量化交易是数量金融学一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略，就需要你投入时间学习一些必备知识。
量化交易系统包括四个主要部分：
策略识别：搜索策略、挖掘优势、确定交易频率。
回溯测试：获取数据、分析策略性能、剔除偏差。
交割系统：连接经纪商、使交易自动化、使交易成本最小化。
风险管理：最优资本配置、最优赌注或凯利准则、交易心理学。
我们首先来谈谈如何识别一个交易策略。
策略识别
所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其预期年化预期收益更高且(或)风险更低。如果你是一个“散户”交易员，一定要清楚自己的资金是否充足，以及交易成本对策略的影响。
通过各种公开数据搜索可盈利的策略实际上十分简单，并没有大家想的那么难。研究学者会定期发表理论交易结果(虽然大多为交易成本总额)。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
你可能会问，个人与公司怎么可能愿谈他们的可盈利策略，特别是当他们知道，如果其他人“复制相同的策略”，长期而言它终将失效。
原因就在于，他们通常不会透露具体的参数以及他们所使用的调参方法，而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上，若要创建你自己的、独一无二的策略，一个最好的法子就是寻找相似的方法，尔后执行你自己的优化程序。
你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。
均值回归策略试图利用这么一个事实：“价格序列”(如两个关联资产的价差)存在一个长期均值，价格对均值的短期偏离终将回归。
动量交易策略则试图“搭上市场趋势的顺风车”，利用投资心理和大基金结构信息在一个方向积聚动量，跟随趋势直至回归。
定量交易还有一个重要方面，即交易策略的频率。低频交易(Low Frequency Trading， LFT)通常指持有资产超过一个交易日的策略。相应地，高频交易(High Frequency Trading， HFT)通常指持有资产一个交易日的策略。
超高频交易(Ultra-High Frequency Trading， UHFT)指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易，但也只是在你掌握了交易“技术栈”与订单簿动力学的详细知识后才有可能。本篇入门文章，我们不会对这些问题做任何深入探讨。
策略或策略集合一旦确定，现在就需要在历史数据上测试其盈利能力，这就进入了回溯测试的工作范围。
回溯测试
回溯测试的目标是提供证据，佐以证明通过以上流程所确定的策略，无论是应用于历史(训练)数据还是测试数据均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。
由于种种原因，回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处，由于它包含了大量的偏差，我们必须尽尽力仔细审查并剔除它们。
我们将讨论几种常见类型的偏差，包括先窥偏差、幸存者偏差与优化偏差(亦称“数据窥视偏差”)。回溯测试中其他几个重要方面，包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
策略一旦确定，我们就需要获取历史数据，并藉此展开测试，如有可能还可改进策略。现在卖数据的很多，所有资产类型的数据都有。通常，数据的质量、深度、时间间隔不同，其价格也不同。
刚入门的量化交易员(至少零售等级)最初使用雅虎金融板块(Yahoo Finance)的免费数据就行。对于数据供应商，这里不再赘言。我想重点谈一谈处理历史数据时，时常遇到的问题。
