算力说
量化投资依托量化模型与数据，寻找能够带来超额收益的多种“大概率”策略。传统量化投资模式下，所使用的外来数据在质量和安全上存在重大隐患，量化模型效果不稳定，影响量化策略的完整性与精确度。
当多方安全计算技术遇到量化投研，投研机构将怎样借力挖掘充分数据价值？算力隐私数据安全专栏特邀郭嘉，初探大数据量化建模，及多方安全计算技术与量化投研工作的结合方式。
传统的投研数据同质化程度极高，模型效果不具有独特性，美国市场有一群人在挖掘和研究更加互联网化的数据指标，称另类因子。由于第三方数据的开放流通限制，必须遵守数据安全的游戏规则。本文借由投研对数据的安全建模方案，实现了多方数据的投研建模，并实现了投资模型的加密部署。
1大数据的量化逻辑
我们可以按数据开放程度，简单地把投研信息分为三类：公开数据、半公开数据、以及非公开数据。
公开数据，很好理解，就是股价，K线图等随时可以查看的数据；
半公开数据，指我们可以获取到，但不能全面地获取的数据，如实时的资金流向我们随时可以获取，但是网站并不会公开以往的数据；
非公开数据，即市场上与股票相关的其他公司、证券交易所内部数据，无法对外提供。
引入一个概念——量化投资，量化投资简而言之就是在数据中找规律。大数据为量化投资打开了全新的大门，在量化交易中引入大数据技术，可以充分挖掘海量数据所隐藏的一切信息，来预测金融经济活动，并结合历史预测，及时将预测效果加以反馈，以动态更新交易策略，获得最理想的预测效果。
传统的各类量化指标，无论是基于价格还是基于财务数据都会存在一定的滞后性，无法用更具领先性的手段来了解行业和市场。而采用了大数据技术的行业及个股判断，则可以在一定程度上改善这一情形。利用搜索因子可掌握投资者情绪，利用电商数据可实时得知各行业的基本面动向，利用大V数据集合了集体的智慧，这几种大数据理论上都可以用来预测未来市场情况，将互联网金融的大数据作为选股因子引入模型，代表着资产管理机构在指数投资上重构选股逻辑。
股票市场的信息不对称性是一直存在的问题，量化交易者无法获知市场上非公开数据和互联网数据，且基于大数据与模型的量化交易，往往对操作中的数量与时间节点要求分外严格，丢失或篡改数据均会致使预测与正确结果相偏离，又或致使交易在不对的时刻，以错误的数量来达成。若因信息不安全而外泄数据，长时间便可能会致使业内彼此利用这些数据来恶化竞争。
2多方安全计算的量化优势
事实上，有价值的数据往往躺在别人的怀里，如何只进行“精神共享”，不进行“肉体接触”，这是当下对数据应用安全的合规要求。隐私计算技术很好地解决了这个用数难题。多个持有各自私有数据的参与方，共同执行一个计算逻辑（如求最大值计算）并获得计算结果，各方发送的消息中不能推断出各方持有的私有数据信息，在此技术下，各参与者的身份和地位相同，可建立共享数据策略。由于数据不发生转移，因此不会泄露用户隐私或影响数据规范，为了保护数据隐私、满足合法合规的要求。专业术语称之为多方安全计算。
此技术能够在保证信息安全前提下，让投研机构利用非公开数据资讯和信息，更好的发掘和预测股票的波动。本文即尝试通过安全多方计算技术和联邦学习技术，将公开数据和非公开数据进行结合，并进行量化交易分析，希望该案例能够给从事量化交易的专业人士拓展分析思路。
123下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
