股票市场数据挖掘

⑴ 股市上蹿下跳 大数据基金该怎么投

股市上蹿下跳 大数据基金该怎么投_数据分析师考试

自去年以来，大数据基金纷纷成立。在运作了将近一年的时间里，这些大数据基金体现出来的特性如何？适合什么样的投资人？如何投资才能收益最大化？

风格迥异

目前市场上正在运行的大数据基金有4只，分别是中证腾安价值100指数、中证网络[微博]百发策略100指数、中证淘金大数据100指数和大数据系列策略指数（i100和i300）。4只跟踪上述指数的基金分别是博时中证淘金大数据100、银河中证腾安指数，广发百发100、南方大数据100。

具体从4只指数基金来看，风格迥异的同时也有相似点。

广发百发100跟踪百发100指数。该指数采用网络金融搜索和用户行为大数据，通过相应的数据挖掘和分析手段，将涉及特定金融实体的数据进行自动分析、归并、统计和计算，并引入量化投资模型，编制股票市场指数。

南方新浪大数据i100与广发 中证100 较为相似，它以新浪财经的互联网财经大数据应用为特色，基于财经新闻媒体与社交平台海量大数据，在选股策略上，i100指数综合财务、市场驱动、大数据三大因子。

博时中证淘金100，从编制方案来看，以电商商品类目相关中证三级行业的所有股票为样本空间，从中根据综合财务因子、市场驱动因子、聚源电商大数据因子选取综合评分最高的样本股，并采用等权重计算。数据来源为支付宝[微博]的实际交易，包含了行业的价格、销量、人气等景气程度数据。对样本空间的股票，按其综合财务因子、综合市场因子和淘宝大数据因子计算的综合评分降序排列，选取排名前100名的股票作为中证淘金大数据100指数成分股。

银河定投宝中证腾安价值100更偏爱被低估的上市公司：指数依据定价偏离程度排序，佐以质价比率、公司资质、每股评分等多项财务指标，选择市场价格相对低估的100家上市公司股票为样本。指数样本主要集中于工业、可选消费及医药卫生三个中证一级行业，样本数量分别达到30只、23只及14只，合计权重达67%。信息技术、原材料、金融地产、主要消费、电信业务、能源及 公用事业 依次排名4到10位。

高贝塔适合波段操作

从这些大数据指数走势来看，更具备高贝塔产品的特性。

今年以来，淘金100涨幅86.37%，中证腾安价值100涨幅64.01%，网络100涨幅51.65%，新浪大数据i100涨幅82.37%。同期上证综指今年以来的涨幅为25.83%， 沪深300 涨幅18.18%，创业板指数涨幅96.89%。

自6月份发生的股市大跌，沪深300由最高点跌至近期最低点的跌幅为34%，上证指数跌幅不到35%，创业板指数跌幅51%。同期，淘金100跌幅46%，中证腾安价值100跌幅44%，网络100指数跌幅49%，新浪大数据i100跌幅42.7%。

从4只大数据基金或长或短的历史业绩可发现，大数据基金相对于普通的权益类基金在股市中表现为净值波动大。有基金经理表示，与成熟市场主要由理性机构投资者构成相比，A股市场仍以散户为主，因此市场受投资者情绪影响很大，投资者情绪可以更多地反映在互联网大数据上，但投资情绪的巨大波动也会带来互联网基金的高贝塔属性，对此投资者要有心理准备。从目前来看，投资者在市场低位布局该类基金，等待市场热度提升，是比较好的方法。

以上是小编为大家分享的关于股市上蹿下跳 大数据基金该怎么投的相关内容，更多信息可以关注环球青藤分享更多干货

⑵ 最近学金融，好多知识看不懂啊::>_<:: 请结合大数据的理念对数据分析和数据挖掘能在金融市场的

首先是通过大数据可以分析客户的个人信息，收入，风险偏好等，可以推荐相应的金融产品，如果哪些年龄段和工作的人群适合基金，保险和其它有价证券；
其次是金融产品的开发上，主要有保险产品和一些其它产品，通过发病率，灾情概率等进行精算，开发出保险产品，一些其它的金融新产品也会涉及到数据分析；
再次是金融产品的定价及投资分析上，很多因素都会影响金融产品，如股票，期货，现货等，通过数据挖掘，找出其影响因素，进行价格分析。
大数据和数据挖掘主要有这几方面的应用，当然还有其它的方面，很多论述金融与数据分析的书中有很多的，可以进一步研究，还望采纳。

⑶ 股票市场搞数据挖掘，数据分析来炒股有没机会

有机会，而且机会不小，但是我等散户靠数据分析，可能自身实力差的太悬殊了。
硬件设备就不达标哦。

⑷ 股票交易系统有哪些

做股票常常会遇到很多问题，比如像是控制不了自己的情绪或者是操作，控制不了自己的仓位在危机来临之际出现大幅度亏损等，但是要是有一个标准的尺度将这一切都控制起来，并且实现稳定盈利，那么这就建立了个人的股票交易系统。

股票交易系统是什么？

股票交易系统是指将交易习惯、交易情况、交易逻辑等各类方式组合在一起形成的一个系统性的操盘理念。总体来说，在形成一个交易系统之后，该系统能帮助我们改掉自己交易中的错误毛病，并且能随着我们的不断修正形成一个正确的，能稳定盈利的交易模型，这样我们才能将股市作为我们自身的提款机，完成财富自由。

