01機器學習技術
- 金融數據結構
- 用於將非結構化金融數據集轉化為有序K線、成交量線、美元線等創新資訊驅動結構的高階系統。
- 標籤技術
- 涵蓋三重障礙、元標籤、趨勢掃描、尾部集合和矩陣標誌等多種金融數據標註方法。
- 特徵工程
- 利用領域知識將原始金融數據轉化為模型特徵，包括市場微觀結構分析和分數微分特徵等技術。
技術棧
MarketMaker.cc 技術體系
- C++
- Golang
- Rust
- Python
- Pytorch
- TypeScript
- Elixir
- ClickHouse
- QuestDB
- DuckDB
- PostgreSQL
- Hasura
- GraphQL
- gRPC
- Websocket
- OpenAPI
-
-
02投資組合最佳化技術
- 臨界線演算法
- 突破傳統均值-方差方法限制的高階投資組合最佳化技術，可精確設定資產權重上下界。
- 均值-方差最佳化
- 包括逆方差、最小波動率、最大夏普比等經典投資組合構建方法，目標和約束可自定義。
- 熵池化
- 允許指定非線性市場觀點以生成後驗分佈的高階方法，超越傳統收益模型。
- 收縮方法
- 用於降低協方差矩陣噪聲、提升投資組合最佳化穩健性的專業技術。
- 分層風險平價
- 利用無監督機器學習的分層樹聚類演算法，根據風險特徵對資產分組。
- Black-Litterman 模型
- 結合資本資產定價理論與貝葉斯統計的高效配置框架。
- 穩健貝葉斯配置
- 基於先驗市場引數假設，生成貝葉斯高效前沿上的穩健投資組合的高階演算法。
- 去噪與去色
- 高效去除協方差結構噪聲且無資訊損失的高階矩陣最佳化方法。
-
03套利策略
- 距離法
- 以簡潔透明著稱的配對交易策略，適合大規模實證研究。
- 協整法
- 通過計量經濟學方法識別具有均衡關係的配對，用於統計套利。
- 時間序列法
- 利用時間序列建模均值回覆過程的增強型交易規則，超越傳統協整方法。
- 隨機控制法
- 基於隨機過程確定最優交易規則，無需價差預測或形成期。
- 機器學習法
- 結合多種統計套利技術與機器學習演算法的整合框架，提升策略生成能力。
-
04定製化交易解決方案
- 時光機終端
- 具備歷史回放功能的高階剝頭皮終端，可同步回看K線、盤口和逐筆成交。
- ProfitMaker.cc 框架
- 開源模組化交易終端，基於元件架構，支援自定義模組無縫整合。
- 定製終端開發
- 為特定策略、資產類別或機構需求量身定製的端到端開發與支援服務。
-
05AI Tools
- AI 策略構建器
- 利用人工智慧構建、最佳化和回測交易策略的創新平台，無需程式設計。
- 回測框架
- 在歷史數據上模擬交易策略、評估實盤前表現的強大系統。
-
06做市商強化學習
- 強化學習模型開發
- 開發和實現鏈上做市強化學習模型，包括DQN和Avellaneda-Stoikov模型。
- 獎勵函式設計
- 定製獎勵函式，平衡盈利目標與風險管理，實現最優交易結果。
- 高延遲適應
- 使高頻策略能在高延遲鏈上環境下高效執行的專業技術。
- 研究整合
- 持續跟蹤並整合量化金融、強化學習和DeFi領域新趨勢，保持競爭優勢。