主动投资管理扫盲——什么是IC, IR, 夏普率...
初涉主动投资管理(以及量化)的小同学可能会被一些缩写搞烦。下面是其中几个入门级的指标,他们常被用来评价某个策略的绩效(performance)。夏普率 Sharpe Ratio夏普比率(SR)将投资组合的预期超额投资组合与该超额收益的波动率进行比较,该波动率以其标准偏差衡量。 它以每单位风险的平均超额收益来衡量补偿:SR = (R_a - R_f) / σ_a其中:R_a: 投资组合的收益率,这本
初涉主动投资管理(以及量化)的小同学可能会被一些缩写搞烦。下面是其中几个入门级的指标,他们常被用来评价某个策略的绩效(performance)。夏普率 Sharpe Ratio夏普比率(SR)将投资组合的预期超额投资组合与该超额收益的波动率进行比较,该波动率以其标准偏差衡量。 它以每单位风险的平均超额收益来衡量补偿:SR = (R_a - R_f) / σ_a其中:R_a: 投资组合的收益率,这本
作为非金融科班的学生,发现有一些术语其实看上去不知所以然,但是理解了之后就会感叹一下:这tm不就是xxx么~记得刚开始搞量化的时候,经常碰到的词汇就是各种因子,以及因子暴露(factor exposure)、因子载荷(factor loading)。然后我就去百度知乎Google搜啊,立马出来一大堆长篇大论告诉你它的由来,各种多因子模型。窃以为对于刚入门的我,最想知道的就是这个东西是什么意思,然后
解释滑点之前,先看限价订单簿(limit orderbook):图中买一(top bid)和卖一(top ask)的价差成为点差(spread, 也有叫盘口),买卖价的中间点称为中点价格(mid-point price)。简单情况下,我们会用中点价作为交易成本的一个基准因素。对于每个交易的子订单,最终的成交价与该基准之间的差是衡量交易成本的度量,称为“滑点(slippage)”。关于滑点,打个比方
Use cross-validation to achieve just the right amount of model complexity.使用交叉验证来实现适当数量的模型复杂性。Always keep an out-of-sample test dataset. You should only look at the results of a test on this dataset o
问题重叠标签(overlapping labels)问题是使用金融数据训练预测模型遇到的一个问题。如下图所示,假设我们要训练一个模型预测未来一周的收益,最简单的情况下我们会用某一天T的后一周连续收益作为训练的标签(label, i.e. 那个y)。这样每天的样本例子都有一个未来一周的label对应。但由于金融数据有自相关性,连续几天的label通常是相互关联的——这就和大多数机器学习模型的假设冲突