AI量化重要指标包括：

ADX（平均方向性指数）；布林带（Bollinger Bands，简称BBANDS）；MACD（Moving Average Convergence Divergence）；

CCI（商品渠道指数）；阿隆上行（Aroon Up）和阿隆下行（Aroon Down）；ATR指标；指数移动平均值；MFI；MOM；

OBV；RSI；SAR；简单移动平均值；STOCH (KDJ) ；TRIX；WILLR；加权移动平均值；

AI量化选股利用AI的强大数据处理和分析能力，旨在寻找那些被市场低估但具有增长潜力的投资机会。

[BigQuant](https://bigquant

量化交易软件是一种专门设计用于执行量化交易策略的软件工具，广泛应用于金融市场。这种软件使投资者能够运用数学和统计方法，自动化地进行交易决策和执行。（tips：文末含所有量化交易软件平台入口及核心工具）

概念

量化交易软件基于预设的算法和模型，进行市场分析、决策制定和交易执行。它通常包括数据分析、模型构建、回测、风险管理和自动化交易等功能。量化交易的核心是将投资策略数学化，使交易过程标准化和

2019年，定下一个小目标：做一套Quant的工具箱，一边学，一边做，也一边分享。欢迎小伙伴们前来围观、拍砖。

（tips：文末罗列了所有量化核心技术框架）

工具箱将立足于三个领域

1. 量化开发——以交易后台开发为主
2. 研究——以机器学习研究框架为主
3. 交易——以期货和电子货币实盘为主

万水千山总是情，相信总有一款适合投身于量化领域的你。

第一期先听我BB一下量化开发（Developer），先讲总框架，之后再细究各个部分的设计和实现。

向量化回测系统

网络上已经存在了不少的开源回测框架和在线研究平台，他们都提供了完整的回测系统、归因分析，那为什么

不会代码也可以使用量化工具提升投资效率和收益概率的。

今天简单介绍下量化交易如何快速入门。

量化交易是什么意思

量化交易是一种使用高级数学模型、统计分析和计算机算法进行交易决策的方法，应用范围一般包括股票、期货、外汇和衍生品等金融市场。它主要依赖于金融市场中的价格、交易量、经济指标等大量历史和实时数据，用以识别市场趋势、估值、波动性等关键因素。

量化交易者可以通过使用复杂的数学（包括统计学、概率论、机器学）模型来分析数据和预测市场行为，并通过计算机算法预设的规则和模型自动执行交易。

![量化交易平台](/wiki/api/attachments.redirect?id=05

量化交易是利用数学模型和算法交易的方法，依赖于精确的数学模型和计算机算法来分析市场数据，并在合适的时机进行买卖。

对于散户来说可以通过自动化量化分析及交易减少人为情绪对交易决策的影响。

通过BigQuant量化平台系统可以分析大量历史市场数据，提升投资抉择效率，还可以使用多种组合量化因子降低投资风险。

散户在选择量化交易平台时，需要考虑选择知名度高、安全性好的平台，以确保平台的声誉和可靠性。

同时，平台

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](http

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在本文文末克隆策略源代码，进行深入和扩展研究。

《监督式机器学习算法的应用》

Ali El-Shayeb通过价格和成交量相关的9个特征训练模型，特征列表和数据来源见下图。

![](/community/uploads/default/origin

Python是互联网、数据科学、量化交易等领域使用最广泛的编程语言之一，是AI量化策略研究平台主要使用的策略开发语言。

本文简短而全面，用十分钟的时间带你走入Python的大门。建议一边学习，一边在 AI量化平台-编写策略 里实践。

语法

Python中没有强制的语句终止字符，代码块是通过缩进来指示的。缩进表示一个代码块的开始，逆缩进则表示一个代码块的结束。一般用4个空格来表示缩进。

• 声明以冒号(:)字符结束，并且开启一个缩进级别。
• 单行注释以井号字符(#)开头，多行注释则以多行字符串的形式出现。
• 赋值（事实上是将对象绑定到名字）通过等号(“=”)实现
• 双等号(“

在这个数据驱动的时代，量化交易不仅是金融领域的革命，更是智慧投资的未来。

通过精确的数学模型和强大的算法，洞察市场动态，捕捉那些传统交易方法难以觉察的盈利机会。

量化交易赚钱的核心包括以下要点：

1 市场分析与策略开发

量化交易的核心在于市场分析和策略开发。这包括使用历史数据来测试和验证交易策略的有效性。

例如，通过回溯测试（backtesting），交易员可以评估一个策略在过去市场条件下的表现。

这种方

https://bigquant.com/codeshare/0ffb5755-3b0a-4e5f-95d8-4d37e9d5fac0

https://bigquant.com/codeshare/77aeff8a-3028-44b5-93ec-68867a08466d

\

作者：chenao1106

导语

本次分享内容：拿⼀个策略案例，介绍盘中买卖量化如何实现，收益变化如何？

我们平时看到的策略，买卖时间点基本上是开盘、收盘这两个时间点，但经数据分析按年维度看，⼤盘即使在上涨情况，开盘买第⼆天收盘卖，胜率达不到50%，通过近5年数据分析，⼤盘如果全年持平情况，胜率约48%。全年按250个交易⽇计算，持仓2天的超短线，会有125轮交易。按48%的胜率，即胜率60次，亏损65次，做短线的朋友⼀般会选择波动相对⼤点的股票去做，持仓2天平均盈亏的幅度按4%计算，按开盘买、第⼆天收盘卖，这个买卖时机的因素会导致全年亏损预计为（65-60）*4%=20%。我们

