Stat Arb

平均的创业公司是“multi task harness rails for agentic workflows”，然后它就只是一个内置 ChatGPT 的浏览器。

第2部分现已发布。我们发现多个 >5 夏普比率的信号与未来回报高度相关，并在下一篇文章中建立了用于因子建模的特征集。

在加密货币中找不到动量因子的人，通常在从业者的术语里被称为“技能问题”。

进行高频交易模拟 😵‍💫😵‍💫😵‍💫

预测：
5分钟及以下 - XGBoost
15分钟及以上 - Ridge
你可以通过对每个特征分别拟合非参数回归，作为折中方案来增强Ridge。为了减少拟合次数，你可以添加一个假设，并且只有在验证通过时才进行拟合。
这通常是在预测期/时间跨度维度上最优的模型。

我记得我曾经参加过一次会议，一位量化基金的高管（非技术人员）告诉我他们使用的所有另类数据集的完整列表。
他显然不知道这些信息可能应该保密，因为测试数据集是很多工作，而且其中许多都是小众的，但这帮我省了测试二十多个数据集！

从不提价

在最新的文章中，我们详细分析了如何研究和评估高频交易（HFT）阿尔法，并解释了顶级交易公司使用的高级技术。

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。