01、Quant是做什么的?
Quant的工作就是設(shè)計(jì)并實(shí)現(xiàn)金融的數(shù)學(xué)模型(主要采用計(jì)算機(jī)編程)，包括衍生物定價(jià)，風(fēng)險(xiǎn)估價(jià)或預(yù)測(cè)市場(chǎng)行為等。
所以Quant更多可看為工程師，按中國(guó)的習(xí)慣性分類方法就是理工類人才，而不是文科人才，這個(gè)和金融有一定的區(qū)別(當(dāng)然金融也有很多理工的內(nèi)容)。
02、有哪幾種Quant?
● Desk Quant
開(kāi)發(fā)直接被交易員使用的價(jià)格模型，優(yōu)勢(shì)是接近交易中所遇到的Money和機(jī)會(huì)，劣勢(shì)是壓力很大.
● Model Validating Quant
獨(dú)立開(kāi)發(fā)價(jià)格模型，不過(guò)是為了確定Desk Quant開(kāi)發(fā)的模型的正確性，優(yōu)勢(shì)是更輕松，壓力比較小，劣勢(shì)是這種小組會(huì)比較沒(méi)有作為而且遠(yuǎn)離Money
● Research Quant
嘗試發(fā)明新的價(jià)格公式和模型，有時(shí)還會(huì)執(zhí)行Blue-Sky Research(不太清楚是什么) 優(yōu)勢(shì)是比較有趣(對(duì)喜歡這些人來(lái)說(shuō))，而且你學(xué)到很多東西。劣勢(shì)是有時(shí)會(huì)比較難證明有你這個(gè)人存在(跟科學(xué)家一樣，沒(méi)有什么大的成果就沒(méi)人注意你)
● Quant Developer
其實(shí)就是名字被美化的程序員，但收入很不錯(cuò)而且很容易找到工作。這種工作變化很大，它可能是一直在寫代碼，或者調(diào)試其他人的大型系統(tǒng)。
● Statistical Arbitrage Quant
在數(shù)據(jù)中尋找自動(dòng)交易系統(tǒng)的模式(就是套利系統(tǒng))，這種技術(shù)比起衍生物定價(jià)的技術(shù)有很大的不同，它主要用在對(duì)沖基金里.而且這種位置的回報(bào)是極不穩(wěn)定的
● Capital Quant
建立銀行的信用和資本模型，相比衍生物定價(jià)相關(guān)的工作，它沒(méi)有那么吸引人，但是隨著巴塞爾II銀行協(xié)議的到來(lái)，它變的越來(lái)越重要。
你會(huì)得到不錯(cuò)的收入(但不會(huì)很多)，更少的壓力和更少的工作時(shí)間。人們投資金融行業(yè)就是為了賺錢，如果你想獲得更多的收入，你就要更靠近那些錢的"生產(chǎn)"的地方。
這會(huì)產(chǎn)生一種接近錢的看不起那些離得比較遠(yuǎn)的人的現(xiàn)象，作為一個(gè)基本原則, 靠近錢比遠(yuǎn)離錢要來(lái)得容易。
03、Quant工作的領(lǐng)域
● FX
FX就是外匯交易的簡(jiǎn)寫，合同趨向于短期，大量的金額和簡(jiǎn)單的規(guī)定，所以重點(diǎn)在于很快速度的建立模型
● Equities
Equities的意思是股票和指數(shù)的期權(quán)，技術(shù)偏向于偏微分方程(PDE)，它并不是一個(gè)特別大的市場(chǎng)
● Fixed Income
Fixed Income的意思是基于利息的衍生物，這從市值上來(lái)說(shuō)可能是的市場(chǎng)，他用到的數(shù)學(xué)會(huì)更加復(fù)雜因?yàn)閺母旧蟻?lái)說(shuō)他是多維的，技術(shù)上的技巧會(huì)用的很多，他的收入比較高
● Credit Derivatives
Credit Derivatives是建立在那些公司債務(wù)還清上的衍生產(chǎn)品，他發(fā)展的非?？觳⒂写罅啃枨?，所以也有很高的收入，盡管如此，他表明了一些當(dāng)前經(jīng)濟(jì)的泡沫因素
● Commodities
Commodities因?yàn)榻鼛啄晟钣闷穬r(jià)格的普遍漲價(jià)，也成為一個(gè)發(fā)展迅速的領(lǐng)域
● Hybrids
Hybrids是多于一個(gè)市場(chǎng)的衍生物市場(chǎng)，典型情況是利息率加上一些其它東西，它主要的優(yōu)勢(shì)在于可以學(xué)到多種領(lǐng)域的知識(shí)，這也是當(dāng)前非常流行的領(lǐng)域。
04、Quant一般在哪些公司工作?
