專業量化交易人士如何看待傳統技術分析
首先需要說明的是，在不同的量化投資
領域，技術分析的地位絕對是不同的。
在高頻交易領域，技術分析的用處應該不大。irene aldridge的《high-frequency
trading》中提到過兩篇**，指出技術分析可以幫助推測限價指令簿（limit order book）。
對於量化選股，技術分析的用處也不會太大。
對於cta（管理****）來說，特別是trend-following cta來說，傳統技術分析絕對是基石。
技術分析的優點很多：簡單易行，資金容量大。更重要的是，在大尺度上技術指標永遠不會失效，追漲殺跌是人類的本性。但是，技術分析的缺點也是明顯：回撤大，修復期長，大尺度上同質化很嚴重。所以，對於cta而言，你越是能夠在技術分析以外找到穩定盈利的策略，技術指標對於你的重要性就越低，在組合中的權重就越低。如果完全無法在技術分析以外找到策略，飢三年，飽三年，技術指標能夠保你不死。
還有一點就是技術指標量化後的引數調整，調整好了，基本上都能找到在回測上穩賺不賠的策略，但是一旦市場狀態轉化發生(regime
switch)，出了回測，一實盤模擬基本就廢了。高頻還可以通過data mining出個最優引數，中低頻還是不要想了。
最後值得說的是，換個角度想，量化工具就是新時代的技術工具。現在種類繁多操作簡單的技術工具，也不是一開始就有的，都是有人用的好逐漸推廣的。
簡單技術分析最後高度趨同帶不來超額收益，量化工具也有這趨勢。
目前的一些主流量化思路起碼十年前都已經有對應的技術工具，只是缺乏公開版本。
見過一些老交易員寫的小程式，包括一大堆vba。
這些程式和vba提供訊號，交易員手動調倉。而有些品種上已經可以半自動化交易。
這些策略裡面流動性跟蹤，相關性配對套利，多因子選股等等已經全部有了。當然裡面使用的數學模型和具體實現都非常粗糙，拍腦門引數何其多。。。。不過在十年前也是缽滿盆滿了。
可以說，現在做主流量化的一些模型，只是在吃人家吃剩下的，也不一定能保證吃得好，吃得妙，就不要嘲笑20多年前用技術指標的人了。
況且，因為技術指標失效就捨棄這種工具，還不如在當時的資料下研究下當時奏效的一些技術，說不定有助於我們找到一些別人沒有發現的資訊，那麼絕對也值得去琢磨一二。
字王看 大資料和高頻量化交易
字王看 大資料和高頻量化交易 這個原本是和國內一家做高頻量化公司boss溝通時的寫的，修改了一下，作為blog和zwpython的大資料資料，發布了 關於大資料 高頻交易和人工智慧，我的基本觀點 凡是無法通過 足彩資料 進行實盤測試的方案 演算法，都是在耍流氓。高頻量化交易個人觀點 1 採用2 3個...
交易所量化交易系統開發專業知識科普
量化自動交易軟體主要是為了數字資產使用者提供自動交易服務，使用者可將平台賬號託管在量化平台，平台則可以通過大資料分析為使用者自動搬磚獲取收益。量化交易中獲利策略是需要設定和手動操作執行的，不同水平的人設定和執行的效果上也是不一樣，所以也不能把量化對沖交易工具當做一種無風險或者低風險的操作，工具輔助作...
如何給非專業人士講解什麼是深度學習？
從根本上說，深度學習和所有機器學習方法一樣，是一種用數學模型對真實世界中的特定問題進行建模，以解決該領域內相似問題的過程。首先，深度學習是一種機器學習。既然名為 學習 那自然與我們人類的學習過程有某種程度的相似。回想一下，乙個人類小朋友是如何學習的？這個有趣的識字過程看似簡單，實則奧妙無窮。認字時，...