后使用快捷导航没有帐号？
查看: 10177|回复: 45
在线时间 小时
本帖最后由 kirasaxon 于
06:16 编辑
海本，周五收到MFE调剂的邮件。还没回复，应该也不考虑了。另外芝加哥金数还没给结果， 应该也不考虑了。
毕业后主要希望做S&T, 或者Equity Research(之前有相关经验). 我去年底毕业的，在研究生开始之前马上也要开始一个S&T的实习。
现在我了解到的是康奈尔比较小，可能轮到人头上的机会比较多。哥大这么多类似的项目一起竞争，不过地理优势还是有的。不过康奈尔最后一学期也是在NYC。
毕业后留美还是去香港/新加坡（甚至BULGE BRACKET大陆OFFICE）都可以。觉得在亚洲特别是国内哥大名气还是有的，但是不想毕业后第一个起步没起好。
希望各位能给些意见，也祝各位申请季圆满落幕。
对了说一下背景，之后申请的同学也可以参考一下。 GT ISYE, GPA 3.86/4.0，GRE 170+161+4. 之前若干水研究和一个券商实习。
单选投票, 共有 290 人参与投票
投票已经结束
1. &Cornell MFE
38.62% (112)
2. &Columbia MAFN
25.17% (73)
3. &Columbia MSOR
5.86% (17)
4. &酱油通道
30.34% (88)
您所在的用户组没有投票权限
在线时间 小时
ISYE是？谢谢分享
打算这几天交了MAFN，请问LZ的MAFN多久得到的回复，谢谢
在线时间 小时
我靠。lz背景这么好竟然被哥大拒了。为什么不申cmu nyu 巴鲁克啊。
在线时间 小时
aaadward 发表于
ISYE是？谢谢分享
打算这几天交了MAFN，请问LZ的MAFN多久得到的回复，谢谢
isye是gatech很牛逼的工程院
在线时间 小时
aaadward 发表于
ISYE是？谢谢分享
打算这几天交了MAFN，请问LZ的MAFN多久得到的回复，谢谢
Industrial and System Engineering.
我是2.4号康奈尔无面AD, 2.16号 MAFN AD。
我的所有申请11月中就交了，推荐信是十一月底就差不多齐了。
在线时间 小时
lisohou 发表于
我靠。lz背景这么好竟然被哥大拒了。为什么不申cmu nyu 巴鲁克啊。
嗯，不知道金工什么情况，我很早就面了一直没消息。
长远要回国，感觉这几个 国内认知度可能不是那么高（当然也有可能是我自己认识不到位）。
另外也是觉得自己比较水，这几个去了觉得会被大神们虐。
在线时间 小时
有点奇怪啊.
背景挺好的。
其实哥大的msor也不错啊。为什么不考虑呢？
觉得cornell作risk多。可能不适合你。
在线时间 小时
kirasaxon 发表于
嗯，不知道金工什么情况，我很早就面了一直没消息。
长远要回国，感觉这几个 国内认知度可能不是那么高 ...
工作了以后谁看学校啊。既然想留在美国一段时间就找一个可以好好就业的项目啊。说实话，我不感觉哥大金数能有给你competitive edge。还不如康奈尔。
在线时间 小时
impcol 发表于
有点奇怪啊.
背景挺好的。
其实哥大的msor也不错啊。为什么不考虑呢？
想听听你对MSOR的想法
在线时间 小时
建议哥大MAFN，cornell可能会有点偏risk 就业方向。
所属分类: 商学院申请
正在浏览此版块的会员 ()
ChaseDream 论坛
All Rights Reserved.后使用快捷导航没有帐号？
今日已签到
全部服务类型
我要去美国
美国硕博申请
美国本科申请
美国高中申请
我要去他国
有关Columbia的MSFE和MAFN的区别..了解的讨论一下
就课程设置来讲MSFE多一些Quantitative Finance的课可以选，还多一门MonteCalro的课。其他感觉和MAFN都差不多...是不是还是Mathematics Department下面的MAFN更偏数学点？另外，哪个Program更容易录取一些啊？PS.不知道为什么MAFN的deadline那么晚...要到5月底...
麻烦了解这两个program的详细介绍一下~~谢谢~
[ 本帖最后由 hu_zhenyu 于
17:13 编辑 ]
很好的大学 很好的专业啊
dream school
也来报一个~~
顶一下~知道的童鞋讨论一下~
羡慕lz。。。
回复 4# tidyjin 的帖子
可能标题有些误解...我是11fall想申而已...还没有被录哈~所以才问哪个program更容易录取嘛....
国内情况不是很清楚，但是我学校每年都有被录的，但是每年都没有人去。
CU和UMIch的mfe什么的，不建议去。去问问中国人找工作的情况就知道了。可以用“惨”来形容。
基本上是申Stanford，CMU,UCB,NYU的牛人的保底校。Cornell可能也会好一点。
ps，MAFN录取要简单，但是结果出的很慢。比其他的学校要慢1－2个月。去年第一批录取是在4月中旬。
[ 本帖最后由 gamedog 于
02:23 编辑 ]
回复 6# gamedog 的帖子
Columbia地理位置那么好，找工作应该还不错吧？另外Columbia的MSFE的录取会比CMU要简单么？怎么说Columbia也有IVY的牌子啊...希望这位大哥一起探讨一下~
回复 7# hu_zhenyu 的帖子
CMU的reputation肯定好过CU. 具体到哪个录取简单，就是case by case了。总之，从没见过有人拒了CMU去CU。倒是CU被很多牛人拿来当保底校。这么多人都不去，肯定是有其原因的。
CMU的课很偏重于programming，而这对于quant来说很重要。而且CU的program貌似很多人都没有intern，即使有的话也是fall去做，这对于找full－time来说很不利。cu的国际留学生的就业率就算不是最差的，但也和其他的top program有很大的差距。
地理位置相对而言不是很重要，UCB,CMU,Stanford地理位置都没有cu好，但是就业甩他几条街。
在我认识的美国人和加拿大人眼里，overall top:&&HYPSM.
& && && && && && && && && && && && && && && && && && && && && && &&&MFE top: UCB, NYU, CMU, Stanford
他们管CU，upenn, cornell什么的叫lower(or weak) ivy.
