量化交易

参考：https://uqer.datayes.com/v3/community/share/5b6197d86bc62701e4bf52f9 目录： 需要哪些数据？ ---- 巧妇难为无米之炊 怎样测量策略的性能？ ----- 搭建回测系统 怎样衡量量化策略的好坏？ ---- 箩筐统计指标 开始挣钱！ ---- 从回测到实盘 1、需要哪些数据？ ---- 巧妇难为无米之炊 　　首先，讲下可能用到的数据类型有哪些 历史日行情数据：即提供历史上每天每只股票的高开低收等价格信息以及成交量相关的信息，这也是量化中最基础的数据。通常能提供历史日行情数据的，几乎都能在当天交易日收盘之后提供更新的数据，因此也是实时更新的日行情数据。 历史日内行情数据：即能提供历史上每一天中间更为详细的价量信息，通常为5分钟一个数据点，也有一分钟甚至是半秒频率的数据。每个数据点的形式一般为该数据点代表时间段内的一个价量综合统计，包括高开低收和成交量信息。 历史分笔数据：即历史上每一笔交易的明细，每一个数据点是一笔交易，记录了每一笔成交的价格、数量、时间等信息，是记录实际成交信息最为细致的数据。 历史限价委托薄数据：记录了历史上每一个时刻限价委托薄的快照，每一个数据点代表一个时刻，每个数据点之间的间隔通常较小，比如0.5秒。每个数据点包含该时刻十档（或者五档）报价和挂单量等数据

NO.1QUANT.LA 上图拍摄于腾讯全球新总部滨海大厦。在深夜，腾讯大楼几乎是周围所有楼里最亮的。到凌晨两点的时候上面三四层会关灯，但下面依然灯火通明，周末也是如此。 大公司如此，小公司更是如此。作为常年领跑工薪阶层，撸代码的你，有没有想过，你的人生下半场就是这样了？ 总有改不完的需求，经常加班到深夜，精神高度集中，耳边除了键盘声，偶尔也会听到内心的呐喊：“太累了，真的太累了，改行又不知道做什么”。但是第二天，又吭哧吭哧写代码。 直到日引月长，你渐渐成了大龄码农，身体上已经吃不消了，赶不上项目进度和技术的更新，硬件条件迫使你的职业生涯又不得不做一次选择。 NO.2QUANT.LA 有人曾对整个IT行业做过统计，得出了一个结论，大龄程序员的普遍出路主要有这三个：做管理、下海创业和继续写程序。 升级做管理 能第一个想到的就是转到管理岗位，这也是绝大多数大龄码农的选择，也许是最好的选择。但管理看似简单，却也不容易做的事情。管人理事，不只需要专业知识，更需要更多的管理经验，才能管得了人，理得了事。所以从单纯写程序转到管理，能不能转过来还得打个大大的问号。 下海创业 比起单纯做管理，互联网创业要艰难的多，风险也大得多。除了相关技术知识和管理经验，还需要资源、产品、市场、运营、人脉、运气等等。小米的投资人之一，晨兴资本的刘芹曾经给出一个数据：以IPO为标准的话，创业成功的概率只有五万分之一

1、数字货币期权量化、程序化交易 最近有不少交易所都陆续开启了数字货币期权这个衍生品的交易功能，和传统期权类似，期权交易和期货交易等相结合，可以组合出不少交易策略，交易方法。虽然市面上有不少开源的量化交易工具，不过这些工具动辄需要了解框架底层，熟悉编写框架的编程语言或者需要自己手动进行复杂的调试，配置，修改。对于程序化交易、量化交易入门的新手实在不是很方便。大量的本应该专注于交易策略，交易思路的时间都被投入到了程序调试，编程语言学习中了。 发明者量化（ FMZ.COM ）在早期架构设计时，就考虑了各种金融衍生品量化、程序化交易的支持，非常快捷的接入了期权交易。期权交易基本上和期货交易类似，甚至更加简单。并且没有增加新接口，熟悉使用FMZ的用户不会增加其它学习成本，只用把期权合约当做期货合约一样设置，就可以对期权合约进行行情获取，下单、撤单、查询持仓等操作。 2、直接使用原生编程语言访问Deribit交易所 我们就以Deribit交易所期权合约为例，比如我们要获取当前某个期权合约的指数价格。 用Go语言实现： package main import "net/http" import "io/ioutil" import "fmt" import "encoding/json" func main() { // 获取行情, 访问接口:https://www.deribit.com

