vwap外汇

　　① GTX外汇交易平台是哪里的

　　GTX外汇交易平台是嘉盛外汇平台中的一种，专门给机构和高端客户使用的，账户最低资金是10万美金，估计你那朋友资金实力不错，才会选择GTX来交易。与嘉盛的操盘手和MT4平台收取点差不同，GTX是采用的是佣金模式，完全独立的ECN平台。

　　② 量化交易的应用

　　量化投资技术包括多种具体方法，在投资品种选择、投资时机选择、股指期货套利、商品期货套利、统计套利和算法交易等领域得到广泛应用。在此，以统计套利和算法交易为例进行阐述。

　　1、统计套利。

　　统计套利是利用资产价格的历史统计规律进行的套利，是一种风险套利，其风险在于这种历史统计规律在

　　未来一段时间内是否继续存在。

　　统计套利的主要思路是先找出相关性最好的若干对投资品种，再找出每一对投资品种的长期均衡关系（协

　　整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓，买进被相对低估的品种、

　　卖空被相对高估的品种，等价差回归均衡后获利了结。

　　股指期货对冲是统计套利较长采用的一种操作策略，即利用不同国家、地区或行业的指数相关性，同时

　　买入、卖出一对指数期货进行交易。在经济全球化条件下，各个国家、地区和行业股票指数的关联性越来越

　　强，从而容易导致股指系统性风险的产生，因此，对指数间的统计套利进行对冲是一种低风险、高收益的交

　　易方式。

　　2、算法交易。

　　算法交易又称自动交易、黑盒交易或机器交易，是指通过设计算法，利用计算机程序发出交易指令的方

　　法。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格，甚至包括最后需要成交的资产数

　　量。

　　算法交易的主要类型有: (1) 被动型算法交易，也称结构型算法交易。该交易算法除利用历史数据估计交

　　易模型的关键参数外，不会根据市场的状况主动选择交易时机和交易的数量，而是按照一个既定的交易方针

　　进行交易。该策略的的核心是减少滑价（目标价与实际成交均价的差）。被动型算法交易最成熟，使用也最

　　为广泛，如在国际市场上使用最多的成交加权平均价格（VWAP）、时间加权平均价格（TWAP）等都属于被

　　动型算法交易。 (2) 主动型算法交易，也称机会型算法交易。这类交易算法根据市场的状况作出实时的决

　　策，判断是否交易、交易的数量、交易的价格等。主动型交易算法除了努力减少滑价以外，把关注的重点逐

　　渐转向了价格趋势预测上。 (3) 综合型算法交易，该交易是前两者的结合。这类算法常见的方式是先把交易

　　指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型交易算法进行判断。两者结合可达

　　到单纯一种算法无法达到的效果。

　　算法交易的交易策略有三：一是降低交易费用。大单指令通常被拆分为若干个小单指令渐次进入市场。

　　这个策略的成功程度可以通过比较同一时期的平均购买价格与成交量加权平均价来衡量。二是套利。典型的

　　套利策略通常包含三四个金融资产，如根据外汇市场利率平价理论，国内债券的价格、以外币标价的债券价

　　格、汇率现货及汇率远期合约价格之间将产生一定的关联，如果市场价格与该理论隐含的价格偏差较大，且

　　超过其交易成本，则可以用四笔交易来确保无风险利润。股指期货的期限套利也可以用算法交易来完成。三

　　是做市。做市包括在当前市场价格之上挂一个限价卖单或在当前价格之下挂一个限价买单，以便从买卖差价

　　中获利。此外，还有更复杂的策略，如“基准点“算法被交易员用来模拟指数收益，而”嗅探器“算法被用来发现

　　最动荡或最不稳定的市场。任何类型的模式识别或者预测模型都能用来启动算法交易。

　　③ 你如何预测第二天股票的开盘价

　　你必须承认，预测任何事情都是不可靠的。这是猜测，仅此而已。影响股票开盘价的因素很多，而且这些因素是无法预测的。

　　海外市场在美国市场之前开放，和美国市场一样关闭。为交易所制造计算机的市场确定了在世界各地其他证券交易所交易的美国上市股票的最后价格。这通常是一个小的调整，但也可以是一个大的调整。共同的差距是由这些调整造成的，这些调整是为了避免全球金融市场之间的套利。

