1、量化交易简介 量化交易 交易的两种类型 当前市场中，交易主要有两种截然不同的类型。一种是主观决定的(discretionary)，这种基金的交易策略主要依赖于基金经理自身的决策判断，索罗斯的量子基金就是代表。另一种是系统量化定价的(systematic)，它依赖于计算机交易模型作出的交易决策。量化交易简介量化交易简介 量化交易 所谓量化交易，是建立交易模型，利用计算机系统强大的信息处理能力，分析必要的数据，产生交易信号，自动执行订单，以期获得利润的过程 算法交易和量化交易，分别是从英文的Algorithm Trading和Quantitative Trading直接翻译过来的。除此之外，还有自
2、动化交易(Automated Trading)、程序化交易(Programmed Trading)等相似的概念。在这里，我们不深入剖析这些概念的细微差别。我们认为，这些概念的内涵将逐渐趋同几个概念1，量化交易quantitative trading利用量化分析方法，生成交易信号，通过买卖金融资产，创造利润。2，算法交易algorithm trading原先仅仅指订单的执行，考虑如何降低交易成本、减小市场冲击和风险等。目的并不是创造利润。executing a large order(too large to execute all at once)3，自动化交易automated tradin
3、g4，程序化交易programmed trading在本课程里，我们使用量化交易这个概念，不去严格区分这几个概念的细微差别。我们认为这几个概念逐渐趋于表达同样的意思。我们强调：1，数据 2，数据上的分析和交易信号生成 3，自动执行交易 4，配之以风险管理和投资组合管理 目的是创造利润。量化交易简介量化交易简介量化交易 量化交易具有若干优势，包括：(1)交易模型体现出很强的一致性(稳定性)。交易模型不像人类投资者那样具有情感，受到情绪的影响。它仅仅依赖于数据分析结果，进行交易决策。于是，它能够保持一致的交易行为，克服贪婪、恐惧、侥幸，克服认知偏差，达成投资者最重要的一种素质，即严格的纪律性。相反
4、，由于人类投资者受到自己情绪的影响，在投资过程中，很难坚持既定的原则。(2)交易模型可以同时处理与多个金融资产(股票、期货等)相关的海量信息，包括价格、新闻、政策发布、博客等，快速分析市场各个要素之间的关系。人脑是没有办法在短时间内把大量的数据都做一个完整的梳理和处理的。(3)交易模型，由于有强大的计算机加持，进行数据分析和执行订单的速度(效率)，比人更快(更高)。计算机在容量和速度方面，远远超过人脑的能力量化交易简介 量化交易 谈到计算机的强大数据处理能力，以AI量化交易的先驱Rebellion为例，他们大量收集各种数据。把超过20年的全球经济和市场数据交给计算机，让计算机自己找出不同因素是
5、如何影响各类资产价格的，甚至可以观察不同行业和地区的差别。由于交易模型无需遵循固定的交易策略，而是自己去寻找价格变化的因素、和价格变化的模式，交易策略是自适应的(Self-adaptive)量化交易简介 量化交易 需要强调的是，量化交易并不是万能的。计算机系统，永远无法达到人类投资经理的市场敏锐度、理解能力、反应能力、和心理素质。计算机系统的优势，在于它能够不知疲倦地追踪和分析大量的数据1，电脑系统无法达到人类基金经理解读市场环境的能力和心理的水平。2，但人类经理永远无法像系统算法管理基金那样追踪大量信息。3，系统性交易可以剔除交易中的感情因素。当一个交易员要被迫割肉时，他的心会滴血，但计算机
6、就不在乎。量化交易简介 量化交易 可能性在哪里？金融市场(股票市场、期货市场等)是一个动态变化的复杂系统，进行价格预测是一件很困难的事情。尤金法马(Eugene Fama)在20世纪70年代提出了著名的有效市场理论(Efficient Market Hypothesis,EMH)，它指出所有可以获得的信息，立即反映在股票价格的变化中。只有新的信息到达，才能引起股票价格的新变化。每只股票在证券交易所以公平价格交易，市场对股票的错误估值都可以即时修正。于是，对金融市场的价格运动进行预测，几乎是不可能的量化交易简介 量化交易 可能性在哪里？一方面，信息的传播是有一定的延迟的；另一方面，不同的人对接收
7、到的同一信息，会有不同的解释。很多研究表明，一些宏观经济变量(Macroeconomic Variable)和技术指标(Technical Indicator)，在一定程度上能够预测股票价格的未来变化。比如，相关研究表明，南亚地区的四个股票市场的未来收益，存在一定的可预测性(Predictability)。量化交易简介 量化交易 国内外量化交易简况 在实际应用中，世界范围内的各大银行、对冲基金(Hedge Fund)、投资机构广泛采用算法交易技术和模型。根据调查，仅仅在美国，在2000年，由华尔街的算法交易系统发出的订单(Order)，占到全美股票交易量的40%。到2008年，这个数字攀升到6
