01机器学习技术
- 金融数据结构
- 用于将非结构化金融数据集转化为有序K线、成交量线、美元线等创新信息驱动结构的高级系统。
- 标签技术
- 涵盖三重障碍、元标签、趋势扫描、尾部集合和矩阵标志等多种金融数据标注方法。
- 特征工程
- 利用领域知识将原始金融数据转化为模型特征，包括市场微观结构分析和分数微分特征等技术。
技术栈
MarketMaker.cc 技术体系
- C++
- Golang
- Rust
- Python
- Pytorch
- TypeScript
- Elixir
- ClickHouse
- QuestDB
- DuckDB
- PostgreSQL
- Hasura
- GraphQL
- gRPC
- Websocket
- OpenAPI
-
-
02投资组合优化技术
- 临界线算法
- 突破传统均值-方差方法限制的高级投资组合优化技术，可精确设定资产权重上下界。
- 均值-方差优化
- 包括逆方差、最小波动率、最大夏普比等经典投资组合构建方法，目标和约束可自定义。
- 熵池化
- 允许指定非线性市场观点以生成后验分布的高级方法，超越传统收益模型。
- 收缩方法
- 用于降低协方差矩阵噪声、提升投资组合优化稳健性的专业技术。
- 分层风险平价
- 利用无监督机器学习的分层树聚类算法，根据风险特征对资产分组。
- Black-Litterman 模型
- 结合资本资产定价理论与贝叶斯统计的高效配置框架。
- 稳健贝叶斯配置
- 基于先验市场参数假设，生成贝叶斯高效前沿上的稳健投资组合的高级算法。
- 去噪与去色
- 高效去除协方差结构噪声且无信息损失的高级矩阵优化方法。
-
03套利策略
- 距离法
- 以简洁透明著称的配对交易策略，适合大规模实证研究。
- 协整法
- 通过计量经济学方法识别具有均衡关系的配对，用于统计套利。
- 时间序列法
- 利用时间序列建模均值回复过程的增强型交易规则，超越传统协整方法。
- 随机控制法
- 基于随机过程确定最优交易规则，无需价差预测或形成期。
- 机器学习法
- 结合多种统计套利技术与机器学习算法的集成框架，提升策略生成能力。
-
04定制化交易解决方案
- 时光机终端
- 具备历史回放功能的高级剥头皮终端，可同步回看K线、盘口和逐笔成交。
- ProfitMaker.cc 框架
- 开源模块化交易终端，基于组件架构，支持自定义模块无缝集成。
- 定制终端开发
- 为特定策略、资产类别或机构需求量身定制的端到端开发与支持服务。
-
05AI Tools
- AI 策略构建器
- 利用人工智能构建、优化和回测交易策略的创新平台，无需编程。
- 回测框架
- 在历史数据上模拟交易策略、评估实盘前表现的强大系统。
-
06做市商强化学习
- 强化学习模型开发
- 开发和实现链上做市强化学习模型，包括DQN和Avellaneda-Stoikov模型。
- 奖励函数设计
- 定制奖励函数，平衡盈利目标与风险管理，实现最优交易结果。
- 高延迟适应
- 使高频策略能在高延迟链上环境下高效运行的专业技术。
- 研究集成
- 持续跟踪并集成量化金融、强化学习和DeFi领域新趋势，保持竞争优势。