其实真正的quant只招phd，master要么转到trading，ibd或者sales，要么就是给phd打下手。不可能让你去建模的。至少在工作的前几年不可能。
[ 本帖最后由 gamedog 于
17:34 编辑 ]
回复 8# gamedog 的帖子
哦哦，这样。不过我现在最关注的还只能是录取的难易程度，然后才是回本问题....去top-tier读phd基本不可能啦，所以也不在考虑范围内...不知道你身边的牛人都有些什么背景啊？谢谢指教~题主在两个项目间纠结，从目前了解的信息看，康奈尔课程设置更精致，但是哥伦比亚的地理位置显然好很多。请各位矿神们赐教
Cornell吧，听说今年改成2年制了？一年在NYC？MAFN 好像根本没有career service哎。以及MAFN课程太理论。。。
取决于你准备怎么找工作吧。如果是准备靠networking为主的话，那就选择Columbia。如果是靠学术能力为主的话，就选择Cornell。
取决于你准备怎么找工作吧。如果是准备靠networking为主的话，那就选择Columbia。如果是靠学术能力为主的话，就选择Cornell。
Don't think they are of much difference for location. Because Cornell MFE program has a campus by Wall St physically. I don't know much of the Columbia program, don't want to make a uninformed comparison. One of my friend who is the CEO of a trading firm at NYC mentioned to me that he was interested to hire Cornell MFE students as interns because of a algorithm trading course taught by Almgren.
Don't think they are of much difference for location. Because Cornell MFE program has a campus by Wall St physically. I don't know much of the Columbia program, don't want to make a uninformed comparison. One of my friend who is the CEO o…
已有帐号？
无法登录？
社交帐号登录谢题主的问题，有幸一直在国内做这方面的投资研究，希望借此与大家进一步交流。&br&&br&首先我想说一说在Alpha策略的研究中，一些通常的设置：&br&&u&&b&基差的不可预测性：&/b&&/u&&br&如果大家有耐心做过关于基差预测的研究，就会发现在实际研究和投资过程中，预测基差是非常困难的一件事情，其难度甚至不亚于直接预测大小盘的走势。当然，市场机构各有神通，不排除有少数市场有实力的机构能够在特定的时间段内、特定的预测区间下对基差做出&大概率&准确的、量化的预测。然而正如同Alpha策略选择用对冲期货来规避市场风险的初衷的一样，市场上大部分的机构在测试其策略时，往往直接用”指数“来替代股指期货对策略进行回测，从而希望能够”真实“地呈现策略的本来面目。然而这一设置，后面会说到，在投资过程中，会带来很大的问题。&br&&br&&u&&b&行业中性：&/b&&/u&&br&同”市场中性“策略这个名字一样，Alpha策略追寻地是剔除了市场、行业判断的纯粹的套利收益。直白地说，这是因为量化投资在直接预测大盘走势、预测行业强弱上并不具有特别的优势，原因在后面会说明。所以，国内的Alpha策略在早期（注意：我说的是早期）一般都会将策略在某个行业上的权重配得跟指数一致。这样、由于行业相对强弱所带来的风险也会被规避掉。然而这一设置，仍然会带来很多问题。&br&&br&&b&&u&回测的时间：&/u&&/b&&br&由于数据获取等种种原因，2007年之前的数据是有非常多缺失且不完整的。如涉及到指数权重、财务数据、会计准则更改等等问题。所以一般而言，国内的Alpha策略最早也是从2007年中开始回测，更有甚者可能从2008年之后开始回测。But, time does matter. &br&&br&如果说Alpha策略在中国所遇到的研究困难，就不得不从股指期货这个对于Alpha策略来说唯一的对冲工具说起了。IF合约是从日在中金所开始交易的，国内Alpha策略的兴起也基本上与IF的上市密不可分，所以我把Alpha研究在实际操作过程中遇到的困难分为以下几个时期：&br&&br&&b&A. 2010年4月-2014年10月(迷人的潘多拉魔盒)&/b&&br&如果大家在这个时期做Alpha策略，你会发现赚钱太容易了！记得曾经跟某BGI回来的量化私募大佬电话会议的时候，该大佬说，现在Alpha随便什么策略都能赚钱。言语中，是戏谑，是无奈，却也隐含着担忧。&br&&br&在这个时期，你会发现用一些非常简单的信号，用经典的Alpha框架，回测起来，年化15%以上的收益、夏普3以上的策略一堆一堆的。你可能会突然觉得你是这个世界上最聪明的人，你发现了新大陆！&br&&br&如果说，在当时的环境下，Alpha研究有什么隐忧的话，那就是：IF本身的问题太大了。这句话什么意思呢？IF的标的指数是沪深300指数，而沪深300指数最大的特点就是金融业的权重太大了！而且银行股的只数太少了，只有16只！&br&&br&如果大家读过Grinold的Quantitative Equity Portfolio Management（此君来自Barra，做Alpha的同志必然读过他的书；Barra Risk Model也算是发源于他的研究），就会记得，一个策略的Information Ratio跟涵盖股票的只数的开方、截面离散率是正相关的。但是金融股、尤其是银行股有什么特点呢？低波动、同涨同跌严重（相对其他版块），低价股多且日内波动率极低。前两个特点导致银行股本身很难有高Alpha，最后一个特点则导致交易起来十分困难，这样的话， 策略如果跟指数一样，配很高的权重在银行上，就要忍受始终在银行业上赚不到钱甚至亏钱。多说一句，为什么低价股交易起来会很困难呢？比如你要买农业银行（日收盘3.17元），假设下一交易日开盘3.16(买一)/3.17(卖一)，实际交易你会发现，低价股的盘口很少动的，因为动一下就是0.01/3.16 = 32bps就出去了，这个在交易过程中太难忍受了，要知道有时候Alpha策略一天还不一定能赚32bps呢。所以如果你一直挂在买一，就面临交易量大无法成交的风险，如果跨过盘口去对手盘成交，Oh god，真是能疼出血来。&br&&br&BUT！在当时，这些都是小问题，因为当时Alpha太高了，或者说，小盘因子的Alpha太高了。所以，接下来，回测时间的问题就来了。&br&&br&&b&B. 2014年10月-2014年12月(Alpha策略痛苦的回忆)&/b&&br&其实这波小盘的强势从2013年或者说2012年就开始了，Alpha策略在这几年的回测动辄40~50%的收益率，其实大部分Alpha策略在年是不好的，但是由于08、12、13的高收益的提升，它们往往被忽略了。