掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
Matlab與量化投資 版權信息
- ISBN：9787568068277
- 條形碼：9787568068277 ; 978-7-5680-6827-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
Matlab與量化投資 本書特色
本書主要特點如下：國內大多數量化投資書籍偏重于理論講解，并未對量化投資的具體操作行為進行論述，特別是軟件接口、技術回測等技術，至今未見到類似的書籍。1.漸進性。本書從*基礎的軟件接口出發，探討基礎資產的定價、量化交易策略、算法交易、資金管理、風險控制等量化投資行為的理論及實踐。通過本書的學習，可以使得讀者能夠掌握量化投資從基礎到高深策略的全過程。2.實戰性。書中案例絕大多數來源于實際市場交易數據，特別是交易策略直接賴在專業投資機構的投資實戰行為，對于讀者具有較強的參考作用。既可以學習量化投資的理論，也可以進行實戰模擬及實際投資。3.實用性。本書不僅探討了量化交易的理論知識及實踐案例，還對每個策略及案例提供詳細的matlab程序及解釋。通過本書的學習，讀者可以自己對matlab程序進行改寫，通過技術回測，直接將交易策略應用于投資實踐。
Matlab與量化投資 內容簡介
本書系普通高等院校靠前化與創新型人才培養?現代經濟學專業課程“十三五”規劃系列教材中的一本。本書從中國量化交易實踐出發，根據基金公司量化投資實例，對基金公司實戰的量化交易案例進行總結， 較為全面的介紹了金融投資和交易過程中廣泛使用的數量化方法。在寫作過程中，緊密圍繞matlab軟件，使用matlab程序構建從wind軟件接口，基本金融資產的定價策略、數量化投資的基礎理論，量化選股和擇時策略、套利策略、資產配置、算法交易等全流程覆蓋的交易程式。具體包括緒論、Wind-matlab接口簡介、基本金融資產的定價策略（期權定價）、量化選股策略、技術分析和擇時策略、統計套利、人工智能、支持向量機、算法交易。
Matlab與量化投資 目錄
目錄
第*章量化投資策略及發展/1
第*節量化投資發展簡介/1
第二節MATLAB及相關工具箱簡介/7
第三節量化投資在中國/10
第二章量化投資數據接口簡介/13
第*節東方財富Choice數據終端MATLAB量化接口注冊/13
第二節MATLAB接口命令生成向導/17
第三節MATLAB接口功能函數/21
第四節ChoiceMATLAB接口數據下載/27
第五節Choice交易組合構建/35
第六節債券實例/37
第七節公開數據資源——以Tushare為例/44
第三章資產組合配置方法/49
第*節Markowitz資產組合模型/50
第二節Markowitz模型構建資產組合有效前沿實例/52
第三節BlackLitterman模型/66
第四節BL方法下Dow Jones 30工業指數成分股的資產組合/77
第五節基于CVaR的證券組合配置方法/83
第六節基于CVaR的證券組合分析/87
/98第四章量化選股
第*節量化選股模型之打分法/100
第二節基于打分法的中小板多因子選股模型/103
第三節量化選股之回歸法/116
第四節多因子選股之回歸法案例/122
/148第五章量化擇時
第*節趨勢擇時/148
第二節趨勢擇時案例分析/151
第三節基于SWARCH模型的量化擇時策略/172
第四節基于Hurst指數的擇時策略/183
第五節支持向量機/193
第六節基于CSVM算法的HS300股指期貨交易策略/197
/214第六章統計套利
第*節基于價差的配對交易/216
第二節協整理論及ECM模型/222
第三節基于協整理論的期貨跨市場跨品種套利/226
/236第七章基于事件驅動的量化投資策略分析
第*節預期正常收益率模型/237
第二節基于業績預增的事件驅動量化投資策略/238
/246第八章期貨量化套利策略
第*節股指期貨期現套利/246
第二節股指期貨跨期套利/252
第三節商品期貨套利策略/258
第四節商品期貨的期現套利/261
第五節商品期貨的跨市場套利/268
第六節商品期貨的跨期套利/274