● 商業(yè)銀行
商業(yè)銀行對(duì)你要求少，也給的少，工作會(huì)比較穩(wěn)定
● 投行
投行需要大量的工作時(shí)間，工資很高但不是很穩(wěn)定。總的來(lái)說(shuō)，美國(guó)的銀行收入比歐洲銀行高，但工作時(shí)間更長(zhǎng)。
● 對(duì)沖基金
對(duì)沖基金需要大量的工作時(shí)間和內(nèi)容，他們也處在高速發(fā)展同時(shí)不穩(wěn)定的情況中，你可能會(huì)得到大量的回報(bào)，也可能幾個(gè)月后就被開(kāi)除。
● 會(huì)計(jì)公司
大型會(huì)計(jì)公司會(huì)有自己的顧問(wèn)quant團(tuán)隊(duì)，有些還會(huì)送他們的員工去Oxford讀Master。主要的劣勢(shì)在于你遠(yuǎn)離具體的行為和決策，而且厲害的人更愿意去銀行，所以你比較難找到高人請(qǐng)教。
● 軟件公司
外包quant模型變得越來(lái)越流行，所以你去軟件公司也是一個(gè)選擇，劣勢(shì)和會(huì)計(jì)公司比較類似。
05、成為一個(gè)Quant需要看哪些書?
現(xiàn)在有非常多的關(guān)于Quant的書，基礎(chǔ)書籍包括：
● Hull著《Options Future and Other Derivatives》這本書被稱為Bible缺點(diǎn)是這本書的內(nèi)容主要面向MBA而不是Quantitative專家-《Baxter and Rennie》，主要介紹一些手法和訣竅，但主要面向原理而不是實(shí)際操作。
● Wilmott著《Derivatives》對(duì)PDE介紹的非常不錯(cuò)，但其他方面一般-《The Concepts and Practice of Mathematical Finance》這本書的目標(biāo)在于覆蓋一個(gè)quant應(yīng)該知道的知識(shí)領(lǐng)域. 其中包括強(qiáng)列推薦你在應(yīng)聘工作之前看的一些編程項(xiàng)目。
● 《C++ Design Patterns and Derivatives Pricing》這本書是為了告訴大家如何使用C++來(lái)做Quant的工作。隨機(jī)微積分雖然在第一眼看上去不是很重要，但的確非常有用的。我建議大家先看一些基本理論的書，類似Chung’s books. 一些這方面我推薦的書:
● Williams著《Probability with Martingales》一本很容易讓人了解Account of discrete time martingale theory的書。
● Rogers and Williams著《Particularly Volume 1》
06、成為Quant，我需要知道一些什么?
