概述

　　最缺的人才：c++ developer

　　最有潛力的人才：量化研究-機(jī)器學(xué)習(xí)

　　新興的人才：數(shù)據(jù)分析

　　競(jìng)爭(zhēng)最激烈的職位：量化研究 >>>點(diǎn)擊咨詢(xún)量化金融分析師就業(yè)前景如何？

　　在量化交易領(lǐng)域，研究和開(kāi)發(fā)是行業(yè)存在的基礎(chǔ)，已經(jīng)有人做了大量工作來(lái)回答一些尚未解決的問(wèn)題。在投資銀行和對(duì)沖基金的語(yǔ)音交易平臺(tái)上，你會(huì)發(fā)現(xiàn)交易者、結(jié)構(gòu)者和開(kāi)發(fā)量化模型的量化——對(duì)復(fù)雜的單純期權(quán)和奇異衍生品合約交易、定價(jià)并進(jìn)行風(fēng)險(xiǎn)管理。 >>>點(diǎn)擊咨詢(xún)量化金融分析師AQF證書(shū)含金量

　　

　　(點(diǎn)擊上圖了解課程詳情)

　　量化金融分析師(AQF®)(簡(jiǎn)稱(chēng)AQF ，Analyst of Quantitative Finance)由量化金融標(biāo)準(zhǔn)委員會(huì)(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專(zhuān)業(yè)水平證書(shū)。

　　90年代衍生產(chǎn)品定價(jià)專(zhuān)家的技能組合通常是擁有一個(gè)在頂尖院校的純數(shù)學(xué)專(zhuān)業(yè)的博士學(xué)位，主修馬爾可夫鏈模型、偏微分方程或蒙特卡羅建模。快進(jìn)到今天，技能組合已有很大不同。Quant 需要在計(jì)算金融領(lǐng)域有堅(jiān)實(shí)的基礎(chǔ)——這是一個(gè)軟件工程和應(yīng)用數(shù)學(xué)的結(jié)合。

　　最近的一項(xiàng)研究證實(shí)了這一說(shuō)法(見(jiàn)下圖);請(qǐng)注意，在2005-2010年間畢業(yè)的Quant占了所選定學(xué)位的畢業(yè)生的近50%。相比之下，2010-2015年下降了18%。而且當(dāng)你在不同時(shí)間區(qū)間之間比較科學(xué)碩士學(xué)位的流行性時(shí)，他們已經(jīng)經(jīng)歷了一個(gè)向上的軌道，并且顯著增長(zhǎng)了13%。

　　值得注意的是，人們?cè)絹?lái)越有興趣雇傭在某一特定領(lǐng)域從事進(jìn)一步研究并有實(shí)際工作經(jīng)驗(yàn)的Quant，而不是一個(gè)可能已經(jīng)花了8年時(shí)間攻讀哲學(xué)博士學(xué)位和博士后研究的Quant。

　　對(duì)未來(lái)的雇員來(lái)說(shuō)，實(shí)際工作經(jīng)驗(yàn)比理論知識(shí)更有價(jià)值。也就是說(shuō)，重要的是要認(rèn)識(shí)到，高度專(zhuān)業(yè)化的Quant Researcher總是會(huì)優(yōu)先選擇擁有博士學(xué)位的寬客作為技能提供者，比如在無(wú)人監(jiān)管的環(huán)境中進(jìn)行獨(dú)立研究和分析。

　　

　　自2008年金融危機(jī)十年后，有證據(jù)表明，市場(chǎng)已經(jīng)發(fā)生了變化，對(duì)風(fēng)險(xiǎn)的偏好在很大程度上降低了。曾經(jīng)不知道或?qū)斫馑麄冋谫I(mǎi)賣(mài)交易的復(fù)雜證券不感興趣的客戶(hù)現(xiàn)在更傾向于投資流動(dòng)資產(chǎn)。這些奇異金融產(chǎn)品有成千上萬(wàn)的標(biāo)的的產(chǎn)生高回報(bào)的高風(fēng)險(xiǎn)的奇異產(chǎn)品已經(jīng)越來(lái)越不受歡迎，因此迫切需要對(duì)這類(lèi)產(chǎn)品進(jìn)行建模。因此，流動(dòng)性交易量的增加和流動(dòng)性工具交易需求的增加是市場(chǎng)的大勢(shì)所趨。