第九章人工神經網絡與量化投資策略/277
第*節神經網絡/277
第二節基于BP神經網絡的量化擇時策略/280
第三節基于PACBP神經網絡的量化選股策略/289
第四節LSTM網絡模型與量化投資策略/296
第五節基于LSTM網絡的量化擇時策略/300
第六節基于LSTM網絡的量化選股/308
第十章算法交易/315
第*節算法交易的基本概念/315
第二節算法交易策略成本分析及優化/319
第三節常用算法交易及其實現/321
參考文獻/339
第*章量化投資策略及發展/1
第*節量化投資發展簡介/1
第二節MATLAB及相關工具箱簡介/7
第三節量化投資在中國/10
第二章量化投資數據接口簡介/13
第*節東方財富Choice數據終端MATLAB量化接口注冊/13
第二節MATLAB接口命令生成向導/17
第三節MATLAB接口功能函數/21
第四節ChoiceMATLAB接口數據下載/27
第五節Choice交易組合構建/35
第六節債券實例/37
第七節公開數據資源——以Tushare為例/44
第三章資產組合配置方法/49
第*節Markowitz資產組合模型/50
第二節Markowitz模型構建資產組合有效前沿實例/52
第三節BlackLitterman模型/66
第四節BL方法下Dow Jones 30工業指數成分股的資產組合/77
第五節基于CVaR的證券組合配置方法/83
第六節基于CVaR的證券組合分析/87
/98第四章量化選股
第*節量化選股模型之打分法/100
第二節基于打分法的中小板多因子選股模型/103
第三節量化選股之回歸法/116
第四節多因子選股之回歸法案例/122
/148第五章量化擇時
第*節趨勢擇時/148
第二節趨勢擇時案例分析/151
第三節基于SWARCH模型的量化擇時策略/172
第四節基于Hurst指數的擇時策略/183
第五節支持向量機/193
第六節基于CSVM算法的HS300股指期貨交易策略/197
/214第六章統計套利
第*節基于價差的配對交易/216
第二節協整理論及ECM模型/222
第三節基于協整理論的期貨跨市場跨品種套利/226
/236第七章基于事件驅動的量化投資策略分析
第*節預期正常收益率模型/237
第二節基于業績預增的事件驅動量化投資策略/238
/246第八章期貨量化套利策略
第*節股指期貨期現套利/246
第二節股指期貨跨期套利/252
第三節商品期貨套利策略/258
第四節商品期貨的期現套利/261
第五節商品期貨的跨市場套利/268
第六節商品期貨的跨期套利/274
第九章人工神經網絡與量化投資策略/277
第*節神經網絡/277
第二節基于BP神經網絡的量化擇時策略/280
第三節基于PACBP神經網絡的量化選股策略/289
第四節LSTM網絡模型與量化投資策略/296
第五節基于LSTM網絡的量化擇時策略/300
第六節基于LSTM網絡的量化選股/308
第十章算法交易/315
第*節算法交易的基本概念/315
第二節算法交易策略成本分析及優化/319
第三節常用算法交易及其實現/321
參考文獻/339
展開全部
Matlab與量化投資 節選
精彩文摘1： 2.量化投資的金融理論基礎 量化投資離不開系統的投資決策手段和金融理論支持。1952年，馬克維茨在其博士論文中提出了投資組合理論，該理論以期望值衡量收益、以方差值衡量風險，第*次正式將收益和風險這兩個股票市場中*重要的概念數量化，成為現代量化投資的鼻祖。托賓隨后提出了分離理論，但仍需要利用馬克維茨的系統執行高難度的運算。1964年，夏普又在簡化模型的基礎上進一步發展，提出了金融界人盡皆知的資本資產定價模型(CAPM)。CAPM作為一個里程碑式的理論發現，既可以預測風險和期望收益，還可以用于投資組合的績效分析。之后羅斯在CAPM的基礎上，提出“套利定價理論”(APT)，提供了一種方法來評估影響股價變化的多種經濟因素。1973年，布萊克和斯克爾斯正式提出了“期權定價理論”，為金融風險管理奠定了理論基礎，人們廣泛使用金融衍生工具如期權、期貨、遠期、互換等交易技術，可以有效地防范風險和套期保值。通過對金融衍生產品風險的有效測度，我們可以針對某一證券組合構建對某一風險因子免疫的金融產品。