根據(jù)你想工作的地方不同，你需要學(xué)習(xí)的知識(shí)變化很大，很多人錯(cuò)誤的把學(xué)習(xí)這些知識(shí)看作僅僅看書而已。
你要做的是真正的學(xué)習(xí)，就像你在準(zhǔn)備參加一個(gè)基于這些書內(nèi)容的考試，如果你對(duì)能在這個(gè)考試?yán)锬肁都沒(méi)有信心的話，就不要去面試任何的工作。
面試官更在乎你對(duì)基本知識(shí)的了解是否透徹，而不是你懂得多少東西，展示你對(duì)這個(gè)領(lǐng)域的興趣也很重要。
你需要經(jīng)常閱讀Economist, FT 和Wall Street Journal，面試會(huì)問(wèn)到一些基本微積分或分析的問(wèn)題，例如Logx的積分是什么，問(wèn)到類似Black-Scholes公式怎么得出的問(wèn)題也是很正常的，他們也會(huì)問(wèn)到你的論文相關(guān)的問(wèn)題。
面試同樣也是讓你選擇公司的一個(gè)機(jī)會(huì)，他們喜歡什么樣的人，他們關(guān)心的是什么之類的答案可以從他們的問(wèn)題中得出。
如果問(wèn)了很多關(guān)于C++語(yǔ)法的問(wèn)題，那么要小心選擇除非那是你想做的工作。一般來(lái)說(shuō)， 一個(gè)PhD對(duì)得到Quant的Offer是必需的。
有一個(gè)金融數(shù)學(xué)的Master學(xué)位會(huì)讓你在銀行風(fēng)險(xiǎn)或交易支持方面卻不是直接Quant方面的工作，銀行業(yè)變得越來(lái)越需要數(shù)學(xué)知識(shí)，所以那些東西在銀行的很多領(lǐng)域都有幫助。
在美國(guó)，讀了一個(gè)PhD之后再讀一個(gè)Master變得越來(lái)越普遍。在UK這依然比較少見(jiàn)。
07、一般哪些專業(yè)對(duì)口Quant?
據(jù)觀察，Quant一般的專業(yè)會(huì)是數(shù)學(xué)，物理，金融工程(金融數(shù)學(xué))。其實(shí)雖然不是特別多，但是還是有一些投行招手Master金工的Quant，一般幾個(gè)好的FE專業(yè)都有去做Quant的碩士生。
編程
所有類型的Quant都在編程方面花費(fèi)大量時(shí)間(多于一半)。盡管如此，開(kāi)發(fā)新的模型本身也是很有趣的一件事，標(biāo)準(zhǔn)的實(shí)現(xiàn)方法是用C++。
一個(gè)想成為quant的人需要學(xué)習(xí)C++，有些其他地方使用Matlab所以也是一個(gè)很有用的技能，但沒(méi)C++那么重要。
VBA也用的很多，但你可以在工作中掌握它。
收入
一個(gè)Quant能賺多少?一個(gè)沒(méi)有經(jīng)驗(yàn)的Quant每年大概會(huì)掙到稅前60k-100k美元。
獎(jiǎng)金的話不會(huì)太高，但是如果行情好的話，也非常的客觀，一般我聽(tīng)說(shuō)的話，剛?cè)肼毜谝荒暌话憧梢阅玫揭粌扇f(wàn)刀的獎(jiǎng)金。
不過(guò)像08年就別想了。如果你的工資超出這個(gè)范圍，你要問(wèn)自己Why?收入會(huì)迅速的增長(zhǎng)，獎(jiǎng)金也是總收入中一個(gè)很大的組成部分，不要太在乎開(kāi)始的工資是多少，而是看重這個(gè)工作的發(fā)展機(jī)會(huì)和學(xué)習(xí)的機(jī)會(huì)。
1、《量化投資基礎(chǔ)》
主要涵蓋了量化投資領(lǐng)域的必備知識(shí)，包括：基本面分析、技術(shù)分析、數(shù)量分析、固定收益、資產(chǎn)組合管理、權(quán)益、另類投資等內(nèi)容。
2、《Python語(yǔ)言編程基礎(chǔ)》
包含了Python環(huán)境搭建、基礎(chǔ)語(yǔ)法、變量類型、基本函數(shù)、基本語(yǔ)句、第三方庫(kù)、金融財(cái)務(wù)實(shí)例等內(nèi)容。旨在為金融財(cái)經(jīng)人提供最需要的編程方法。
3、《基于Python的經(jīng)典量化投資策略》
包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對(duì)交易模型、波動(dòng)擴(kuò)張模型、Alpha模型、機(jī)器學(xué)習(xí)(隨機(jī)森林模型、主成分分析)、深度學(xué)習(xí)(人工神經(jīng)網(wǎng)絡(luò))等內(nèi)容。
4、《量化交易系統(tǒng)設(shè)計(jì)》
旨在學(xué)習(xí)量化交易系統(tǒng)的具體知識(shí)，包括過(guò)濾器，進(jìn)入信號(hào)，退出信號(hào)，倉(cāng)位管理等詳細(xì)內(nèi)容，并指導(dǎo)學(xué)員設(shè)計(jì)涵蓋個(gè)人交易哲學(xué)的量化交易系統(tǒng)。
5、《量化實(shí)盤交易》
旨在為解決實(shí)際量化交易策略搭建過(guò)程中的一些問(wèn)題提供較優(yōu)解決方案。
>>>關(guān)于AQF課程知識(shí)點(diǎn)有疑問(wèn)的點(diǎn)我咨詢
掌握Python及量化投資技能，我們能做什么?