在对冲策略中，有各种类型的对冲。跨市场对冲，跨期对冲等等，今天我们来聊一下跨品种对冲，准确的说是区块链资产量化交易中的跨币种对冲策略。通常的对冲交易中的标的物都是相同的，而跨币种对冲是买卖不同的标的物。在相同品种对冲时我们可以使用价格差作为对冲交易中的买卖价格，以最简单的跨市场同品种对冲来说，这个价格差是在一定范围内反复震荡的。而跨品种的对冲肯定不能使用价格差作为买卖价格，因为不同品种的价格差值，观察起来不是很直观，通常使用价格比作为买卖价格。 例如： A交易对为：LTC_USDT B交易对为：ETH_USDT 根据 A交易对的价格/B交易对的价格 这个价格比例数值，分散开仓。这个比例越大，我们就越要卖出A，买入B。反之比例变小则买入A，卖出B。每次对冲相等的USDT金额，实际上就是以LTC/ETH相对价格强弱去进行网格交易的一种策略，策略思路并不复杂。不过需要注意的是，此种对冲组合，实际就是以ETH作为锚定价格货币，去计价LTC。这个锚定的价格是有可能走出单边趋势的，虽然说大部分时间可能为震荡走势，然而这种风险是需要考虑和注意的。 使用发明者量化交易平台，可以很容易写出策略原型： 策略代码运行时，需要引用 和 「画线类库」： https://www.fmz.com/strategy/27293 「数字货币现货交易类库」：这个是每个用户新建策略时，模板栏中自带的。 /

上篇是逻辑回归模型，这次我们用神经网络模型。再算一遍，试试看 # 载入示例股票 library(quantmod) getSymbols("^DJI", src = "yahoo") dji <- DJI[, "DJI.Close"] # 生成技术指标 avg10 <- rollapply(dji, 10, mean) avg20 <- rollapply(dji, 20, mean) std10 <- rollapply(dji, 10, sd) std20 <- rollapply(dji, 20, sd) rsi5 <- RSI(dji, 5, "SMA") rsi14 <- RSI(dji, 14, "SMA") macd12269 <- MACD(dji, 12, 26, 9, "SMA") macd7205 <- MACD(dji, 7, 20, 5, "SMA") bbands <- BBands(dji, 20, "SMA", 2) # 生成市场方向,收盘价与之后20天价格比较,上涨、下跌、横盘 direction <- data.frame(matrix(NA, dim(dji)[1], 1)) lagret <- (dji - Lag(dji, 20)) / Lag(dji, 20) direction[lagret > 0.02] <- "Up"

基于协整关系的配对交易比之前的基于距离和相关性要更先进一些。收益上确实也体现出来了。 library(tseries) adf.test(xom) adf.test(cvx) model <- lm(xom ~ cvx + 0) summary(model) adf.test(as.ts(model$residuals)) bp <- get_symbol_cl("BP") model <- lm(xom ~ bp + 0) adf.test(as.ts(model$residuals)) plot(cbind(xom,bp * model$coefficients), col = c("black", "red"), main = "xom & model$coefficients") plot(as.xts(model$residuals, index(xom)), main = "model$residuals") plot(signal, main = "交易信号") roll_me <- rollapply(model$residuals,14,mean) roll_std <- rollapply(model$residuals,14,sd) n <- 1 roll_ub <- roll_me + n * roll_std roll_lb <- roll_me - n

什么是量化投资 出处：http://www.80soho.com/?p=333 简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去践行投资理念，实现投资策略的过程； 传统的投资方法主要有基本面分析法和技术分析法两种，与它们不同的是，量化投资主要依靠数据和模型来寻找投资标的和投资策略。 量化投资主要内容 量化选股 量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为。 量化择时 量化择时及时利用数量化的方法，通过对各种宏观，微观指标的量化分析，试图找到影响大盘走势的关键信息，并且对未来走势进行预测。 该策略收益率最高，但风险也极大，研究的难度也很高。 股指期货套利 股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同（但相近）类别股票指数合约交易，已赚取差价的行为。 股指期货套利分为期现套利，跨期套利，跨市套利和跨品种套利。 商品期货套利 商品期货套利指的是在买入或者卖出某种商品期货合约的同时，卖出或买入相关的另一种合约，并在某个时间同时将两种合约平仓的交易方式。 统计套利 统计套利是指利用证券价格的历史统计规律继续套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。 期权套利 期权套利交易是指同时买进卖出同一相关期货

