上篇，我们主要介绍了选股的方法，本篇将对择时止损、金融与市场和机器学习的文章进行介绍。上篇链接：Ricequant迎新年50篇干货分享（一）

    择时与止损

    在完成基础上，最首要的问题便是择时和止损。我们列举了本年度经典的择时方法。

    希尔伯特变换择时

    方正金工量化择时

    量化择时：高频信号分类器

        希尔伯特变换通过将信号转化为同向分量和正交分量，构成类似于复平面的一个二维空间，并通过点所在的象限判断目前的趋势转变。

      

        我们选出一篇止损方案目录，其搜集了数十种常见的止损方法供大家参考学习。

    止损/止盈 方案目录 必读

    波动率与风险

    市场总是处于波动之中，风险无处不在，希望能通过给出这四篇文章向大家介绍波动率和风险的本质。波动率建模提供的系统框架的第一个模型是ARCH模型。虽然ARCH模型十分简单，但是为了充分描述资产收益率的波动率过程，往往需要更多的参数。这样，我们必须利用一个新的模型----GARCH模型。

    波动率预测——GRACH模型与已实现波动率

    ARMA+GARCH交易策略在沪深300指数上的应用

    尾部风险收益挖掘

    挑战旧金融学大厦---低波动率股票PK高波动率股票

    当然，运用GARCH模型，更多地要运用其预测功能。关于GARCH模型也有很多种类型，如求和GARCH模型、GARCH-M模型、指数GARCH模型。波动与风险之中也蕴含着利润。

    指数研究

    过去的一年里，有很多关于指数的研究。指数相对个股，其白噪音更小，统计学特性（方差、均值、自相关性等）更好，自然其研究价值也更大。我们尝试着用多种的方法预测大盘的走势，以反应市场在排除部分干扰因素下的表现。

    HS300指数成分股调整带来的机会

    SVM预测中证500指数走势

    隐马尔科夫链模型对于沪深300指数建模的进一步研究

    通过模型的研究成果，可以发现，确实存在模型可以对指数进行较好程度的预测，其分类算法准确度在70%以上。

    统计套利

    统计套利可以有效的对冲风险。也有很多人士将统计套利看作量化交易的本质，举一个小小的例子：《量化交易—策略与技术》的理论篇有78%的篇幅放在统计套利这一块，其重要性不言而喻。统计套利的基础在于序列的平稳性和协整性，单只序列满足平稳性，这是最好的情况，单只股票就可以交易了（低买高卖），但往往不能，则需要通过协整型构建股票组合，继而进行统计套利。

    相关系数基础

    统计套利（一）利用相关系数进行配对交易

    统计套利（二），利用协整关系进行配对交易

    经典的跨期套利策略

   

    机器学习

    文章的最后，就是重量级的机器学习和深入学习了。

    HMM和神经网络在股票上的应用新思路

    【向阿尔法狗学炒股前篇】【应用机器学习的建议（一）】

    【向阿尔法狗学炒股前篇】【应用机器学习的建议（二）】