风险管理

从金融视角来看，风险管理是企业持续发展和稳健运营的核心要素。它涉及识别、评估、监控和控制潜在的风险，以便将不良影响最小化，并促进企业在不断变化的经济环境中保持弹性。有效的风险管理策略不仅有助于保护资产和减少损失，还能增强投资者的信心，维持公司声誉。为了确保这一流程的实施，金融机构通常采用先进的风险测量模型和技术，以及严格的内部政策和程序。这样的方法使机构能够预测潜在威胁，迅速应对突发事件，并在机会与风险之间找到适当的平衡，从而实现可持续增长和盈利。

导语

本文从量化投资定义、量化投资特点、量化投资优势及量化投资实践流程四方面简要为大家

更新时间：2025-07-24 05:40

AI Quantitative Trading Knowledge/AI量化交易常識

AI量化交易重要常识

数据质量与完整性：高质量、准确、全面的数据是AI量化交易成功的关键。
模型过拟合：避免过度拟合历史数据，这可能导致未来性能下降。
市场效率：理解市场效率和其对交易策略性能的影响。
算法复杂性：更复杂的算法并不总是更好，简单有效往往更为重要。
风险管理：制定严格的风险管理策略以保护资本。
交易成本：

更新时间：2025-07-24 05:26

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在本文文末克隆策略源代码，进行深入和扩展研究。

《监督式机器学习算法的应用》

Ali El-Shayeb通过价格和成交量相关的9个特征训练模型，特征列表和数据来源见下图。

![](/community/uploads/default/origin

更新时间：2025-07-01 07:35

前言

算法交易起源于上世纪中叶的配对交易

历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。

配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。

随着计算机的广泛普及，华尔街各大

更新时间：2025-07-01 07:35

机器学习量化投资实战指南

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

更新时间：2025-07-01 07:35

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

策略案例

[https://bigquant.com/codesharev2/5509a634-c207-4eaf-a6f2-a73d15fada39](https://bigqua

更新时间：2025-07-01 07:35

机器学习在量化投资中的趋势和应用

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

更新时间：2025-07-01 07:35

无论你如何看待数据科学这门学科，都不能轻易忽视数据的重要性，以及我们分析、组织和理解数据的能力。Glassdoor 网站收集了大量的雇主和员工的反馈数据，发现在美国“25个最好的工作职位清单”中排名第一的是数据科学家。尽管排名摆在那里，但毫无疑问，数据科学家们研究的具体工作内容仍会不断增加。随着机器学习等技术变得越来越普遍，像深度学习这样的新兴领域获得了来自研究人员、工程师以及各大公司更多的关注，数据科学家会继续站在创新浪潮之巅并且推动技术的不断发展。

尽管拥有强大的编码能力非常重要，但数据科学也并非全部都是关于软件工程的（事实上，能够熟练掌握python已经足够很好的开展工作了）。数据科学

更新时间：2025-07-01 07:35