那么怎么构建该系统呢？一般情况下都是从以下几个方面：

第一、选股方法。虽然靠着均线能选股，靠着指标也能选股，但是系统性的选股方法则是要结合宏观经济整体运行位置和环境，行业发展现状和前景，个股经营状况和财务。

第二、资金管理。操作上我们需要根据指数整体运行的位置和你的持仓位置确立资金配置的比例，比如私募这类专业机构，几十亿的资金要选几十支个股，每支个股根据位置和基本面情况要配置多少资金，这就是资金管理。当然我们则是要根据指数整体运行位置和持仓个股的位置来确立资金配置。

第三、仓位管理。就目前短线配置来说，就是20%的仓位，再不能多，因为短线风险大收益大，这些我们需要极为注意的。

第四、风险管理。在这里我们需要根据个股以及净资产的波动经过一段周期运行之后确立净资产曲线走势，然后计算风险收益比，看回撤幅度，用来推断目前策略的盈利能力。

第五、交易心理。在不断的交易中，在不断的质疑中，在不断的反思中逐渐让自己的思维更加的适合投资的本质。

⑸ 现在最好用的免费股票分析软件是哪

你好( ^_^)／感谢你的邀请！
很多人问：免费的股票分析软件真的好用吗？答案是：市面上有好用的！只是你没发现！
简单点的，同花顺旗下投资账本APP，可以导入股票基金、定期存款，数据实时同步，分析近2年收益盈亏。
另外，分析股票走势的方法很多，如下就常用的一些方法列举出来：
技术分析：
1.看K线图 股价是处于上升通道还是下跌通道？上升通道可以关注，但不要盲目追高，下跌通道不要碰。
2.看金叉死叉 当短期均线上穿中期或者长期均线时，形成最佳买点即金叉;短期均线下穿中期或者长期均线时，形成最佳卖点即死叉。这时再卖已有些下跌，因炒股软件里面的指 标有些滞后。
3.看量价关系 没放量股价在微涨，说明主力在布局;在上升通道中，明显放量但股价微跌，此时主力在盘整打压散户;放量逐渐加剧，此时拉高，主力快出货了，不要盲目追涨。 后面剧烈放量股价并未涨就是主力悄悄出货了。
基本面分析：
1.看公司有没有重组消息？重组包含很多方面。
2.看公司是否有关联交易？
3.看公司前期是否有亏损？
4.看上市公司产品是否属于国家政策扶持还是打压的？
5.看公司的盈利能力。 只要把以上的方法真正撑握了，你就是一个稳健的股票玩家了！但要注意炒股的心态！做短线，中线，长线完全看你个人的资金量了！
投资者炒股得掌握好一定的经验和技巧，这样才能分析出好的股票，平时得多看，多学，多做模拟盘，多和股坛老将们交流。吸收他们的经验。
如果一个股民经常亏损，我建议他要反思，需要总结一套自己炒股盈利的方法，这样炒股相对来说要稳妥得多，我现在也一直都在追踪同花顺投资账本里的高手学习，感觉还是受益良多，愿能帮助到你，祝投资愉快！

⑹ 求助offer怎么选腾讯TEG数据挖掘岗/私募基金量化交易系统开发岗

量化对冲基金在国外发展称为，甚至被称为"抗跌神奇"。在国外一直被称为股坛抗跌神话的量化对冲基金是否就此走下"神坛"？是否真的预示着其将有黯淡的未来？

按照现有量化基金主要的运作模式，大致分为三类：

一是多因子选股，单策略和多策略并行。多因子模型是应用最广泛的一种选股模型。其基本思想是：找到影响股票投资收益率的一组主要指标，并依据这些指标构建一个股票组合，期望该组合在未来一段时间内获得相对大盘的超额收益。除多因子选股外，很多量化基金还采取多种量化选股策略并行的模式，不同策略之间可以是平均分配资产，也可以设定不同的权重。

二是量化指数增强。量化指数增强型基金是指采取指数增强策略的主动管理型量化基金。与传统的指数增强基金不同，这类产品具有以下几个特点：1)股票投资范围并没有最低90%的限制，只需要满足契约限定的是股票型或者混合型基金的配置要求；2)基金契约中并未明确增强的标的指数；3)实际运作过程中，投资标的指数成分股或者备选成分股的资产占基金股票资产的比例没有最低80%的限制。

三是引入对冲机制，做绝对收益。股票对冲策略是指通过使用衍生品或者融券等做空手段，对冲持有的股票多头头寸的风险暴露，达到降低投资组合市场风险、获取选股Alpha收益的一种对冲投资策略。国内目前发行的产品主要是市场中性策略，即一般要求的投资组合的风险暴露不超过其多头头寸的15%至20%，并且长期维持在这一水平。

一、基础篇

1、在市场不稳定的情况下如何稳健套利？

套利，本就是很稳健的一种盈利方式。套利和盈利不同，相信您问的是在市场不稳定的情况下稳健"盈利"。先明确量化和对冲的概念，可下载OA系统中"量化对冲产品基础知识学习手册"进行详细学习。量化对冲产品在构建股票多头的同时，也构建期货空头。这种操作在市场不稳定时，可以对冲市场的系统风险，从而留下股票多头特有的盈利。

2、量化对冲产品的操作流程是怎样的？

先用量化投资的方式构建股票多头组合，然后空头股指期货对冲市场风险，最终获取稳定的超额收益。

3、收益方面、安全性方面哪个更有优势?