　　突破缺口，指的是价格一直在下跌，然后在技术分析中所谓的“阻力位”上方缺口几个点，有时也是先前的基本面弱势位。这些通常是根本性的差距，表明金融状况正在加强。

　　当股票投机交易时，就会出现失控、测量或运行缺口。该股收盘价高于前一天。在打开它的缺口更高，以继续上涨。这些通常是高频交易引起的缺口。

　　耗尽缺口是投机势头运行的最后一个缺口。这对波动和动量交易者来说可能是一个巨大的信号，一个获利了结模式可能很快就会到来，因为专业交易员将在股票因获利而回撤的投机性卖出之前获利了结，并结清头寸。

　　并购差距这些通常是几分或多分。差价是该股票的新价格。它是收购方为合并或收购该公司而支付的每股价格。这一差距是不可交易的。这是股票生命的尽头，它很快将不再是交易所上市的股票。并购缺口是巨大的，但在价格达成一致和文件签署之前，这些并购并不为公众所知。

　　因此，在这个价差之后买入股票是没有价值的，除非你想持有的股票将并入买入公司的股票。换句话说，你将拥有收购方公司的股份。这可以是更多的股份或更少的股份，取决于被收购公司的价格和该公司购买该公司的股票的价格。

　　孤岛差价指的是在图表上上下浮动的价格，与图表上的其他价格无关，通常是较大的差价。孤岛差距与hft、小型基金和零售集团的新闻和对新闻的反应有关。

　　④ 国泰安信息技术有限公司的产品

　　CSMAR中国财经数据库：研发理念充分借鉴了芝加哥大学CRSP、标准普尔Compustat、纽约交易所TAQ、Thomson、GSIOnline等国际知名数据库的成功经验，并结合中国国情精心设计而成。该数据库是国内目前规模最大、信息最精准的金融、经济数据库，由股票、基金、债券、金融衍生产品、上市公司、经济、行业、高频数据8大系列及个性化数据服务构成。

　　金融实验室：借鉴美国麻省理工学院的Laboratory for Financial Engineering和新加坡国立大学的Center of Financial Engineering等国际知名金融实验室的开发经验，集教研工具系统与资源、实训系统与课程设计、学术交流、成果转化于一体。其中，实训系统包括银行类、保险类、证券类、企业管理类、财会类等。

　　全球金融信息分析系统——“国泰安市场通”：是一款媲美Bloomberg的综合金融信息分析系统，以目前国内最快的行情刷新速度接入上证交易所高速Level Ⅱ数据和全球60多个国家及地区的股票、债券、期货、外汇、金融衍生品等上万种金融产品的实时或延时行情，使用户快捷获取精确、详细、全面、深入的市场数据和信息。同时，丰富的画面自定义、MVX Excel导出、指数化基金自动配置等个性化功能协助用户进行实时监控，有效避险，抢占投资先机。

　　更值得提出的是，该系统拥有强大数据压缩和传输技术（基于世界领先的百万分之一秒量级的高速压缩技术），其行情刷新频度和速度目前在国内同行业中是最快的，完全与交易所同步。其多屏显示技术可支持一台主机控制多达8个屏幕的同时展示，如果使用大屏，可作为mini交易所安装在交易室、会议室等场所。

　　国泰安股指期货套利系统：由国泰安和台湾宝来金融集团携手开发。可查看实时行情；内嵌Excel策略平台，让用户以便捷的Excel形式，享受宝来近10年的分析数据及投资策略，并可利用国泰安CSMAR数据库，快捷自由地创新交易模型；可通过灵活的投资组合策略和机会监控策略进行套利。

　　在台湾，该系统深受证券商、基金公司、QFII、私募基金认可；在大陆，受到国信证券、财富证券、太保资产管理公司等数十家金融机构瞩目。

　　国泰安算法交易系统V1.0：算法交易，这一合法的“黑箱套利”交易模式，正在迅速地被越来越多的投资机构重视。国泰安算法交易系统V1.0采用国际最主流 的“VWAP”、“TWAP”等交易模型。用户通过灵活的交易策略配置，增加资产配置成功率，提高回报率。