这个时候，现在已经众所周知了，市场开始转向了。&br&&br&其实回过头来看，除了量化投研人员之外，主动投资研究的人士早就看到了这次大牛市的到来，而量化投资的童鞋成天与数据、模型、代码和论文打交道，本身的市场敏感性相较而言则要差很多，而且大部分做Alpha的朋友是不喜欢或者是厌恶Beta的，这种厌恶来源于保守，也来源于Beta很难用量化看懂。&br&&br&于是，大家看到，金融股开始狂飙，大小盘转换开始加速，基差开始急剧拉升。犹记得当时我看见Alpha策略那触目惊心的亏损的时候，真心佩服那些能够坚持账户市值中性的大佬们。虽然策略本身的缺陷是显著的，但是在那样环境下的坚持，我认为是这对自己投资理念的坚持。&br&&br&这个阶段其实就是市场给Alpha策略研发人员上的一课：应该说，量化策略本身（如包含统计学习特性）和量化策略开发人员是具有很强的学习市场能力，但当你从未见过、考虑过、测试过这样的市场状况时，你无法保证量化策略的成功。这是量化天生的缺陷，它是数学、是统计、是基于过去对未来的预测，当你需要它预知它从未见过的事物时，这几乎是不可能的。&br&&br&总结下来，这段时间，Alpha的失败有几大原因：&br&一、由于市场特性的变化、大小盘风格发生大逆转、流动性偏好发生大逆转。&br&二、由于IF本身的结构特征，在金融股狂涨时，如果调仓频率低，由于市场涨跌，会自动产生市值敞口、行业敞口。&br&三、基差的急剧拉伸带来的巨大浮亏。&br&&u&这几个原因并不是独立的、而是相辅相成的。&/u&&br&&br&所以，这一段痛苦的经历，对Alpha策略来说，也是涅槃重生后的宝贵财富，当然，你得能活下来，不少Alpha策略当时已经被清盘了。&br&&br&&b&&u&C. 2015年股灾之后(狂欢之后的负重者)&/u&&/b&&br&股灾之前的2015年对Alpha策略是美好的，简直太美好了，半年，很多的基金或产品轻轻松松录得50%以上的收益。然后就是雪崩了，然后就是监管介入，提高保证金，限制交易手数，期指流动性大跌。目前期指的流动性差不多是股灾之前流动性的百分之一。&br&&br&但是好在中证500期货(IC)的推出很好的解决了沪深300期货本身的结构性问题，使得Alpha策略面临更少的市场风险和风格风险，从而能够更好的挖掘“真正”的alpha。&br&&br&但是深度贴水的问题就来了。个人观点，这种深度贴水，是对做多期指时流动性缺陷、政策限制缺陷等问题的补偿，在监管不发生改变的前提下，可能是一种“Normal Backwardation”。这种深度贴水带来两个困难：一、如果在深度贴水下建仓，一旦基差收窄，账户经常要面对2-3%的回撤；二、移仓成本太高。因为市场多头套保需求多，而投机多头又受到限制，所以一旦需要换仓时，移仓成本会非常高，IC近月合约通常都在3%左右甚至往上，这意味着，如果一年换仓12次，Alpha一年得挣36%以上才能勉强避免由换仓导致的亏损。&br&&br&&u&&b&最后，策略的转向：&/b&&/u&&br&现在，很多的Alpha策略开始探求其他的突破，这些方向是Alpha进步的动力，比如：&br&一、放开行业中性、市值中性的约束，用量化方法学习提取市场特征，动态调整。&br&二、结合CTA策略、结合场外期权产品、结合期货纯多策略等等；&br&三、新的数据源，也意味全新的Alpha来源。
谢题主的问题，有幸一直在国内做这方面的投资研究，希望借此与大家进一步交流。首先我想说一说在Alpha策略的研究中，一些通常的设置：基差的不可预测性：如果大家有耐心做过关于基差预测的研究，就会发现在实际研究和投资过程中，预测基差是非常困难的一件…
这题三个人邀的我不答不行啊……&br&我其实想说的是，除了纲领性的那几本，其余的都是得看论文了，金工对虽然在学科里不算大领域。但是知识对一个人来说还是浩如烟海的……所以 &a data-title=&@彭一鸣& data-editable=&true& class=&member_mention& href=&///people/7228b51dec3b7a67d5ed24a& data-hash=&7228b51dec3b7a67d5ed24a& data-tip=&p$b$7228b51dec3b7a67d5ed24a&&@彭一鸣&/a& 说的好，不要想着完全掌握……&br&&br&上次发的那个大篇&a class=&internal& href=&/question//answer/&&金融专业学生的数学进阶如何安排？ - 黑猫Q形态的回答&/a& 是主管理论和姿势的，这篇实践一点&br&&br&纲领性的大家都知道，也就那几本：&br&John Hull： &br&我知道学数学的一般看不起这个，但是还是要说。因为这书的切入点是对金融系的学生，所以不会出现上来就给你上随机游走，然后概率测度，然后就没有然后了（被秒了）……而且hull老头子对很多实务的东西有自己的见解（比如机构什么时候该对冲到二阶导），最难的部分也用最通俗易懂的语言带过，比如测度就讲的很清楚（对于金融系的而言，我知道你们数学系又要鄙视我们了）。&br&&br&SC for finance 1&2 by Steven Shreve:&br& 这本是必备的，因为这个才是给金融工程或者金融数学的人看的。 实变，测度，变差，伊藤这些东西是内功。就算之说功利的，现在理工科横行天下，不会点这个别人一拳拳打下来受得了么。&br&&br&MC for financial engineering by Paul Glasserman: &br&这本也是必备的，基本不能离手的那种。如果说Shreve是补完理论，这本就是补完实践。数值法羞辱起人的智商起来可一点没有比随机分析含糊……&br&&br&Elements of Financial Risk Management by Peter Christoffersen&br&Counterparty Credit Risk and cva by Jon Gregort &br&这两本算私货，一是现在风险很火热，而是做纯pricing一时竞争不过博士，二是市场本来就萎缩。两本各有分工，上面管市场风险，下面管信用风险（xva）体系。毕竟这是我们low逼 risk quant的宿命……&br&&br&Interest rate model by
Andersen & Piterbarg :&br&固收我只认这三本（就是我常说的红绿蓝三魔），这个才是矿工的固收。丛书非常浩大，内容和方法论也及其充实，把十年来固收流行的模型都做了一个汇总。称得上算浩如烟海了，每一章都值得慢看。如果要入手从第一本第四章看起……然后，要坚持……&br&&br&C++ Primer:&br&这是字典，这是姿势，这是力量，这是人权。 没有这个没有姿势，没有力量，没有人权。你会matlab，好；还会python，不错；还会.net, 还凑合；&b& 不会c++? 滚！&/b&现实就是这么残酷，不要觉得学金融的，学数学的为什么学编程就非得上手最难的c++，别的行不行。&b&不行，c++是人权！&/b&