　　Quant 不再僅僅關(guān)注構(gòu)建復(fù)雜的衍生產(chǎn)品定價(jià)模型;重點(diǎn)已經(jīng)轉(zhuǎn)移到改進(jìn)現(xiàn)有模型和使用技術(shù)來(lái)創(chuàng)建工具——這些工具準(zhǔn)確地代表了真實(shí)世界的風(fēng)險(xiǎn)/機(jī)遇以供交易者采取行動(dòng)。因此，技能組合的轉(zhuǎn)變已經(jīng)轉(zhuǎn)移到諸如計(jì)算金融、工程與計(jì)算機(jī)科學(xué)、模式識(shí)別和信號(hào)處理，以及人工智能和機(jī)器學(xué)習(xí)。

　　技術(shù)進(jìn)步的副產(chǎn)品是可用的計(jì)算能力，這意味著跑一次包含大量市場(chǎng)數(shù)據(jù)的模擬，過(guò)去可能需要幾個(gè)小時(shí)，現(xiàn)在可能只需要幾分鐘。緩慢、不可靠和過(guò)時(shí)技術(shù)的成本是生產(chǎn)率的障礙，因此，量化系統(tǒng)開(kāi)發(fā)工程師的市場(chǎng)依然繁榮活躍。那些能夠開(kāi)發(fā)核心基礎(chǔ)設(shè)施和生產(chǎn)系統(tǒng)的人會(huì)被給予很高的重視。這些系統(tǒng)可以有效計(jì)算千萬(wàn)衍生產(chǎn)品合約，并且能夠研究剖析數(shù)字和作出有價(jià)值的分析報(bào)告。特別強(qiáng)調(diào)的是運(yùn)用的語(yǔ)言是 C++，目前市場(chǎng)上，90%的對(duì)沖基金公司都在招聘C++ Developer。但是能夠達(dá)到要求的C++ Developer 卻不多。

　　

　　

　　上面的圖表說(shuō)明了在未來(lái)教育中被選中的正在流行的研究領(lǐng)域里兩類(lèi)人員之間的差異，第一類(lèi)是畢業(yè)于2005-2010年間，第二類(lèi)是畢業(yè)于2010-2015年間。

　　在結(jié)果中有一些重大結(jié)論被發(fā)現(xiàn)：在兩段時(shí)間年份中，數(shù)學(xué)都是最流行的研究領(lǐng)域，畢竟這也是數(shù)量分析到如今經(jīng)久不衰的基本原則。但是，然而，顯而易見(jiàn)的是，在同一時(shí)期，計(jì)算機(jī)科學(xué)的受歡迎程度上升了4%，接近第二位。看來(lái)統(tǒng)計(jì)數(shù)據(jù)在排名中有所下降了10%，并被機(jī)器學(xué)習(xí)所取代。機(jī)器學(xué)習(xí)占第二組的19%。

　　有些人會(huì)認(rèn)為機(jī)器學(xué)習(xí)是統(tǒng)計(jì)建模和應(yīng)用于大數(shù)據(jù)集的計(jì)算機(jī)科學(xué)的混合體，這使得它在當(dāng)今的行業(yè)中成為一個(gè)更相關(guān)的選擇。在此期間，金融和工程略有變化，而普通科學(xué)從圖表[1]中的第二名上升到圖表[2]的第四名，受歡迎程度下降了18%。

　　人才之戰(zhàn)

　　很明顯，如今Quant的角色已經(jīng)發(fā)生了變化，因此這個(gè)術(shù)語(yǔ)不再僅僅與忙于定價(jià)和在銀行中做市商部門(mén)設(shè)計(jì)對(duì)沖策略的博士的形象聯(lián)系在一起，也不是對(duì)沖基金或自營(yíng)交易公司。金融服務(wù)的許多領(lǐng)域現(xiàn)在都可以找到Quant，無(wú)論是在銀行的風(fēng)險(xiǎn)部門(mén)——驗(yàn)證/審查定價(jià)模型;在零售銀行預(yù)測(cè)客戶(hù)拖欠貸款/抵押貸款的可能性;或者是為小型精品店客戶(hù)開(kāi)發(fā)第三方投資分析的R&D集團(tuán)。