　　金融专业培训：以敏锐的财经嗅觉，提供前瞻性、实战式的金融培训，包括股指期货实盘模拟培训、算法交易培训等。

　　国泰安万能大屏幕管理软件: 国泰安万能大屏幕管理软件以大屏幕应用为基础，对屏幕布局、屏幕管理、数据源支持、系统扩展性等方面进行应用性开发。该软件主要向客户提供实时金融行情与资讯展示，对于各行业特别是金融机构在大厅、贵宾室、会议室、户外宣传、金融实验室等地方的内容展示及形象宣传将达到事半功倍的效果。

　　⑤ 量化交易有什么类型

　　闪牛分析：

　　概念

　　量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

　　特点

　　定量投资和传统的定性投资本质上来说是相同的，二者都是基于市场非有效或弱有效的理论基础。两者的区别在于定量投资管理是“定性思想的量化应用”，更加强调数据。量化交易具有以下几个方面的特点：

　　1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。

　　2、系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。

　　3、套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。

　　4、概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。

　　应用编辑

　　量化投资技术包括多种具体方法，在投资品种选择、投资时机选择、股指期货套利、商品期货套利、统计套利和算法交易等领域得到广泛应用。在此，以统计套利和算法交易为例进行阐述。

　　1、统计套利

　　统计套利是利用资产价格的历史统计规律进行的套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。

　　统计套利的主要思路是先找出相关性最好的若干对投资品种，再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓，买进被相对低估的品种、卖空被相对高估的品种，等价差回归均衡后获利了结。股指期货对冲是统计套利较长采用的一种操作策略，即利用不同国家、地区或行业的指数相关性，同时买入、卖出一对指数期货进行交易。在经济全球化条件下，各个国家、地区和行业股票指数的关联性越来越强，从而容易导致股指系统性风险的产生，因此，对指数间的统计套利进行对冲是一种低风险、高收益的交易方式。

　　2、算法交易。

　　算法交易又称自动交易、黑盒交易或机器交易，是指通过设计算法，利用计算机程序发出交易指令的方法。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格，甚至包括最后需要成交的资产数量。

　　算法交易的主要类型有: (1) 被动型算法交易，也称结构型算法交易。该交易算法除利用历史数据估计交易模型的关键参数外，不会根据市场的状况主动选择交易时机和交易的数量，而是按照一个既定的交易方针进行交易。该策略的的核心是减少滑价（目标价与实际成交均价的差）。被动型算法交易最成熟，使用也最为广泛，如在国际市场上使用最多的成交加权平均价格（VWAP）、时间加权平均价格（TWAP）等都属于被动型算法交易。 (2) 主动型算法交易，也称机会型算法交易。这类交易算法根据市场的状况作出实时的决策，判断是否交易、交易的数量、交易的价格等。主动型交易算法除了努力减少滑价以外，把关注的重点逐渐转向了价格趋势预测上。 (3) 综合型算法交易，该交易是前两者的结合。这类算法常见的方式是先把交易指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型交易算法进行判断。两者结合可达到单纯一种算法无法达到的效果。

　　算法交易的交易策略有三：一是降低交易费用。大单指令通常被拆分为若干个小单指令渐次进入市场。这个策略的成功程度可以通过比较同一时期的平均购买价格与成交量加权平均价来衡量。二是套利。典型的套利策略通常包含三四个金融资产，如根据外汇市场利率平价理论，国内债券的价格、以外币标价的债券价格、汇率现货及汇率远期合约价格之间将产生一定的关联，如果市场价格与该理论隐含的价格偏差较大，且超过其交易成本，则可以用四笔交易来确保无风险利润。股指期货的期限套利也可以用算法交易来完成。三是做市。做市包括在当前市场价格之上挂一个限价卖单或在当前价格之下挂一个限价买单，以便从买卖差价中获利。此外，还有更复杂的策略，如“基准点“算法被交易员用来模拟指数收益，而”嗅探器“算法被用来发现最动荡或最不稳定的市场。任何类型的模式识别或者预测模型都能用来启动算法交易。