量化对冲产品在收益方面和安全性方面都有优势，属于风险和收益高度匹配的高性价比产品。

4、量化对冲程序化交易的对象是什么？

股票、债券、期货、现货、期权等等。

5、通过期货对冲的那部分资金是不是一定加杠杆的？

是的。期货是保证金交易，本身就带有杠杆性质。但这部分的杠杆不是为了博取高收益而主动加杠杆，而是为了"等市值对冲"。比如2个亿的基金，1.6个亿买股票，剩余0.4亿做股指期货空头（这0.4个亿为保证金，相当于做了市值1.6个亿的股指期货空头），这样下来整个基金几乎无风险敞口。

6、针对目前的市场，量化对冲策略是不是以市场中性为主要策略点？

是的。

7、量化对冲类产品收益大概在什么范围内？

我国主流的市场中性策略的量化对冲产品，年化收益大概在10%-20%。

8、如何确定准确的贝塔因子系数，来安全的对冲掉系统风险？

国内主流的市场中性策略量化对冲基金是等市值对冲，比如2个亿的基金，1.6个亿买股票，剩余0.4亿做股指期货空头（这0.4个亿为保证金，相当于做了市值1.6个亿的股指期货空头），这样下来整个基金几乎无风险敞口。

9、量化对冲选股范围都是哪些？大概选择多少支股票呢？

目前国内的量化对冲产品选股范围主要在A股内。股票的数量取决于量化对冲基金中对选股的量化要求，达标即入池，但是大多数量化对冲基金选股都达上百只。

10、量化选股的具体方法是什么？如何判断量化模型选出来的股票就是能赚钱的股票？

量化选股的具体方法：量化投资一般会选出几百支股票进行投资分析来分散风险，适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。

11、国内量化对冲使用的策略有哪些？

（1）主流：股票市场中性策略又称alpha策略，是当前国内私募证券投资基金最常用的策略之一。

它从消除市场系统性风险（Beta）的维度出发，通过同时构建多头和空头头寸对冲市场风险，以期获得较稳定的绝对收益。国内通常的操作方式为：买入股票同时卖空与股票等市值的股指期货（也可以采取融券方式），盈利模式为所买股票超越大盘的涨跌幅。

特点：较为稳健的策略，收益不高但稳定，回撤较小，适用于震荡市场，但是我国现在面临的问题在于，市场对于对冲策略日趋上涨的需求与实际对冲工具不足的矛盾（如2014年下半年多数运用市场中性策略的机构因为持有成长股，但是当时没有可以对冲成长股系统风险的股指期货，所以他们只能选择可以对冲大盘蓝筹股风险的沪深300股指期货，结果在大盘上涨、创业板下跌的行情中遭受了惨败），多种股指期货推出、股票期权上市以及融券业务的扩充能够缓解此类问题。

（2）股票多空策略，类似于alpha策略，但不同于alpha策略的是其会有多头敞口或者空头敞口，股票多空策略的操作难度大，因为除了要进行标的选择外，还需对大盘多空进行判断即择时。正因为如此，目前的量化多空策略，往往是以动量策略为主，即市场已经出现较为明显的趋势性上涨或者下跌行情时，再做相应的调整。

（3）CTA(期货管理)策略，侧重于期货市场的投资，投资于股指期货、外汇期货、国债期货等期货/期权品种及相应的现货品种。量化对冲类的管理期货产品，就是用量化手段判断买卖时点、用计算机程序化实现期货的投资策略。由于期货为T+0方式，因而采用程序化的高频交易比手动交易具有天然优势。从程序化交易这块，期货领域其实较为领先于股票领域，而且现在的期货高频策略已经由比拼策略思想提升到了比拼系统配置和下单速度等方面。特点：具有杠杆属性，收益率较高，但在无趋势的震荡行情中，由于杠杆特性会产生较大的回撤，受限于交易品种的成交量及活跃程度。

（4）套利复合策略，套利策略中最常见的是二级市场套利，包括商品跨期、跨品种套利，股指期货跨期、期现套利、ETF跨市场、事件套利、延时套利等。由于国内的金融工具和金融品种都不多，国内的套利策略多为方向性套利，即依赖于价格的上涨下跌而寻找套利机会，国外的期权可以对波动率预测进行套利。

由于在市场行情不温不火，波动较小时，这类策略往往找不到套利机会，因而国内的套利对冲基金往往会在无套利机会时，增加一些另外的小策略，构成套利复合策略。例如在套利机会较少时，套利基金会增加一小部分的趋势投机或者股票市场中性等。长期来看，这种方式更利于产品的发展。

特点：在我国是一类性价比较高的策略，但是资金容量有限，机会有限，需要不断开发新的策略；股票-期货套利在震荡市场中随着套利机会的增加而如鱼得水，但在稳定、波动小的市场中表现欠佳；分级基金套利在单边上涨市场中可以取得较高的收益，但是震荡市场中变现欠佳；目前主要问题是可套利品种不多、分级基金的活跃基金数不够多难以承受较大资金进出、可用金融工具仅有股指期货对冲性能不够。

（5）宏观对冲策略，宏观策略是一种基于宏观经济周期理论对经济增长趋势、资金流动、政策变化等因素进行自上而下的分析，预期其对股票、债券、货币、商品、衍生品等各类投资品价格的影响，运用量化、定性分析方法作出投资决策并在不同大类资产之间甚至是不同国家之间进行轮动配置，以期获得稳定收益。例如当对冲基金更看好未来美国经济的复苏，就可以逐步做多美股资产，同时将资金撤出新兴市场并做空新兴市场资产来构建组合。该策略的成功取决于对全球宏观经济趋势的判断，判断越准确，策略的效果越好。

