量化投资策略研究：典型与新型的量化投资策略

量化投资策略研究：典型与新型的量化投资策略纯粹以数据为导向的结果既是机器学习技术的优势，也是最大的挑战。机器学习模型可以从处理相同数据的定量分析可能没有考虑过的数据中获得独特的见解。一个因素背后的直觉可能是基本的（即基于公司当前或预测的财务状况）、行为的（即基于观察到的市场参与者的行为）或结构性的（即基于市场动态），但原因的情况有助于预测资产回报的一个因素是基于人类预先形成的合理洞察力。回想一下您的高中统计和科学课程以及假设检验。这种方法等同于提出一个假设并使用可用数据（证据）试图拒绝你的假设，因为你的假设没有根据。它也类似于典型的科学调查过程。定量分析的典型分析技术是使用回溯测试，其中设计了一种假设策略，根据提议的因素或一组因素在资产之间进行分配。使用尽可能多的可用历史数据进行时间回溯测试，并观察该策略的历史结果。通过使用长期（多个商业周期）、不同投资领域（国家、地区和潜在的其他资产类别）以及评估不同市场或经济环境中的表现等技术

8月6日，比特币矿商Bitfarms更新了其采矿业务的动态，包括生产和能源组合使用，以及该公司的比特币HODL战略。该公司每天开采约13枚BTC，使用99%的清洁能源。Bitfarms在2021年7月开采了391个新比特币，这是该公司今年最高的生产率，比2021年1月的采矿产量高出约96%。

该矿工估计其每天开采12.5至13.5个比特币。2021年前七个月，该公司总共开采了1 748个比特币。Bitfarms还透露，截至2021年8月1日，它已将1 678BTC存入托管，这一数字占该公司今年比特币产量的96%左右。根据7月的月度收盘价，该公司已在其资产负债表上放置了6980万美元的比特币。

典型的量化投资策略基于识别资产的“因素”（或可衡量的特征），这些“因素”（或可衡量的特征）可预测后续资产回报。这项工作的一个基本要素是，一个因素通常首先来自人类关于推动资产回报的因素的直觉或经验。随后的分析或模型构建的重点是确认数据中的证据与直觉一致。

纯机器学习驱动的投资策略的基本目标与传统的量化投资策略的基本目标没有什么不同——即找到数据元素与未来资产回报之间的密切关系并加以利用。然而，寻找这些数据关系的方法（通常在机器学习模型中称为“特征”）的不同之处在于，它们往往完全由数据（证据）驱动，不需要分析师的前期理由或直觉。

一个因素背后的直觉可能是基本的（即基于公司当前或预测的财务状况）、行为的（即基于观察到的市场参与者的行为）或结构性的（即基于市场动态），但原因的情况有助于预测资产回报的一个因素是基于人类预先形成的合理洞察力。回想一下您的高中统计和科学课程以及假设检验。这种方法等同于提出一个假设并使用可用数据（证据）试图拒绝你的假设，因为你的假设没有根据。它也类似于典型的科学调查过程。

定量分析的典型分析技术是使用回溯测试，其中设计了一种假设策略，根据提议的因素或一组因素在资产之间进行分配。使用尽可能多的可用历史数据进行时间回溯测试，并观察该策略的历史结果。通过使用长期（多个商业周期）、不同投资领域（国家、地区和潜在的其他资产类别）以及评估不同市场或经济环境中的表现等技术，可以从该过程中获得可靠的证据。

鉴于对直觉和理由的要求，所使用的数据和倾向于进入传统量化投资策略的因素与相关资产有着相当直接的关系。与从推特中嵌入的非结构化和嘈杂信息中得出结论相比，公司未来的回报在某种程度上与其报告的财务账目或公司股价的历史相关联的直觉要容易得多。公司的产品。重要的是，这并不是暗示这样的链接不存在且不重要。

纯粹以数据为导向的结果既是机器学习技术的优势，也是最大的挑战。机器学习模型可以从处理相同数据的定量分析可能没有考虑过的数据中获得独特的见解。