Please enable JavaScript.
Coggle requires JavaScript to display documents.
量化-机器学习方向 - Coggle Diagram
量化-机器学习方向
交易执行优化
最优执行策略
如模仿Almgren-Chriss模型，但加入学习算法。
使用强化学习优化大单拆分、降低交易冲击成本。
订单簿建模
使用深度学习建模高频数据的微观结构。
如LSTM/CNN建模盘口、预测未来tick走势。
滑点与成本预测
预测执行价格偏离预期的风险，辅助改进下单逻辑。
市场微观结构与订单簿建模
研究方向
订单簿动态预测（如买卖价差、深度变化）
流动性检测与执行滑点优化（如使用LSTM或Transformer建模限价订单簿）
典型方法
时间序列模型（LSTM、TCN）处理高频订单流数据
强化学习优化订单执行策略（如VWAP/TWAP算法改进）
风险建模与管理
研究方向
尾部风险预测（如VaR、CVaR的机器学习估计）
市场 regime 切换检测（如隐马尔可夫模型+HMM）
典型方法
无监督学习（聚类、异常检测）识别极端市场状态
贝叶斯神经网络量化模型不确定性
资产组合优化与配置
研究方向
多资产动态权重分配（考虑协方差矩阵时变性）
基于风险平价（Risk Parity）或Black-Litterman模型的改进
典型方法
强化学习（PPO、SAC）优化长期组合收益-风险比
图神经网络（GNN）建模资产间非线性相关性
因子挖掘与特征工程
研究方向
自动化生成有效因子（如基于遗传编程或AutoML）
因子拥挤度（Factor Crowding）监测
典型方法
无监督学习（PCA、ICA）降维或发现隐藏因子
符号回归（Symbolic Regression）解析因子表达式
市场操纵与异常检测
研究方向
识别欺诈性交易模式（如幌单Spoofing、拉盘Pump-and-Dump）
实时监测市场滥用行为
典型方法
离群点检测（如Isolation Forest、One-Class SVM）
图神经网络（GNN）分析交易者关联网络
强化学习与策略自适应
研究方向
在线学习适应市场环境变化（如Meta-Learning）
多智能体模拟（Multi-Agent RL）研究市场博弈
典型方法
元强化学习（MAML）快速适应新资产或市场
逆强化学习（IRL）从专家行为中反推策略
因果推理与鲁棒性
研究方向
区分相关性 vs. 因果性（如使用Do-Calculus避免伪信号）
构建抗过拟合的策略框架
典型方法
对抗训练（Adversarial Training）增强模型稳定性
因果发现（Causal Discovery）算法（如PC算法）
策略挖掘
通过机器学习自动发现有效的因子或交易信号
应用：利用AutoML、强化学习寻找“阿尔法”