12、量化对冲是否保本，风险多大？上下浮动多大？

量化对冲基金的合同与固定收益类信托、大部分银行理财产品一样，写的是不保本。市场中性策略量化对冲产品（国内主流），短期内最大回撤在5%，长期内都是稳增值的。而且部分量化对冲产品还采取分级结构，通过劣后级的资金对优先级投资者进行本金的保证。

13、风险收益方面跟阳光私募和信托有啥区别？

量化对冲产品也是一种阳光私募，相信您说的阳光私募指的是国内纯做主动管理股票多头的阳光私募基金，国内主流量化对冲产品的风险、收益介于主动管理股票多头阳光私募和固定收益信托之间，但是夏普率（投资性价比）普遍高于其他两种类型产品。

14、加杠杆和不加杠杆的区别在于哪里？

加杠杆可能会带来更多的收益，但是也要承担更多的风险。

15、整个市场上的量化对冲产品如何对比？

从多个方面去比较，看运用的策略、公司成立的时长、看管理团队的风格、看团队旗下同时期管理基金的夏普比率、波动率。

16、量化选股的具体方法是什么？如何判断量化模型选出来的股票就是能赚钱的股票？

量化选股的具体方法：量化投资一般会选出几百支股票进行投资分析来分散风险，适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。

二、进阶篇

1、目前管理层在对冲这块有一定的限制，那这个对量化对冲策略会不会产生一些影响？

禁止"做空"是禁止"裸做空"，并没有禁止量化对冲的空单，故以市场中性为主的量化对冲产品并无受影响。政策上完全禁止市场上一切做空动作的概率极小。如果真遇到监管"昏招"，可以做套利策略，比如分级基金套利。

2、怎样才能区别好的量化对冲策略与一般的策略？

好和不好要看和投资者的契合程度，对于追求稳健收益的投资者来说，市场中性策略的量化对冲产品是最合适的。在市场中性策略中，策略跑的时间越长、年化复合收益率相对较高、收益曲线表现越稳定、夏普率越高的产品相对更好。每年也有评测机构对各量化对冲产品进行综合排名。

3、量化对冲是需要写选股程序的，我们怎么知道选股程序是否比较优质呢，并且能为客户赚到正收益呢？

量化投资一般会选出几百支股票进行投资分析来分散风险，而且加入对冲系统风险的工具，很适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。

4、股指期货的金融种类不多怎么办？

现在已经有上证50期货、中证500期货、300期权、500期权、50期权等等，随着未来各类对冲工具越来越多，系统风险能更有效对冲，可选策略会更多，烫平波动的效果更好。

5、过往产品的历史、收益稳定性和回撤？

"对冲"的概念最早由AlfredW.Jones于1949年创立第一只对冲基金时提出，他认为"对冲"就是通过管理并降低组合系统风险以应对金融市场变化。全球范围内：截至2014年末，全球量化对冲基金管理资产规模已从1997年的1182亿美元发展到3万亿美元(近18万亿人名币)，增长20倍，年均复合增速20%。

我国范围内：2014年以前，量化对冲私募发行主要依托信托平台、及券商资管平台；2014年以后，《私募投资基金管理人登记和基金备案办法（试行）》实行，截至2015年2月7日，国内已完成登记的私募基金管理人为7358家，管理私募基金9156只，管理规模2.38万亿元人名币，如果估计证券投资类私募基金占比40%、量化对冲占证券投资比为15%，则国内当前量化对冲私募的管理资产规模估计约1500亿元，与全球3万亿美元（近18万亿人名币）的规模相比，占比约0.9%。我国主流的市场中性量化对冲产品收益稳定性极好。而且据相对完全统计，2015年6-7月（股灾时），已经成立1年的127只市场中性量化对冲产品中100只逆市上涨，剩下那27只回撤大都控制在5%之内。

补充问题：那这剩下的27只没有上涨什么原因导致的？答：各家量化选股还是有非常小的差异性，少数产品在短期内收益有小幅回撤是很正常的，反观这27只产品一年之中的收益曲线，也都呈现出了"净值稳增长"的态势。

6、量化对冲项目在做对冲时是不是有比例限制，比如是不是只能拿出10%出来做对冲还是没有规定？

国内主流的市场中性策略量化对冲基金是等市值对冲，比如2个亿的基金，1.6个亿买股票，另0.4亿做股指期货空头，无风险敞口。

三、风险应对篇

1、量化对冲的风险点在哪？

最大的风险在于基金经理建的股票多头所处的市场的β风险没有得到有效对冲这是2014下半年对冲基金面对的主要矛盾，多种股指期货推出、股票期权上市以及融券业务的扩充（利好：上证50、中证500股指期货4月16日上市）能够缓解此类问题。遇到这种极端情况，应对方式是：

（1）坚持持有，等待市场回归均衡，量化对冲策略多数是长期有效的。

（2）一般此时期货与现货价格会出现大幅偏离，基差套利可以获利或减少损失。

（3）现在已经有上证50期货、中证500期货、300期权、500期权、50期权等等，随着未来各类对冲工具越来越多，系统风险能更有效对冲，可选策略会更多，烫平波动的效果更好。综上，对于量化对冲，理解产品属性，长期持有是应对风险最好的办法。

2、量化对冲风险控制是如何做的？

量化对冲，故名思意，有量化，有对冲，对冲本就是一种风险控制（控制整体市场的风险），量化是一种严格的、利用计算机、利用程序的选股模式（控制的是人性的贪婪恐慌风险），另外量化对冲产品也设有预警和止损线，而且设置的较高（市场中性策略的量化对冲产品中，触及止损线的产品极少）。