这题三个人邀的我不答不行啊……我其实想说的是，除了纲领性的那几本，其余的都是得看论文了，金工对虽然在学科里不算大领域。但是知识对一个人来说还是浩如烟海的……所以
说的好，不要想着完全掌握……上次发的那个大篇
他的基金被称为Tail Fund（尾部基金），因为他在quant这一领域的专业点在tail distribution（尾部分布）上。&br&&br&&br&如果用大众容易接受点的方式解释，大家喜欢叫他Black Swan Fund（黑天鹅基金）。这是因为他的交易策略大致是这样的：平时每天小亏一点点，一遇到黑天鹅就大赚。&br&&br&交易策略其实都是起源于&br&1. 观察到某一个被蒙蔽的事实真相&br&2. 试图利用这个事实真相赚钱&br&&br&塔略布观察到的事实真相是这样的：现实世界的概率分布是厚尾的，且尾部事件的diversity和影响力都非常大。举个校园向的例子就是，大学里面一个专业大部分人水平都差不多，但是前几名的大神之间可能差了十万八千里，后几名的渣程度可能也差了十万八千里。。&br&&br&向Antifragility的先驱实践者致个敬。这年头太多写书的人都是说的一套做的一套，尤其投资界多见。真正言行如一，投资手段完全和自己写作中一致的人，都值得尊敬。。
他的基金被称为Tail Fund（尾部基金），因为他在quant这一领域的专业点在tail distribution（尾部分布）上。如果用大众容易接受点的方式解释，大家喜欢叫他Black Swan Fund（黑天鹅基金）。这是因为他的交易策略大致是这样的：平时每天小亏一点点，一遇到黑…
&a href=&/people/like-33& class=&internal&&LIKE&/a&很详细的解释了国外的TickData和处理方法,而因为国内的交易所都只发送切片信息,而不是真实的Tick信息,所以还是有一定差别的,我来补充说下国内交易所一般所说的Tick数据。&br&国内交易所的order book的数据维护都是实时进行的，但是和国外交易所不同，并不是每个动作都会实时推送到市场上来，而是根据&b&指定的时间间隔进行一次检查&/b&，&b&如果该时间段内有动作，则生成一次快照并且推送出来，数据的推送充其量只能算做OnTime，而不能叫做OnTick&/b&（被动触发还是主动检测对用户没有区别，此处为了方便说明而取前一种方式）&br&&br&以切片间隔时间为500ms的五档行情举例，上图来说明：&br&&img src=&/c19a18baf16a6_b.jpg& data-rawwidth=&709& data-rawheight=&955& class=&origin_image zh-lightbox-thumb& width=&709& data-original=&/c19a18baf16a6_r.jpg&&&br&在11时05分03秒200毫秒的时候，有人以4500的价格卖出3手，系统将其价格与买一价进行匹配，发现符合撮合条件，则撮合之，以价格4500成交3手，最新成交价为4500，总成交量为3手，而此时因为未到切片时间，所以不会推送数据出来。&br&在11时05分03秒300毫秒，又有人以价格5000买入5手并成交，最新成交价变为5000，总成交量为8手，此时仍未到切片时间，仍不会推送数据。&br&一直等到11时05分03秒500毫秒，系统判断在11:05:03.000-10:05:03.500这个时间段内有数据变化，则将盘口的买卖信息以及汇总的成交信息——最新成交价5000，总成交量8手——生成一份快照，并推送出来，这就是我们能够接收到的Tick Data。&br&我们可以发现，因为是一段时间内的交易信息汇总，所以我们&b&只能得到最新的成交价和总的成交量&/b&，相比每次变化都会及时推送的Tick Data，丢失了不少信息。&br&此机制会产生一些值得注意的现象&br&一、信息的丢失&br&按上图流程所示，如果4500是当日的最低价，则可能会出现&b&因为信息丢失而导致无法根据tick获取到当日最低成交价&/b&的情况,所以国内交易所都会单独推送一份当日最高最低价以弥补。&br&二、信息的延迟&br&如果是做时间间隔小于500ms的高频交易的话，因为无法及时获取市场信息，在这500ms内基本等于是在摸黑前进，增加了不少交易风险
很详细的解释了国外的TickData和处理方法,而因为国内的交易所都只发送切片信息,而不是真实的Tick信息,所以还是有一定差别的,我来补充说下国内交易所一般所说的Tick数据。国内交易所的order book的数据维护都是实时进行的，但是和国外交易所不同，并不是…
从交易所的数据发出到你的电脑上能看到发生了很多事，如何判断数据的好坏是一个复杂的事情。&br&作为曾经写过不少交易所的tick数据的处理程序的人，可以解释下为啥复杂：）&br&&br&Tick Data本身并不神秘，就是交易所把每只股票（亦或是futures options）的active order book(就是你的order还存在在交易所里面，并且没有被撮合成交。)里面的买、卖的单的情况发给你，但是每个市场的规定都不同，举个栗子：&br&&br&最真实的order book是这样的,一天的市场一开始的时候苹果股票的order book清空（这里不进行auction period的探讨）：&br&&img src=&/39cceef0e3cfc80f58fb6d8a_b.jpg& data-rawwidth=&394& data-rawheight=&57& class=&content_image& width=&394&&&br&1. 接着来了第一个卖家： :&br&&img src=&/ad184fdaf541c608fa8939_b.jpg& data-rawwidth=&414& data-rawheight=&58& class=&content_image& width=&414&&&br&&br&这时候交易所会发给你一个message，告诉你是苹果股票有人想以100块钱买1000股，那么这个order就先挂在了order book上。&br&&br&2. 第二个卖家来了，他想卖得更高： :&br&&img src=&/1c43ccf42c_b.jpg& data-rawwidth=&378& data-rawheight=&88& class=&content_image& width=&378&&&br&这时候交易所会发给你另一个message，告诉你是苹果股票有人卖的价格比你差，于是排序在下面。&br&&br&3. 刚才的第一个卖家后悔了，cancel了他的order： 撤消了，那么交易所会有message告诉你，但是你需要自己编程处理这种remove掉一个tick的情况：&br&&img src=&/e0bd694b2e9cf7b33b3e43_b.jpg& data-rawwidth=&409& data-rawheight=&65& class=&content_image& width=&409&&&br&4. 终于有买家来了... 