量化策略里有一大类叫做Pairs Trading-配对交易，是我觉得非常有趣的，其基本思路是寻找市场中表现相近的两个资产标的A和B, 当A涨得比较高的时候，卖出A买入B , 当A 跌的比较多的时候，买入A卖出B。这个思路很容易理解，因为如果两支股票确实相近，那么他们的价格有回归到相似的可能性，这也符合古老中国哲学里面“合久必分，分久必合”的朴素道理。
道理我们是都清楚的，甚至很多交易者也是模糊的按照这个思路来做的，比如当看到百事股价跟可口可乐股价偏离太远时，可能会考虑购进一些百事股票，卖出可口股票。问题是如何把这些模糊的想法进行量化分析，进而让算法捕捉到你看不到的机会，这主要需要解决两个问题：1. 如何发现符合要求的配对 2. 何时进场买卖 。 下面我们以QUANTAXIS为回测工具，以沪深市场为例来简要介绍下一个基本的配对交易策略是怎么进行的。
声明：文中所述股票仅为分析举例之用，请独立作出投资决策。Quantopian 为免费分析平台，与本文无利益关系。
如果你有买股票，尤其是美股股票，今年不太可能没注意到特斯拉TSLA。特斯拉股票今年从低点涨了将近10倍，近两天股价大幅度回调，那么你应该去买进么？
如果你是“信仰投资者”， 认定了一龙马教主的神功，那么就不必往下看了，闭着眼买然后把炒股软件删掉。 我长期也是看好特斯拉的，但是凯恩斯大师曾说过：“长期来看，我们都死了。。。”， 所以短期还是要尽可能分析一下。本文试图从持仓风险分析的角度来探讨下要不要买进TSLA， 所用量化分析平台为Quantopian，所用语言为Python
Below is my teaching materials when I served as assistant teacher on Digital Health and data analysis at Reading University. The dataset I used for this course is MIMIC. If you are interested in healthcare data analysis, this might be what you want to check.
顶级的Kaggler都有自己的一套问题解决流程，熟悉这些套路能极大提高求解问题的效率。今天我们来看一下目前Kaggle总排名第四的kazanova总结出来的一套解题套路。
之前说到在模型选择方面没有银弹，那么如何确定最合适的模型提出假设，探索性数据分析（EDA）是一个必不可少的环节。
数据预预处理对于机器学习结果来说是至关重要，有时甚至是决定性的。本篇我们将讨论针对不同的数据类型，如何根据不同的数据模型来做预处理。具体我们将讨论四种最常见类型的数据，分别是 数字数据，类别数据，时间数据和坐标数据。
目前竞赛中（其实也是常规实际问题）的主流算法有四大门类： Linear, Tree-based, kNN 以及 Neural Networks 下面分别简单介绍一下：
Kaggle是目前最大的数据科学竞赛与技能分享平台。在Kaggle上你可以查找和发布数据集，探索和构建模型，与其他数据科学家和机器学习工程师合作，并参加竞赛以解决数据科学挑战。参加Kaggle竞赛，你至少可以有以下几种收获：
Suppose you got a person’s regist time in one column and his birth date in another column, now you need to calculate his age when he did the registration. There are two ways to reach this result.