量化研究的目的是实盘交易，从投资研究到实盘交易中间不但存在着监管问题，也体现了量化投研产业中的多重矛盾：第一、用户不信任券商托管策略，但是不得不通过券商通道；第二、量化服务提供商不希望用户转录保存数据，但是不得不开放数据；第三、量化研究人员开发编写策略，但是团队怕量化研究员带走策略；第四、用户会质疑投研平台上不会有真正有价值的策略分享。 第一个问题集中体现了券商和客户的矛盾，也侧面体现了监管需求带来的矛盾。目前监管方面没有对股票二级市场量化放开许可，个人不能通过自己系统直接对接实盘。量化投研平台与当前的券商合作，实现内嵌于券商行情和交易软件的下单功能，相当于在原有的系统基础上增加了量化分析和量化执行的功能，但很多客户不信任策略上传的方式。一方面，用户害怕券商可以获得用户的量化策略代码；另一方面，用户害怕券商获取策略信号，可能会反向学习用户策略。 第二个问题是在回测研究中用户一定要获得一部分数据，而用户一旦可以接触到数据就可能对数据进行转录保存，这是量化服务提供商不愿意看到的。首先，根据数据采购合同，部分数据对于复制、转录、保存和分发有具体要求，不可以在没有授权情况下任意使用。其次，量化服务提供商本身对于数据进行收集付出较大成本，同时对数据进行进一步清理，对应投入的人力精力使得其数据成本更高。而用户具有转录数据的激励机制。一是用户天然倾向于脱离量化平台使用自己熟悉的研究环境

当前主要的量化平台可以实现投资研究、策略回测、实盘模拟、实盘交易等功能。投资研究和策略回测并没有一个清晰的边界，前者一般仅对数据进行分析，而后者形成一个完整的策略并运行回测。大部分平台可以提供Ipython Notebook进行代码编写，同时平台集合了大量Python第三方库，可以免安装快速使用，节省了系统部署和数据库建设的繁琐工作。多数平台提供分钟级回测服务，数据部分也由平台集成。用户不需要自己进行数据获取的工作，同时平台根据多数据源数据对基础数据进行清洗，并整合多方其他因子库、补充财务等报表数据。 国内主流量化平台形成了聚宽、米筐、优矿三足鼎立的局面，同时其他一系列量化平台不断涌现，包括京东量化平台、百度量化平台、阿里量化平台、BigQuant、掘金、DigQuant、MindGo、WindQuant、myQuant、讯投、大宽和果仁平台等。业内交流中有机构给出的表述是国内有三到四十个大小不一的量化平台。其中像文华财经的myQuant系统，实际上是本地端系统，但是官方说明上也标注了“量化交易平台软件”，而讯投则完全是本地端产品。在技术方面，早期的QuantOpian开源了回测引擎项目zipline，为诸多的量化平台提供了很好的学习材料，同时各大量化平台的归因分析部分也都大量借鉴QuantOpian开源项目Alphalens的代码和设计界面。 国内主流互联网巨头BATJ（百度

一.量化投资 1.中医与西医 我们首先谈谈中医和西医，有些病症西医无法医治，而中医能得到奇效，是建立在天时地利人和的基础上的。碰到医术非常高明的老中医，用上货真价实的药材，还能恰好对症，确实能起到非常好的疗效。 而西医呢，虽说对某些疑难杂症实在是无力回天，但是它标准化呀。无论大病小病，先来化验，然后根据化验单，做初步的诊断，虽然看上去像是流水线，刚毕业的医科大学生也能做，而且按照这一套标准化流程走下来，对一些常见病症的治疗，并不会与老医生有太大的差异。 2.传统投资与量化投资 传统投资就像是中医，靠的是经验，见识，个人判断。有时候能够取得非常好的效果，但是与此同时，也会因为一些失误造成无法弥补的后果。 量化投资就像是西医，靠的是系统，数据，统计概率。掌握了一定的量化手段，不需要具备20年的从业经验，也会在证券市场取得相当的成绩。虽然不能像传统投资里的某些神人那样，取得非常辉煌的战绩，但是超越普通人的投资回报，还是可以期待的。 3.量化技术 量化技术有很多种，有高频交易，价值定投，网格，趋势投资alpha投资等等等等。 不同的技术，都会要求不同的策略，对与不同市场的收益也各不相同。而量化投资技术本身已经发展地相对成熟了，就如同大家用java开发网站一样，会有各种设计模式，Mvc结构，前后端分离等等现成的套路。量化投资也是一样，有很多前人的研究成果，大家可以直接拿来用