500@90 , 这个价格是不会成交的，因为买家低于现在的最佳卖价：101，那么order book里面会继续存着这个order，同时会发送一个tick告诉市场上的其他人：有买单了：&br&&img src=&/cacac94d0d9694dacddf4e_b.jpg& data-rawwidth=&369& data-rawheight=&58& class=&content_image& width=&369&&&br&5. 继续，接着有一位买家以101块钱买入1000股，等于要把目前的best offer 给match - 撮合了，那么你是不会收到这个最新的bid： 101@1000 的，因为它会进入matching engine的瞬间跟对面的best offer 撮合了，tick table的一个规则： bid offer 永远不会cross，否则要么是数据商的bug，要么是交易所的bug。现在，你只会收到一个告诉你delete the best offer的message，那么tick table长这样：&br&&img src=&/213ddce66a10ca4b518079febbf26904_b.jpg& data-rawwidth=&397& data-rawheight=&61& class=&content_image& width=&397&&&br&Tick数据就是这么简单，市场上会重复这个过程。&br&但是比较麻烦的是：&br&&ol&&li&很多时候tick的数据会以UDP发送，想象股市上如果交易非常活跃，那么数据量会非常大，UDP会存在丢包情况，如何处理。曾经遇到过很疯狂的tick update但是还要保持在x micro second的更新cache，可能要排序（看交易所protocol），以及发送出去给前端。&/li&&li&如何更快的处理实时的tick数据，否则数据量如此大，一旦延迟，以后就再也跟不上“实时”的节奏了，直到你的程序挂掉。&/li&&li&如何避免一些特殊情况造成bug，一旦一个tick没有算对，那么后面的tick table全是错的：）&/li&&/ol&同样，还有对tick的理解问题：不同市场的tick还有不同点，上面所说的是发达国家的股票市场，以实时情况推送（有新的order并且在tick的发送level以内，比如东京交易所只发送8个tick level，那么你看不到整个full tick的，因为可能会有100多个level，如果很多人交易的话）。&br&&br&但是国内是多少个milli second截取一个快照（snapshot），然后发送给你，兴许是国内交易系统已经非常古老，跟不上IT的发展了。那么这个tick数据并不是“real time”的，你只知道“哦！在前100 millisecond和现在的tick 变化是这样的”，可能中间已经成交了数千单。
从交易所的数据发出到你的电脑上能看到发生了很多事，如何判断数据的好坏是一个复杂的事情。作为曾经写过不少交易所的tick数据的处理程序的人，可以解释下为啥复杂：）Tick Data本身并不神秘，就是交易所把每只股票（亦或是futures options）的active order…
Tick 一般是指 Best Bid/Offer 的变化，就是 Order Book 上最优的买单和卖单发生的变化。题目中的例子，Tick 2 和 Tick 1 的不同就在于 Best Offer 的 size 变了（少了 25），所以产生了这一个 tick。&br&&br&当然这个不等于说 Tick 1 和 Tick 2 之间没有别的 Order Book 的变化，它可以在除了 Best Bid/Offer 之外的地方变化，只不过这些事情在 Tick Data 上被滤掉了而已。&br&&br&这种所谓的 Tick Data 其实就是一种对 Order Book Events 的 Down Sample 而已，它的前提假设是 Best Bid/Offer 是最重要的信息，以丢弃其它相对不如这个重要的信息为代价，缩减数据规模，让数据处理变的更容易。&br&&br&而实际上，真正的 Limit Order Book Market 里，交易所发的原始数据是所有对 Order Book 的增、删、改＋成交这四样，特别是改单一般都是占整体数据流的大部分。只不过要处理这种级别的数据，需要你懂一些数据结构的操作，能自己维护重建 Order Book。这个手艺一般做 Quant 的人都不会，要么就是写出来的代码实在太慢根本处理不了原始数据的规模，所以往往是为了简化起见就给他们 Tick Data，一般人就都能凑合着用了。&br&&br&因为这种二手数据的本质，Tick Data 做的好不好当然是会有区别的。虽然说是需要记录每一个 Best Bid/Offer 的变化，但实际上这种数据反正也不用维护 Order Book 的一致性，因为各种技术问题少记了几个也不会有人说什么。甚至可能某家的数据处理程序还有 bug ，其中一些数据偷摸的错了一些，一般人也很难发现。这些都是可以用来比较数据质量的。&br&&br&建议大家做 Quant 工作的，还是要注意编程基本功，有条件就自己直接处理原始数据。少一层二手过滤，就少一次出错的机会，离你发现新策略也就更近一步。
Tick 一般是指 Best Bid/Offer 的变化，就是 Order Book 上最优的买单和卖单发生的变化。题目中的例子，Tick 2 和 Tick 1 的不同就在于 Best Offer 的 size 变了（少了 25），所以产生了这一个 tick。当然这个不等于说 Tick 1 和 Tick 2 之间没有别的 Order…
&p&个人在伦敦就是天天干这个的。通过机器学习（machine learning）做价格预测。&/p&&p&希望能提供一些最基础的建议（不好意思中文不是母语，很多中文术语不太清楚，所以要用一些英文）&/p&&br&&p&１）首先尽量简化数据，让每一个输入都有很规范的格式。额日俄每一个输入源必须是mean 0，variance 1。假如说不能直接用价格；要用价格的差距。这样才可以客观比较每个输入的作用。而且很多模型本来就有这个要求。&/p&&br&&p&２）先排除那些没有用的输入。这很简单。把数据重新re-sample，得到两个对应的time series，Ａ和Ｂ。算两个time series的correlation。当然这个值越大越好。但是还有更有用的技巧：给其中的一列Ａ添加offset。试着用各个offset再得出correlation。你会发这个offset过小过大，correlation就越小了。但是中间有一个达到最高值的offset。那就是Ａ领先与Ｂ的平均时间。这offset小于零，说明Ａ可以预测Ｂ。大于零说明这数据根本没什么预测能力，反而Ｂ更能预测Ａ。通过这个可以筛选掉好多东西。&/p&&br&&p&３）现在你得到一套最具有预测能力的输入。但他们的weighting还不知道。首先肯定要去试着用最简单的linear model。如果你的linear model没用，那更高级的模型肯定也没用了，应该放弃。这linear算法的目标就是简单地得出一列weightings对吧。在某个时刻，这一列数字乘与‘现在’的value必须和未来的value有很大的correlation。