現有的金融風險管理技術發展迅速，目前西方管理機構主要使用VaR的風險管理測度技術。它是在正常的市場條件和給定的置信水平下，測度單一金融資產或證券組合損失的可能性及數量，VaR方法較久期、缺口分析等傳統風險管理技術有了更強的適應性和科學性。在此基礎上，進一步出現了CVaR等風險管理特性更好的金融風險測度指標，為量化投資的資產組合管理、資金管理以及風險控制提供了量化的金融理論基礎，促進了量化投資的進一步發展。 3.量化投資的技術基礎 量化投資策略，特別是高頻量化投資策略的構建需要大量數據的支持，僅僅深圳市場的半年分筆交易數據就有100 GB之多。量化投資方法與定性投資方法不同，模型設計不能僅靠經驗和直覺，它必須要有一個科學求證并加以改進的過程。量化投資需要進行大量的數據挖掘，發現隱藏在公開信息后的資本市場運行規律，因此對數據要求極高。此外，量化投資策略需要宏微觀數據的支持，因此穩定且可靠的數據源極為重要。成熟市場有悠久的歷史，在美國，進行量化投資建模通常會向前看30年，這樣用長期歷史數據檢驗出來的模型可能更為有效。西方資本市場成立較早，非常重視經濟數據的搜集工作，數據供應市場發達，有價值線(Value line)、CRSP(證券價格研究中心，芝加哥大學)、Compustat(美國公司及其他國家公司數據，標準普爾公司)、NYSE TAQ(日內高頻數據，紐約股票交易所)、PACAP(PacificBasin Capital Market，太平洋地區資本市場，美國羅德島大學)、Datastream、IBES(Institutional Broker’s Estimate System,機構經紀人估計系統)、SDC(美國國家數據中心)、GovPX(固定收益債券價格基準)、Reuter(路透)、Bloomberg(彭博)等歷史悠久的數據供應商。國外定義的金融數據庫不僅僅是數據庫本身，還包括基于數據庫的相關數據處理、計算、建模及技術支持等服務。中國A股市場發展僅30余年，無論是數據庫的建設還是后續提供的技術支持上均與國外同行具有較大的差距。 量化投資需要根據金融理論構建大量的數學模型進行數據挖掘工作，因此離不開高性能計算機軟硬件的支持。計算機的興起使得量化交易能夠利用計算機技術來進行證券投資交易，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，用數量模型驗證及固化這些規律和策略，然后嚴格執行已固化的策略來指導投資，以求獲得可以持續的、穩定且高于平均收益的超額回報。在過去的半個世紀里，計算機基本按照英特爾(Intel)的創始人之一戈登· 摩爾提出的摩爾定律飛速發展：計算機硬件的處理速度和存儲能力，每一到兩年提升一倍。計算機技術的飛速發展為量化投資策略的構建提供了良好的基礎。大量統計軟件和算法的不斷優化，也使得量化投資的實踐成為可能。1963年，馬克維茨的學生威廉·夏普提出了“投資組合的簡化模型”，也稱“單一指數模型”，使得馬克維茨模型需費時33分鐘的計算，簡化為只用30秒，大大提高了運算的效率，并因此而節省了計算機內存，可以處理相對前者8倍以上的標的證券。 全球范圍內交易費用的下降促使量化交易策略進一步向精細化發展，也使得原來囿于成本限制無法進行的量化策略有可能投入實踐。交易費用的下降已經持續了一段時間，在金融市場競爭的推動下，又開始出現繼續下降的趨勢。 以上便是推動量化投資方法迅速發展的主要原因。目前，量化投資方法運用數學或者統計模型來模擬金融市場的未來走向，預估金融產品的潛在收益，獲取穩定收益，該方法已經成為資本市場發展*為迅猛的投資技術之一。 精彩文摘2： 三、量化投資方法的分類及評價 1.量化投資方法的分類 量化投資可以分為技術型量化投資和金融型量化投資兩類。 技術型量化投資通過廣義或狹義的市場技術分析工具，利用高頻或低頻歷史數據，進行操作策略的檢驗，從而達到良好的收益交易模式和戰略，并*終由計算機或交易軟件終端程序執行，如交易趨勢、套利、短期類型的交易計劃等。廣義的技術分析工具，不僅包括技術指標，如股票估值指標、盈利指標和圖形，還包括各種基本面的指標。技術型量化投資有統計套利的意義。其理論基礎是，利用歷史數據測試交易獲利的概率或盈利幅度具有統計意義上的顯著性。