固定收益量化交易自营部，是运用公司自有资金，进行债券相关金融产品的投资交易。我做的主要是国债期货的量化交易，实践的方法有两种，第一种是运用机器学习的方法，第二种是运用随机过程的方法。

第一种方法，运用机器学习的方法：

机器学习就是寻找变量x和y的关系。在这个方法中变量x是包含200多个维度的时间序列数据，时间是从15年开始到20年。这个数据主要包含有两种，第一种是技术因子,(可以从k线图中计算的到的因子，包括KDJ，RSI，布林带，近期波动率与收益率等)，第二种是基本面因子（包含国开债收益率，各大股指指数，央行逆回购MLF，市场7日资金收益率，中美国债利差等）。有些因子会做一个一阶差分，作为一个新的因子。变量y有两个，为每日做多收益率和做空收益率。简单理解是做多收益率计算为 log(close) – log(open) ，做空收益率为 log(open) –log(close) 。x，y准备完毕，进行训练。设定参数N为影响日期，x矩阵前N行为第一个样本，y的第N+1个值为这个样本对应的y。这样就可以最终得到需要的数据集。

得到数据集之后进行训练，首先按照比例划分训练集，验证集与测试集，然后进行训练，模型采取的主要是CNN模型和LSTM模型。模型构建还是比较简单，由于考虑到每个因子可能有差分情况，CNN模型首先使用一维卷积，对每个因子进行卷积，然后进行二维卷积，调整维度，最后经过线性层得到输出，输出是一个值。Loss定为输出的值和真实值的MSE，进行完成模型的训练验证和测试。两个模型经过训练验证和测试训练好之后，在测试集上有相应数量的输出，我们会比较两个输出的大小，取大且正的那个值，进行对应方向的交易。结合真实的价格，计算出每日收益率，pnl，和夏普率等指标进行观察。（eval的时候以什么指标进行模型保存？答：验证集一共有40天数据，经过训练做多模型给出预测，预测值和真实值正负相同，则预测正确天数加一，最后以预测正确天数除以总天数，作为是否保存模型的指标。）

我的主要工作量：

1，时间序列计算KDJ，RSI，MACD，W&R，BOOL技术因子。（择日，择时）

2，计算央行逆回购（7日，30日好多类型）未来一段时间到期、过去一段时间到期，过去一段时间投放的量。（5日，20日，40日，60日…….180日）

3，计算y值，并不是简单的取出close和open，还会有止损机制，设定移动回撤大于历史365天的ATR的N（10%）分位数止损；当最近20个tick跌幅大于历史365天的ATR的M（5%）是止损；做空相反逻辑处理。

4，设计模型，并整理完成自动迭代。

心得：与传统模型不同之处，自己需要设计x和y，且x和y并不直观。市场上x的指标有很多种，y的指标除了做多做空收益率之外，考虑到市场的滞后效应，还会有一个五日做多收益率等，都需要去尝试。金融数据我们期望x和y有一定的线性关系，会对每个x因子做一下和y的线性模型，查看线性模型的F值，r方，秩相关系数等指标。我们期望设计出来的模型有一定的稳定性，所以我们还会计算x每个因子的平稳性（ADF检验和Hurst检验），我们期望整体输给模型的数据是平稳的，所以还要做一下x的协整，如果不协整，就做差分等操作，使之协整之后再进行模型训练。

第二种方法，运用随机过程的方法：

我们经过平稳性检验（ADF检验和Hurst检验）发现价格差这个时间序列满足均值回归假设，我们用OU过程来拟合均值回归这个假设。得到的参数现在价格和30日均值价格的差diff，alpha ，ETua 和VTua，其中alpha代表均值回归力度，ETua代表均值回归预期时间，VTua代表均值回归预期时间的可信程度。对于每一天的数值，当diff ， alpha ，VTua/ETUa满足一定条件的时候，我们做多或者做空（进场），当这四个条件达到一定程度的时候平仓。根据持仓情况计算出每日收益率和累计收益率和sharp率。拟合效果还不错，当进场价差为0.6，出场为0.4，进场alpha为 0.25，出场alpha为0.05，进场ETua 为5，出场ETUa为10的时候，各个合约交易，刨除手续费之后sharp为0.52左右。

实习体验：量化交易，我们期望通过一些统计方法来发现数据中可能存在的某些规律，机器学习是强大的函数拟合器，可以用机器学习的方法来探索规律。但是存在以下问题：第一，机器学习模型的不可解释性，做投资交易模型，还是期望模型可解释程度比较高，单纯拟合得到的模型，如果在一定时间内失效了，我们可以根据模型的解释性去调整模型，而不是重新训练拟合。第二，金融数据跟随不同的金融周期，会发生规律迁移的现象，有时候模型拟合效果的不好，可能是规律迁移导致的。量化交易作为一种交易方法，发展路途仍然遥远漫长，