所以选择一个心目中最合适的offset(假如一秒或一小时）；然后直接算各个因素的correlation。拼成一列weightings。就这么简单。也可以试着不同offset，看看这模型最好能预算多久以后的value。这东西就叫linear regression。&/p&&br&&p&４）在linear regression得到成果以后，再想象更复杂的模型。建议先从一个维度升级到两个维度。得到一个矩阵的weightings。说实话这应该已经够的了。不过如果必要追求再复杂一点的话，那真的建议decision tree。decision tree也可以理解成heirarchical model（层次模型？）。比如这个情况：你发现Ａ或Ｂ越高能预测到Ｃ要涨，但好像Ａ和Ｂ都太高的话，Ｃ反而要跌。所以必须有层次的。这decision tree里面最推荐用random forest。这样能够在复杂程度与预测准确度之间达到最平衡的效果。&/p&&br&&p&５）再高级一点就是通过完全自由连接的graph，比如neural network。但是肯定先从简单的开始。如果直接用graph，因为connections太多太密集太复杂，很多循环之类的，导致人家很难以理解里面信息运转的道理。最好从linear到２Ｄ开始，这样每一步都更加理解数据之间的关系，更好去设计适合的结构。&/p&&br&&p&６）其他的一些想法：不一定要只根据时间去预测。你所根据的时间线只需要是一个越来越大的某个东西。也可以是市场的买卖量之类的。因为买卖总量和时间一样的，只往前不往后。这样的话你不在预测多少时间以后的value而在预测多少买卖增加以后的value了。一般都比较合适。&/p&&br&还有一点就是：你的那个数据似乎是波浪类型的。这就没有符合第一点。应该转换成更基本的输入和输出；例如分成wavelength和amplitude两个预测对象。
个人在伦敦就是天天干这个的。通过机器学习（machine learning）做价格预测。希望能提供一些最基础的建议（不好意思中文不是母语，很多中文术语不太清楚，所以要用一些英文）１）首先尽量简化数据，让每一个输入都有很规范的格式。额日俄每一个输入源必须是…
看了一圈，突然发现我的回答要火。&br&&img src=&/c6a7e65f84f09df6e64bec_b.jpg& data-rawwidth=&720& data-rawheight=&539& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/c6a7e65f84f09df6e64bec_r.jpg&&&br&&b&因为我选股的切入点是：形态选股！&/b&&br&&br&不看技术面的可以先散了（国内有这么一波人在二级市场这么玩价值投资，巴菲特知道估计要笑cry...）&br&&br&看技术面的如果脾气不大好的话，这会儿估计准备要骂人，一开始就看形态无异于作死...求先别骂我。我尽量长话短说。三分钟说完。因为我形态选股总共也只要5分钟。&br&&br&股票形态已经被认同的有多少种，我没数过，但是根据我的学习和实践，平时常看的有旗形调整、三角形调整、双底、双顶、头肩底、头肩顶、V形底、V形顶....（德云社20周年节目《报形态》）&br&&br&举个栗子，比如我希望找到最近正在进行&b&三角形调整&/b&的股票。&br&&img src=&/141d13c972bab3d96bf0f8c369f32e3d_b.jpg& data-rawwidth=&720& data-rawheight=&539& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/141d13c972bab3d96bf0f8c369f32e3d_r.jpg&&在实际选股过程中，我只需要输入两个参数：已被发现的符合三角形调整的&b&股票的起始时间和结束时间&/b&。也就是，只要有一个曾经有过三角形调整的股票，就可以通过这个股票来匹配出所有形态类似的股票，匹配出的形态必须在最近一段时间，这样才符合选股的目的。&br&&br&我印象比较深刻的是上海莱士在今年第一季度的形态是三角形调整，为了让两个参数更准确，我就去拜访了上海莱士——的走势图。&br&&img src=&/6200ad4afc63cdc5d2bc5e_b.png& data-rawwidth=&1540& data-rawheight=&818& class=&origin_image zh-lightbox-thumb& width=&1540& data-original=&/6200ad4afc63cdc5d2bc5e_r.png&&&br&发现实际需要的日期段为至，那就选这两个时间作为参数。&br&&br&&img src=&/516bc2954bdb55d5e9d3e3fbe4133fcc_b.png& data-rawwidth=&633& data-rawheight=&108& class=&origin_image zh-lightbox-thumb& width=&633& data-original=&/516bc2954bdb55d5e9d3e3fbe4133fcc_r.png&&&br&等待了差不多5秒以后....&br&&br&&img src=&/ebac6bb42bed09c4042aef_b.png& data-rawwidth=&1094& data-rawheight=&559& class=&origin_image zh-lightbox-thumb& width=&1094& data-original=&/ebac6bb42bed09c4042aef_r.png&&&br&获得了一堆三角形调整的股票.....&br&&br&同理，也可以通过相同的方式获得拥有旗形调整、双底、双顶、头肩底、头肩顶、V形底、V形顶等等等等形态的股票们......&br&&br&&b&从1到N，只需要两个参数。&/b&&br&&br&现在是提问环节。&br&&br&&b&问：光看形态不够用啊怎么破？&/b&&br&答：形态选股当然只是其中的一个条件而已（惊奇脸）！切入点是形态选股，除此以外还会添加其他的技术面条件比如KDJ金叉啊，比如今日收阳啊。也会添加其他的基本面条件啊。&br&一般我的选股框是这样的....前后五分钟，上下五千年...&br&&img src=&/da454f37aff_b.png& data-rawwidth=&580& data-rawheight=&288& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/da454f37aff_r.png&&（光是这张截图就可以干掉很多千字选股策略的答文了吧）&br&&br&&b&问：类似的功能好像同花顺一直都有了吧？&/b&&br&答：作为一个喜爱研究软件功能的玩家，我现在以一个非常严谨的学术态度来向大家示范同花顺&b&所谓的形态功能。&/b&&br&测试主要分两个阶段完成，分别是盘中和盘后。&br&之所以这么做，是因为同花顺有两套不同的系统来应对用户通过形态选股。