3、量化对冲可能出现亏损现象吗？最大亏损可能是多少？

有可能出现，不同的策略有不同的回撤，阿尔法中性策略年度一般回撤5%-10%，量化对冲产品的止损线一般设置为0.9或者更高，这样在基金出现少量亏损的情况下可以严格止损。

4、目前市场都采用中性策略，如果市场稍微有大的波动会不会加剧大幅振动的可能？

中性策略与市场的涨跌相关性很低，市场波动对策略的影响很低。

5、某些量化对冲产品近期的净值小于1，怎么理解？

各家量化选股还是有差异性，少数产品在短期内收益有小幅回撤是很正常的，反观这些产品一年之中的收益曲线，也都呈现出了"净值稳增长"的态势。

6、可预见的政策性风险、可预见的市场性风险、可预见的操作性风险会有哪些?

这是一个非常宽泛的问题，虽然量化对冲在风险控制方面有优势，但也面临着各种不同的风险。可预见的政策性风险：因国家宏观政策（如货币政策、财政政策、行业政策、地区发展政策等）发生变化，导致市场价格波动而产生风险。可预见的市场性风险：如多头一方因持有股票会面对持有股票的一系列风险（价格波动风险、经济环境风险、上市公司经营风险等），而空头部分因持有空头股指期货会面对期货投资的风险（杠杆风险、基差风险、平仓风险等），但正因为多头风险与空头风险可以大部分相互对冲，所以整体风险被控制在一个较安全的水平。

可预见的操作性风险：相关当事人在业务各环节操作过程中，因内部控制存在缺陷或者人为因素造成操作失误或违反操作规程等引致的风险，如越权违规交易、会计部门欺诈、交易错误、IT系统故障等风险。当然这些可预见的风险，管理人都会提前做规避工作，尽全力做到"风险可控"。

四、营销篇

1、客户：相较目前的固收类的产品来说，收益没有太大的优势，同样要承担一定的风险，百分之十几的收益我宁愿选择私募产品。

按照客户风险偏好，对客户资产进行最优配置。客户想享受股票市场的收益，但又不太愿意冒太大风险的可以推荐配置量化对冲。市场中性策略的量化对冲产品是介于固定收益与浮动收益之间的一种产品，称为"类固定收益"，风险收益适中，预期收益10%-20%。

2、客户：产品如遇亏损，止损策略怎么进行，能保证我资金的安全吗？

止损根据产品不同有不同的止损条件，阿尔法中性策略年度最大回撤一般在5%左右，产品的止损线一般设置为0.9或更高。而且量化对冲基金通过严格的量化选股 操作、等市值构建股指期货空头来对冲系统风险，虽然在合同中跟银行理财、固定收益信托、主动管理型阳光私募产品一样都无法写上"保本"二字，但是您的资金 也是很安全的。

3、客户：对国外这个模型不相信，对于投入到二级市场不抱信心。

模型其实并不复杂，而且都是经过反复的理论和实际验证的，对二级市场不抱信心的客户更加可以推荐量化对冲，量化对冲适合所有行情，不惧股市下跌。

4、倾向固收类客户对政信类等更感兴趣，对量化对冲比较犹豫，偏向高风险客户又觉得收益不能动心。

政信类产品的收益率正在往下走，对风险厌恶型客户的资产配置可以推荐量化对冲类的阿尔法策略，风险相对较小，收益预期相对比较稳定。而偏向高风险的客户，也 可以进行细致分类。没有人会愿意为了追求一定的收益而承担相对更高的风险，对于量化对冲产品来说，它的收益和风险是高度匹配的，也就是具有高投资性价比。

5、客户：现在银行和很多私募都准备做量化对冲，国家可能会出不利的政策？

国家对恶意做空以及恶意高频交易操综市场的行为的会进行查处，国内主流的量化对冲产品以市场中性策略为主，做多股票+做空股指期货是同时进行的，而且做多与做空的头寸一致，国家对这类产品干预的可能性极低。

6、客户：具体的净值计算方法，净值创新高部分提取25%后，我的年化收益大概是多少？

扣除管理费、托管费、业绩提成之后，客户的收益在10%-20%区间，业绩提成一般客户80%，机构20%。

7、客户：操作策略中，期限套利和跨期套利可以认为是无风险套利，但本身收益做不高，年化6-7%已经不错，加了阿尔法套利，主动性加入后，风险就会增大，风险转化为收益是很好，如果风险削减收益，这会影响净值上升的斜率，本来斜率就很小，这样体现的收益不大，即使波动也在较小范围，我觉得不值。

量化对冲策略很多，无风险套利是其中一种，无风险套利的市场机会不是很多，可以作为基金的安全垫策略，阿尔法策略（也就是市场中性策略）是一种成熟策略，能够长期操作，加入后会增加收益的稳定性，风险变小，阿尔法的收益高于套利的收益，加入后收益变大。

对冲的意义在哪里？

对冲策略的"意义"在于去掉某种我们不想承担的风险，从而只保留我们想要的风险。

原则：所有回报都对应着风险。大而化之甚至可以说风险和回报是一回事，本篇中，风险和回报两个词是可以互换的

以一只股票来说，股票回报 = 自身经营回报 + 整个股市回报(β)。相应的，承担的风险 = 自身经营风险 + 整个股市风险。

如果我们对某家公司有强烈的看法（好坏皆可）并且 我们并非股市专家在股市整体走势预测上没有优势，那么我们就可以选择 买入股票（假设看好）+ 做空股指 以获得纯粹的公司自身经营回报。这时回报 = 股票回报 - 整个股市回报（股指）= 自身经营回报。风险也变成了只有自身经营风险。

