中於香港地區。原因之一是，國內金融金融市場沒有完全開放，金融產品匱乏。美國市場的金融產品多達幾萬種，而國內只有兩百多種。

關於量化投資的書，國內國外都有很多，主要集中與國外，國內學者大多是對國外技術的學習。當然，如果你是初學者，建議你還是從國內的相關書籍開始學起。

如果有一本書，叫《量化投資》，我敢保證你看了一定學不到什麼東西，丁鵬的《量化投資》就是這樣，只是對現在主要方法以及模型的簡單介紹。用於同行業交流也許會有些價值。書籍內容從：量化選股、量化擇時、到套利什麼什麼的，基本上都是簡單的介紹，可以當作課外讀物，了解一下什麼叫量化投資。如果你真的想學到什麼東西，直接網路文庫：量化選股、多因子選股等詞，你會看到無數國內證券機構對市場的量化研究。而且資料詳細。可是，你學不到最根本的原理。

原因如下：
進行量化分析，必須至少具備兩種能力：

一、扎實且足夠的數學、統計學基礎，用於理論上的金融建模；
二、能夠使用相關計量軟體進行數據分析或者模型求解等。

這兩個要求一般人很難到達，所以證券從業的教材認為難度大是量化投資的一個很大局限性。

如果樓主對量化投資有興趣，我可以推薦一些教材給你：

如果僅僅是想了解一下： 丁鵬《量化投資》，書很貴，個人認為沒什麼實用價值。可以有個簡單的系統的認識；

如果是想學習並且能在實際中運用，建議如下：

數學方面：
《微積分》 到高級《高級微積分》
《線性代數》《非線性代數》
《概率論與數理統計》《概率、隨機變數、隨機過程》
《離散數學》《運籌學》《統計學》
金融理論上
《計量經濟學基礎》《計量經濟分析》
《數量金融學》《金融時間序列分析》
。。。。還有很多很多
以及其他金融知識基礎
建模方面
這類的書，我看的不多哦，你自己網路一下，或者找個圖書館看看
計算機軟體
C 和 C++ 至少學一個，SQL 建議學一點
建模軟體主要有：MATHEMATICA MATLAB SAS SAC R Eviews GAMS 等等等等，終於哪些海外基金用的是哪一種，或者是不是自己做的專用軟體，我就不知道了。
不過，上述的軟體，肯定是可以滿足個人的研究需求的。這個，你選幾種學一學還是可以的。

一個人，想要精通上述全部，應該是很難的，所以，註定了，量化分析的方法，單個的普通人很難完成。
量化投資起源與上世紀美國政府大幅度削減了對物理航天業經費自持，導致很多搞火箭的科學家、數學家下崗。於是他們流入金融行業（收入高），利用自己對數學、計算機的優勢，使用原先用於火箭的建模預測證券市場，發現有著顯著成效。當然，這些模型的前提是，現代金融理論的奠基，以及數量金融的發展。

因此，我個人對量化投資的理解是：金融界的火箭科學家，傳統的分析方法，只用看某一或某幾個指標，根據歷史經驗或者主觀的客觀的XXOO判斷證券的未來走勢，但是量化分析，首先建立合理的數學模型，然後藉助計算機運用某些XX的演算法，分析求解，難度相對於傳統的方法難很多。

如果你想比較淺顯的掌握，用於投資決策的參考
那量化分析，也沒有想想中的那麼高深，它本質上是一種金融的建模，本質上，常用的方法還是統計專業的那幾個 ，什麼 回歸分析，線性規劃 ，相關性，時間序列等等等。。。我看了丁鵬的書，大致上認為他是用了這些方法。所以你只用把應用數學學好就好了。
還有一些像遺傳演算法、神經網路這些他的書裡面也提到了，屬於現代演算法，這些方法比較小，難度大，但是我猜只有學術界會用這些方法，因為現代演算法在實際運用中還不夠成熟，預測經常不準確。