8、0%；而到了2014年，这个数字超过了70%。这些交易系统属于各大投资银行、对冲基金、机构投资者等。他们各展其能，研发了专有的量化交易技术；对于技术细节，则秘而不宣。能赚钱的技术，是没有人愿意分享的。国内的机构投资者，包括公墓基金、私募基金等，也开始采用量化交易系统、技术和策略1，摩根大通、摩根斯坦利、美林、瑞士信贷、德意志银行、花旗银行、渣打银行等2，大奖章基金(Medallion)19世纪70年代以来，随着计算机在金融市场的大量应用，量化交易逐渐兴起量化交易简介 量化交易量化交易简介 量化交易量化交易简介 量化交易国内互联网公司与基金公司的合作 新浪在i100指数中，除了互联网大数据信息，
9、财务信息(基本面信息)与市场行情驱动信息共同构成了三大投资数据基础。在具体的操作上，i100指数在调整上比传统基金更加迅速。i100指数编制方案是每个月换一次投资组合，而传统指数可能要三个月甚至半年才会更换一次投资标的。量化交易简介 国内互联网公司与基金公司的合作 除了新浪外，百度、阿里、腾讯等互联网公司都联合基金公司，推出了不同的大数据指数基金，但数据来源的不同导致了产品的特点也不尽相同。百度的百发100指数，是通过统计用户在百度的海量搜索数据进行分析，加上全网的各种有关投资的新闻资讯以及来自百度地图、百度产出的大数据。阿里的淘金100指数数据来自电商领域，主要基于交易信息、信用数据等，结合
10、阿里巴巴、淘宝、天猫等平台上的细分行业成交与电商交易趋，通过这些数据可大致了解一个行业未来的盈利状况等。腾讯的腾安主要是利用腾讯微博的影响力，挖掘了一批财经媒体、证券投资、行业研究、宏观经济以及金融工程等不同领域的专家，组成指数评审委员会，甄别剔除存在风险或不确定性的股票。量化交易简介量化交易简介 量化交易 什么人发挥作用 一个团队里面，需要编程能力很强的人，需要对业务有深刻理解的人。如果有一个人，他既对市场有深刻理解，能够挑选合适的因子和设计强大的策略，编程能力还很强，那么这个人就能够顶得上一个团队。但是这种情况很少见，更多的私募基金需要聚拢方方面面的人才，来做量化交易量化交易简介 量化交易
11、和人工智能、深度学习 随着大数据时代的到来，深度学习等人工智能技术的爆发，很多已有的量化交易公司，开始利用人工智能、深度学习技术来做交易。也有很多的投资者看到量化交易的广阔前景，创立新的量化交易公司。这里面包括老牌的Two Sigma、桥水(Bridge Water)、Rebellion等；以及近年来新成立的量化交易公司Castilium、Binatix等。量化交易也产生了质的变化，人工智能可以“自主地”对海量数据进行分析、拟合和预测，包括机器学习、深度学习、自然语言处理、知识图谱等技术，都被运用到量化交易中来量化交易简介 量化交易和人工智能、深度学习 近年来，大数据技术和深度学习技术被人们应
12、用到量化投资领域，并且取得一定的效果量化交易简介 量化交易和人工智能、深度学习 TWO SIGMA INVESTMENTS According to Wiki,Two Sigma uses a variety of technological methods,including high-frequency trading(HFT),artificial intelligence,machine learning,and distributed computing,for its trading strategies.BRIDGEWATER ASSOCIATES They appear to
13、be starting a new,artificial-intelligence unit with about half a dozen people.The team will report to David Ferrucci,who joined Bridgewater at the end of 2012 after leading the International Business Machines Corp.engineers that developed Watson,the computer that beat human players on the television