量化投資選取更廣泛的樣本數據，具有更充分的統計學意義和更完善的交易策略，從而有效避免了傳統技術分析工具的缺陷。 金融型量化投資可以定義為以金融理論的不斷發展為基礎來定價的金融產品(如股票、債券、期貨、期權等)，通過計算機交易軟件終端捕捉金融市場價格異常波動產生的交易機會，進行跨市場、跨時期、多產品的高頻率或低頻率交易投資。金融型量化投資主要用于股票、債券及相關的期貨和期權，這就需要一個相對健全的金融體系和金融環境。此外，金融型量化投資計算金融資產的理論價值，是與金融理論的發展相適應的，如Markowitz的投資組合理論、Fama的有效市場假說、BlackScholes的期權定價理論等。 國外量化投資在投資領域有廣泛的應用，交易規模大，投資模式相對成熟。技術型量化投資和金融型量化投資相互交織，共同構成量化投資的總體。2009年，紐約證券交易所的程序化交易量占到總交易量的30%的技術型量化投資與金融型量化投資的側重點有所不同，技術型量化投資通常適用于商品期貨及期權交易，金融型量化投資主要用在股票、債券、金融期貨和期權交易。 金融型量化投資是西方市場的主要交易方式，20世紀80年代初，BlackScholes期權定價模型理論的創始人之一Black加入高盛，從事多產品套利交易，從此拉開了現代金融量化投資的序幕。金融理論與金融投資緊密相聯，金融型量化投資不僅體現在自動化交易程序上，而且各種中期和長期的交易策略的制定都具有量化投資的性質，因此無法準確衡量金融市場量化投資的份額。但可以肯定的是，當前的金融型量化投資更加完美，從原來單純的理論價值模型開始轉向交易速度模式。金融型量化投資起初通過價值價格關系，制定出使金融理論和金融工具完美結合的交易策略。但是，1998年長期資本管理公司的破產暴露出這種模式的缺陷，數學理論完美的推導，有時并不符合實際情況。金融理論存在的限制，“肥尾”涉及大量掉期交易以及過多的流動性不足的頭寸，是導致長期資本管理公司破產的原因(張陶偉，1999)。從此以后，金融量化投資更多轉向對高頻數據的應用，交易速度的追求，控制投資組合頭寸的比例，從而減少了市場風險。 2.量化投資方法的優點和局限性 量化投資作為一種有效的主動投資工具，是對定性投資方式的繼承和發展。實踐中的定性投資是指以深入的宏觀經濟和市場基本面分析為核心，輔以對上市公司的實地調研、與上市公司管理層經營理念的交流，發表各類研究報告作為交流手段和決策依據。因此，定性投資基金的組合決策過程是由基金經理在綜合各方面的市場信息后，依賴個人主觀判斷、直覺以及市場經驗來優選個股，構建投資組合，以獲取市場的超額收益。與定性投資相同，量化投資的基礎也是對市場基本面的深度研究和詳盡分析，其本質是一種定性投資思想的理性應用。但是，與定性投資中投資人僅依靠幾個指標做出結論相比，量化投資中投資人更關注大量數據所體現出來的特征，特別是挖掘數據中的統計特征，以尋找經濟和個股的運行路徑，進而找出阿爾法盈利空間。與定性投資相比，量化投資具有以下優勢: (1)量化投資可以讓理性得到充分發揮。量化投資以數學統計和建模技術代替個人主觀判斷和直覺，能夠保持客觀、理性以及一致性，克服市場心理的影響。將投資決策過程數量化，能夠極大地減少投資者情緒對投資決策的影響，避免在市場悲觀或非理性繁榮的情況下做出不理智的投資決策，因而避免了不當的市場擇時傾向。 (2)量化投資可以實現全市場范圍內的擇股和高效率處理。量化投資可以利用一定數量化模型對全市場范圍內的投資對象進行篩選，把握市場中每個可能的投資機會。而定性投資受人力、精力和專業水平的限制，其選股的覆蓋面和正確性遠遠無法和量化投資相比。 (3)量化投資更注重組合風險管理。量化投資的三步選擇過程，本身就是在嚴格的風險控制約束條件下選擇投資組合的過程，能夠保證在實現期望收益的同時有效地控制風險水平。另外，由于量化投資方式比定性投資方式更少地依賴投資者的個人主觀判斷，就避免了由于人為誤判和偏見產生的交易風險。 當然，無論是定性投資還是量化投資，只要應用得當都可以獲取阿爾法超額收益，兩者之間并不矛盾，相反可以互相補充。量化投資的理性投資風格恰好可以作為傳統投資方式的補充。 量化投資是一種非常高效的工具，其本身的有效性依賴于投資思想是否合理有效，換而言之，只要投資思想是正確的，量化投資本身并不存在缺陷。