对于历史数据，人们主要关心的问题，包括数据精度或清洁度、幸存者偏差、应对如分发红利、拆分股票等公司行为的调整。
精度与数据整体质量有关，无论数据是否包含错误。有时错误容易识别，比如使用一个窄带滤波器，就可以找出时间序列数据中的“窄带”并更正它们。其他时候，错误又很难甄别，经常需要根据多个数据供应商提供的数据进行对比检查。
幸存者偏差通常是免费数据集或廉价数据集的一个”特征“。对于一个带有幸存者偏差的数据集，它不包含已经不再交易的资产数据。不再交易的证券，则表示已经退市或破产公司的股票。如果数据集中含有此类偏差，策略在此数据集上的测试表现可能比在”真实世界“里表现的更好，毕竟历史”赢家“已经被预先筛选出来，作为训练数据使用。
公司行为即公司开展的常引发原始价格阶梯形变化的”逻辑“活动，它不应该计入价格预期年化预期收益。公司分发红利和拆分股票行为是引发调整的两个常见行为，二者无论发生哪一种，都需要进行一个”回调“的流程。我们一定要留心，不要把股票拆分和真实预期年化预期收益调整混为一谈。许多交易员在处理公司行为时都碰过壁！
为了开展回溯测试，我们必须使用一个软件平台。你可以选择一个专门的回测软件如MultiCharts，一个数值平台如Excel或MATLAB，或者一个用Python或C++完全自主实现的平台。对于MultiCharts(或类似平台)，个人是比较介绍，对于编程的要求比较低。
在做系统回测时，一定要量化表示系统性能。定量策略的“业界标准”度量为最大资金回挫与夏普比率。最大资金回挫表示一段时间(通常一年)内账户资金曲线从波峰至波谷的最大跌幅，常使用百分比表示。
由于大量的统计因素，LFT策略比HFT策略的资金回挫更高。历史回测会显示过去的最大资金回挫，它能够较为贴切地反映策略的未来资金回挫情况。第二个度量指标是夏普比率，它被启发式地定义为“超额预期年化预期收益均值与超额预期年化预期收益标准差的比值”。
这里，超额预期年化预期收益表示策略预期年化预期收益超出某个预定基准，如标普500或三月期短期国债(预期年化预期收益)的额度。注意人们通常不使用历史预期年化预期收益指标，因为它忽略了策略波动性的影响，而夏普比率却考虑到了这一点。
如果经过回测，策略的夏普比率很高且其最大资金回挫已经最小化，则可以认为它趋于无偏，下一步就是要搭建一个交割系统。
交割系统
交割系统是一个方法集合，由它来控制交易策略生成的交易列表的发送和经纪商的交割行为。事实上，交易可以半自动、甚至全自动生成，而执行机制可以手动、半自动(即“点击一次交割一项”)或者全自动。
尽管如此，对于LFT策略，手动和半自动技术却比较常见；对于HFT策略，则必须创建一个全自动交割机制，由于策略和技术彼此依赖，还要经常与交易指令生成器紧密相接。
在搭建交割系统时，我们需要考虑几个关键因素：连接经纪商的接口、交易成本(包括佣金、滑动价差与价差)最小化、实时系统与回测时系统性能的差异。
联系经纪人的方法有很多，你可以直接电话联系他，也可以通过一个全自动高性能的应用程序接口(API)实现。理想情况，就是希望交割交易的自动化程度尽可能高。这样一来，你不仅可以脱开身集中精力进行深入研究，还能运行多个策略、甚至HFT策略(实际上，如果没有自动化交割，HFT根本不可能)。
前面说过的几种常用回溯测试软件如MATLAB、Excel和MultiCharts，对于LFT策略或简单策略都是不错的选择。但是，如果要做真正的HFT，你就必须要构造一个用高性能语言(如C++)编写的内部交割系统。
