量化投資
VWAP算法日內交易量分佈及預側模型
- VWAP算法VWAP策略是最常用的交易策略之一，具有簡單易操作等特點，基本思想就是讓自己的交易量提交比例與市場成交量比例儘可能匹配，在減少對市場的衝擊的同時，獲得市場成交均價的交易價格。因此，VWAP策略一般不直接對交易的衝擊成本建模，而是注重日內交易量分佈的預測。
VWAP算法標準VWAP策略原理
- 標準VWAP策略原理標準的VWAP策略是一種靜態策略，即在交易開始之前，利用已有信息確定提交策略，交易開始之後按照此策略進行交易，而不考慮交易期間的信息。
時間加權平均價格(TWAP)被動型交易策略
- 時間加權平均價格(TWAP)該算法的目標在於計算您的定單在提交之時至獲得執行之間的時間加權平均價格。如果勾選允許在超過結束時間交易，執行時間結束後未或執行的定單會繼續被執行。用戶可以設定在達到特定提交時才交易定單。
VWAP算法簡單移動加權平均預側模型
- 該模型的基本思想就是利用交易量分佈的記憶性，將每個交易日固定時間段的交一易量佔全天交易量的比例按照加權平均的方法前推，得到一個新的交易量分佈。首先將交易日等分爲固定數量的N個區間。
分形理論幾種典型的分形
- 1、三分康託集1883年，德國數學家康託(GCantor )提出瞭如今廣爲人知的三分康託集。三分康託集是很容易構造的，然而它卻顯示出許多最典型的分形特徵。它是從單位區間出發，再由這個區間不斷地去掉部分子區間的過程構造出來的，如圖14-1所示。
改進型VWAP算法策略原理及操作流程
- 改進型VWAP算法這一部分將基於標準的VWAP交易策略發展一種新的交易策略，綜合考慮歷史數據、實時市場行情等，從而儘可能地獲取等於或優於市場VWAP的成交均價。
常見的被動型交易策略及選股策略
- 市場上比較常見的被動型交易策略主要有VWAP、TWAP、PEG算法等，下面進行簡單介紹。交易量加權平均價格（VWAP）交易量加權平均價格（VWAP）是使用最廣泛的算法交易策略。
金融的新聞信息分析應用
- 金融的新聞信息分析應用由於以前新聞信息難以量化，很難直接應用到傳統的估值模型。市場上常用的量化模型如多因子模型由於大量的使用使其表現越來越差，而如果應用前面介紹的新聞分析於策略構建中，可以獲取較好的收益，這已經在很多實證文章中被證實，並且開始應用到實際投資管理中。
行爲金融學在量化投資中的應用
- 行爲金融學在量化投資中的應用行爲金融學認爲，人並非是完全理性的，由於信息不足和認知能力有限，投資者在決策過程中可能會產生許多心理偏差，如過度自信、自我歸因和保守等，並由此產生了兩個異常投資行爲過度反應（Overreaction）和反應不足（Underreaction）。
金融市場的新聞信息分析技術
- 金融市場的新聞信息分析技術毫無疑問，金融市場的波動和信息息息相關。這樣的例子很多，大到戰爭的爆發可能觸發石油價格的上漲，從而影響到大宗商品的價格，進而引起股市的動盪；小到關於某上市公司收購案的報道會引發投資者對該公司股票不同的評判，從而造成股價和交易量的大幅波動。財經新聞是金融信息的一大來源，沒有人懷疑它的重要性。
金融信息如何分類？
- 金融信息如何分類？市場中存在着大量以各種形式存在的信息，有些與金融市場有關，而更多的是與金融市場無關的信息，或者說是噪聲。金融信息是一個泛泛的概念，從廣義上說，一切與金融、經濟相關的消息、知識及資料均認爲是金融信息，更廣泛的還包括金融信息化，如炒股軟件、計量軟件等金融信息處理工具。
什麼是量化行爲金融學？
- 什麼是量化行爲金融學？量化行爲金融學是一門新興的學科，它使用數學和統計方法來理解行爲金融學中行爲偏見與市場異象。
投資者行爲決策模型有哪些？
- 投資者行爲決策模型有哪些？股票市場的大量異象是對傳統經典定價模型的挑戰，投資者的心理情緒、心理預期.市場發佈政策信息等都會對股票價格產生不明確的影響。
金融時序時間小波預測原理
- 股票市場是一個相當複雜的系統，股票價格的變化受到經濟、有關行業、政治及投資者心理等多種因素的影響，各因素的影響程度、時間範圍和方式也不盡相同；且股市各因素間相互關係錯綜複雜，主次關係變化不定，數量關係難以提取及定量分析，因此我們需要尋找一種好的方法來避免或減弱這些因素的影響。
A股實證：基於小波分析的金融時序數據預側
- 案例：基於小波分析的金觸時序數據預側1)實驗步驟利用Mtlab軟件，對金融數據的預測可以按以下步驟進行。(1)對原始數據進行分解，本案例採用Mallat算法對數據進行分解，然後對信號進行平滑處理，用低通函數與原始信號卷積實現平滑處理，然後對經過平滑處理的信號進行重構。
什麼是支持向量機？支持向量機基本概念
- SVM算法是一種學習機制，是由Vapnik提出的旨在改善傳統神經網絡學習方法的理論弱點，最先從最優分類面問題提出了支持向量機網絡。SVM學習算法根據有限的樣本信息在模型的複雜性和學習能力之間尋求最佳折中，以期獲得最好的泛化能力。SVM在形式上類似於多層前向網絡，而且已被應用於模式識別、迴歸分析、數據挖掘等方面。
支持向量機非線性SVM
- 非線性SVM上一節的算法針對的是輸入空間存在線性判別面的情況。對分類面是非線性函數的情況，理論上應將輸入空間通過某種非線性映射，映射到一個高維特徵空間，在這個空間中存在線性的分類規則，可以構造線性的最優分類超平面。
支持向量機SVM分類器參數選擇
- 與傳統的神經網絡方法相比，支持向量機具有更出色的性能，它採用結構風險最小化原則，能在經驗風險與模型複雜度之間做適當的折中，從而獲得更好的推廣能力。但是，支持向量機在實際應用中，關於參數選擇的問題仍然沒有得到很好的解決，如多項式學習機器的階數問題、徑向基機器中的函數寬度，以及Sigmoid機器中函數的寬度和偏移等。
信號的小波分解與重構
- 1)信號的分解通常小波分解與重構可以通過Mall算法來實現，{Vt}是L²（R)中的一個多尺度分析，Φ爲尺度函數，{Ψƒ，n}ƒ，n爲小波基，則通過Mallat算法有分解式：可以簡記爲：上式中，H和G分別爲低通濾波器和高通濾波器。
量化投資中的樣本外測試分析
- 經過2002年至2012年近11年期間的樣本內測試後，爲了說明策略的投資收益來源於有效的投資邏輯和策略模型預測能力，而不是通過數據挖掘和窺探人爲創造的，選取自2013年1月1日至2013年10月31日作爲樣本外測試區間。