大数据技术在未来量化投资中的应用 分享总结

      量化投资就是通过构建系统化的定量分析模型捕捉市场中的交易机会进行投资的一种方式。广义来说，甚至连房地产投资都可以采取量化投资的方式。量化投资的概念是相对于主观投资而言的，量化投资的出现，就是为了克服主观投资的缺点。准确地说，量化交易是人类经过严格的研究后得到的交易策略，然后交付给系统去实施。尽管依赖于自动化执行和系统化 执行，但研究过程和策略选择的主体是人类，系统用来交易的投资范围也是由人类来选定。

       由于中国当前发展阶段的特点，IT技术人员还处于青春饭的一种尴尬状态，前不久发生的中兴通讯的事件，就是这种现状的一次极端反映。这种情况使得我们IT技术人员不得不思考职业发展路线乃至家庭资产管理的长期策略通过研究深入量化投资，我们可以获得降低乃至摆脱这种风险的机会。关注量化投资的第一个原因就和资产管理的格局变化有关，关注量化投资的第二个原因就和资产管理的格局变化有关。2017年11月资管新政的出台，客观上形成了资产管理业务大转型，这次资管新政有很多突破，其中之一就是打破资产管理的刚性兑付。很多朋友应该买过所谓保本的银行理财，看过新政的人知道，新政实施后，就没有完全保本的银行理财了，最后结果是，你如果有空闲资金，要不在银行存定期，如果嫌定期收益低，只能买金融机构的资产管理产品了，如基金之类的。资产管理业务的政策演变，客观上也形成了量化投资研究发展的的巨大空间，假以时日，一个开展资产管理业务的金融机构，如果没有出色的量化投资系统，发展是存在问题的。

策略=模型+数据，

      大多数情况下，不管是机构还是个人，所能获得的数据越来越趋近于一致，因此，策略的主要区别就在于模型。量化投资模型总体可以分为理论驱动模型（自上而下）和数据驱动模型（自下而上）。

       理论驱动模型又可以分为基于技术分析的模型和基于基本面分析的模型。基于技术分析的模型主要分为趋势跟随模型和均值回复模型。基于基本面分析的模型分为价值型、成长型和品质性三种模型

     数据驱动模型采用数据挖掘（Data mining）技术，假设数据可以暗示将要发生的事件，并且借助技术分析可以识别出一些 市场走势。成功的策略并不关心市场行为背后的经济理论和逻辑，而是用丰富的数据来检验统计结果。研究量化投资，不一定要掌握所有各种模型，其实掌握其中几种就足够了

     众所周知，移动互联网时代的到来，乃至未来物联网时代的到来，将使数据丰富程度增大，市场有效性大大增强。量化投资研究基于的策略，不再局限于传统的结构化数据，在当今大数据背景下，越来越多的有价值信息隐藏在海量文本数据中，因此需要我们采取大数据的技术，比如说，文本挖掘技术就有可能发挥很大的作用。以证券行业为例，证券行业常见的数据包括了股票价格、成交量等等结构化数据，和包含了各类公司信息、新闻等非结构化数据。其中，结构化数据通常以数值形式存放于标准数据库中，这类数据是各种策略设计、趋势判断的基础。然而结构化数据仅占所有金融信息中的一小部分，金融信息中绝大部分的数据均是以文本形式存在的一种非结构化的数据，如上市公司公告、财报、财经新闻、股吧、微博、社交网络等等。这类海量数据中隐含了很多重要信息，例如大众对股票的评价和喜好程度，对突发事件的褒贬态度和解读，都密切影响着未来市场的趋势。因此，在大数据时代背景下，如何结合证券行业的业务需求，基于人工智能、数据挖掘、文本挖掘等前沿技术自动分析海量文本数据并从中提取相关有价值信息，给证券行业各层次的企业均提出了挑战，同时带来了互联网商业智能方向的新机遇，促进了一批基于证券行业文本信息服务的创新产业的兴起。

    文本数据挖掘包含了文本分类、文本主题挖掘、文本情感分析、文本聚类、生物文本挖掘等等各种细分研究领域和各类应用场景。通常来说，文本挖掘算法模型的选择和设计与具体应用密切相关。例如，若需要调查证券行业在线股评新闻的褒贬态度，以了解和跟踪市场投资者情绪，则需要用到文本情感分析相关的模型和算法。以文本挖掘为例，文本数据等非结构性数据的获取可以通过选择若干知名财经门户网站、股吧网站、微博等作为目标源，搭建网络爬虫抓取相关文本数据。最常用的框架是趋势追随策略

建立投资模型对金融学或者经济学的知识背景要求：只需要满足基金从业或证券分析师考试要求即可，并可以用python来进行数据分析

目前比较成熟的有三大平台，聚宽，优矿，米筐，另外，京东、同花顺和万矿也逐渐参与这个市场的竞争

CEP技术，朱洁总的书中有讲,欢迎大家购买哈