1、熟悉中國(guó)主要金融市場(chǎng)及交易產(chǎn)品的交易機(jī)制;
2、熟知國(guó)內(nèi)外期貨交易、股市交易的異同點(diǎn)和內(nèi)在運(yùn)行機(jī)制;
3、掌握經(jīng)典量化交易策略細(xì)節(jié)及其背后的交易哲學(xué);
4、掌握金融、編程和建模知識(shí)基礎(chǔ)，擁有量化交易實(shí)盤操作能力;
5、具備獨(dú)立自主地研發(fā)新量化交易策略的能力;
6、掌握量化交易模型設(shè)計(jì)的基本框架，以及風(fēng)險(xiǎn)管理和資產(chǎn)組合理論的實(shí)際運(yùn)用;
7、掌握從策略思想——策略編寫——策略實(shí)現(xiàn)餓完整量化投資決策過(guò)程;具備量化投資實(shí)戰(zhàn)交易能力。
AQF量化金融分析師實(shí)訓(xùn)項(xiàng)目學(xué)習(xí)大綱
1.1.1. 第一部分：前導(dǎo)及課程介紹
|
1.AQF核心課程 |
|
2.量化策略的Python實(shí)現(xiàn)和回測(cè) |
|
3.整體代碼介紹 |
1.1.2. 第二部分：量化投資基礎(chǔ)
|
1.量化投資背景及決策流程 |
|
2.量化擇時(shí) |
|
3.動(dòng)量及反轉(zhuǎn)策略 |
|
4.基金結(jié)構(gòu)套利 |
|
5.行業(yè)輪動(dòng)與相對(duì)價(jià)值 |
|
6.市場(chǎng)中性和多因子 |
|
7.事件驅(qū)動(dòng) |
|
8.CTA_1（TD模型） |
|
9.統(tǒng)計(jì)套利_低風(fēng)險(xiǎn)套利 |
|
10.大數(shù)據(jù)和輿情分析 |
|
11.機(jī)器學(xué)習(xí) |
|
12.高頻交易和期權(quán)交易 |
|
13.其他策略和策略注意點(diǎn) |
1.1.3. 第三部分：Python編程知識(shí)
|
Python語(yǔ)言環(huán)境搭建 |
1.Python語(yǔ)言環(huán)境搭建 |
|
Python編程基礎(chǔ) |
1.python數(shù)字運(yùn)算和Jupyter notebook介紹 |
|
2.字符串 |
|
|
3.Python運(yùn)算符 |
|
|
4.Tuple和List |
|
|
5.字典 |
|
|
6.字符串格式化 |
|
|
7.控制結(jié)構(gòu)_1.For循環(huán) |
|
|
8.函數(shù) |
|
|
9.全局和局部變量 |
|
|
10.模塊 |
|
|
11.Python當(dāng)中的重要函數(shù) |
|
|
Python編程進(jìn)階 |
1.Numpy數(shù)據(jù)分析精講 |
|
2.Pandas數(shù)據(jù)分析詳解 |
|
|
數(shù)據(jù)可視化 |
1.Pandas內(nèi)置數(shù)據(jù)可視化 |
|
2.Matplotlib基礎(chǔ) |
|
|
3.Seaborn |
|
|
金融數(shù)據(jù)處理實(shí)戰(zhàn) |
1.數(shù)據(jù)獲取_1.本地?cái)?shù)據(jù)讀取 |
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_1 |
|
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_2.tushare |
|
|
1.數(shù)據(jù)獲取_2_網(wǎng)絡(luò)數(shù)據(jù)讀取_3.文件存儲(chǔ) |
|
|
2.金融數(shù)據(jù)處理_1.同時(shí)獲取多只股票 |
|
|
2.金融數(shù)據(jù)處理_2.金融計(jì)算 |
|
|
2.金融數(shù)據(jù)處理_3.檢驗(yàn)分布和相關(guān)性 |
|
|
3.金融時(shí)間序列分析_1.Python下的時(shí)間處理 |
|
|
3.金融時(shí)間序列分析_2.Pandas時(shí)間格式 |
|
|
3.金融時(shí)間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換 |
|
|
4.金融數(shù)據(jù)處理分析實(shí)戰(zhàn)案例_案例1 |
|
|