　　潜在风险

　　量化交易一般会经过海量数据仿真测试和模拟操作等手段进行检验，并依据一定的风险管理算法进行仓位和资金配置，实现风险最小化和收益最大化，但往往也会存在一定的潜在风险，具体包括：

　　1、历史数据的完整性。行情数据不完整可能导致模型与行情数据不匹配。行情数据自身风格转换，也可能导致模型失败，如交易流动性，价格波动幅度，价格波动频率等，而这一点是目前量化交易难以克服的。

　　2、模型设计中没有考虑仓位和资金配置，没有安全的风险评估和预防措施，可能导致资金、仓位和模型的不匹配，而发生爆仓现象。

　　3、网络中断，硬件故障也可能对量化交易产生影响。

　　4、同质模型产生竞争交易现象导致的风险。

　　5、单一投资品种导致的不可预测风险。

　　为规避或减小量化交易存在的潜在风险，可采取的策略有：保证历史数据的完整性；在线调整模型参数；在线选择模型类型；风险在线监测和规避等。

　　⑥ 什么是量化交易，未来前景如何知道的讲讲。

　　量化交易，有时候也称自动化交易，是指以先进的数学模型替代人为的主观判断，避免在专市场极属度狂热或悲观的情况下做出非理性的投资决策。

　　在股票市场上，量化交易早不是什么新闻，在国外，七成的交易都是通过计算机决策的，在国内这个数字也接近五成。

　　过去的股票市场都是靠交易员手动敲键盘来操作的，难免一失手成千古恨，这种行为被戏称为“胖手指”，相比之下，量化交易则如同点石成金的“仙人指”。量化里最美的童话就是“旱涝保收”，牛市也好，熊市也罢，都能大赚特赚。