但是在對量化投資的應用中，確實存在過度依賴的風險。量化投資本身是一種對基本面的分析，與定性分析相比，量化分析是一種高效、無偏的方式，但是應用的范圍較為狹窄。例如，某項技術在特定行業、特定市場中的發展前景就難以用量化的方式加以表達。通常量化投資的選股范圍涵蓋整個市場，因此獲得的行業和個股配置中很可能包含投資者不熟悉的上市公司。這時盲目地依賴量化投資的結論，依賴歷史的回歸結論以及一定指標的篩選，就有可能忽略不能量化的基本面，產生巨大的投資失誤。因此，基金經理在投資的時候一定要注意不能單純依賴量化投資，一定要結合對國內市場基本面的了解。 精彩文摘3： 一節算法交易的基本概念 算法交易，是指把一個指定交易量的買入或者賣出指令放入模型，該模型包含交易員確定的某些目標。根據這些特殊的算法目標，該模型會產生執行指令的時機和交易額。而這些目標往往基于某個基準、價格或時間。這種交易有時候稱為黑盒交易(blackbox trading)、無人值守交易(robot trading)。算法交易廣泛應用于對沖基金、企業年金、共同基金以及其他一些大型的機構投資者，他們使用算法交易對大額訂單進行分拆，尋找*佳的路由和*有利的執行價格，以降低市場的沖擊成本、提高執行效率和訂單執行的隱蔽性。任何投資策略都可以使用算法交易進行訂單的執行，包括做市、場內價差交易、套利或者純粹的投機(包括趨勢跟隨交易(trend following))。算法交易通過程序系統交易，將一個大額的交易拆分成數十個小額交易，以此來盡量減少對市場價格造成沖擊，降低交易成本，且還能幫助機構投資者快速增加交易量。在國際衍生品市場上，這種交易方式主要運用在各類金融衍生品之間的對沖。 算法交易是指遵循數量規則、用戶指定的基準和約束條件的自動電子交易，包括組合交易(對一籃子股票進行一系列交易)和智能路由(smart routing)(即使用算法來智能地將訂單發送至流動性*好的交易通道)。算法交易的內在邏輯在于利用市場交易量的特點來風險可控、成本可控地執行訂單。雖然對算法交易有許多不同的定義，但始終離不開諸如自動電子執行、達到特定基準等字眼。 算法交易系統的核心是通過一套計算機程序，可以在一秒鐘內產生數千個交易指令，其中許多指令瞬間就可以被取消或被新的指令取代，從而把大額委托化整為零，減小對市場的沖擊，并且可以尋求*佳的成交執行路徑，減少交易成本。 交易算法需要由一系列的變量所控制，這些變量即算法的約束參數，一個算法的主要參數包括開始時間和結束時間、是否施加一個限價指令等。算法一般會設置開始/結束時間，而不是“一天當中的合適時間”這樣的條件。算法交易必須確定必須實現的指令，除了那些更加注重機會導向的算法外，該參數的目的在于完全執行指令，而市場條件也許意味著這個目標不能總是實現。算法交易往往會限制交易價格，一個硬性價格限制會提供價格保護，作用如同限價指令。算法交易的成交量限制(*大/*小值)，該變量可以把算法的成交量設置在一個市場總交易量的一個百分比之內(如總成交量的50%)。算法交易的成交量限制(子命令)，一些算法能支持對拆分后子命令的大小進行限制，或對任何一個時點存在的指令數量進行限制。算法交易必須決定是否參與競價，這個變量可以用來確定指令是否會參與開盤、收盤和任何盤中競價。 算法交易的流程包括交易前分析、算法交易前和交易后分析。算法交易前后的分析是必不可少的，雖然算法交易的主要過程是通過計算機下單來處理，但是其前后的許多分析工作是需要人工進行設定的。 交易前分析包括：多因素風險分析，如股票、行業、買/賣方、貨幣等；清楚了解潛在的交易成本；劃分和鑒別局外人和困難的交易；智能發送器(機器人)交易指令自動發送到算法交易系統，該系統能進行*佳的策略及策略參數選擇。用戶可實時使用交易前分析，了解算法交易采用的具體參數情況。 判斷一個交易算法是否合適，首先必須選擇一個合適的業績標桿作為比較的基準。算法交易常用的業績標桿包括開盤價格、收盤價格、成交量加權平均價格(VWAP)、時間加權平均價格(TWAP)、實現差價(即紙面交易與實際成交均價之間的差)、到達價格等。標桿的選擇一般由投資者的投資目標及投資風格決定。 在確定比較基準以后，就可以測試不同參數的效果，選擇合適的參數。