什么是高頻交易 (HFT)?
它意味著在極低的延遲情況下以極高的交易量執(zhí)行交易。在這種情況下, "低延遲" 意味著根據(jù)從市場數(shù)據(jù)源收到的信息采取行動, 然后在納秒刻度上完成交易。事實上, 頂級 HFT公司的 "流血邊緣" 衡量的是交易的低延遲。只有當(dāng)更復(fù)雜的定制硬件(FPGA)時, 這種延遲才會減少。
它是高度技術(shù)驅(qū)動的。一旦部署了一個算法 (直到它變得無利可圖!), 幾乎沒有任意輸入, 這與頻率較低的系統(tǒng)交易形成了鮮明的對比。
需要創(chuàng)業(yè)者的心態(tài)
許多 HFT公司都是相對較小的公司, 員工人數(shù)往往較低 (5-30人)。這意味著他們擁有強(qiáng)大的創(chuàng)業(yè)文化和任人唯賢的心態(tài)。任何 HFT公司都會質(zhì)疑你作為候選人能帶來什么?
這個過程的反面是, 通常你將能夠 "創(chuàng)造自己的角色"在公司內(nèi)。公司可能甚至沒有招聘, 但如果他們覺得你在某一特定領(lǐng)域的技能足夠強(qiáng)大, 他們可能會為你創(chuàng)造一個職位。HFT 公司的任人唯賢的方法通常允許在您的項目中擁有很大的自主權(quán)。因此, 如果你想在一個自我啟動的環(huán)境中與非常聰明和有能力的人合作, 那么 HFT 可能是適合你的。HFT公司通常是扁平化管理，結(jié)果導(dǎo)向，需要你高效的編寫代碼能力。
通往HFT的技術(shù)
進(jìn)入HFT的途徑很少, 但大多數(shù)都需要在數(shù)學(xué)、物理、計算機(jī)科學(xué)或電子工程等以下一項或多項硬科學(xué)方面具有廣泛的技術(shù)技能。從本質(zhì)上講, 任何技能, 可以在某種程度上減少延遲的交易生命周期或提高執(zhí)行速度的算法計算將被發(fā)現(xiàn)在 HFT。但是對于極客而言，新的技術(shù)趨勢就是運用機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，而不僅僅是拼速度了，通常這類專門知識包括:
低延遲網(wǎng)絡(luò) - 交易生命周期延遲的很大一部分來自網(wǎng)絡(luò)。體驗優(yōu)化數(shù)據(jù)包處理、編寫自定義網(wǎng)絡(luò)模塊或使用飛信網(wǎng)交換結(jié)構(gòu)網(wǎng)絡(luò)的經(jīng)驗也很有吸引力。
內(nèi)核優(yōu)化 - 這些要求的共性是減少延遲和提高執(zhí)行速度。因此, 現(xiàn)在重寫軟件內(nèi)核的某些部分以獲得加速是很平常的。Linux 內(nèi)核修改的經(jīng)驗對許多HFT公司都有好處。
處理器設(shè)計 - HFT 在極短的時間范圍內(nèi)涉及大量的計算。了解任何提高這些過程執(zhí)行速度的方法都是有利的。在硬件和處理器設(shè)計方面擁有豐富的經(jīng)驗, 尤其是在商品 x86 硬件 (如 gpu 和 fpga 等替代產(chǎn)品) 以外的系統(tǒng)上, 是非常有用的。
其他還包括：C++/Python,Memory magement,STL, 多線程, 算法/數(shù)據(jù)結(jié)構(gòu), 模板等等。
技術(shù)部分必備之后，就會關(guān)注思維以及反映速度了，聰明程度，最后很多公司會偏向謙虛的人，原因是溝通交流高效還有就是不斷保持好奇心和對市場的敏銳度也是非常重要的，保持學(xué)習(xí)新的技術(shù)并且快速運用。
職位分兩類：
Quant Researcher: 熟悉機(jī)器學(xué)習(xí)是優(yōu)勢，高頻交易經(jīng)驗, 名校
C++/Python Developer: 3年以上經(jīng)驗，低延遲經(jīng)驗
AQF(Analyst of Quantitative Finance)量化金融分析師是由量化金融標(biāo)準(zhǔn)委員會(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。>>>點擊咨詢AQF證書含金量
.png)
量化金融分析師證書考試分為五大科目，分別為《量化投資基礎(chǔ)》、《Python語言編程入門》、《基于Python的經(jīng)典量化投資策略》、《交易系統(tǒng)設(shè)計》、《量化實盤交易》。證書要求學(xué)員掌握量化投資基礎(chǔ)、Python編程基礎(chǔ)、經(jīng)典量化交易策略以及交易系統(tǒng)設(shè)計思想。
通過學(xué)習(xí)，每一個AQF持證人，都將取得以下收獲：
● 熟悉中國主要金融市場及交易產(chǎn)品的交易機(jī)制;
● 熟知國內(nèi)外期貨交易、股市交易的異同點和內(nèi)在運行機(jī)制;
● 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);
● 掌握金融、編程和建模知識基礎(chǔ)，擁有量化交易實盤操作能力;
● 具備獨立自主地研發(fā)新量化交易策略的能力;
● 掌握量化交易模型設(shè)計的基本框架，以及風(fēng)險管理和資產(chǎn)組合理論的實際運用;
● 掌握從策略思想—>策略編寫—>策略實現(xiàn)的完整量化投資決策過程;
● 具備量化投資實戰(zhàn)交易能力。
學(xué)習(xí)AQF的學(xué)習(xí)，通過量化實戰(zhàn)交易加深對FRM理論知識的理解，從而靈活運用FRM理論理論知識用于實戰(zhàn)投資。
.png)
(點擊上圖了解課程詳情)
AQF量化金融分析師實訓(xùn)項目學(xué)習(xí)大綱 >>>點擊咨詢AQF考試
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實現(xiàn)和回測 |
|
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 |
|
3.動量及反轉(zhuǎn)策略 |
|
4.基金結(jié)構(gòu)套利 |
|
5.行業(yè)輪動與相對價值 |
|
6.市場中性和多因子 |
|
7.事件驅(qū)動 |
|
8.CTA_1（TD模型） |
|
9.統(tǒng)計套利_低風(fēng)險套利 |
|
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 |
1.1.3. 第三部分：Python編程知識
