⑴ 量化交易的matlab從哪裡開始入門
樓主你還是大二，時間很多的很，大學是學習時間最充沛的時候。量化交易相對來說在國內還是比較「高端」的，因為會編程的投資人太少，樓主本身會編程讓人羨慕。建議樓主下個恆生量化贏家軟體，先從了解程序化交易軟體開始。在慢慢積累適合自身的投資思想以及投資策略。找到適合自己的投資聖杯。
⑵ 怎麼用matlab建立量化交易模型
為了減少擬合的自由參數的數目，LPPL中的3個線性參數（A、B、C）被slaved to（我不知道中文該如何翻譯）剩下的4個非線性參數。
根據目標函數在對3個線性參數（A、B、C）求偏導之後，所得的導數式在求得極小值的情況下應為0，我們可以得到聯立方程組。
⑶ 量化演算法交易員一般使用什麼語言為股票趨勢編程 MATLAB
一、三個指數的今日走勢，看量價，看走勢的輕重緩急，關鍵點位。
二、行業板塊指數的漲跌幅，資金交易量，這個與指數結合起來看，看看大盤是健康的還是畸形的。
三、看個股，因為幫客戶做風險控制，所以主要看客戶的個股，計算客戶明日最大虧損值，是否在可以承受范圍之內。
⑷ 有沒有懂期貨日內量化交易策略和matlab的能幫助一下
你這個屬於一字漲停的數據，。。。就是開盤直接封板，這個沒有什麼機會做什麼交易策略了，換個品種交易吧。
⑸ 如何利用matlab對交易策略進行回測
這個很簡單啊，我現在就在用matlab做期貨量化的回測呢
關鍵的構成：
一是：形成自己策略的思想和流程圖
二是：從TB或者其他軟體中導出需要的tick等級別的數據，根據自己的思想和流程圖編輯程序，最好多使用function函數句柄，是程序的可適性增強。
三是：繪制圖片，plot，mesh或者GUI，來觀測自己參數對策略的影響，進而進一步完善策略
四是：多用cell元胞數組，根據TB等回測報告形成自己的測試報告，比如空多盈虧，回撤等等。
⑹ 量化交易里的matlab主要用來干什麼
首先有一些交易的思路，不許能夠把它說出來，在紙上變成明確的交易邏輯，有很多人用盤感下單，有些人每次下單的原因都不一樣，每次都可以找出不同的交易進出場決定。但是，如果你是想做程序化交易，就必須要有明確且具體的買賣點操作邏輯，可以被完全量化。交易規則要合乎邏輯，比如只有買進沒有賣出的邏輯就是無法構成一個完整的交易策略。使用matlab按照一些常用的規則不如構造指標，寫入買賣邏輯，進行整合交易策略。這個就可以使用Auto-Trader編寫，寫入代碼就是純matlab代碼，只有一些調用的API。都是純matlab語言，並不難。編寫好一個策略之後，我們需要拿到歷史上某段時間段，某一指定頻率的測試。必須看起來還可以，比如曲線往上行，或者損失並沒有損失非常多的錢，如果回撤非常巨大就要進入分析最大回撤段的原因。這個可以在策略分析模塊有比較詳盡的分析。把該策略在多個品種、周期上測試，查看績效表現。採用組合優化選取參數，交叉驗證，分樣本外樣本內檢驗。可以使用各種優化目標進行優化挑選參數。最優化這一部分必須非常小心，容易出現過度擬合的情形，這個是整個策略開發非常重要的一步，一般會採用walk forward 分析，重抽樣技術來做一些策略過擬合檢驗。觀察分析在不同的市場結構裡面策略的表現情況，這一部分後面會有更為詳盡的敘述，當然本人是不建議進行優化操作的。
⑺ 選股策略回測用 Matlab 好還是用 Python 好
都是工具，也都可以開發選股策略的回測，推薦Python.理由：Python免費且開源Python編程語言簡潔優美Python有眾多的量化包，包括獲取數據、處理數據、回測、風險分析。目前國外、國內很多平台和項目都是使用PythonPython開發策略，簡潔高效，這里舉幾個例子：1.[量化學堂-策略開發]金叉死叉策略2.[量化學堂-策略開發]海龜策略3.[量化學堂-策略開發]淺談小市值策略4.[量化學堂-策略開發]多頭排列回踩買入策略5.[量化學堂-策略開發]藉助talib使用技術分析指標來炒股6.[量化學堂-策略開發]大師系列之價值投資法7.[量化學堂-策略開發]事件驅動策略（基於業績快報）8.[量化學堂-策略開發]基於協整的配對交易9.[量化學堂-策略開發]使用cvxopt包實現馬科維茨投資組合優化:以一個股票策略為例這些策略涵蓋了股票量化主要的策略類型，但是使用Python語言，每個策略代碼都不多。
⑻ matlab做量化投資分析，怎麼學
做了2年半程序化，開發了一套適用多品種多周期的趨勢策略，靠自己摸索。
tb加matlab開發，很多問題答案網上是找不到的。
⑼ MATLAB滬深A股量化投資是研究什麼的哪裡有這方面的培訓
MATLAB是功能強大的計算軟體，用它可以分析股票數據。你可以找MATLAB的書看看。
⑽ 量化投資中，MATLAB和python哪一個好
Matlab在矩陣處理方面的強大優勢Python無法比擬，我曾經用Matlab和Python跑同一個演算法，涉及到矩陣中Symbol求導。Python用的是Numpy，Sympy和Scipy，感覺Sympy中Matrix雖然功能強大，但是速度很慢，而且需要專注其中各種細節。如：其對Complex類型是無法自動expand的，常常出現(1+I)(2I+1)這種結果，這時需要調用.expand來解決。Matlab可以使你專注於模型，Python要超過Matlab還需要時間。但是Python在內容抓取，機器學習，等有強大的第三方包，如Scarpy，Skikit-learn等，發展很快。概括之：現在用Matlab，未來用Python