1. 本次講座介紹。
長江證券金融工程部邀請了北京知象科技創始人，對其量化交易系統(股票、期貨)進行了簡單的介紹以及推廣。
2.本次講座主要設計的內容。
針對股票日內高頻量化交易平台。本次講座只cover滬深股票市場，因嘉賓認為期貨高頻比股票簡單，而且期貨高頻目前的市場競爭非常慘烈，而股票日內高頻算是藍海。
3.國內高頻數據定義。普通意義上即為L2快照數據，嚴格意義上只有深交所的逐筆委托、逐筆成交數據。國內一些做日內高頻策略的私募只做深交所，不考慮上交所。
4.處理逐筆成交、逐筆委托的原因。
一、真實的還原orderBook，以便確保回測盡可能接近市場
二、獲取掛單信息，如大的單買賣單，以便策略進行相應的實時處理
5.回測引擎（具體參見ppt）。盡可能的模擬交易所（集合競價也做了考慮）。模擬、實盤，使用相同的接口以及數據結構。
6.處理逐筆成交、逐筆委托碰到的問題，如數據丟失。
7.嘉賓開發的平台考慮到平台程序處理效率，非策略部分，全部由C++編寫。策略主要支持python、C ++。參照ppt，基於python策略的【回測性能】，性能非常高，如滬深全市場逐筆成交1天大概3200W條數據，獲取時間大概10秒，回放時間大概720秒。
8.數據清洗，主辦方對系統進行了大概半年的時間用人工方式，對歷史數據進行了清洗。
9.會對數據質量進行打分，類似db事物處理的等級，越高、越慢。
10.機器學習、深度學習在量化交易領域的試用范圍。
機器學習：提取特定數據集的模型。需要注意的是，輸入的數據集要和期望獲得模型相匹配。如要學習牛市的模型，輸入的數據集需要是牛市范圍的數據。
深度學習：處理日內高頻數據