Lisawang
开设学校：对外经济贸易大学开设学院：统计学院所属学科：金融学课程名称：资产管理与量化投资方向配备最强师资组合对外经济贸易大学在职研究生享受与统招研究生一模一样的师资，均为硕导、博导。对外经济贸易大学校长施建军、统计学院副院长刘立新教授在该领域内享有很高声誉，均参与在职研究生授课。课程特有国际性、前沿性、实践性对外经贸大学自身国际化、前沿化特征显著，金融专业一直是对外经贸大学的优势学科，所设课程同样与国际金融市场接轨密切，如量化投资、统计套利、高频交易等。课程将资产管理和量化投资技术紧密结合课程讲授金融各行业资产管理业务的发展模式及运用，尤其是运用量化投资技术和程序交易进行资产管理：套利策略设计、投资方案实施、风险分析、市场预测等，旨在培养复合型的金融高级人才。定期为在职研究生开展主题讲座论坛邀请政府和业内知名专家举办系列关于经济金融政策分析、金融监管、金融市场投资、风险管理等方面专题讲座。如：贵金属市场投资、微量网量化投资、风险投资、投资银行、对冲基金、等专题。 伴随着金融全球化的进程，以及我国金融市场的发展创新，利用多市场、多品种、多策略的综合投资和管理将成为未来资产管理、财富管理、风险管理、结构化产品设计的重要发展模式，尤其是运用量化投资技术和程序交易进行套利策略设计、投资方案实施、风险分析、市场预测等。为适应政府、各类金融机构（银行业、证券业、保险业、期货业、信托业等）以及各类企事业单位对资产管理和投资分析人才迅速增长的需求，提高从事资产管理、金融市场投资、财富管理和养老金策划、社会保障等领域在职人员的专业理论水平，尤其是运用量化投资方法进行资产管理，对外经贸大学特开设金融学专业资产管理与量化投资方向在职研究生课程，旨在培养复合型专业化人才。 资产管理已经成为我国金融市场的发展创新的重要领域，许多金融机构纷纷成立专门的资产管理公司以满足社会发展的需求，而资产管理不仅需要对于各类型资产的了解、应用，更重要的是基于经济金融的生态环境的变化进行综合的、动态的资产管理。学员通过资产管理与量化投资方向的专业学习，不仅可以掌握运用金融产品及投资理论进行资产管理的方法和技术，而且可以通过不同金融市场的实务操作、案例分析、专题讲座了解现代资产管理的应用，掌握运用量化技术进行投资、融资、资产负债管理、财富管理的手段，为从事资产管理领域的工作提供必要的准备。 1、随着国际国内金融市场的发展，现阶段资产管理已经成为我国金融市场发展创新的重要领域；2、加大资产管理业务是金融行业扩大资产规模，增加收益的最好选择；3、资产管理是企业追求长期稳定收益的必然选择；4、资产管理是普通投资人（家庭、个人投资理财）最受益的选择方式；5、资产管理是规范金融市场的有效途径，极大的降低市场的波动率；6、资产管理业务是金融从业人员的激励和动力，促使金融从业人员优胜劣汰，优化金融团队；7、政府支持、政策支撑：资产管理为社会、金融业、企业、个体等均带来巨大收益，自2012年开始政府大力支持，对其放宽政策，目的就是将此项业务坚定不移的开展下去。报名条件：1、从事社会工作三年以上的大专学历者；2、大学本科毕业三年，并获得学士学位，可申请金融学专业经济学硕士学位。 按照对外经贸大学金融学专业硕士研究生培养方案，根据资产管理与量化投资方向的具体情况实施课堂教学。学位课程：微观经济学 宏观经济学 财政学国际经济学货币银行学 社会主义经济理论资产管理模块：投资组合与基金管理 固定收益与信托产品投资保险规划与财税规划 衍生产品与另类投资量化投资模块：金融工程与量化投资 技术分析与高频交易金融统计与计量 统计套利与程序交易金融市场、财务策划模块：金融市场实务 理财规划实务金融风险管理 财务报表分析 1、申请学位按照对外经济贸易大学研究生部学位办公室关于以研究生毕业同等学力申请硕士学位的规定办理。所交学费不包括进入论文阶段后的费用。2、报名参加研究生课程进修班学习的人员，可在报名时提出以研究生毕业同等学力申请硕士学位。3、国家统一组织的英语和经济学学科综合水平考试，由我院协助学员到研究生部办理手续，费用按规定由学员交纳。4、我院将为学员安排教师进行学位论文的指导。 
量化投资是通过计算机对金融大数据进行量化分析的基础上产生交易决策机制。设计金融数学和计算机的知识和技术，主要有人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程这几种。1．人工智能人工智能（Artificial Intelligence，AI）是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及计算机科学、心理学、哲学和语言学等学科，可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，还要考虑形象思维、灵感思维才能促进人工智能的突破性发展，数学常被认为是多种学科的基础科学，因此人工智能学科也必须借用数学工具。数学不仅在标准逻辑、模糊数学等范围发挥作用，进入人工智能学科后也能促进其得到更快的发展。