说个我的亲身经历，以前受聘于一家基金管理公司，我们有一个十分钟的“交易周期”，每隔十分钟下载一次新的市场数据，然后根据这十分钟的信息进行交割。这里用的是一个优化的Python脚本。对于任何处理分钟级或秒级频率数据的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系统的优化通常不在量化交易员的工作范围。但是，在小点的公司或高频交易公司，交易员就是交割人，所以技术面越广越好。你要想进一家基金管理公司，一定要记住这一点。你的编程能力不说比你的统计学和计量经济学禀赋更重要，至少也同样重要！
另外一个属于交割系统的重要问题是交易成本最小化。一般地，交易成本由三部分构成：佣金(或税收)、损耗与价差。佣金是向经纪商、交易所和证券交易委员会(或类似政府监管机构)支付的费用；滑动价差是你的预期交割价位与真实交割价位的差值；价差则是待交易证券的卖出价与买入价之差。注意价差不是常数，它依赖于市场当前流动性(即买单和卖单数量)。
交易成本是决定一个策略是高夏普比率且盈利丰厚，还是低夏普比率且极不盈利的关键。根据回溯测试正确预测未来的交易成本很具有挑战性，你需要根据策略频率，及时获取带有卖出价与买入价信息的历史交易数据。
为此，大型基金管理公司量化交易的整个团队都专注于交割优化。当基金管理公司需要抛售大量交易时(原因五花八门)，如果向市场“倾泻”大批股票，会迅速压低价格，可能都来不及以最优价格交割。
因此，纵使遭受损耗风险，基金管理公式也会选择使用算法交易，通过“打点滴”的方式向市场出单。此外，其他策略如若“捕到”这些必要性条件，也能利用市场失效(获利)。这是基金结构性套利的内容。
交割系统最后一个主要问题关系到策略的实时性能与回测性能的差异。这种差异由多种因素造成，比如我们在“回溯测试”一节已经深入讨论过的前窥偏差与最优化偏差。
然而，对于有些策略，在部署之前不易测得这些偏差。这种情况对于HFT最为常见。交割系统和交易策略本身均可能存在程序错误，回溯测试时没有显现却在实时交易时出来捣乱。市场可能受到继交易策略部署后的一场政变的影响，而新的监管环境、投资者情绪与宏观经济形势的变化也均可能导致现实市场表现与回溯测试表现的差异，从而造成策略盈利性上的分歧。
风险管理
量化交易迷宫的最后一块是风险管理程序。风险包含我们之前谈论的所有偏差。它包括技术风险，比如所有在交易所的服务器突然发生硬盘故障。它还包括经纪风险，如经纪商破产(此说并非危言耸听，引发恐慌的明富环球就是一个例子)。
总而言之，它覆盖了几乎所有可能干扰到交易实现的因素，而其来源各不相同。已经有成套的书籍介绍量化交易策略的风险管理，本人也就不再对所有可能的风险来源做详细说明。
风险管理还包括投资组合理论的一个分支，即所谓的“最优资本配置”，涉及到如何将资本分配给一组策略、如何将资本分配给策略内不同交易的方法。这是一个复杂的领域，依赖于一些高级数学知识。
最优资本配置与投资策略杠杆通过一个名为凯利准则的业界标准建立联系。本文是一篇入门文章，我在此不详谈其计算。凯利准则对策略预期年化预期收益的统计性质做过一些假设，但是它们在金融市场中并不一定成立，交易员因此在实现时通常会有所保留。
风险管理的另外一个关键成分涉及到交易员自身心理因素的处理。尽管大家都承认，算法交易若无人为干涉，不太容易出现问题。交易员在交易时，稍不留神仍然可能会掺入许多认知偏差。
一个常见的偏差是厌恶规避，当人发现损失已成定局，其所带来的痛苦，可能会麻痹人的行为，不能做到及时抛盘止损。类似地，由于太过忧心已经到手的预期年化预期收益可能赔掉，人们可能也会过早抛盘收利。
另外一个常见的偏差是所谓的偏好偏差：交易员太看重事件而非长远地看问题。此外，当然不能落下“恐惧与贪婪”这对经典的情绪偏差。这两种偏差常导致杠杆不足或杠杆过度，造成爆仓(账户资产净值近乎为零或更糟)或盈利缩水的局面。
总结
由此观之，量化交易是数量金融学中一个虽趣味十足但极其复杂的领域。我对这个话题的讨论浅尝辄止，文章就已经这么长了！我在文中三言两句带过的问题，已经有大量的相关书籍和论文出版。