例子1，假设我们是IT业内人士，对google未来几年强烈看好，但是对经济形势没看法，对股市大势没看法。就可以做多google做空股指来对冲掉股市的风险，假设股市上涨50%，google上涨70%，我们赚20%。股市下跌50%，google下跌30%，我们还是赚20%。只要我们判断正确，"即google未来会很好"，我们就赚到了。

例子2，我们看好新浪，买了新浪股票，但新浪股票在nasdaq上市，是用美元计价的，我们又不是经济学家，不知道将来人民币对美元是涨还是跌，如果美元下跌了，那么新浪股票（美元计价）相对于人民币而言就是下跌了，风险也就变成了 = 新浪自身 + nasdaq + 美元/人民币 。这时我们可以通过做空美元/人民币期货来对冲掉美元对人民币下跌的风险。

再来说下，对冲这种做法的由来。

最早使用对冲Hedge这个词的人是 阿尔弗雷德·温斯洛·琼斯(Alfred Winslow Jones,1900-1989)，他觉得股市难以预测，但预测一家公司的前景就容易多了，（ps.任何人都可以利用自己的行业知识挑出本行业内最好的公司，准确率比听消息高多了），那么我可以买入一家好公司，再卖出一家坏公司，这样一来，股市的影响就被去掉了，只要对这两家公司的看法没错就可以盈利了。

凭借这个理念，琼斯在1949年开创了第一家现代模式的对冲基金，它使用的策略学名叫股票多空（equity long/short)。
阿尔弗雷德·温斯洛·琼斯(Alfred Winslow Jones,1900-1989)（社会学博士、前愤青、前CIA、前socialism粉、前纳粹时期的犹太女德共的老公、前记者、前专栏作家）

股票多空策略，比我们刚才举的例子稍微复杂一点点，区别在于做空那端不是股指而是另一只股票，即买入好公司卖出坏公司，假设我们相信未来几年苹果比google好，我们就可以做多苹果做空google，回报 = 苹果好于google的那部分，同样是对冲掉了股市波动的风险，只剩下了我们对苹果和谷歌两家公司的预期。这样一来，不管纳斯达克怎么动，或者美国经济怎么糟糕都和我们没关系了。

类似的，可口可乐/百事可乐，茅台/五粮液，中石化/中石油，sony/panasonic，通用/福特，这个列表可以无限延伸下去，只要我们是某行业里的专家，我们就可以通过做多好的+做空差的来获利，而不管市场波动如何。（实践表明，即便08年那种大跌也无所谓）

如今，股票多空策略是对冲基金领域里的重要分支，规模庞大，种类繁杂。而对冲的思想也扩展到金融领域的方方面面，我们可以对冲汇率风险，对冲利率风险，对冲某种原材料风险，只要你能想的到就行。但其思路从未变过，就是剥离我们不想要的风险。

⑺ 国内有哪些数据分析和数据挖掘的牛人

国内有数据分析和数据挖掘的牛人有：清华计算机系的唐杰、中国传媒大学教授沈浩、SAS公司首席咨询顾问张磊、刘万祥等。简单介绍几个：
一、沈浩老师
中国传媒大学教授，这位老师给我深的印象就是比较喜欢旅游、爱摄影，除此之外更多的介绍还一下子想不起来。不过在博客分享了很多非常好的数据分析方法、数据可视化等。
张磊IDMER
SAS公司首席咨询顾问。现在的分析，不搞点挖掘、模型的，似乎就不够高级、不够唬人。这位博主可是数据挖掘的牛人，SAS、SPSS Clementine 的专家顾问啊。
三、刘万祥ExcelPro
刘万祥老师，《Excel图表之道》、《用地图说话》作者。专注于最专业、有效的商务图表沟通方法，追求图表的有效沟通，和专业的商务气质。
可以去这几位老师的博客上看一下，他们会经常分享非常好的数据分析、数据挖掘方法，不得不承认我们现在生活在一个用数据说话的时代，也是一个依靠数据竞争的时代。

想要了解更多数据分析，数据挖掘的相关内容，推荐CDA数据分析师课程。课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”。点击预约免费试听课

⑻ 炒股软件真的有用吗

炒股软件对经常炒股的股民来说是非常有用的，但是需要选择一款适合自己的炒股软件。

目前有两种炒股软件：

1、提供股票实时行情、交易功能。你可以利用它看股票、分析股票（没有特殊功能，只靠个人经验和一些普通的指标来分析行情和股票）、买卖股票。我们普通投资人人用的就是这种软件。比较有代表性的，比如：通达信、大智慧、同花顺等。当然这些软件也具备你说的：有能帮助选股的功能。

2、收费软件，也就是电视上、网上成天到处吹嘘自己的软件如何厉害、如何可以捉到大牛股、抓紧时间赶快订购等煽动性的语言刺激我们这些散户去买。

3、证券交易所看大盘软件，这个一般都是公司使用，个人不建议使用。

(8)股票市场数据挖掘扩展阅读：

手机炒股软件基于移动通信网的数据传输功能来实现用手机进行信息查询的新一代无线应用炒股系统，让一个普通手机成为综合性的处理终端。只要手机在GSM/CDMA网络覆盖的范围内（可以收到信号）能够够能进行查看行情、做。