14、 quiz show“Jeopardy!”RENAISSANCE TECHNOLOGIES Ever so hush-hush,they are rumored to be“increasingly hiring programmers and engineers to expand their artificial-intelligence staffs”量化交易简介 量化交易和人工智能、深度学习REBELLION RESEARCHTheir Artificial Intelligence-based Global Equity strategy has been managing mone
15、y for partners and clients since 2007.This strategy seeks greater return than the U.S.stock market over time and the algorithm learns as the markets change,automatically adapting to new information.Their strategy purchases stocks of various sizes and uses a combination of growth,value,and momentum i
16、nvestment styles.CASTILIUMIt was founded in 2012 by an ex-Bank of America Merrill Lynch proprietary trader专属交易员,along with former Deutsche Bank derivatives experts and a professor at the Massachusetts Institute of Technology.The firm uses a different type of AI called an expert system.Its algorithms
17、 are based on research conducted by one of the founders when he was working at Risk Metrics and Citigroup in the 1990s and early 2000s.The aim is to replicate the reasoning and decision-making process of human analysts,traders and risk managers with a computerized system,rather than simply using com
18、puters to search for patterns.量化交易简介 西蒙斯、文艺复兴公司、大奖章基金 提到量化交易，就不能不提到一个人，他就是詹姆斯.西蒙斯(1938-)，他是量化交易领域的传奇人物。詹姆斯西蒙斯(James Simons)出生于 1938 年。他20岁本科毕业(麻省理工学院)，23岁博士毕业(加州大学伯克利分校)，获得数学博士学位，是一个不折不扣的天才。23岁博士毕业后，他很快找到了一个教职。但是他讨厌教书生活，1964年(26岁)应聘到国防部工作，他工作的部门是National Security Agency(NSA)，主要工作是破译密码量化交易简介 西蒙斯、文艺复兴
19、公司、大奖章基金 在国防部工作期间，西蒙斯除了完成本职工作之外，还有大把时间。于是他继续研究数学，还发表了水平很高的数学论文。后来，西蒙斯由于发表反战言论，被国防部开除了 1968年，纽约州立大学石溪分校(Stony Brook University)成立了数学系，需要招聘一个系主任。30岁的西蒙斯，被任命为该系的系主任 1978年，西蒙斯辞去数学系主任职务，开始下海创业，做投资。他的数学天分在华尔街得到充分发挥，创造了很多难以企及的纪录，成为世界上最伟大的对冲基金经理之一。与巴菲特的价值投资不同，西蒙斯使用的方法是量化投资量化交易简介 西蒙斯、文艺复兴公司、大奖章基金 西蒙斯成立的公司名字叫
