数学金融机构数学分析师实习报告.docxVIP

数学金融机构数学分析师实习报告

一、摘要

2023年6月5日至8月23日，我在某知名数学金融机构担任数学分析师实习生。核心工作成果包括完成2个高频交易策略的回测模型开发，累计运算数据量达1.2亿条，策略年化夏普比率测算结果为1.85。应用Python进行量化策略开发，利用Pandas处理金融时间序列数据，通过NumPy优化矩阵运算效率，并运用Matplotlib可视化策略表现。提炼出基于GARCH模型波动率预测的标准化流程，可复用于类似场景的Alpha因子挖掘。

二、实习内容及过程

6月5日到8月23日，我在一家做量化交易的公司实习。主要是帮团队搞策略研究，做模型测试。他们那边的系统用Python多，SQL也用，数据量挺大的，有时候一天要算几千万条记录。

我第一个接触的是高频交易策略的回测。他们之前有个模型跑得一般，我接手后重新整理了交易信号生成逻辑，用GARCH模型算了下波动率，改了下止盈止损点。花了两个礼拜把代码搭起来，用过去两年的数据跑，最后算出来年化夏普比率1.85，比原来高了0.5。这事儿让我挺受刺激，原来把模型细节调好，效果能差这么多。

第二个挑战是处理流动性数据。有时候市场波动大，交易数据会乱，我搞了好几天才把清洗数据的流程弄顺。当时头儿教我用Pandas的groupby和merge，说比纯SQL快不少。我后来试着加了个缓存机制，跑完整数据集快了大概30%。

他们那套