因此，在你申请量化基金交易职位前，务必要进行大量的基础调研，至少应当具有统计学和计量经济学的广泛背景，以及使用MultiCharts、MATLAB、Python或者R程序语言实现的丰富经验。如果应对的是更加复杂的高频端策略，你的技能组合可能还要包含Linux内核修改、C/C++、汇编编程和网络延迟优化。
引言
作为十四五的开局之年，2021年将开始重装启航，在过去的5年里，我国不论是经济、文化还是其它方面都得到了巨大的发展； 科技 技术水平也在不断地提高，在这里面，视频监控系统在公共 社会 安全方面以其技术+智能的特点，成功实现 社会 安全防御保护，同时视频监控系统也完成了从“看得见”“看得清”到“看得懂”的 科技 技术发展，成功推开了智能安防的大门。
为何AI技术纷纷落地视频监控
在人工智能、5G、IoT突破融合的趋势下，各地加速智慧城市建设，城市安防更是加深发展，利用深度学习技术来理解视频内容，使得安防领域成为人工智能技术最大应用场景之一。安防，被视为下一个即将爆发的市场，是国内现阶段人工智能直接创收最多的行业。未来每个新增摄像头的背后，AI都大有可为，预计到2022年整个市场将达到万亿规模。
安防领域一直被认为是人工智能技术落地最好的行业之一。而这主要源于安防本身的两大特性：首先，以视频技术为核心的安防行业拥有海量的数据来源，可以充分满足人工智能对于算法模型训练的要求；其次，安防行业中事前预防、事中响应、事后追查的诉求与人工智能的技术逻辑完全吻合。
而从目前市场现状来看，鉴于安防领域巨大的市场规模和可观的营收利润前景，也恰恰使其成为众多AI巨头以及创业公司的必争之地。
目前，在整个行业上下游环节的参与方分别包括：上游，包含了视频算法提供商、芯片制造商、图像传感器、镜头模组等其他核心零部件；中游，包含了硬件供应商、软件服务商、系统集成商、运营服务商；下游，为终端行业应用，涉及政府、行业、民用等领域，涵盖家庭、公安、交通、金融、学校、出入等方向。
趋势之一：AI中台
“中台”一词源是活跃在IT和互联网行业的专业概念，进入智能安防产业和系统框架之后，其本质上和安防行业之前提的大数据基础云平台是同一个概念。以天地伟业为首的龙头安防企业已经在实践“AI中台”战略，推出了自家的中台架构。在他们看来，中台架构的构建可以更好地打通各产品的数据和前端业务，更直观地体现安防行业除前端、应用之外基础架构的重要性，实现数据和应用的分离，支持业务应用的快速开发，提升企业内部业务线进行协作的效率。
AI开放中台的主要作用是对上层应用平台提供开放聚合的智能分析计算的能力和标准应用接口，包括算法服务能力、视频支撑能力、数据存储能力、服务资源能力、场景应用能力等。AI开放平台为了降低开发者的使用门槛，大多能提供免费的公用硬件资源、标准规范的开发语言以及快捷易用的 *** 作方法，有些经验的开发人员只要提供大量的样本，就能通过AI开放平台针对自己的应用需求进行优化和改进。基于AI开放平台，企业可以选择聚焦核心技术突破，针对具体应用场景进行图像分析和训练标注，也可以选择与AI生态伙伴合作，基于第三方的成熟优秀的AI技术，自己专注用户的业务应用。目前，软件算法的开源优化和芯片算力的快速提升使得人工智能形成了真正开放的巨大生态。而AI安防平台的推出，也为安防企业和AI企业快速普及、加速技术孵化演进、鼓励行业应用创新和扩大商业版图布局，提供了重要的技术支撑。
以天地伟业的 社会 治理解决方案为例，前端产品主要是用于边缘节点计算的AI摄像机，云端产品主要是人脸识别比对服务器、图像结构化分析服务器、行为分析服务服务器。融合在前端产品和云端产品的算法可以持续升级优化，还可以根据客户的特殊需求进行定制，原因就是基于AI开放平台实现了算法分析和业务应用的独立，通过标准统一的接口，让合作伙伴专注各自的领域，结合行业具体应用需求和承载的硬件资源，实现灵活快速的优化配置，为不同行业不同场景提供了最优性价比的组合方案。