20、做文艺复兴技术公司(Renaissance Technologies Corporation)，看起来跟投资一点都不沾边。文艺复兴公司是量化投资的先驱者。公 司 发 布 的 第 一 支 基 金 称 为 大 奖 章 基 金(Medallion Fund)，据说是为了纪念他获得的维布伦奖量化交易简介 文艺复兴公司的核心竞争力 文艺复兴公司招聘了大量的人才，他们都是牛人，包括程序员、数学博士等。甚至还有天体物理学博士，他们看起来和华尔街完全沾不上边，但却做到了传统的华尔街人做不到的事情。他们运用数学、统计学方法，建立预测模型，搜集大量数据，从中寻找金融资产价格、宏观经济、市场指标、技术指标等各种指标
21、间变化的关系，发现市场中存在的微小获利机会 有些程序员，在进入文艺复兴之前已经工作多年，获得名校比如斯坦福大学等的计算机博士学位。其中有一个程序员，叫Peter Brown，是李开复的师弟。有些数学博士，在进入文艺复兴之前，已经在大学做教授很多年了，比如康奈尔大学量化交易简介 文艺复兴公司的核心竞争力 文艺复兴利用数学工具，寻找用于交易决策的因子文艺复兴利用数学工具，寻找用于交易决策的因子。他们试图通过数据分析，找到价格序列中的某种规律性，确保这些规律行性是可持续的、可重复的，而不是随机的。在此基础上，他们就敢于基于这样的因子，做出交易决策。即便他们不一定了解其中的逻辑，只要统计上是具有显著意
22、义的，就够了。当然，如果能够给出合理的解释就更好了，这也是他们所愿意的。进入21世纪(2000年以后)，随着大数据时代到来，数据价值的显现，文艺复兴在数据收集方面进一步发力，它收集包括它收集包括行情、财报、新闻等所有可以收集到的信息行情、财报、新闻等所有可以收集到的信息。基于这些信息，利用统计模型，争取提前足够的时间，去预测价格的变化量化交易简介 文艺复兴公司的核心竞争力 他们研究股票价格、期货价格和各种经济数据(比如利率、经济增长利率、经济增长)的关系，甚至研究期货价格和天气天气(天气影响农产品收成)的关系。文艺复兴每天下单上万笔(15,000-30,000)，一般持仓1到2天，称为短线策略
23、。这和高频交易是不一样的，高频交易一般指持仓时间很短的交易，比如持仓几十秒、几分钟等。2004年之后，西蒙斯开始想尝试一些长线策略，他发起了新的基金做这件事量化交易简介 西蒙斯和文艺复兴的成绩 公司步入正轨以后，从1989年开始，西蒙斯和他的文艺复兴公司，就没有一年是亏损的，并且持续了30年之久，不断地续写着传奇。1988年以来(至2015年)，大奖章基金年均回报率高达34%。这个数字，较索罗斯等投资大师同期的年均回报率要高出10个百分点，较同期标准普尔500指数的年均回报率则高出20多个百分点，比股神巴菲特近20年间的平均回报率高18个百分点量化交易简介 西蒙斯和文艺复兴的成绩 文艺复兴开始
24、管理的资金规模为2000多万美金。后来增长很快，1992年达到2.8亿美金，1994年达到6亿美金。1998之后，文艺复兴逐渐进入稳定期，他们既交易股票，也交易期货。期货部分占公司收入的90%，股票部分占10%。随着股票部分研发的投入和模型的成熟，股票部分的收入占比在增长量化交易简介西蒙斯和文艺复兴的成绩 美国的Alpha杂志，每年根据调查发布对冲基金经理收入排行榜。2005年和2006年，西蒙斯分别以15亿、17亿美元的净收入，稳坐全球最赚钱对冲基金经理宝座，2007年以13亿美元屈居第五。2007年8月，金融危机开始显露出苗头。西蒙斯坚持对量化交易实施主观干预，以便及时止损，他认为争取活下
25、去才是最重要的。文艺复兴开始清空股票，大奖章基金一周之内损失10亿美元。很快，西蒙斯决定重新启动量化交易，他们的策略继续奏效，继续赚钱。甚至有员工抱怨，如果不停下程序的话，还可以赚的更多。2008年，大奖章基金盈利86%，西蒙斯个人收入超过20亿美金(25亿美元)。高居Alpha杂志当年基金经理收入排行榜的榜首。索罗斯当年排名第四，入账11亿美元。量化交易简介 西蒙斯和文艺复兴的成绩 2008年，大奖章基金盈利86%，西蒙斯个人收入超过20亿美金。高居Alpha杂志当年基金经理收入排行榜的榜首。索罗斯当年排名第四，入账11亿美元。到了2017年，文艺复兴的资金规模达到了500亿美元，其中有很多
26、机构投资者，包括政府基金、养老基金等。2018年，西蒙斯身家达到了230亿美金。到了2019年，西蒙斯收入15亿美元，竞争对手Two Sigma的两个合伙人各收入7亿美元。截至2019年6月，文艺复兴大奖章基金自1988年以来年化费前收益率达到66%，费后收益率达到39%，资金总规模达到650亿美元量化交易简介 西蒙斯的量化投资量化交易简介 巴菲特的价值投资量化交易简介 量化交易系统量化交易系统 量化交易借助两大力量，分别是数学和计算机。由此实现海量数据处理，多角度、多层次分析市场，实现自动化交易。多角度，是指量化交易系统从宏观周期、市场结构、市场情绪、估值、成长、盈利质量、分析师预测等角度，