表述有些亂，不過大致也只能寫成這樣了。

最後：和量化分析相關的專業主要有三個：
金融專業：金融工程；
數學專業：統計、應用數學；
計算機專業
這些專業的就業方向是可以面向量化分析的

⑶ 什麼是量化投資

量化投資指的是一種投資方法，它是指通過數量化方式或計算機程序化發出買賣指令，以得到穩定收益為目標的交易方式。量化投資是一種定性思想的量化應用，它對大量的指標數據進行分析，得出一些有說服力的數據結論，然後通過計算機技術進行數學建模，並進行量化分析，從而得出一個比較契合實際的投資策略。
量化投資是指通過數量化方式及計算機程序化發出買賣指令，以獲取穩定收益為目的的交易方式。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。從全球市場的參與主體來看，按照管理資產的規模，全球排名前四以及前六位中的五家資管機構，都是依靠計算機技術來開展投資決策，由量化及程序化交易所管理的資金規模在不斷擴大。

⑷ AIE智能自動量化自動炒幣機器人靠譜嗎

智能自動量化自動叉臂機器能靠譜嗎？這個的話還算是靠譜吧，因為現在的科技是越來越發達的。

⑸ AlphaGo又贏了 量化投資是萬能的嗎

AlphaGo是人工智慧。量化投資並不是萬能的，裡面有很多條件限制。

⑹ 期貨程序化交易中的基本面可以量化嗎 能不能把基本面量化成交易模型

基本面交易很大程度上也是靠經驗，要靠多年的積累，因為基本面交易也包含了很多因素，包括供求平衡關系、市場結構、微觀因素、宏觀因素等等有很多因素。這個交易經驗或者說交易人，這種交易經驗可復制性又非常差，就是想帶一個成熟的交易員要經歷很長的時間，如果靠基本面交易，特別是靠商品期貨，一個人所帶的資金就很有限，到一定規模我就很難以再擴大。
在這種市場情況下，要想開展一部分程序化交易或者量化投資，一定要有所區別，因為現在市場上由於期貨公司或者現在期貨行業發展的現狀，很多年輕人快速進入到量化投資這個領域，對基本面分析或者說交易經驗比較少的情況下，做出來的交易模型大部分是純數學化的模型。實際上量化做模型的背後有大量的數據採集，這個數據採集也包含了很多宏觀、微觀方面的一些數據，將這些數據整理、加工進行人工智慧的分析。

⑺ 量化投資和人工智慧可以結合嗎之前看過一篇人工智慧股市三大猜想的文章，想再深入了解一下

可以把兩個概念加到一塊，進行篩選，望採納

⑻ 做量化交易一般用什麼軟體

需要懂一些數學模型，比如統計分析、人工智慧演算法之類的，他的本質是利用數學模型分析數據潛在的規律尋找交易機會，並利用計算機程序來搜尋交易時機以及完成自動化交易。並沒有現成的軟體可以做這個，因為它需要一個搭建一個專業的平台，這不是一個人可以完成的。

國內有一些軟體，比如大智慧提供數量分析，還有一些軟體提供股票、期貨的程序化交易。但是實際上這並不是真正意義上的量化交易。事實上，做一款純粹的適合個人投資者的量化投資軟體，難度是非常大的，因為量化策略並不想傳統的基本面、技術面那樣存在已有既定的必然規律。他需要跨越多學科，多領域去挖掘數據的規律，然後利用得出的規律進行交易。但是不同時間、空間的數據的潛在規律並不一致，所以對量化過程進行標准化是一件很難完成的事情。

如果是計算機或者數學專業的人士，可以考慮使用C、C++、SQL等語言，其他的可以使用MATLAB/SAS 等軟體。不管是哪一種軟體，要實現量化交易，肯定是需要一定的建模基礎和編程基礎的，其中最重要的東西是數學能力。