　　量化交易的优势：1. 严格的纪律性 2. 完备的系统性 3. 妥善运用套利的思想 4. 靠概率取胜

　　量化交易的风险性：首先是一二级市场“级差”风险，其次是交易员操作风险，最后是系统软件的风险。

　　满意请采纳答案，有不明白的可以继续提问。

　　⑦ 量化投资—策略与技术的作品目录

　　《量化投资—策略与技术》

　　策略篇

　　第 1章 量化投资概念

　　1.1 什么是量化投资 2

　　1.1.1 量化投资定义 2

　　1.1.2 量化投资理解误区 3

　　1.2 量化投资与传统投资比较 6

　　1.2.1 传统投资策略的缺点 6

　　1.2.2 量化投资策略的优势 7

　　1.2.3 量化投资与传统投资策略的比较 8

　　1.3 量化投资历史 10

　　1.3.1 量化投资理论发展 10

　　1.3.2 海外量化基金的发展 12

　　1.3.3 量化投资在中国 15

　　1.4 量化投资主要内容 16

　　1.5 量化投资主要方法 21

　　.第 2章 量化选股 25

　　2.1 多因子 26

　　2.1.1 基本概念 27

　　2.1.2 策略模型 27

　　2.1.3 实证案例：多因子选股模型 30

　　2.2 风格轮动 35

　　2.2.1 基本概念 35

　　2.2.2 盈利预期生命周期模型 38

　　2.2.3 策略模型 40

　　2.2.4 实证案例：中信标普风格 41

　　2.2.5 实证案例：大小盘风格 44

　　2.3 行业轮动 47

　　2.3.1 基本概念 47

　　2.3.2 m2行业轮动策略 50

　　2.3.3 市场情绪轮动策略 52

　　2.4 资金流 56

　　2.4.1 基本概念 56

　　2.4.2 策略模型 59

　　2.4.3 实证案例：资金流选股策略 60

　　2.5 动量反转 63

　　2.5.1 基本概念 63

　　2.5.2 策略模型 67

　　2.5.3 实证案例：动量选股策略和反转选股策略 70

　　2.6 一致预期 73

　　2.6.1 基本概念 74

　　2.6.2 策略模型 76

　　2.6.3 实证案例：一致预期模型案例 78

　　2.7 趋势追踪 84

　　2.7.1 基本概念 84

　　2.7.2 策略模型 86

　　2.7.3 实证案例：趋势追踪选股模型 92

　　2.8 筹码选股 94

　　2.8.1 基本概念 95

　　2.8.2 策略模型 97

　　2.8.3 实证案例：筹码选股模型 99

　　2.9 业绩评价 104

　　2.9.1 收益率指标 104

　　2.9.2 风险度指标 105

　　第 3章 量化择时 111

　　3.1 趋势追踪 112

　　3.1.1 基本概念 112

　　3.1.2 传统趋势指标 113

　　3.1.3 自适应均线 121

　　3.2 市场情绪 125

　　3.2.1 基本概念 126

　　3.2.2 情绪指数 128

　　3.2.3 实证案例：情绪指标择时策略 129

　　3.3 有效资金 133

　　3.3.1 基本概念 133

　　3.3.2 策略模型 134

　　3.3.3 实证案例：有效资金择时模型 137

　　3.4 牛熊线 141

　　3.4.1 基本概念 141

　　3.4.2 策略模型 143

　　3.4.3 实证案例：牛熊线择时模型 144

　　3.5 husrt指数 146

　　3.5.1 基本概念 146

　　3.5.2 策略模型 148

　　3.5.3 实证案例 149

　　3.6 支持向量机 152

　　3.6.1 基本概念 152

　　3.6.2 策略模型 153

　　3.6.3 实证案例：svm择时模型 155

　　3.7 swarch模型 160

　　3.7.1 基本概念 160

　　3.7.2 策略模型 161

　　3.7.3 实证案例：swarch模型 164

　　3.8 异常指标 168

　　3.8.1 市场噪声 168

　　3.8.2 行业集中度 170

　　3.8.3 兴登堡凶兆 172

　　第 4章 股指期货套利 180

　　4.1 基本概念 181

　　4.1.1 套利介绍 181

　　4.1.2 套利策略 183

　　4.2 期现套利 185

　　4.2.1 定价模型 185

　　4.2.2 现货指数复制 186

　　4.2.3 正向套利案例 190

　　4.2.4 结算日套利 192

　　4.3 跨期套利 195

　　4.3.1 跨期套利原理 195

　　4.3.2 无套利区间 196

　　4.3.3 跨期套利触发和终止 197

　　4.3.4 实证案例：跨期套利策略 199

　　4.3.5 主要套利机会 200

　　4.4 冲击成本 203

　　4.4.1 主要指标 204

　　4.4.2 实证案例：冲击成本 205

　　4.5 保证金管理 208

