什么是高频交易 (HFT)?
它意味着在极低的延迟情况下以极高的交易量执行交易。在这种情况下, "低延迟" 意味着根据从市场数据源收到的信息采取行动, 然后在纳秒刻度上完成交易。事实上, 顶级 HFT公司的 "流血边缘" 衡量的是交易的低延迟。只有当更复杂的定制硬件(FPGA)时, 这种延迟才会减少。
它是高度技术驱动的。一旦部署了一个算法 (直到它变得无利可图!), 几乎没有任意输入, 这与频率较低的系统交易形成了鲜明的对比。
需要创业者的心态
许多 HFT公司都是相对较小的公司, 员工人数往往较低 (5-30人)。这意味着他们拥有强大的创业文化和任人唯贤的心态。任何 HFT公司都会质疑你作为候选人能带来什么?
这个过程的反面是, 通常你将能够 "创造自己的角色"在公司内。公司可能甚至没有招聘, 但如果他们觉得你在某一特定领域的技能足够强大, 他们可能会为你创造一个职位。HFT 公司的任人唯贤的方法通常允许在您的项目中拥有很大的自主权。因此, 如果你想在一个自我启动的环境中与非常聪明和有能力的人合作, 那么 HFT 可能是适合你的。HFT公司通常是扁平化管理，结果导向，需要你高效的编写代码能力。
通往HFT的技术
进入HFT的途径很少, 但大多数都需要在数学、物理、计算机科学或电子工程等以下一项或多项硬科学方面具有广泛的技术技能。从本质上讲, 任何技能, 可以在某种程度上减少延迟的交易生命周期或提高执行速度的算法计算将被发现在 HFT。但是对于极客而言，新的技术趋势就是运用机器学习，深度学习，而不仅仅是拼速度了，通常这类专门知识包括:
低延迟网络 - 交易生命周期延迟的很大一部分来自网络。体验优化数据包处理、编写自定义网络模块或使用飞信网交换结构网络的经验也很有吸引力。
内核优化 - 这些要求的共性是减少延迟和提高执行速度。因此, 现在重写软件内核的某些部分以获得加速是很平常的。Linux 内核修改的经验对许多HFT公司都有好处。
处理器设计 - HFT 在极短的时间范围内涉及大量的计算。了解任何提高这些过程执行速度的方法都是有利的。在硬件和处理器设计方面拥有丰富的经验, 尤其是在商品 x86 硬件 (如 gpu 和 fpga 等替代产品) 以外的系统上, 是非常有用的。
其他还包括：C++/Python,Memory magement,STL, 多线程, 算法/数据结构, 模板等等。
技术部分必备之后，就会关注思维以及反映速度了，聪明程度，最后很多公司会偏向谦虚的人，原因是沟通交流高效还有就是不断保持好奇心和对市场的敏锐度也是非常重要的，保持学习新的技术并且快速运用。
职位分两类：
Quant Researcher: 熟悉机器学习是优势，高频交易经验, 名校
C++/Python Developer: 3年以上经验，低延迟经验
AQF(Analyst of Quantitative Finance)量化金融分析师是由量化金融标准委员会(Standard Committee of Quantitative Finance，SCQF)主考并颁证，是代表量化金融领域的专业水平证书。
量化金融分析师证书考试分为五大科目，分别为《量化投资基础》、《Python语言编程入门》、《基于Python的经典量化投资策略》、《交易系统设计》、《量化实盘交易》。证书要求学员掌握量化投资基础、Python编程基础、经典量化交易策略以及交易系统设计思想。
通过学习，每一个AQF持证人，都将取得以下收获：
● 熟悉中国主要金融市场及交易产品的交易机制;
● 熟知国内外期货交易、股市交易的异同点和内在运行机制;
● 掌握经典量化交易策略细节及其背后的交易哲学;
● 掌握金融、编程和建模知识基础，拥有量化交易实盘操作能力;
● 具备独立自主地研发新量化交易策略的能力;
● 掌握量化交易模型设计的基本框架，以及风险管理和资产组合理论的实际运用;
● 掌握从策略思想—>策略编写—>策略实现的完整量化投资决策过程;
● 具备量化投资实战交易能力。
学习AQF的学习，通过量化实战交易加深对FRM理论知识的理解，从而灵活运用FRM理论理论知识用于实战投资。
金程AQF实训项目
AQF量化金融分析师实训项目学习大纲
1.1.1. 第一部分：前导及课程介绍
1.AQF核心课程
2.量化策略的Python实现和回测
3.整体代码介绍
1.1.2. 第二部分：量化投资基础
1.量化投资背景及决策流程
2.量化择时
3.动量及反转策略
4.基金结构套利
5.行业轮动与相对价值
6.市场中性和多因子
7.事件驱动
8.CTA_1（TD模型）
9.统计套利_低风险套利
10.大数据和舆情分析
11.机器学习
12.高频交易和期权交易
13.其他策略和策略注意点
1.1.3. 第三部分：Python编程知识
Python语言环境搭建1.Python语言环境搭建
Python编程基础1.python数字运算和Jupyter notebook介绍
2.字符串
3.Python运算符
4.Tuple和List
5.字典
6.字符串格式化
7.控制结构_1.For循环
8.函数
9.全局和局部变量
10.模块
11.Python当中的重要函数
Python编程进阶1.Numpy数据分析精讲
2.Pandas数据分析详解
数据可视化1.Pandas内置数据可视化
2.Matplotlib基础
3.Seaborn
金融数据处理实战1.数据获取_1.本地数据读取
