日期：
2023-03-01 01:19:10
来源：量化投资与机器学习收集 编辑：全网Quant都在看
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据 等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校 等行业30W+ 关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。
Systematic Trading的作者Robert Carver时隔多年又出新书了。本书中，作者基于30多个真实的期货交易策略，提供了一个完整的实践指南。这些策略可以交易100多个标的，并使用了逾50年的历史数据进行回测。 这些策略从最基本的开始，然后进展到更高级的策略，包括交易日历利差、突破、趋势跟踪、快速平均回归等。对于每种策略，作者从以下几方面展开： 它是如何和为什么有效的
策略实践的细则
基于历史数据的回测表现
策略的行为和风险
作者还进一步阐述了系统化期货交易的其他方面，包括： 如何正确评估策略的表现
如何有效衡量和预测风险
如何计算交易成本
如何确定特定期货品种所需要的资金
如何决定交易哪个品种
通过同时使用多种策略实现多样化
推荐 二
Following The Trend是趋势跟踪交易必读的书。时隔多年，作者终于更新了第二版。该书提供了使用CTA策略进行多元化期货交易的最新及实用路线图。 在最新修订的第二版中，作者Andreas F. Clenow介绍了系统的资产管理方法。在书中，大家将找到2002年至2021年期间每年的业绩和绩效归因细节，并详细解释了从第一版出版到今天，市场、行业和战略是如何演变的。除此之外作者还详细讨论： CTA对冲基金是否继续表现出高度的内部相关性和表现出同质行为。 低利率和负利率环境的影响，大量资金流入股市，以及量化交易公司的崛起。 推荐 三
本书基于Python和R， 主要介绍了基于机器学习等方法用于金融行业数据分析的案例，强调数学理解和统计原则，并将它们与常见和实际的金融问题联系起来。 本书可以帮助读者掌握以下技能：对金融保险数据质量进行评价，运用数据分析工具从数据中提炼出的知识，及时做出决策。 根据分类或回归预测的目的，为给定的数据集描述和选择合适的数据分析工具。 推荐 四
无论基于学术理论还是机器学习策略，所有金融模型都受制于建模错误，这些错误可以缓解，但不能消除。概率ML技术基于简单直观的概率定义和概率论的严格演算。这些系统将金融和投资系统的不确定性和错误视为特征，而不是bug。他们将不精确的输入和输出所产生的不确定性量化为概率分布，而不是点估计。这使得现实的金融推断和预测对决策和风险管理很有用。 概率ML是人工智能驱动的金融和投资系统的下一代ML框架和技术，原因有很多。通过摆脱有缺陷的统计方法，您将转向一种直观的观点，即概率是一种数学上严格的统计框架，它整体且成功地量化了不确定性。 推荐 五
本书介绍了应用于时间序列分析的深度学习模型，特别是周期性时间序列的分析。周期性时间序列通常具有特殊的特征，可以用来获得更好的分类和预测结果。 这些在书中都有提到。本文还讨论了周期时间序列的处理。除了周期时间序列，对于随机时间序列的分类也是本书一个重要的话题。随机时间序列分类一个重要因素是与分类方法结构相关的结构性风险。这本书阐述并制定了结构性风险，以及为分类方法定义的学习能力。这些公式和数学推导将有助于研究人员理解这些方法，甚至以客观的数学方式表达它们的方法论。