　　4.5.1 var方法 208

　　4.5.2 var计算方法 209

　　4.5.3 实证案例 211

　　第 5章 商品期货套利 214

　　5.1 基本概念 215

　　5.1.1 套利的条件 216

　　5.1.2 套利基本模式 217

　　5.1.3 套利准备工作 219

　　5.1.4 常见套利组合 221

　　5.2 期现套利 225

　　5.2.1 基本原理 225

　　5.2.2 操作流程 226

　　5.2.3 增值税风险 230

　　5.3 跨期套利 231

　　5.3.1 套利策略 231

　　5.3.2 实证案例：pvc跨期套利策略 233

　　5.4 跨市场套利 234

　　5.4.1 套利策略 234

　　5.4.2 实证案例：伦铜—沪铜跨市场套利 235

　　5.5 跨品种套利 236

　　5.5.1 套利策略 237

　　5.5.2 实证案例 238

　　5.6 非常状态处理 240

　　第 6章 统计套利 242

　　6.1 基本概念 243

　　6.1.1 统计套利定义 243

　　6.1.2 配对交易 244

　　6.2 配对交易 247

　　6.2.1 协整策略 247

　　6.2.2 主成分策略 254

　　6.2.3 绩效评估 256

　　6.2.4 实证案例：配对交易 258

　　6.3 股指套利 261

　　6.3.1 行业指数套利 261

　　6.3.2 国家指数套利 263

　　6.3.3 洲域指数套利 264

　　6.3.4 全球指数套利 266

　　6.4 融券套利 267

　　6.4.1 股票—融券套利 267

　　6.4.2 可转债—融券套利 268

　　6.4.3 股指期货—融券套利 269

　　6.4.4 封闭式基金—融券套利 271

　　6.5 外汇套利 272

　　6.5.1 利差套利 273

　　6.5.2 货币对套利 275

　　第 7章 期权套利 277

　　7.1 基本概念 278

　　7.1.1 期权介绍 278

　　7.1.2 期权交易 279

　　7.1.3 牛熊证 280

　　7.2 股票/期权套利 283

　　7.2.1 股票—股票期权套利 283

　　7.2.2 股票—指数期权套利 284

　　7.3 转换套利 285

　　7.3.1 转换套利 285

　　7.3.2 反向转换套利 287

　　7.4 跨式套利 288

　　7.4.1 买入跨式套利 289

　　7.4.2 卖出跨式套利 291

　　7.5 宽跨式套利 293

　　7.5.1 买入宽跨式套利 293

　　7.5.2 卖出宽跨式套利 294

　　7.6 蝶式套利 296

　　7.6.1 买入蝶式套利 296

　　7.6.2 卖出蝶式套利 298

　　7.7 飞鹰式套利 299

　　7.7.1 买入飞鹰式套利 300

　　7.7.2 卖出飞鹰式套利 301

　　第 8章 算法交易 304

　　8.1 基本概念 305

　　8.1.1 算法交易定义 305

　　8.1.2 算法交易分类 306

　　8.1.3 算法交易设计 308

　　8.2 被动交易算法 309

　　8.2.1 冲击成本 310

　　8.2.2 等待风险 312

　　8.2.3 常用被动型交易策略 314

　　8.3 vwap算法 316

　　8.3.1 标准vwap算法 316

　　8.3.2 改进型vwap算法 319

　　第 9章 其他策略 323

　　9.1 事件套利 324

　　9.1.1 并购套利策略 324

　　9.1.2 定向增发套利 325

　　9.1.3 套利重仓停牌股票的投资组合 326

　　9.1.4 封闭式投资组合套利 327

　　9.2 etf套利 328

　　9.2.1 基本概念 328

　　9.2.2 无风险套利 330

　　9.2.3 其他套利 334

　　9.3 lof套利 335

　　9.3.1 基本概念 335

　　9.3.2 模型策略 336

　　9.3.3 实证案例：lof 套利 337

　　9.4 高频交易 341

　　9.4.1 流动性回扣交易 341

　　9.4.2 猎物算法交易 342

　　9.4.3 自动做市商策略 343

　　9.4.4 程序化交易 343

　　理论篇

　　第 10章 人工智能 346

　　10.1 主要内容 347

　　10.1.1 机器学习 347

　　10.1.2 自动推理 350

　　10.1.3 专家系统 353

　　10.1.4 模式识别 356

　　10.1.5 人工神经网络 358

　　10.1.6 遗传算法 362

　　10.2 人工智能在量化投资中的应用 366

　　10.2.1 模式识别短线择时 366

　　10.2.2 rbf神经网络股价预测 370