27、进行分析。多层次，是指量化交易系统在大类资产配置、行业选择、个股精选等层次上，都有模型处理量化交易简介 量化交易系统量化交易系统 一个量化交易系统，包含四个主要的模块，分别是：(1)数据收集模块；(2)模型与数据分析模块；(3)订单执行模块；(4)监控模块与交易市场的接口，用于执行订单，返回订单执行结果量化交易简介 量化交易系统量化交易系统(1)数据收集模块：收集必要的数据，进行分析，以帮助决策，即生成交易信号。可以收集的数据，包括历史价格和交易量数据、新闻、博客/微博、公司的季报/年报(财务数据)、国内宏观经济数据、国际宏观经济数据、上下游厂商数据等。在这些数据基础上，提炼因子提炼因子(参数
28、参数)，研发量化交易策略，编写模型。生成投资组合，配合适当的仓位管理。其中，历史价格和交易量数据，可以从财经网站比如Google Finance获得，而实时的价格和交易量数据可以从交易所获得。新闻、博客/微博数据，可以从互联网上获取。公司的季报/年报、国内宏观经济数据、国际宏观经济数据可以从权威的官方网站获取历史价格新闻博客/微博公司的数据国内宏观经济数据国际宏观经济数据量化交易简介量化交易系统量化交易系统(2)模型与数据分析模块：利用交易模型，分析相关的数据，生成交易信号(Trading Signal)。主要的分析方法，包括统计分析、数据挖掘、与机器学习方法等。近年来，大数据技术和深度学习技
29、术被人们应用到量化投资领域，并且取得良好的效果。在互联网时代，我们可以方便地获得大量的数据。从海量数据中，分辨和识别模式，需要机器学习技术和工具，这是研发更好的量化交易策略的唯一路径 人们发现，基于单一价格数据建立的交易策略，由于信息的不完整，带有很大的局限性。于是人们开始引入新闻、博客、名人讲话、政策发布于是人们开始引入新闻、博客、名人讲话、政策发布、社交网络等、社交网络等，从中获得经济发展、和价格变化的线索。甚至，有些公司运用卫星拍摄的港口集装箱图像、以及农田农作物图像卫星拍摄的港口集装箱图像、以及农田农作物图像，进行分析，预测贸易和农产品的未来变化。这些数据，包括结构化数据，比如价格信息
30、，也包括非结构化数据，比如新闻(文本数据)、以及社交网络(图数据)等量化交易简介 量化交易系统量化交易系统(3)订单执行模块：则负责把交易模型生成的交易信号，发送到交易所，真正地执行交易订单(Order Execution),返回订单执行结果。订单的执行需要考虑市场冲击(Market Impact)、滑点(Slippage)等因素的影响。可以通过把大的订单，分解成一系列小订单，来减少市场冲击。订单拆分策略，以TWAP(Time Weighted Average Price)、VWAP(Volume Weighted Average Price)和POV(Percent of Volume)为代
31、表。TWAP将大订单在规定的时间内，按照一定的交易频率分割成小订单。VWAP按照交易量的历史分布分割订单。POV则将小订单以固定比例，混入订单流以降低对市场的影响量化交易简介 量化交易系统量化交易系统 订单拆分策略，技术成熟，仅仅作用在订单执行部分，它不是量化交易的核心。量化交易的核心，即关键问题是决定买还是卖、买/卖什么、什么时候、以及多少等。有些文章在讲量化交易的时候，大谈特谈TWAP、VWAP、POV等等，俨然这就是量化交易的全部、量化交易的核心。这是非常糊涂的，极具误导性。考虑到滑点问题(订单执行的时候，价格已经在不断变化)，目的是希望按照预期的价格拥有金融资产头寸(Position)
32、量化交易简介 量化交易系统量化交易系统(4)监控模块：负责监控系统运行。具体的功能，包括进行投资组合的管理、风险管理、以及对模型进行持续的优化和改进等。其中，风险管理部分，需要考虑适时地止损(Stop Loss)、或者获利了结(Take Profit，也称为止盈)。市场瞬息万变，不断演进，假设某种相关性会持续下去很长时间，是不现实的。整个量化交易系统需要对此做出反应，随着旧关系的衰减和新关系的出现，适时进化交易策略。这种持续的优化和改进，可以是离线的，也可以是在线的。所谓离线的(Offline)，意思是交易时间使用交易策略，闭市时间优化策略。而在线的(Online)，意思是模型可以在线更新，具