趋势之二：数据融合
视频监控业务是一个典型的数据依赖型业务，依靠数据说话。可以说，大数据与视频监控业务有着天然的结合。典型的网络视频监控数据存储模型是一个由小溪汇聚河流、再汇聚到水库的蓄水方式。小溪数量增多、水量增大是水库蓄水量的保证，然而传统方式下蓄水量增大将提高水库建造成本和蓄水安全的要求。而采用分布式蓄水模式，在河流中游建立多个中间蓄水池，不仅可以减少主水库蓄水压力和成本，化整为零也提高 了就近用水效率。在大数据技术支撑下，网络视频监控数据存储模型可转向分布式的数据存储体系，提供高效、安全、廉价的存储方式。在视频监控业务中，错看漏看、来不及看等是常见的困扰点。大数据监控图像的回溯给许多安防监控管理人员带来了生理与心理的双重挑战。在大量人力投入的公安案件追溯中，都常常耳闻“看到吐”、“看到晕”等无奈和感叹。可想而知一般零售行业、金融行业等，对于视频监控图像的回溯就更为困难。在视频监控大数据趋势已经来临之际，依靠人眼去检索、查看所有视频图像数据已经不太现实。通过大数据技术实现视频图像模糊查询、快速检索、精准定位，让看变得简单迫在眉睫。视频监控业务中，看只是信息采集的方式之一，用才是业务应用的根本。视频监控业务的效率问题已经成为阻碍产业发展的关键瓶颈。随着视频监控摄像机覆盖广度、密度增大，视频图像数据量呈指数级上升，而视频监控数据的使用效率却在下降。智能交通应用、消费者行为分析应用等综合视频监控和图像智能分析的业务出现，正努力突破视频监控效率值及商业价值低下的瓶颈。通过大数据技术，进一步挖掘海量视频监控数据背后的价值信息，快速反馈内涵知识辅助决策判断是将视频监控用好、用善的金钥匙。
大数据视频架构是革命性的技术，特别在实时智能分析和数据挖掘方面，让视频监控从人工抽检，进步到高效事前预警、事后分析，实现智能化的信息分析、预测，为视频监控领域业务带来深刻的变革。在平安城市领域，实时汇总并综合分析各种公共安全数据和资料，为执法人员快速准确应对提供科学依据：如实时调阅现场视频录像、犯罪嫌疑人记录、同一地区的相似案件资料;进行地理、时间和空间的比较分析，揭示其犯罪模式和行为模式;追踪嫌疑人与其车辆的位置等。指挥人员也可以参照各种数据对不同来源的资料进行综合分析，制作指挥图；在智能交通行业，可以轻松监控摄像覆盖范围内的所有车辆的行驶状态、运行轨迹，快速分析出其是否违章，通过对海量交通数据的比对、分析和研判，实现指定车辆行驶路径、道路拥堵研判等功能；公有云服务领域，实现基于大数据的视频监控云服务，让摄像机仅通过互联网就能连接云端的视频监控托管服务，通过快速、智能的分析部署在云端的大数据，为小型企业、零售商店、餐馆酒店等提供实时监控视频和潜在风险管理，甚至能提供收费的基于视频内容的分析报告，如日常的客户数，平均队列长度等，创造新的商业模式。
趋势之三：产品即方案
对于人工智能行业化应用来说，算法、芯片以及大量的数据训练，确实是发展的重要因素，但是能否将技术与应用场景有效结合起来，形成切实可行的整体解决方案，才是决定行业发展的核心因素。AI安防普遍被认为前景广阔，但发展现状“碎片化”亦是共识。一方面，安防产业对AI 的需求非常旺盛，另一方面，AI落地进程困难而缓慢。目前安防行业主要在做人脸识别、车牌识别等单点AI应用，但每个场景、每个地方的需求都不尽相同，随着“智能+”走进了更细分的场景，新的场景提出更多的需求，这些需求往往需要跨领域的能力。当今 社会 的快速发展，让客户除了单一的人脸识别模块之外，更多地需要人车关联事件分析、人脸人体关联检索、全景多镜多任务协同等多个功能的叠加，而即使是相同的人脸识别，在公安、出入口、零售、交管等不同场景之中的应用方式也是不同的。
所以安防的场景化+AI的碎片化做相乘，最后的必然结果就是产品即方案，视频监控的前后端产品一定是可以自成体系，自成方案，解决用户的碎片化问题，场景化问题，个性化问题。
