遺傳演算法量化
Ⅰ 如何建立量化交易模型
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。
量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統
Ⅱ 神經網路演算法 遺傳演算法 模糊演算法 哪個好
沒有哪種演算法更好的說法，因為每種演算法都有自己的優勢。只能說某種演算法在處理某種問題時，效果更好更合適。
神經網路不能說是一種演算法，它是一種數學網路結構，各神經元的權值、閾值是用某種訓練演算法計算出來的。神經網路適用於非線性系統，可用於難以用數學表達式來描述的系統。
遺傳演算法在全局尋優問題上效果很好，因其收斂速度較快，且不易陷入局部極小點。其中實數編碼法適合與神經網路結合，例如GA-BP神經網路。
模糊演算法可將一些難以量化的參數模糊處理，並且演算法較簡單，尤其是適用於專家經驗佔主要地位的系統，因為添加一條專家經驗只需往規則庫里添加一條語句即可。用這種演算法要注意區間不能劃得太寬，否則演算法太不精確。
Ⅲ 喬治·索羅斯寫過一本叫《量化投資》的書嗎
一下內容純手打
證券分析方法主要分三種：
一是基本面分析，代表作《證券分析》《價值投資》，代表任務「巴菲特」；
二是技術面分析，代表做《趨勢技術分析》《道瓊斯理論》等，注重短期投資，索羅斯屬於短期投機類型，但是沒有任何資料顯示他的投資流派屬於純粹的技術面分析，可能的情況是上述兩種都有。今年的而貝爾經濟學得主法瑪提出的」有效市場假說「某一種程度上，否定了技術面分析。
三是量化分析，美國近幾十年興起的一種方法，典型的代表人物是西蒙斯。
中國國內的量化投資的研究還比較少，量化投資的基金以及機構也不夠普遍，切主要集中於香港地區。原因之一是，國內金融金融市場沒有完全開放，金融產品匱乏。美國市場的金融產品多達幾萬種，而國內只有兩百多種。
關於量化投資的書，國內國外都有很多，主要集中與國外，國內學者大多是對國外技術的學習。當然，如果你是初學者，建議你還是從國內的相關書籍開始學起。
如果有一本書，叫《量化投資》，我敢保證你看了一定學不到什麼東西，丁鵬的《量化投資》就是這樣，只是對現在主要方法以及模型的簡單介紹。用於同行業交流也許會有些價值。書籍內容從：量化選股、量化擇時、到套利什麼什麼的，基本上都是簡單的介紹，可以當作課外讀物，了解一下什麼叫量化投資。如果你真的想學到什麼東西，直接網路文庫：量化選股、多因子選股等詞，你會看到無數國內證券機構對市場的量化研究。而且資料詳細。可是，你學不到最根本的原理。
原因如下：
進行量化分析，必須至少具備兩種能力：
一、扎實且足夠的數學、統計學基礎，用於理論上的金融建模；
二、能夠使用相關計量軟體進行數據分析或者模型求解等。
這兩個要求一般人很難到達，所以證券從業的教材認為難度大是量化投資的一個很大局限性。
如果樓主對量化投資有興趣，我可以推薦一些教材給你：
如果僅僅是想了解一下： 丁鵬《量化投資》，書很貴，個人認為沒什麼實用價值。可以有個簡單的系統的認識；
如果是想學習並且能在實際中運用，建議如下：
數學方面：
《微積分》 到高級《高級微積分》
《線性代數》《非線性代數》
《概率論與數理統計》《概率、隨機變數、隨機過程》
《離散數學》《運籌學》《統計學》
金融理論上
《計量經濟學基礎》《計量經濟分析》
《數量金融學》《金融時間序列分析》
。。。。還有很多很多
以及其他金融知識基礎
建模方面
這類的書，我看的不多哦，你自己網路一下，或者找個圖書館看看
計算機軟體
C 和 C++ 至少學一個，SQL 建議學一點
建模軟體主要有：MATHEMATICA MATLAB SAS SAC R Eviews GAMS 等等等等，終於哪些海外基金用的是哪一種，或者是不是自己做的專用軟體，我就不知道了。
不過，上述的軟體，肯定是可以滿足個人的研究需求的。這個，你選幾種學一學還是可以的。
一個人，想要精通上述全部，應該是很難的，所以，註定了，量化分析的方法，單個的普通人很難完成。
量化投資起源與上世紀美國政府大幅度削減了對物理航天業經費自持，導致很多搞火箭的科學家、數學家下崗。於是他們流入金融行業（收入高），利用自己對數學、計算機的優勢，使用原先用於火箭的建模預測證券市場，發現有著顯著成效。當然，這些模型的前提是，現代金融理論的奠基，以及數量金融的發展。
因此，我個人對量化投資的理解是：金融界的火箭科學家，傳統的分析方法，只用看某一或某幾個指標，根據歷史經驗或者主觀的客觀的XXOO判斷證券的未來走勢，但是量化分析，首先建立合理的數學模型，然後藉助計算機運用某些XX的演算法，分析求解，難度相對於傳統的方法難很多。
如果你想比較淺顯的掌握，用於投資決策的參考
那量化分析，也沒有想想中的那麼高深，它本質上是一種金融的建模，本質上，常用的方法還是統計專業的那幾個 ，什麼 回歸分析，線性規劃 ，相關性，時間序列等等等。。。我看了丁鵬的書，大致上認為他是用了這些方法。所以你只用把應用數學學好就好了。
還有一些像遺傳演算法、神經網路這些他的書裡面也提到了，屬於現代演算法，這些方法比較小，難度大，但是我猜只有學術界會用這些方法，因為現代演算法在實際運用中還不夠成熟，預測經常不準確。
表述有些亂，不過大致也只能寫成這樣了。
最後：和量化分析相關的專業主要有三個：
金融專業：金融工程；
數學專業：統計、應用數學；
計算機專業
這些專業的就業方向是可以面向量化分析的
Ⅳ 在中國，做量化交易一天的工作是怎樣的
做量化交易一天的工作：
8:00~9:00： 打開交易策略，設置一些運營參數
9:00~9:30： 觀察策略運轉，確保沒有問題
9:30~15:30: 解決已有策略的問題並研究新策略，測試新想法
15:30~17:00: 分析交易記錄， 確定第二天的交易計劃
17:00~18:00: 運動
崗位職責：
分析金融市場（期貨、股票等）數據，尋找可利用的機會；開發與維護量化交易策略；提供機器學習/數據挖掘相應的技術支持；
崗位要求：
1.熟練計算機編程能力，熟練掌握至少一門編程語言，python優先；
理工科背景，具有良好的數理統計、數據挖掘等相關知識儲備，熟悉機器學習方法（分析科學問題和相應數據，建立模型和方法，驗證模型和方法，應用模型和方法並分析結果，改進模型和方法）；
有處理分析大量數據的經驗，並能熟練選擇和應用數據挖掘和機器學習方法解決科研和工作中的實際問題；良好的自我學習和快速 學習能力，有工作激情，喜歡金融行業；兩年及以上實驗室研究經驗或研發類工作經驗優先；
(4)遺傳演算法量化擴展閱讀
量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，
極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。