我们都知道庞大的金融数据库必须依赖数学作为基础工具。在量化交易过程中数学基础是必要条件。那么数学到底要学到什么程度呢？ 从数据层面来看，量化可以分为O派和P派。其中O代表风险中性测度而P代表真实概率测度。P侧重于数据轻模型，O与P相反，O更侧重于模型轻数据。
不过不论是P派还是O派只要我们的交易策略足够优秀，这两种都是可以被接受的。在实际的交易策略中，有分别专注于其中一派的也有两者相互结合使用的。成熟的交易者心中已经形成了自己的一套系统策略。
对于数学系背景的新手来说，他们对金融市场的了解还不够全面，但是他们还是可以通过数据数学研发出好的交易策略。交易市场虽然变化莫测，但是只要足够厉害还是可以保证收益的。
很多量化投资者都把数学当做工具在用。工具说的清楚一些就是够用就可以了。那么在量化交易的过程中使用的数学内容是什么呢？
（一）挖掘数据
主要包括SVM、决策树和神经网络等，数据是建立它们的主要依据。
（二）套利统计
目的是找出相关的品种或者品种间的套利机会。这些都是要以数据统计为依据进行寻找的。
（三）巧妙的运用数学
与欧拉公式相似，利用数学进行数据的变化会收获很好的结果。
（四）数学的跳跃
数学功底会让你拥有巧妙的思维并能够写出好策略。数学的积累和敏感度是数学跳跃灵感的基础。
如上图所示为TB提供的一个简单的策略。这个交易策略很简单，条件清晰，我们可以在此基础上试试数学的平移变换和二次穿越，可能会让你收获意想不到的效果。
（五）预处理数据
很多大公司和大券商都会非常重视数据的处理，甚至会邀请专业的数据人员来进行处理和维护。因为数据的预处理是非常重要的，如果数据有误会影响到后面整个策略的研究。
1.保证数据的准确性，及时处理奇异值和缺失值
首先随机选取任意几条数据与实际数据做对比，如果我们发现基本数据的渠道是正确的那么后续就不会出现什么太大的问题。其次，处理缺失值。在保证正确的情况下，可以直接删除或使用平均数、众数替代的方式处理缺失值。最后处理奇异值，找到奇异值并进行处理，处理的方式与缺失值类似。
2.处理数据类别
如行业中的字符数据，可以定义成1=“券商”等。
3.数据标准化：标准化的方式有很多如极大极小值和正太标准化等。
4.在组合或对应时，一定要拿历史数据而不是未来数据。
5.对应数据:例如，今日的指标是输入变量，明天的大盘的涨幅是输出变量，这种情况就要进行处理。
（六）指标处理
我们都知道模型的设计需要非常多的指标，指标的选取非常重要。如何尽量选取关键指标，剔除无效指标是我们需要研究的问题。我们的模型选择了一个市值因子，如果总市值最大的15254亿，最小的20.19亿。那么市场市值相差的非常大这样直接用是不行的。我们就要在这里进行相应的数学处理，类似简单的分类处理。在这个过程中我们就会感受到指标的重要性。
通过以上的文章相信大家对量化交易中需要掌握的数学知识有了一定的了解，接下来就需要我们好好的学习并应用到实战中去！ | 
:
| 
:
| 
:期货量化学习 | 
:期货量化 | 
微信：
欧美杂志精华：