4.金融數(shù)據(jù)處理分析實(shí)戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_1 |
|
|
4.金融數(shù)據(jù)處理分析實(shí)戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_2 |
1.1.4. 第四部分：量化交易策略模塊
|
三大經(jīng)典策略 |
1.三大經(jīng)典策略_1.SMA |
|
1.三大經(jīng)典策略_2.動(dòng)量Momentum |
|
|
1.三大經(jīng)典策略_3.均值回歸 |
|
|
配對(duì)交易策略 |
2.配對(duì)交易 |
|
技術(shù)分析相關(guān)策略 |
3.量化投資與技術(shù)分析_1.技術(shù)分析理論 |
|
3.量化投資與技術(shù)分析_2.CCI策略的Python實(shí)現(xiàn) |
|
|
3.量化投資與技術(shù)分析_3.布林帶策略的Python實(shí)現(xiàn)_1 |
|
|
3.量化投資與技術(shù)分析_4.SMA和CCI雙指標(biāo)交易系統(tǒng) |
|
|
3.量化投資與技術(shù)分析_5.形態(tài)識(shí)別和移動(dòng)止損策略 |
|
|
大數(shù)據(jù)輿情分析策略 |
4.大數(shù)據(jù)輿情分析策略_基于谷歌搜索的大數(shù)據(jù)輿情分析 |
|
CTA交易策略 |
5.CTA交易策略_Aberration趨勢(shì)跟蹤系統(tǒng) |
|
量化投資與機(jī)器學(xué)習(xí) |
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_2_邏輯回歸原理 |
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_3_SVM算法原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_4_決策樹(shù)算法原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_5_KNN算法原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_6_神經(jīng)網(wǎng)絡(luò)算法了解 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_7_K-means算法原理和算法總結(jié) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_1_數(shù)據(jù)集生成原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_2_數(shù)據(jù)集可視化 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_3_邏輯回歸算法的python實(shí)現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_4_DT_KNN_NB算法的python實(shí)現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_5_SVM算法的python實(shí)現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_3_機(jī)器學(xué)習(xí)算法實(shí)戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢(shì)預(yù)測(cè) |
1.1.5. 第五部分：面向?qū)ο蠛蛯?shí)盤交易
|
1.模塊內(nèi)容整體介紹 |
|
2.面向?qū)ο?、類、?shí)例、屬性和方法 |
|
3.創(chuàng)建類、實(shí)例、方法 |
|
4._init_初始化方法 |
|
5.面向?qū)ο蟪绦驅(qū)嵗?/p> |
|
6.繼承的概念及代碼實(shí)現(xiàn) |
|
7.面向?qū)ο罄^承的實(shí)戰(zhàn)案例 |
|
8.多繼承和量化交易平臺(tái)的面向?qū)ο箝_(kāi)發(fā)思路 |
|
9.用面向?qū)ο蠓椒▽?shí)現(xiàn)股債平衡策略 |
1.1.6. 第六部分 實(shí)盤模擬交易