&br&盘中：不停出错N次的模板&br&&img src=&/14cc70dd7109_b.png& data-rawwidth=&933& data-rawheight=&492& class=&origin_image zh-lightbox-thumb& width=&933& data-original=&/14cc70dd7109_r.png&&盘后：匹配到0只股票的模板&br&&img src=&/a0b6db766e12c131ac9ca1a_b.jpg& data-rawwidth=&768& data-rawheight=&376& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&/a0b6db766e12c131ac9ca1a_r.jpg&&形态选择的区间都是上海莱士的那段。（无奈脸）&br&&br&&b&问：我用的到底是啥软件？&/b&&br&答：我用的不是一个软件，并不需要下载安装，也没有功能需要付费。&br&&br&我就得瑟一下下，等到赞数过100就公布！童叟无欺！顺便看看这年头还剩下多少人没被中国特色价值投资洗脑....&br&&br&--------------------------------&br&&br&我！！！开了一个会正准备喜滋滋下班的工夫就破百五了。。。&br&&br&好后悔我为什么不说破千呐。。。还是太年轻呐。。。&br&&br&&b&第一趋势 &a href=&///?target=http%3A//& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a& &/b&&br&&br&拿去耍吧....网站来的。。&br&&br&就酱。我不是广告啊是你们鼓励我说的啊。。。。&br&&br&作为二哈铲屎官的我是有杀招的啊&br&&img src=&/ccdbab232aede7faa4938_b.jpg& data-rawwidth=&720& data-rawheight=&539& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/ccdbab232aede7faa4938_r.jpg&&
看了一圈，突然发现我的回答要火。因为我选股的切入点是：形态选股！不看技术面的可以先散了（国内有这么一波人在二级市场这么玩价值投资，巴菲特知道估计要笑cry...）看技术面的如果脾气不大好的话，这会儿估计准备要骂人，一开始就看形态无异于作死...求…
Don't think they are of much difference for location. Because Cornell MFE program has a campus by Wall St physically. I don't know much of the Columbia program, don't want to make a uninformed comparison. One of my friend who is the CEO of a trading firm at NYC mentioned to me that he was interested to hire Cornell MFE students as interns because of a algorithm trading course taught by Almgren.
Don't think they are of much difference for location. Because Cornell MFE program has a campus by Wall St physically. I don't know much of the Columbia program, don't want to make a uninformed comparison. One of my friend who is the CEO o…
测算的频率是根据监管部门的要求制定的，后者制定政策的依据主要是风险指标能否及时反应市场条件和公司portfolio的变化。作为trading book，每天portfolio的价值都可能发生变化，交易员会根据市场条件的变化调节position size，从而保持或调节对冲敞囗。换句话说，因为大部分trading book positions的liquidation horizon很小，在一般市场条件下单日波动可能很大，因此需要daily monitoring.&br&&br&对于某些其他流动性较低的产品和风险因子，如secondary loan的信用风险，风险指标的跟踪和更新频率可能只需要几个月甚至更长的时间。
测算的频率是根据监管部门的要求制定的，后者制定政策的依据主要是风险指标能否及时反应市场条件和公司portfolio的变化。作为trading book，每天portfolio的价值都可能发生变化，交易员会根据市场条件的变化调节position size，从而保持或调节对冲敞囗。换…
在市场风险管理中，我们常常需要估算持有期比较长的风险价值数字(VaR)，而常常在实务中，由于历史数据的积累的问题，我们无法直接估算这些数字而需要使用较短持有期的VaR进行估算。一个在业界被广泛接受的转换公式是这样的。&br&&br&&img src=&///equation?tex=VaR_t+%3D+%5Csqrt%7Bt%7D+VaR_1& alt=&VaR_t = \sqrt{t} VaR_1& eeimg=&1&&&br&&br&这个公式提供了一个很方便的在不同持有期间的在险价值之间进行转换的工具，比如说如果我们需要估算99%置信区间下一年的在险价值，根据这个公式，我们就只需要计算出99%置信区间下1天的在险价值，然后乘以&img src=&///equation?tex=%5Csqrt%7B252%7D& alt=&\sqrt{252}& eeimg=&1&&(假设一年中工作日是252天)就可以得到我们想要的数字了。&br&&br&这也是题目中问的根号10的来源了。&br&&br&&p&那么问题来了，我们为什么可以做这个转换，做这个转换的依据是什么？&/p&&br&&p&根号t规则的来源来自关于随机变量 （在这里是交易组合的每日损益）是服从独立分布的正态分布假设，在这样假设下，我们可以直接运用正态分布随机变量的性质即多个独立分布的正态变量的简单加总依然服从正态分布这一规律。(请参考 @liu mohan 的答案)&/p&&br&&p&但是很显然，大部分情况下，很难证明每日损益是正态分布的。&/p&&br&&p&我们不妨放宽一下假设，不再假设每日损益服从正态分布，而仅假设每日损益服从一个稳定的分布(stable distribution)，所谓x服从一个稳定分布，是指我们假设：&/p&&br&&img src=&///equation?tex=x_t+%3D+t%5Eb+x_1& alt=&x_t = t^b x_1& eeimg=&1&&&br&&br&&p&其中 &img src=&///equation?tex=x_t& alt=&x_t& eeimg=&1&&为持有期为t的随机变量分布。。