　　因此，進(jìn)入該行業(yè)的初級(jí)Quant有更廣泛的職業(yè)選擇。一次可以觀察到的結(jié)果是通過(guò)提供一條更非傳統(tǒng)的職業(yè)道路和一個(gè)完全不同的命題，無(wú)論大小，F(xiàn)intech公司在吸引Quant人才方面都取得了更大的成功——這種吸引力來(lái)自于一種企業(yè)家精神、協(xié)作精神和更少官僚制度環(huán)境。并且在某些情況下，你會(huì)擁有股權(quán)。

　　另一方面，有一種觀點(diǎn)認(rèn)為，沒(méi)得到的一定是更好的。所以買(mǎi)方仍然被視為通往阿爾法和投資組合管理的大門(mén)。自營(yíng)交易、無(wú)上限獎(jiǎng)金誘惑仍然是業(yè)內(nèi)最聰明、最有能力的人首選的目的地。更常見(jiàn)的情況是，趨勢(shì)是從賣(mài)方到買(mǎi)方，或從買(mǎi)方到買(mǎi)方的單向流向。當(dāng)然，錢(qián)會(huì)帶來(lái)風(fēng)險(xiǎn);基金表現(xiàn)不佳，或者雇傭你的投資組合經(jīng)理?yè)p失慘重。

　　如何在新技術(shù)時(shí)代證明你的技能

　　要在競(jìng)爭(zhēng)激烈的就業(yè)市場(chǎng)緊跟潮流，就必須保持技術(shù)精進(jìn)，而且編程是必須的。最受歡迎的技能是熟練使用Python，因?yàn)樗且环N用于腳本編寫(xiě)、原型制作和實(shí)現(xiàn)解決方案的開(kāi)源語(yǔ)言。這是許多角色和企業(yè)的首選語(yǔ)言，以至于沒(méi)有這種技術(shù)可能會(huì)成為吸引人才庫(kù)中最頂尖人才或輸給競(jìng)爭(zhēng)對(duì)手的區(qū)別。

　　Python支持多重編程解析典范，包括面向?qū)ο?、命令式、函?shù)式和過(guò)程式。主要的商業(yè)利益是通過(guò)自動(dòng)化簡(jiǎn)單但勞動(dòng)密集型的過(guò)程來(lái)提高生產(chǎn)效率，將數(shù)據(jù)聚集到可視化工具中，以促進(jìn)高效的決策制定。但同時(shí)，如果公司業(yè)務(wù)對(duì)低延遲有要求，那么就需要C++了，并且目前的市場(chǎng)情況是低延遲系統(tǒng)的Ç++ 人才少，職位多。

　　數(shù)據(jù)工程和大數(shù)據(jù)分析技能也同樣不是一個(gè)“你擁有的話會(huì)不錯(cuò)”的技能，而應(yīng)是必須有的前提條件，因?yàn)楹芏嗝嫦蚪鹑陬I(lǐng)域的一系列決策/行為科學(xué)新問(wèn)題需要數(shù)據(jù)驅(qū)動(dòng)的方法。理解替代數(shù)據(jù)集以復(fù)制真實(shí)世界的情景，為決策者、政策制定者和投資者提供具有競(jìng)爭(zhēng)優(yōu)勢(shì)的洞察力。

　　以算法交易為例;它使用具有復(fù)雜數(shù)學(xué)模型的大量歷史數(shù)據(jù)來(lái)最大化投資組合回報(bào)。一家保險(xiǎn)公司可能想分析從汽車(chē)?yán)锏暮谙蛔拥乩砜臻g數(shù)據(jù)去估計(jì)投保人發(fā)生事故并索賠的可能性。通過(guò)基于數(shù)百個(gè)因素的分析、建模和預(yù)測(cè)結(jié)果，使用線性回歸/時(shí)間序列分析/隨機(jī)森林方法，對(duì)少數(shù)結(jié)果賦予權(quán)重，從而為保險(xiǎn)費(fèi)定價(jià)——是可能的。從數(shù)據(jù)中發(fā)現(xiàn)的信號(hào)中提取價(jià)值的方法有很多，且圍繞智能分析仍將是一個(gè)未來(lái)幾年投資的重要領(lǐng)域。

