Stat Arb

我发现HPCA是一个非常有用的特征选择工具。它使你在需要在特征之间进行选择的簇变得比相关性网格更清晰。

单元测试是对你的代码可能存在错误的承认。真正的手动高频交易开发者不使用它们

ChatGPT 让原本无能为力的人能够生成漂亮的图表，这彻底改变了量化交易领域的空间

我看到一些关于订单簿与RFQ的评论。作为一个既报价过的人的一些想法：
1. RFQ本质上只接受买方，因此你会受到成本的限制，无法通过将其转化为头寸来实现更高周转策略所需的超低成本执行。
2. 对于不是特别大规模的交易，订单簿通常会提供更优的成本。
3. 在净风险与总风险差异显著的情况下，RFQ可以表现得更好。这包括多腿头寸和期权结构（在订单簿中执行时，你支付的是希腊指标的总额，而在RFQ中执行时，你支付的是净额）。
4. 在交易大规模头寸时，只要成交不公开，你实际上可以实现执行套利，即场外交易台以其执行成本执行头寸，并向你收取比使用自己低效的执行算法（如基础的买方TWAP）执行头寸更低的费用。
除了那些试图进行大规模交易或总风险与净风险之间差异极大的情况外，RFQ无法与订单簿竞争，订单簿在常规情况下应被优先考虑。

对于那些不擅长编码、想尝试量化策略的人，我认为：是一个进行策略研究和部署的绝佳产品。虽然还处于早期，但非常酷！值得一试 :)
[这是一个真实的推荐，我没有任何经济利益]

我曾在电话中见过斯托伊科夫一次，觉得他完全是个白痴。
不要太相信学术界。

博客上的最新文章 (免费向所有读者开放)：行业
关于办公桌、基金和团队的结构，典型的薪酬范围，成本归属，以及作为管理者做出明智选择的方法。

知识片段
什么是因子？
我觉得，直到我开始非常积极地交易它们之前，我一直没有真正理解这个概念。
因子并没有什么特别的，它们只是重要的阿尔法——仅此而已。
你用因子来说：
嘿，这些阿尔法解释了很大一部分方差，而我不想再去找到它们。 在加密货币里，这可能是一个动量因子，所以为了避免找到20个版本的同一个效应，我们使用xs回归来把我们的动量特征从回报中移除，然后就可以用特定因子的回报来测试(回报减去由因子解释的回报，本质上)。
第一个因子总是市场，所以在股票里，我们取S&P500的贝塔，然后从资产中减去S&P * 贝塔的回报。 这就得到了特异性回报。从这里我们还可以进一步去除因子。
最终，因子只不过是你认为能解释大量方差的阿尔法而已，除了它与许多你会发现的事物非常核心之外，它并没有什么“基本”的或特殊的地方。
阿尔法取决于你研究什么。如果你在研究高频交易（HFT）并预测1分钟之后，你仍然可以有因子。最著名的是订单簿不平衡。正如我所说，因子只是一个能解释大量方差的阿尔法，而且众所周知订单簿不平衡占了很多方差，就像过去的收益 * -1在1小时时间框架内占了很多方差一样。它也是你经常会在不经意间发现的阿尔法。在HFT的语境下，订单簿不平衡并不是说它能解释任何风险调整后的回报，它只是我们在其他阿尔法里经常会发现的一个效应，因此把它从回报中剔除很重要，这样我们不会把

影响：
1小时反转 (crypto)
5-21天动量 (crypto)
衰减效应 (crypto)
小盘反溢价 (crypto)
1-7天反转 (equities)
长期行为特征 (ts argmax) (也就是说，在过去3年里交易量出现最大激增的人 ) (equities)
动量 (9-18个月) (equities)
很多相同的效应，不同的时间框架

我发现加密货币的alpha在股票市场中往往有效，但在加密货币中却不然。
**特别是价格/成交量的alpha，其他数据集无法相比**

在网上翻找 WQ training material，寻找新的变换（transforms），结果发现了一个宝藏：一个诈骗网络在他们之间复制粘贴 Alpha，冒充 WQ consultants