&/p&&br&&p&可以看出，正态分布是此类分布的一个特例，在正态分布的情况下，b=0.5。&/p&&br&&p&我们可以构造一个方法，通过时间序列数据来估算这个b值的大小。比方说，如果对上式两边都取对数，我们可以得到&/p&&br&&img src=&///equation?tex=ln%28x_t%29+-+ln%28x_1%29+%3D+bln%28t%29& alt=&ln(x_t) - ln(x_1) = bln(t)& eeimg=&1&&&br&&br&&p&这个公式给了我们一个线性回归方程，我们可以用这个来估计b值的大小。&/p&&br&&p&具体做法是，获得某个风险因子，或者某个交易台每日损益的历史变动数据，然后选取一定的时间步长&img src=&///equation?tex=t_1%2Ct_2%2C%5Ccdots%2Ct_N& alt=&t_1,t_2,\cdots,t_N& eeimg=&1&&，利用历史模拟法计算出每个时间步长下的VaR值记为 &img src=&///equation?tex=VaR%28t_i%29& alt=&VaR(t_i)& eeimg=&1&&。那么根据以上公式，应有&/p&&br&&img src=&///equation?tex=ln%28VaR%28t_i%29%29+-+ln%28VaR%281%29%29+%3D+bln%28t_i%29& alt=&ln(VaR(t_i)) - ln(VaR(1)) = bln(t_i)& eeimg=&1&&&br&&br&&p&随后即可使用最小二乘法估计b值大小。&/p&&br&&p&运用此方法分析从日到2014年底的shibor3m数据，b值大约稳定在0.68左右(见下图1）。而若用同样的方法分析从2006年到2014年的人民币对美元汇率，b值大约为0.59左右（见下图2）。从这些分析来看，对于中国市场而言，使用根号t来进行不同持有期的转换可能有失谨慎（低估了风险价值）。更合适的做法是使用以下公式进行转换：&/p&&br&&img src=&///equation?tex=VaR+_%7Bt%7D+%3D+t%5Eb+VaR_%7B1%7D& alt=&VaR _{t} = t^b VaR_{1}& eeimg=&1&&&br&&br&&p&其中b的取值需要根据主要风险因子来进行调整，在这个分析里，我们发现如果主要的风险因子是Shibor1M，合适的取值大概是0.68左右。而如果风险因子主要是外汇，合适的取值大概是0.59左右。&br&&/p&&br&&p&&img src=&/ce8f858fa4cd4ae252f9a431_b.jpg& data-rawwidth=&481& data-rawheight=&288& class=&origin_image zh-lightbox-thumb& width=&481& data-original=&/ce8f858fa4cd4ae252f9a431_r.jpg&&&img src=&/f33bdf924ee9fc23caf3bf_b.jpg& data-rawwidth=&481& data-rawheight=&288& class=&origin_image zh-lightbox-thumb& width=&481& data-original=&/f33bdf924ee9fc23caf3bf_r.jpg&&主要参考文献&/p&&p&Alexander, C. (2008) &i&Market Risk Analysis&/i&, Volume IV: &i&Value at Risk Models&/i&. Wiley&br&&/p&&br&&p&文中用到的excel文件可在以下地址下载&/p&&br&&p&&a href=&///?target=http%3A///%25E4%25B8%25BA%25E4%25BB%%25B9%%E4%25BB%25AC%25E5%258F%25AF%25E4%25BB%25A5%25E4%25BD%25BF%25E7%%25E6%25A0%25B9%25E5%258F%25B7t%25E8%25BF%259B%25E8%25A1%258C%25E4%25B8%258D%25E5%E6%258C%%259C%%259C%259F%25E9%%25E4%25B9%258B%25E9%%25E7%259A%2584/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&为什么我们可以使用根号t进行不同持有期间之间的转换？&i class=&icon-external&&&/i&&/a&&/p&
在市场风险管理中，我们常常需要估算持有期比较长的风险价值数字(VaR)，而常常在实务中，由于历史数据的积累的问题，我们无法直接估算这些数字而需要使用较短持有期的VaR进行估算。一个在业界被广泛接受的转换公式是这样的。VaR_t = \sqrt{t} VaR_1这个公式…
这个问题的确在现实风险资本的量化计算中经常遇到。在Basel 2.5 IRC与CRM的计算中，提到了两种不同的处理holding period的方法，即所谓的constant positions和constant level of risk假设。根据我们的理解，第一种大体上就相当于所谓的instantaneous shock, 即维持当天（valuation date)的头寸不变，以当天的头寸和市场数据为基本点，对风险因子施加相当于一年的“扰动”，这个扰动的分布满足风险因子集一年期的联合分布，可以根据历史数据或Monte Carlo采样，再根据扰动的分布计算出资产组合的损失分布，从而计算出对应的风险度量。这种情况下，持有期(liquidity horizon)只决定风险因子扰动的分布参数（volatilities, mean reversion rates, drifts), 而非资产的实际持有期，也就是说这里资产的到期（time to maturity)保持不变，计算定价分布时2年到期的债券还是2年到期，不会变成1年，这样给计算带来了很大的方便，因为不需要考虑在1年期内到期资产的处理（如3个月到期债券）以及相应的现金流（利息及本金）。&br&第二种constant level of risk 实施起来则困难的多。在每个时间点，都必须保证资产组合动态地调整使得risk profile保持不变，特别是要保证对冲头寸的动态调整。在实际中，许多银行均不采用这种方法。许多区域监管机构如EBA甚至直接要求所辖银行采用第一种方案。
这个问题的确在现实风险资本的量化计算中经常遇到。在Basel 2.5 IRC与CRM的计算中，提到了两种不同的处理holding period的方法，即所谓的constant positions和constant level of risk假设。根据我们的理解，第一种大体上就相当于所谓的instantaneous shock,…
已有帐号？
无法登录？
社交帐号登录
210 人关注
134 个回答
2375 人关注
340 个回答
11011 人关注
269 个回答
390 人关注
346 人关注