33、有及时自我进化的能力量化交易简介 交易策略的研发、测试、上线过程 交易策略的研发、测试和上线过程，大致分为以下几个步骤，分别是：(1)交易策略研发：在这个阶段，程序员编写投资策略代码。这些代码可以是对投资专家的投资思想的固化，也可以是基于机器学习模型的策略实现。基于机器学习模型的交易策略，充分利用大数据实现模型的训练，使得模型可以适应不同的市场状况，做出比较准确的预测。(2)历史回测(Back Testing)：交易策略开发完成之后，首先要在历史数据上进行回测。并计算性能指标，根据性能指标评价模型的优劣。量化交易简介 交易策略的研发、测试、上线过程(3)实盘模拟(Paper Trading)：
34、如果对模型的历史回测，得到的结果比较好，也就是交易模型在历史数据上的表现不错，可以考虑把模型应用到实时的交易所价格数据上。但是订单并没有路由(Route)到交易所，而是模拟执行，也就是仅仅记录做了什么操作，盈利还是亏损。实盘数据，是正在发生的交易以及价格的变化，是交易模型没有见过的。模型的泛化能力，决定了其性能好坏。(4)实盘交易(Live Trading)：如果实盘模拟的结果显示，交易策略的泛化能力还不错，就可以对交易模型进行生产部署，在实际交易中使用该交易模型。实盘交易与实盘模拟的区别，在于实盘交易的订单，直接路由到交易所去执行。真金白银地盈利或者亏损1，监控与持续优化2，模型过时了，放弃
35、该模型，开发新模型量化交易简介 量化交易系统的评价指标量化交易系统的评价指标 对于交易模型的评价，人们最感兴趣的是其年化利润率(Annualized Profit Ratio，也称收益率)。如果一个交易模型，不能在无风险的定期存款以外创造额外的收益，它是没有用的 倘若如此，还不如直接把款项存为定期存款。假设我们投资的初始资金为$10,000元，一年以后资产价值(包括现金和股票)为$11,000，那么利润率为10%。如果投资周期不是一年，那么我们得到的利润率，需要转化成年化利润率，其计算公式为：年化收益率=(投资收益/本金)/(投资天数/365)100%利润率越高越好，但不是最高最好，还需要看一
36、个交易模型的其他指标量化交易简介量化交易系统的评价指标量化交易系统的评价指标 最大回撤指标，评价一个交易模型及其投资组合的风险度，最大回撤越小越好。最大回撤的计算公式为MDD=(A-B)/A，其中A为最大下跌之前的资产最大净值(Peak Asset Value before Largest Drop)，B为资产净值创出新高之前的最低的资产净值(Lowest Asset Value before New High Established)。比如，一个投资组合的开始净值为$10,000，这个净值经过一系列股票交易以后发生变化，第一天为$17,000，第二天为$8,000，第三天为$13,000，第
37、四天为$7,000，第五天为$19,000。那么，最大回撤为(17,000-7,000)/17,000=52.9%。最高净值$19,000没有用来计算最大回撤，因为这里的回撤是从最高点$17,000开始的量化交易简介 量化交易系统的评价指标量化交易系统的评价指标 夏普指数是由William F.Sharpe发明的一个指标。他用标准差(Standard Deviation)、以及超额收益(Excess Return)，来计算每单位风险获得的收益。这里的风险指的是波动性。假设投资组合的年化收益率为12%，波动性为10%，无风险的定期存款利率为5%，那么夏普指数为(0.12-0.05)/0.1=0.
38、7=70%。投资模型的夏普指数越高，显示投资模型越稳健，收益越好量化交易简介 量化交易的核心问题 量化交易，以交易为手段，以获取利润为目的。它需要根据掌握的数据进行分析后，判断买卖的标的物(股票/期货/外汇等)、买卖的时间点、买卖的数量等。我们可以把这个业务需求，转换成一个统计分析、机器学习的问题，即利用现有数据，预测未来的价格是涨还是跌、或者涨跌到什么程度What&When to buy?When to sell?量化交易简介 量化交易的核心问题 进一步地，我们可以把问题看作：(1)回归问题：预测未来的收盘价或者收益率。(2)二分类问题：预测未来价格相对于今天是上涨还是下跌1，简单的几个指标和几条规则，就能够吃遍天下的时代，已经过去！2，想一想，10亿级参数规模的深度学习模型，自动发现几百个变量之间的联动关系 大数据的价值 利用大数据分析，生成交易信号 1，数据 Data 2，数据上的分析 Computing on Data 3，洞察力 InsightsDataAnalyticsBuy/Sell Signals量化交易简介 金融大数据分析与交易信号生成 金融大数据的特点 来源多样，格式多样 数据量大 1，价格数据 大量股票、期货的价格数据 细粒度的价格数据，小时级、分钟级、秒级 2，公司年报、季报 3，新闻数据、博客数据 关于公司、行业、整个经济形势的新闻量化交易简介