金融投资是一项复杂的、综合了各种知识与技术的学科，对智能的要求非常高。所以人工智能的很多技术可以用于量化投资分析中，包括专家系统、机器学习、神经网络、遗传算法等。2．数据挖掘数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的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。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。在量化投资中，数据挖掘的主要技术包括关联分析、分类/预测、聚类分析等。关联分析是研究两个或两个以上变量的取值之间存在某种规律性。例如，研究股票的某些因子发生变化后，对未来一段时间股价之间的关联关系。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阈值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。聚类就是利用数据的相似性判断出数据的聚合程度，使得同一个类别中的数据尽可能相似，不同类别的数据尽可能相异。3．小波分析小波（Wavelet）这一术语，顾名思义，小波就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与傅里叶变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题，成为继傅里叶变换以来在科学方法上的重大突破，因此也有人把小波变换称为数学显微镜。小波分析在量化投资中的主要作用是进行波形处理。任何投资品种的走势都可以看做是一种波形，其中包含了很多噪音信号。利用小波分析，可以进行波形的去噪、重构、诊断、识别等，从而实现对未来走势的判断。4．支持向量机支持向量机（Support Vector Machine，SVM）方法是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，简单地说，就是升维和线性化。升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起维数灾难，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）。一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了维数灾难。这一切要归功于核函数的展开和计算理论。正因为有这个优势，使得SVM特别适合于进行有关分类和预测问题的处理，这就使得它在量化投资中有了很大的用武之地。5．分形理论被誉为大自然的几何学的分形理论（Fractal），是现代数学的一个新分支，但其本质却是一种新的世界观和方法论。它与动力系统的混沌理论交叉结合，相辅相成。它承认世界的局部可能在一定条件下，在某一方面（形态、结构、信息、功能、时间、能量等）表现出与整体的相似性，它承认空间维数的变化既可以是离散的也可以是连续的，因而极大地拓展了研究视野。自相似原则和迭代生成原则是分形理论的重要原则。它表示分形在通常的几何变换下具有不变性，即标度无关性。分形形体中的自相似性可以是完全相同的，也可以是统计意义上的相似。迭代生成原则是指可以从局部的分形通过某种递归方法生成更大的整体图形。分形理论既是非线性科学的前沿和重要分支，又是一门新兴的横断学科。作为一种方法论和认识论，其启示是多方面的：一是分形整体与局部形态的相似，启发人们通过认识部分来认识整体，从有限中认识无限；二是分形揭示了介于整体与部分、有序与无序、复杂与简单之间的新形态、新秩序；三是分形从一特定层面揭示了世界普遍联系和统一的图景。由于这种特征，使得分形理论在量化投资中得到了广泛的应用，主要可以用于金融时序数列的分解与重构，并在此基础上进行数列的预测。6．随机过程随机过程（Stochastic Process）是一连串随机事件动态关系的定量描述。随机过程论与其他数学分支如位势论、微分方程、力学及复变函数论等有密切的联系，是在自然科学、工程科学及社会科学各领域中研究随机现象的重要工具。随机过程论目前已得到广泛的应用，在诸如天气预报、统计物理、天体物理、运筹决策、经济数学、安全科学、人口理论、可靠性及计算机科学等很多领域都要经常用到随机过程的理论来建立数学模型。研究随机过程的方法多种多样，主要可以分为两大类：一类是概率方法，其中用到轨道性质、随机微分方程等；另一类是分析的方法，其中用到测度论、微分方程、半群理论、函数堆和希尔伯特空间等，实际研究中常常两种方法并用。另外组合方法和代数方法在某些特殊随机过程的研究中也有一定作用。研究的主要内容有：多指标随机过程、无穷质点与马尔科夫过程、概率与位势及各种特殊过程的专题讨论等。其中，马尔科夫过程很适于金融时序数列的预测，是在量化投资中的典型应用。现阶段量化投资在基金投资方面使用的比较多，也有部分投资机构合券商的交易系统应用了智能选股的技术。
如何简单理解量化投资_相关论文(共11223篇)_百度学术