|
基于優(yōu)礦平臺(tái)的面向?qū)ο蟛呗?/p> |
1.優(yōu)礦平臺(tái)介紹 |
|
2.優(yōu)礦平臺(tái)回測(cè)框架介紹 |
|
|
3.優(yōu)礦框架之context對(duì)象、account和position對(duì)象 |
|
|
4.優(yōu)礦其它重要操作 |
|
|
5.優(yōu)礦之小市值因子策略 |
|
|
6.優(yōu)礦之雙均線策略 |
|
|
7.優(yōu)礦之均值回歸策略 |
|
|
8.優(yōu)礦之單因子策略模板 |
|
|
9.優(yōu)礦之多因子策略模板 |
|
|
10.優(yōu)礦之因子數(shù)據(jù)處理：去極值和標(biāo)準(zhǔn)化 |
|
|
面向?qū)ο髮?shí)盤交易之Oanda |
1.Oanda平臺(tái)介紹和賬戶配置 |
|
2.Oanda賬戶密碼配置和交易框架原理 |
|
|
3.Oanda鏈接賬戶并查看信息 |
|
|
4.Oanda API獲取歷史數(shù)據(jù) |
|
|
5.Oanda市價(jià)單和交易狀態(tài)查詢 |
|
|
6.Oanda高級(jí)交易訂單 |
|
|
7. Oanda其它高級(jí)功能 |
|
|
8. Oanda實(shí)戰(zhàn)ADX策略全講解：策略邏輯、數(shù)據(jù)讀取、歷史數(shù)據(jù)處理、可視化、實(shí)時(shí)數(shù)據(jù)和實(shí)時(shí)交易 |
|
|
9. Oanda通過(guò)實(shí)時(shí)數(shù)據(jù)API調(diào)取實(shí)時(shí)數(shù)據(jù)、resample |
|
|
面向?qū)ο髮?shí)盤交易之IB |
1.IB實(shí)戰(zhàn)平臺(tái)介紹及API安裝調(diào)試 |
|
2.IB實(shí)戰(zhàn)平臺(tái)請(qǐng)求和響應(yīng)遠(yuǎn)離、線程控制 |
|
|
3.IB響應(yīng)函數(shù)wrapper講解 |
|
|
4.IB請(qǐng)求函數(shù)及合約定義 |
|
|
5.IB程序化下單、倉(cāng)位及賬戶查詢 |
|
|
6.IB三均線交易_金字塔倉(cāng)位下單控制模型實(shí)盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應(yīng)函數(shù)、交易信號(hào)、策略展示等全講解。 |
1.1.7. 第七部分：基于優(yōu)礦的進(jìn)階學(xué)習(xí)
|
1.1回測(cè)與策略框架 |
|
1.2評(píng)價(jià)指標(biāo) |
|
1.3.1量化策略設(shè)計(jì)流程簡(jiǎn)介 |
|
1.3.2擇時(shí)策略舉例（雙均線） |
|
1.3.3量化投資模板1.0選股和擇時(shí) |
|
2.1基于技術(shù)分析的量化投資 |
|
2.2.1技術(shù)指標(biāo)簡(jiǎn)介 |
|
2.2.2 MACD擇時(shí)策略 |
|
2.2.3 WVAD擇時(shí)策略 |
|
2.2.4 RSI擇時(shí)策略 |
|
2.2.5 MFI擇時(shí)策略 |
|
2.2.6 CCI擇時(shí)策略 |
|
2.2.7技術(shù)指標(biāo)總結(jié) |
|
2.3通道技術(shù) |
|
3.1.1日期效應(yīng) |
|
3.1.2動(dòng)量效應(yīng) |
|
3.2.1格雷厄姆成長(zhǎng)投資 |
|
3.2.2積極投資策略 |
|
3.2.3價(jià)值投資策略 |
|
3.2.4小型價(jià)值股投資策略 |
|
3.3.1交易系統(tǒng)設(shè)計(jì)的一般原理 |
|
3.3.2均線排列系統(tǒng) |
|
3.3.3金肯納特交易系統(tǒng) |
|
3.3.4海龜交易法系統(tǒng) |
.png)
更多內(nèi)容推薦閱讀：
金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)構(gòu) AQF是什么意思
咨詢電話：400-700-9596
AQF考友群：760229148
金融寬客交流群：801860357
微信公眾號(hào)：量化金融分析師
完善下表，48小時(shí)內(nèi)查收aqf備考資料
(如果沒(méi)收到資料，可以點(diǎn)我咨詢)
.png)