|
Python語言環(huán)境搭建 |
1.Python語言環(huán)境搭建 |
|
Python編程基礎(chǔ) |
1.python數(shù)字運算和Jupyter notebook介紹 |
|
2.字符串 |
|
|
3.Python運算符 |
|
|
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)處理實戰(zhàn) |
1.數(shù)據(jù)獲取_1.本地數(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 |
|
|
2.金融數(shù)據(jù)處理_1.同時獲取多只股票 |
|
|
2.金融數(shù)據(jù)處理_2.金融計算 |
|
|
2.金融數(shù)據(jù)處理_3.檢驗分布和相關(guān)性 |
|
|
3.金融時間序列分析_1.Python下的時間處理 |
|
|
3.金融時間序列分析_2.Pandas時間格式 |
|
|
3.金融時間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(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.動量Momentum |
|
|
1.三大經(jīng)典策略_3.均值回歸 |
|
|
配對交易策略 |
2.配對交易 |
|
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實現(xiàn) |
|
|
3.量化投資與技術(shù)分析_3.布林帶策略的Python實現(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)識別和移動止損策略 |
|
|
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)算法實現(xiàn)_3_邏輯回歸算法的python實現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_4_DT_KNN_NB算法的python實現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_5_SVM算法的python實現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_3_機(jī)器學(xué)習(xí)算法實戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢預(yù)測 |
1.1.5. 第五部分：面向?qū)ο蠛蛯嵄P交易
|
1.模塊內(nèi)容整體介紹 |
|
2.面向?qū)ο?、類、實例、屬性和方?/p> |
|
3.創(chuàng)建類、實例、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現(xiàn) |
|
7.面向?qū)ο罄^承的實戰(zhàn)案例 |
|
8.多繼承和量化交易平臺的面向?qū)ο箝_發(fā)思路 |
|
9.用面向?qū)ο蠓椒▽崿F(xiàn)股債平衡策略 |
1.1.6. 第六部分 實盤模擬交易
|
基于優(yōu)礦平臺的面向?qū)ο蟛呗?/p> |
1.優(yōu)礦平臺介紹 |
|
2.優(yōu)礦平臺回測框架介紹 |
|
|
3.優(yōu)礦框架之context對象、account和position對象 |
|
|
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髮嵄P交易之Oanda |
1.Oanda平臺介紹和賬戶配置 |
|
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市價單和交易狀態(tài)查詢 |
|
|
6.Oanda高級交易訂單 |
|
|
7. Oanda其它高級功能 |
|
|
8. Oanda實戰(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、實時數(shù)據(jù)和實時交易 |
|
|
9. Oanda通過實時數(shù)據(jù)API調(diào)取實時數(shù)據(jù)、resample |
|
|
面向?qū)ο髮嵄P交易之IB |
1.IB實戰(zhàn)平臺介紹及API安裝調(diào)試 |
|
2.IB實戰(zhàn)平臺請求和響應(yīng)遠(yuǎn)離、線程控制 |
|
|
3.IB響應(yīng)函數(shù)wrapper講解 |
|
|
4.IB請求函數(shù)及合約定義 |
|
|
5.IB程序化下單、倉位及賬戶查詢 |
|
|
6.IB三均線交易_金字塔倉位下單控制模型實盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應(yīng)函數(shù)、交易信號、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回測與策略框架 |
|
1.2評價指標(biāo) |
|
1.3.1量化策略設(shè)計流程簡介 |
|
1.3.2擇時策略舉例（雙均線） |
|
1.3.3量化投資模板1.0選股和擇時 |
|
2.1基于技術(shù)分析的量化投資 |
|
2.2.1技術(shù)指標(biāo)簡介 |
|
2.2.2 MACD擇時策略 |
|
2.2.3 WVAD擇時策略 |
|
2.2.4 RSI擇時策略 |
|
2.2.5 MFI擇時策略 |
|
2.2.6 CCI擇時策略 |
|
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動量效應(yīng) |
|
3.2.1格雷厄姆成長投資 |
|
3.2.2積極投資策略 |
|
3.2.3價值投資策略 |
|
3.2.4小型價值股投資策略 |
|
3.3.1交易系統(tǒng)設(shè)計的一般原理 |
|
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)
金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)構(gòu) AQF是什么意思
熱線電話：400-700-9596
AQF考友群：760229148
金融寬客交流群：801860357
微信公眾號：量化金融分析師