　　10.2.3 基于遗传算法的新股预测 375

　　第 11章 数据挖掘 381

　　11.1 基本概念 382

　　11.1.1 主要模型 382

　　11.1.2 典型方法 384

　　11.2 主要内容 385

　　11.2.1 分类与预测 385

　　11.2.2 关联规则 391

　　11.2.3 聚类分析 397

　　11.3 数据挖掘在量化投资中的应用 400

　　11.3.1 基于som 网络的股票聚类分析方法 400

　　11.3.2 基于关联规则的板块轮动 403

　　第 12章 小波分析 407

　　12.1 基本概念 408

　　12.2 小波变换主要内容 409

　　12.2.1 连续小波变换 409

　　12.2.2 连续小波变换的离散化 410

　　12.2.3 多分辨分析与mallat算法 411

　　12.3小波分析在量化投资中的应用 414

　　12.3.1 k线小波去噪 414

　　12.3.2 金融时序数据预测 420

　　第 13章 支持向量机 429

　　13.1 基本概念 430

　　13.1.1 线性svm 430

　　13.1.2 非线性svm 433

　　13.1.3 svm分类器参数选择 435

　　13.1.4 svm分类器从二类到多类的推广 436

　　13.2 模糊支持向量机 437

　　13.2.1 增加模糊后处理的svm 437

　　13.2.2 引入模糊因子的svm训练算法 439

　　13.3 svm在量化投资中的应用 440

　　13.3.1 复杂金融时序数据预测 440

　　13.3.2 趋势拐点预测 445

　　第 14章 分形理论 452

　　14.1 基本概念 453

　　14.1.1 分形定义 453

　　14.1.2 几种典型的分形 454

　　14.1.3 分形理论的应用 456

　　14.2 主要内容 457

　　14.2.1 分形维数 457

　　14.2.2 l系统 458

　　14.2.3 ifs系统 460

　　14.3 分形理论在量化投资中的应用 461

　　14.3.1 大趋势预测 461

　　14.3.2 汇率预测 466

　　第 15章 随机过程 473

　　15.1 基本概念 473

　　15.2 主要内容 476

　　15.2.1 随机过程的分布函数 476

　　15.2.2 随机过程的数字特征 476

　　15.2.3 几种常见的随机过程 477

　　15.2.4 平稳随机过程 479

　　15.3 灰色马尔可夫链股市预测 480

　　第 16章 it技术 486

　　16.1 数据仓库技术 486

　　16.1.1 从数据库到数据仓库 487

　　16.1.2 数据仓库中的数据组织 489

　　16.1.3 数据仓库的关键技术 491

　　16.2 编程语言 493

　　16.2.1 GPU算法交易 493

　　16.2.2 MATLAB 语言 497

　　16.2.3 c#语言 504

　　第 17章 主要数据与工具 509

　　17.1 名策多因子分析系统 509

　　17.2 MultiCharts：程序化交易平台 511

　　17.3 交易开拓者：期货自动交易平台 514

　　17.4 大连交易所套利指令 518

　　17.5 mt5：外汇自动交易平台 522

　　第 18章 量化对冲交易系统：D-alpha 528

　　18.1 系统构架 528

　　18.2 策略分析流程 530

　　18.3 核心算法 532

　　18.4 验证结果 534

　　表目录

　　表1 1 不同投资策略对比 7

　　表2 1 多因子选股模型候选因子 30

　　表2 2 多因子模型候选因子初步检验 31

　　表2 3 多因子模型中通过检验的有效因子 32

　　表2 4 多因子模型中剔除冗余后的因子 33

　　表2 5 多因子模型组合分段收益率 33

　　表2 6 晨星市场风格判别法 36

　　表2 7 夏普收益率基础投资风格鉴别 37

　　表2 8 中信标普风格指数 41

　　表2 9 风格动量策略组合月均收益率 43

　　表2 10 大小盘风格轮动策略月收益率均值 46

　　表2 11 中国货币周期分段（2000—2009年） 49

　　表2 12 沪深300行业指数统计 50

　　表2 13 不同货币阶段不同行业的收益率 51

　　表2 14 招商资金流模型（cmsmf）计算方法 58

　　表2 15 招商资金流模型（cmsmf）选股指标定义 59

　　表2 16 资金流模型策略——沪深300 61

　　表2 17 资金流模型策略——全市场 62

　　表2 18 动量组合相对基准的平均年化超额收益（部分） 68

　　表2 19 反转组合相对基准的平均年化超额收益(部分) 69

　　表2 20 动量策略风险收益分析 71