　　機(jī)器/深度學(xué)習(xí)也是市場(chǎng)上一個(gè)蓬勃發(fā)展的領(lǐng)域，供不應(yīng)求。有一種想法是將復(fù)雜的方法，如神經(jīng)網(wǎng)絡(luò)、貝葉斯推理或自然語(yǔ)言處理[NLP]，應(yīng)用于大型結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)集，采用監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)的選擇。由于數(shù)據(jù)戰(zhàn)持續(xù)不斷，對(duì)這類(lèi)技能的需求將會(huì)占上風(fēng)，而這個(gè)領(lǐng)域的頂尖人才也會(huì)被標(biāo)上較高的價(jià)碼標(biāo)簽。

　　盡管硅谷是全球公認(rèn)的尖端技術(shù)和創(chuàng)新研發(fā)之都，也是業(yè)內(nèi)一些最有才華人士的圣地，但高頻交易公司、電子交易流動(dòng)性提供商和對(duì)沖基金都仍在招募機(jī)器學(xué)習(xí)，即使研發(fā)成本高，不僅僅需要具備專(zhuān)業(yè)的機(jī)器學(xué)習(xí)專(zhuān)業(yè)知識(shí)，還要精通統(tǒng)計(jì)，對(duì)金融知識(shí)熟悉，但是這是技術(shù)的未來(lái)，下一個(gè)技術(shù)時(shí)代。

　　如何進(jìn)行人才布局

　　我們預(yù)計(jì)，技術(shù)將成為在整個(gè)行業(yè)創(chuàng)造新角色的催化劑，即使是在人們最意想不到的領(lǐng)域，在這些領(lǐng)域，量化研究和開(kāi)發(fā)之間的界限將變得更加模糊。策略可以解釋為優(yōu)化、分析、風(fēng)險(xiǎn)管理和編程之間的交集。在多數(shù)情況下，其任務(wù)是向交易平臺(tái)提供可量化的價(jià)值。自動(dòng)化被認(rèn)為是最大的增長(zhǎng)領(lǐng)域之一:在買(mǎi)方，越來(lái)越多的參與者轉(zhuǎn)向系統(tǒng)交易;在賣(mài)方，交易臺(tái)將縮減語(yǔ)音交易業(yè)務(wù)，并轉(zhuǎn)向電子化。

　　就業(yè)市場(chǎng)仍將是一個(gè)競(jìng)爭(zhēng)激烈的環(huán)境。由于許多公司都尋求有著相同的技能組合的人才，因此它將創(chuàng)造一個(gè)出價(jià)較高者獲勝的賣(mài)方市場(chǎng)。其他考慮因素是，為了能夠爭(zhēng)奪到頂尖人才，企業(yè)必須提供智力刺激的工作——一個(gè)鼓勵(lì)協(xié)作、問(wèn)責(zé)制度以及自由表達(dá)想法的生態(tài)系統(tǒng)，以讓員工覺(jué)得自己有能力做出改變。作為企業(yè)的領(lǐng)導(dǎo)者，在人才招募方面，薪資已經(jīng)不是唯一人才考慮的因素了，具有前瞻性，有遠(yuǎn)見(jiàn)的人才招聘和科學(xué)的公司管理，為團(tuán)隊(duì)提供開(kāi)拓前沿研究的機(jī)會(huì)才能從世界一流技術(shù)的進(jìn)步中獲得戰(zhàn)略地位。

AQF量化金融分析師實(shí)訓(xùn)項(xiàng)目學(xué)習(xí)大綱 >>>點(diǎn)擊咨詢(xún)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(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(pán)交易

1.模塊內(nèi)容整體介紹

2.面向?qū)ο?、?lèi)、實(shí)例、屬性和方法

3.創(chuàng)建類(lèi)、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(pán)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(pán)交易之Oanda	1.Oanda平臺(tái)介紹和賬戶(hù)配置
	2.Oanda賬戶(hù)密碼配置和交易框架原理
	3.Oanda鏈接賬戶(hù)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(xún)
	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(pán)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(hù)查詢(xún)
	6.IB三均線交易_金字塔倉(cāng)位下單控制模型實(shí)盤(pán)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)

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(hào)：量化金融分析師

　　>>>返回首頁(yè)