算法交易一般通過回測法進行測試。主要測試不同參數效果的穩定性以及交易效果對參數的敏感性，并觀察這些穩定性與敏感性隨時間變化的情況。在合乎使用標準的情況下再計算*優參數并實測。第*步，先在整個歷史時期各個階段以不同的參數測試策略，判斷不同參數效果的穩定性以及結果對參數的敏感度。重點關注穩定性和敏感度隨時間變化的情況。如果變動過于頻繁，則不適合投入實際應用。第二步，這時就可以選擇某一個特定的市場狀況較為穩定的歷史時期，使用同樣的方法用各種不同的參數進行測試，檢驗不同參數的穩定性以及策略效果對參數的敏感性。選擇*優參數，判斷的標準可以是夏普比率等。估計參數所使用的市場時間段主要根據經驗判斷，可以是*近的市場數據，也可以是以前出現過未來很可能出現的市場數據。 *后，根據特定市場的狀況選擇*優參數，進行樣本外測試，確定算法交易的效果是否滿意。在合乎標準的情況下，即可確定策略及*優參數。 交易后分析主要是對算法交易的結果進行研究。從收到詳細的日度、月度、季度、年度交易后審查報告開始，將表現與多種基準進行對比，深究單個交易結果，選擇性衡量后臺效率，從而對算法的優劣進行總結反饋，這個對提高算法的效率至關重要。 根據各個算法交易中算法的主動程度不同，算法交易可分為被動型算法交易、主動型算法交易、綜合型算法交易三大類。 被動型算法交易也叫結構型算法交易或者時間表型算法交易。這類算法交易除利用歷史數據估計交易模型的關鍵參數外，不會根據市場的狀況主動選擇交易的時機與交易的數量，而是按照一個既定的交易方針進行交易。該策略的核心是減少滑價(目標價與實際成交均價的差)。被動型算法交易*成熟，使用也*為廣泛，如在國際市場上使用*多的成交量加權平均價格(VWAP)、時間加權平均價格(TWAP)等都屬于被動型算法交易。 主動型算法交易也叫機會型算法交易。這類算法交易根據市場的狀況做出實時的決策，判斷是否交易、交易的數量、交易的價格等。由于很多交易指令是根據市場的即時狀況下達，因此有可能無法完成交易員希望的全部交易。主動型交易算法除了努力減少滑價以外，把關注的重點逐漸轉向了價格趨勢預測上。如判斷市場價格在向有利于交易員的方向運動時，就推遲交易的進行，反之加快交易的進行。當市場價格存在較強的均值回歸現象時，必須迅速抓住每一次有利于自己的偏移。 此外，當算法交易被廣泛應用時，證券的市場價格行為就會表現出一定的規律。這樣，就出現了一類特殊的算法交易，如瑞士信貸的Sniper 算法，它們的目標是發現市場上與自己交易方向相反的大型交易對手，通過合適的交易安排，與該對手完成交易，避免市場受到沖擊。 綜合型算法交易是前兩者的結合，既包含有既定的交易目標，具體實施交易的過程中也會對是否交易進行一定的判斷。這類算法常見的方式是先把交易指令拆開，分布到若干個時間段內，每個時間段內具體如何交易由主動型算法交易進行判斷。兩者結合可以達到單獨一種算法所無法達到的效果。 按算法的核心機制，算法交易可以分為沖擊驅動型、成本驅動型、機會導向型。 沖擊驅動(impactdriven)算法旨在*小化市場沖擊，即減小交易對資產價格的影響。大單指令通常被拆分成小單指令，并將這些訂單通過一個更長時間進行交易。典型代表：VWAP算法。 成本驅動(costdriven)算法以減小總體交易成本為宗旨。需要考慮市場沖擊、時機風險，甚至價格趨勢等因素。典型代表：執行缺口算法。 機會導向(opportunistic)算法利用任何市場條件有利的時機進行交易，包括價格或流動性驅動算法。
Matlab與量化投資 作者簡介
張學功 男，講師，碩士生導師。2006年12月起至今在華中科技大學（原華中理工大學）經濟學院任教，2007年任講師；2005年9月-2006年5月美國晨星咨詢（深圳）有限公司高級數量分析員；1995年7月-2000年8月安徽省淮北發電廠專業工程師。研究領域：金融經濟學、數量經濟學、量化金融
書友推薦
- >
唐代進士錄
- >
伊索寓言-世界文學名著典藏-全譯本
- >
山海經
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
回憶愛瑪儂
- >
中國歷史的瞬間
- >
史學評論
- >
二體千字文
本類暢銷