　　表2 21 反转策略风险收益分析 73

　　表2 22 趋势追踪技术收益率 93

　　表2 23 筹码选股模型中单个指标的收益率情况对比 99

　　表3 1 ma指标择时测试最好的20 组参数及其表现 117

　　表3 2 4个趋势型指标最优参数下的独立择时交易表现比较 120

　　表3 3 有交易成本情况下不同信号个数下的综合择时策略 120

　　表3 4 自适应均线择时策略收益率分析 124

　　表3 5 市场情绪类别 126

　　表3 6 沪深300指数在不同情绪区域的当月收益率比较 128

　　表3 7 沪深300指数在不同情绪变化区域的当月收益率比较 129

　　表3 8 沪深300指数在不同情绪区域的次月收益率比较 130

　　表3 9 沪深300指数在不同情绪变化区域的次月收益率比较 130

　　表3 10 情绪指数择时收益率统计 132

　　表3 11 svm择时模型的指标 156

　　表3 12 svm对沪深300指数预测结果指标汇总 156

　　表3 13 svm择时模型在整体市场的表现 156

　　表3 14 svm择时模型在单边上涨市的表现 157

　　表3 15 svm择时模型在单边下跌市的表现 158

　　表3 16 svm择时模型在震荡市的表现 159

　　表3 17 噪声交易在熊市择时的收益率 170

　　表4 1 各种方法在不同股票数量下的跟踪误差（年化） 190

　　表4-2 股指期货多头跨期套利过程分析 199

　　表4 3 不同开仓比例下的不同保证金水平能够覆盖的市场波动及其概率 211

　　表4 4 不同仓单持有期下的保证金覆盖比例 212

　　表6 1 融券标的股票中在样本期内最相关的50 对组合（部分） 248

　　表6 2 残差的平稳性、自相关等检验 249

　　表6 3 在不同的阈值下建仓、平仓所能获得的平均收益 251

　　表6 4 采用不同的模型在样本内获取的收益率及最优阈值 252

　　表6 5 采用不同的模型、不同的外推方法在样本外获取的收益率（%） 253

　　表6 6 主成分配对交易在样本内取得的收益率及最优阈值 255

　　表6 7 主成分配对交易在样本外的效果 255

　　表6-8 各种模型下统计套利的结果 256

　　表6 9 延后开仓+提前平仓策略实证结果 260

　　表6 10 各行业的配对交易结果 261

　　表7 1 多头股票-期权套利综合分析表 283

　　表7 2 多头股票—股票期权套利案例损益分析表 284

　　表7 3 多头股票-指数期权套利案例损益分析表 285

　　表7 4 转换套利分析过程 286

　　表7 5 买入跨式套利综合分析表 289

　　表7 6 买入跨式套利交易细节 289

　　表7 7 卖出跨式套利综合分析表 291

　　表7 8 卖出跨式套利交易细节 292

　　表7 9 买入宽跨式套利综合分析表 293

　　表7 10 卖出宽跨式套利综合分析表 294

　　表7 11 买入蝶式套利综合分析表 296

　　表7 12 卖出蝶式套利综合分析表 298

　　表7 13 买入飞鹰套利分析表 300

　　表7 14 卖出飞鹰式套利综合分析表 301

　　表9 1 主要并购方式 324

　　表9 2 并购套利流程 325

　　表9 3 鹏华300 lof两次正向套利的情况 339

　　表9 4 鹏华300 lof两次反向套利的情况 340

　　表10 1 自动推理中连词系统 352

　　表10 2 模式识别短线择时样本数据分类 369

　　表10 3 rbf神经网络股价预测结果 375

　　表10 4 遗传算法新股预测参数设置 379

　　表10 5 遗传算法新股预测结果 380

　　表11 1 决策树数据表 389

　　表11 2 关联规则案例数据表 392

　　表11 3 som股票聚类分析结果 403

　　表11 4 21种股票板块指数布尔关系表数据片断 404

　　表12 1 深发展a日收盘价小波分析方法预测值与实际值比较 427

　　表12 2 不同分解层数的误差均方根值 428

　　表13 1 svm沪深300指数预测误差情况 445

　　表13 2 svm指数预测和神经网络预测的比较 445

　　表13 3 技术反转点定义与图型 448

　　表13 4 svm趋势拐点预测结果 450

　　表14 1 持续大涨前后分形各主要参数值 463

　　表14 2 持续大跌前后分形个主要参数值 465

　　表14 3 外汇r/ s 分析的各项指标 469

　　表14 4 v(r/s)曲线回归检验 470

　　表15 1 灰色马尔可夫链预测深证成指样本内（2005/1—2006/8） 484

　　表15 2 灰色马尔可夫链预测深证成指样本外（2006/9—2006/12） 484

　　表16-1 vba的12种数据类型 499

　　表18-1 d-alpha系统在全球市场收益率分析 534