线路资源相对丰富，比较电话委托的“堵单”和网上的“线路连接不上”，手机在下单速度和线路通畅的可靠性上更胜一筹。所以，除了柜台、电话委托和网上这三种方式外，最受股民欢迎的方式就是最快捷、最方便的手机了。

股票软件即针对股票交易而开发的软件系统，也被称为炒股软件，基础功能包括财经资讯、股票行情、数据挖掘与分析、智能选股、交易系统。国内的股票软件从上世纪九十年代初的少数几家的独领风骚，到已经发展成为百家齐放的局面，有的以行情实时性见长，有的以咨询研究擅长，各具特色。

股票软件的实质是通过对市场信息数据的统计，按照一定的分析模型来给出数（报表）、形（指标图形）、文（资讯链接）。用户则依照一定的技术分析理论，来对这些结论进行解释，也有一些傻瓜式的易用软件会直接给出买卖的建议。

其实，比较正确，或者实在的用法，是应该挑选一款性能稳定、信息精准的软件，结合自己的炒股经验，经过摸索之后，形成一套行之有效的应用法则，那样才是值得信赖的办法，而机械地轻信软件自动发出的进场离场的信号，往往会谬以千里。

参考资料来源：网络-手机炒股软件

参考资料来源：网络-股票软件

⑼ 数据挖掘的国内外研究现状

摘要：随着网络、数据库技术的迅速发畏以及数据库管理系统的广泛应用，人们积累的数据越来越多。数据挖掘(Data Mining)就是从大量的实际应用数据中提取隐含信息和知识，它利用了数据库、人工智能和数理统计等多方面的技术，是一类深层次的数据分析方法。