1.数据获取_2.网络数据读取_1
1.数据获取_2.网络数据读取_2.tushare
1.数据获取_2_网络数据读取_3.文件存储
2.金融数据处理_1.同时获取多只股票
2.金融数据处理_2.金融计算
2.金融数据处理_3.检验分布和相关性
3.金融时间序列分析_1.Python下的时间处理
3.金融时间序列分析_2.Pandas时间格式
3.金融时间序列分析_3.金融数据频率的转换
4.金融数据处理分析实战案例_案例1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_2
1.1.4. 第四部分：量化交易策略模块
三大经典策略1.三大经典策略_1.SMA
1.三大经典策略_2.动量Momentum
1.三大经典策略_3.均值回归
配对交易策略2.配对交易
技术分析相关策略3.量化投资与技术分析_1.技术分析理论
3.量化投资与技术分析_2.CCI策略的Python实现
3.量化投资与技术分析_3.布林带策略的Python实现_1
3.量化投资与技术分析_4.SMA和CCI双指标交易系统
3.量化投资与技术分析_5.形态识别和移动止损策略
大数据舆情分析策略4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析
CTA交易策略5.CTA交易策略_Aberration趋势跟踪系统
量化投资与机器学习6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理
6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理
6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理
6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理
6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解
6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结
6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理
6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化
6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现
6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测
1.1.5. 第五部分：面向对象和实盘交易
1.模块内容整体介绍
2.面向对象、类、实例、属性和方法
3.创建类、实例、方法
4._init_初始化方法
5.面向对象程序实例
6.继承的概念及代码实现
7.面向对象继承的实战案例
8.多继承和量化交易平台的面向对象开发思路
9.用面向对象方法实现股债平衡策略
1.1.6. 第六部分 实盘模拟交易
基于优矿平台的面向对象策略1.优矿平台介绍
2.优矿平台回测框架介绍
3.优矿框架之context对象、account和position对象
4.优矿其它重要操作
5.优矿之小市值因子策略
6.优矿之双均线策略
7.优矿之均值回归策略
8.优矿之单因子策略模板
9.优矿之多因子策略模板
10.优矿之因子数据处理：去极值和标准化
金程AQF实训项目试听课
面向对象实盘交易之Oanda1.Oanda平台介绍和账户配置
2.Oanda账户密码配置和交易框架原理
3.Oanda链接账户并查看信息
4.Oanda API获取历史数据
5.Oanda市价单和交易状态查询
6.Oanda高级交易订单
7. Oanda其它高级功能
8. Oanda实战ADX策略全讲解：策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易
9. Oanda通过实时数据API调取实时数据、resample
面向对象实盘交易之IB1.IB实战平台介绍及API安装调试
2.IB实战平台请求和响应远离、线程控制
3.IB响应函数wrapper讲解
4.IB请求函数及合约定义
5.IB程序化下单、仓位及账户查询
6.IB三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。
1.1.7. 第七部分：基于优矿的进阶学习
1.1回测与策略框架
1.2评价指标
1.3.1量化策略设计流程简介
1.3.2择时策略举例（双均线）
1.3.3量化投资模板1.0选股和择时
2.1基于技术分析的量化投资
2.2.1技术指标简介
2.2.2 MACD择时策略
2.2.3 WVAD择时策略
2.2.4 RSI择时策略
2.2.5 MFI择时策略
2.2.6 CCI择时策略
2.2.7技术指标总结
2.3通道技术
3.1.1日期效应
3.1.2动量效应
3.2.1格雷厄姆成长投资
3.2.2积极投资策略
3.2.3价值投资策略
3.2.4小型价值股投资策略
3.3.1交易系统设计的一般原理
3.3.2均线排列系统
3.3.3金肯纳特交易系统
3.3.4海龟交易法系统
网友评论