总结语
从行业来看，如今行业内部的羊群效应日益明显，海康威视作为业内绝对的领头羊，在智能安防领域全面发力；紧随其后的大华2020年刚刚完成内部整顿，来到了发展的抉择路口；华为的五年之约第一年将给我们什么答案；安防新三巨又能对传统安防企业造成多少竞争。2020年给我们留下了很多悬而未决的问题。相比头部企业的割据天下，对于中小安防企业而言，市场空间一降再降是不争的事实，很多解决方案的构成都离不开这些安防头部厂商的组件，随着头部企业对硬件价格的掌控越来越严，中小安防企业也迎来了突围的生死时刻。当前是新旧动能转换的重要时期，在AI、云计算等新兴技术加持下，安防应用与下游行业如应急管理、智慧园区、智慧社区、智慧养老等业务融合创新需求持续释放，共同为行业注入了持续发展的新动力。在市场认知日趋理性的驱动下，以及新技术的融合应用的日益成熟，AI产业化进程无疑将加快，未来产业的竞争将更加聚焦于解决方案、集成与运营能力。2021年，对于安防企业来说“活下去”已成企业目标，但“谋发展”仍是当下安防行业的共识。
RDS是阿里云提供的即开即用的关系型数据库服务，兼容了MySQL和SQL Server两种数据库引擎。在传统数据库的基础上，阿里云RDS提供了强大丰富的功能从而保证了高可用性、高安全性以及高性能。此外，RDS还提供了诸多便利功能提升了RDS的易用性。★高可用：
采用主从热备的架构。主机down机或者出现故障后，备机秒级完成无缝切换,服务可用性承诺：9995%
提供自动多重备份的机制。用户可以自行选择备份周期，也可以根据自身业务特点随时进行临时备份,数据可靠性承诺：999999%
数据回溯到任意时间点。用户可以选择7天内的任意时间点创建一个临时实例，临时实例生成后验证数据无误，即可将数据迁移到RDS实例，从而完成数据回溯 *** 作。
★高安全
提供白名单访问策略。可自行设置允许访问的IP及IP段，有效防止黑客扫描端口进行服务器攻击。
提供阈值报警的功能。支持实例锁定报警、连接数报警、IOPS报警、磁盘空间使用报警、CPU报警等。
提供SQL注入告警。将对发往RDS的疑似SQL注入的语句进行记录并展示，供用户进行程序调整，杜绝SQL注入的发生。
SQL审计。记录所有发往RDS的SQL语句，系统将记录SQL语句相关的连接IP、访问数据库的名称、执行语句的账号、执行时间、返回记录数等信息。供用户对RDS安全性进行排查。
控制台 *** 作日志。记录所有在控制台上进行的修改类 *** 作，便于管理员查看并管理RDS。
★高性能
RDS使用高端服务器来保障每个数据库都拥有良好的性能。
针对MySQL类型的RDS，数据库版本融合了阿里巴巴官方数据库补丁，有效的提升了RDS的性能。
性能监控。提供多种监控图方便用户跟踪RDS的性能状况。如IOPS、连接数、磁盘使用空间、CPU利用率、QPS\TPS、网络流量以及多种数据库的内部监控指标图
慢SQL汇总分析。将数据库中的慢SQL进行相似语句去重，按照指定方式排序后进行展示，为用户排查慢SQL优化数据库性能提供帮助。
优化建议。提供多种优化建议方便用户优化数据库性能,如：存储引擎检查、大表检查、无主键检查、索引过多表检查、缺失索引检查等
★易用性：
提供向导式迁移服务，使用户能够通过WEB端管理控制台轻松将自建数据库迁移至RDS。
快捷查看数据库系统日志，用户能够RDS管理控制台查看数据库级别的系统日志。
便捷 *** 作数据库实例。提供完善的WEB端管理控制台，帮助用户 *** 作数据库实例，如重启实例、删除BINLOG、备份等等。
轻松升级，按量付费。RDS提供实例配置和数据库版本的在线升级服务，随开随用，按量付费，资源业务轻松拓展。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）