关键词：数据挖掘；知识；分析；市场营销；金融投资

随着网络、数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。由此，数据挖掘技术应运而生。下面，本文对数据技术及其应用作一简单介绍。
一、数据挖掘定义
数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。它是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。简而言之，数据挖掘其实是一类深层次的数据分析方法。从这个角度数据挖掘也可以描述为：按企业制定的业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。
二、数据挖掘技术
数据挖掘技术是人们长期对数据库技术进行研究和开发的结果，代写论文其中数据仓库技术的发展与数据挖掘有着密切的关系。大部分情况下，数据挖掘都要先把数据从数据仓库中拿到数据挖掘库或数据集市中，因为数据仓库会对数据进行清理，并会解决数据的不一致问题，这会给数据挖掘带来很多好处。此外数据挖掘还利用了人工智能(AI)和统计分析的进步所带来的好处，这两门学科都致力于模式发现和预测。数据库、人工智能和数理统计是数据挖掘技术的三大支柱。由于数据挖掘所发现的知识的不同，其所利用的技术也有所不同。
1．广义知识。指类别特征的概括性描述知识。根据数据的微观特性发现其表征的、带有普遍性的、较高层次概念的、中观和宏观的知识，反映同类事物的共同性质，是对数据的概括、精炼和抽象。广义知识的发现方法和实现技术有很多，如数据立方体、面向屙性的归约等。数据立方体的基本思想是实现某些常用的代价较高的聚集函数的计算，诸如计数、求和、平均、最大值等，并将这些实现视图储存在多维数据库中。而面向属性的归约是以类SQL语言来表示数据挖掘查询，收集数据库中的相关数据集，然后在相关数据集上应用一系列数据推广技术进行数据推广，包括属性删除、概念树提升、属性阈值控制、计数及其他聚集函数传播等。
2．关联知识。它反映一个事件和其他事件之间依赖或关联的知识。如果两项或多项属性之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。最为著名的关联规
则发现方法是Apriori算法和FP—Growth算法。关联规则的发现可分为两步：第一步是迭代识别所有的频繁项目集，要求频繁项目集的支持率不低于用户设定的最低值；第二步是从频繁项目集中构造可信度不低于用户设定的最低值的规则。识别或发现所有频繁项目集是关联规则发现算法的核心，也是计算量最大的部分。
3．分类知识。它反映同类事物共同性质的特征型知识和不同事物之间的差异型特征知识。分类方法有决策树、朴素贝叶斯、神经网络、遗传算法、粗糙集方法、模糊集方法、线性回归和K—Means划分等。其中最为典型的分类方法是决策树。它是从实例集中构造决策树，是一种有指导的学习方法。
该方法先根据训练子集形成决策树，如果该树不能对所有对象给出正确的分类，那么选择一些例外加入到训练子集中，重复该过程一直到形成正确的决策集。最终结果是一棵树，其叶结点是类名，中间结点是带有分枝的屙性，该分枝对应该屙性的某一可能值。
4．预测型知识。它根据时间序列型数据，由历史的和当前的数据去推测未来的数据，也可以认为是以时间为关键属性的关联知识。目前，时间序列预测方法有经典的统计方法、神经网络和机器学习等。1968年BoX和Jenkins提出了一套比较完善的时间序列建模理论和分析方法，这些经典的数学方法通过建立随机模型，进行时间序列的预测。由于大量的时间序列是非平稳的，其特征参数和数据分布随着时间的推移而发生变化。因此，仅仅通过对某段历史数据的训练，建立单一的神经网络预测模型，还无法完成准确的预测任务。为此，人们提出了基于统计学和基于精确性的再训练方法，当发现现存预测模型不再适用于当前数据时，对模型重新训练，获得新的权重参数，建立新的模型。
5．偏差型知识。它是对差异和极端特例的描述，揭示事物偏离常规的异常现象，如标准类外的特例、数据聚类外的离群值等。所有这些知识都可以在不同的概念层次上被发现，并随着概念层次的提升，从微观到中观、到宏观，以满足不同用户不同层次决策的需要。
三、数据挖掘流程
数据挖掘是指一个完整的过程，该过程从大型数据库中挖掘先前未知的、有效的、可实用的信息，代写毕业论文并使用这些信息做出决策或丰富知识。数据挖掘的基本过程和主要步骤如下：
过程中各步骤的大体内容如下：
1．确定业务对象，清晰地定义出业务问题。认清数据挖掘的目的是数据挖掘的重要一步，挖掘的最后结构不可预测，但要探索的问题应该是有预见的，为了数据挖掘而挖掘则带有盲目性，是不会成功的。
2．数据准备。(1)数据选择。搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。(2)数据预处理。研究数据的质量，进行数据的集成、变换、归约、压缩等．为进一步的分析作准备，并确定将要进行的挖掘操作的类型。(3)数据转换。将数据转换成一个分析模型，这个分析模型是针对挖掘算法建立的，这是数据挖掘成功的关键。
3．数据挖掘。对所得到的经过转换的数据进行挖掘。除了完善和选择合适的挖掘算法外，其余一切工作都能自动地完成。
4．结果分析。解释并评估结果。其使用的分析方法一般应视挖掘操作而定，通常会用到可视化技术。
5．知识同化。将分析所得到的知识集成到业务信息系统的组织结构中去。
四、数据挖掘的应用
数据挖掘技术从一开始就是面向应用的。目前在很多领域，数据挖掘都是一个很时髦的词，尤其是在如银行、电信、保险、交通、零售(如超级市场)等商业领域。
1．市场营销。由于管理信息系统和P0S系统在商业尤其是零售业内的普遍使用，特别是条形码技术的使用，从而可以收集到大量关于用户购买情况的数据，并且数据量在不断激增。对市场营销来说，通过数据分析了解客户购物行为的一些特征，对提高竞争力及促进销售是大有帮助的。利用数据挖掘技术通过对用户数据的分析，可以得到关于顾客购买取向和兴趣的信息，从而为商业决策提供了可靠的依据。数据挖掘在营销业上的应用可分为两类：数据库营销(database markerting)和货篮分析(basket analysis)。数据库营销的任务是通过交互式查询、数据分割和模型预测等方法来选择潜在的顾客，以便向它们推销产品。通过对已有的顾客数据的辱淅，可以将用户分为不同级别，级别越高，其购买的可能性就越大。货篮分析
是分析市场销售数据以识别顾客的购买行为模式，例如：如果A商品被选购，那么B商品被购买的可能性为95％，从而帮助确定商店货架的布局排放以促销某些商品，并且对进货的选择和搭配上也更有目的性。这方面的系统有：Opportunity Ex-plorer，它可用于超市商品销售异常情况的因果分析等，另外IBM公司也开发了识别顾客购买行为模式的一些工具(IntdligentMiner和QUEST中的一部分)。
2．金融投资。典型的金融分析领域有投资评估和股票交易市场预测，分析方法一般采用模型预测法(如神经网络或统计回归技术)。代写硕士论文由于金融投资的风险很大，在进行投资决策时，更需要通过对各种投资方向的有关数据进行分析，以选择最佳的投资方向。无论是投资评估还是股票市场预测，都是对事物发展的一种预测，而且是建立在对数据的分析基础之上的。数据挖掘可以通过对已有数据的处理，找到数据对象之间的关系，然后利用学习得到的模式进行合理的预测。这方面的系统有Fidelity Stock Selector和LBS Capital Management。前者的任务是使用神经网络模型选择投资，后者则使用了专家系统、神经网络和基因算法技术来辅助管理多达6亿美元的有价证券。
3．欺诈甄别。银行或商业上经常发生诈骗行为，如恶性透支等，这些给银行和商业单位带来了巨大的损失。对这类诈骗行为进行预测可以减少损失。进行诈骗甄别主要是通过总结正常行为和诈骗行为之间的关系，得到诈骗行为的一些特性，这样当某项业务符合这些特征时，可以向决策人员提出警告。
这方面应用非常成功的系统有：FALCON系统和FAIS系统。FALCON是HNC公司开发的信用卡欺诈估测系统，它已被相当数量的零售银行用于探测可疑的信用卡交易；FAIS则是一个用于识别与洗钱有关的金融交易的系统，它使用的是一般的政府数据表单。此外数据挖掘还可用于天文学上的遥远星体探测、基因工程的研究、web信息检索等。
结束语
随着数据库、人工智能、数理统计及计算机软硬件技术的发展，数据挖掘技术必能在更多的领域内取得更广泛的应用。

参考文献：
[1]闫建红《数据库系统概论》的教学改革与探索[J]．山西广播电视大学学报，2006，(15)：16—17．

⑽ 我看现在市场上面有很多卖炒股软件的，靠谱吗

我看现在市场上面有很多卖炒股软件的,靠谱吗?股票软件更准确的称谓应该是证券分析软件或证券决策系统，它的基股票软件本功能是信息的实时揭示（包括行情信息和资讯信息），所以早期的股票软件有时候会被叫做行情软件。股票软件的实质是通过对市场信息数据的统计，按照一定的分析模型来给出数（报表）、形（指标图形）、文（资讯链接），用户则依照一定的技术分析理论，来对这些结论进行解释，也有一些傻瓜式的易用软件会直接给出买卖的建议，这些易用软件大部分是用专业视角剖析整个股市的走势。