Bigquant平台提供了较丰富的基础数据以及量化能力的封装，大大简化的量化研究的门槛，但对于较多新手来说，看平台文档学会量化策略研究依旧会耗时耗力，我这边针对新手从了解量化→量化策略研究→量化在实操中的应用角度，整理了一些视频+配套源码，有兴趣的朋友，可详见链接观看，https://note.youdao.com/s/RlfuJuCB

资料内容主要包括：AI策略编写、非AI策略编写、大盘数据分析等

如：下面这个策略就是非AI策略编写，接合大盘、板块、个股当前的市场特性，自定义选股逻辑。

![{w:100}{w:100}{w:100}](/wiki/api/attachments

最好更细粒度的， 比如分钟级别。

好像没找到。 求例子。

请问这个卖出是否哪里设置不对，用这个trade去跑回测是可以正常运行的 也会买入卖出，但是放到模拟里面 他只买入 不卖出

回测引擎：每日数据处理函数，每天执行一次

def bigquant_run(context, data): # 按日期过滤得到今日的预测数据 ranker_prediction = context.ranker_prediction[ context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')] #----------------------------------

history()函数

history()获取历史数据，可查询多个标的单个数据字段，返回数据格式为 DataFrame 或 Dict(字典)，其语法格式如下：

history(count,
unit='1d',
field='avg',
security_list=None,
df=True,
skip_paused=False,
fq='pre')

在获取天数据时，不包括当天的数据，即使是在收盘后

关于停牌：因为获取多只股票的原因，为了保持数据格式的一致，默认没有跳过停牌的日期，停牌的数据使用停牌前的数据填充

参数解析

count :

KDJ概念

KDJ指标又叫随机指标，是一种相当新颖、实用的技术分析指标，它起先用于期货市场的分析，后被广泛用于股市的中短期趋势分析，是期货和股票市场上最常用的技术分析工具。

KDJ计算方法

KDJ的计算比较复杂，首先要计算周期（n日、n周等）的RSV值，即未成熟随机指标值，然后再计算K值、D值、J值等。

以n日KDJ数值的计算为例，其计算公式为

n日RSV=（Cn－Ln）/（Hn－Ln）×100

公式中，Cn为第n日收盘价；Ln为n日内的最低价；Hn为n日内的最高价。

其次，计算K值与D值：

当日K值=2/3×前一日K值+1/3×当日RSV

当日D值=2/3×前一

gt_fundamentals() 函数

该函数可查询一只股票或多只股票的财务数据，其语法如下：

get_fundamentals(query_object, date=None, statDate=None)

参数解析

query_object : 这是一个 sqlalchemy.orm.query.Query 对象，可以通过全局的 query 函数获取 Query 对象

date : 表示查询日期，可以是一个字符串或者datetime.date/datetime.datetime对象。可以是None，使用默认日期，这个默认日期在回测和研究模

关注的人数过百，谢谢各位，继续我们读书的脚步，这本书写的很细，读起来就是感觉枯燥，但是没关系，大家就当科普读物，读完整个读书笔记，脑子中留下一定印象，随着研究交易的深入，会慢慢的回味理解到这本书的意义。

买方和卖方都可以提供流动性，当买方的bids给了其他交易者机会卖出，那么他就提供了流动性，反之亦然。

交易者如果想快速成交，那么就需要市场流动性，如果说如果SUE想卖出100股IBM的股票，价格100，那么她就可以拿下Joe的订单。

当交易成交时对市场价格的影响很小，我们就说这个市场流动性很好，比如说市场中有很多限价单和bid/ask spread很小。

订单成交的价格我们称为成交

思考了很久从哪里讲量化交易，决定还是从人生中的第一本量化书籍开始，本专栏的目的也是把记录自己的读书过程，把书越读越薄！第一次读这本书的时候，已经是5年前了，作为量化实验室的新丁，被要求阅读的就是这本书，并且实现书中的交易策略，了解到了很多很多基础的概念，书中的代码多数已经不能用，所用的语言也是matlab，这次写系列读书笔记，我将使用PYTHON语言（现在用的比较多），这里并不是说matlab过时了，我到现在依旧认为在矩阵处理及可视化上matlab仍然具有绝对优势。周围很多策略开发者仍然在使用matlab!

Quantitative Trading是E.P CHAN的第一本书，在外网有响

感谢！知乎的第一篇文章迎来了五个童鞋的关注，有了你们的关注，让我有了动力坚持写东西，有童鞋反应有些概念还是很难理解，不用担心，只需要有一个基本的概念就行，在后面动手上代码的时候，就可以更深入的理解了，接下来我也会尽量深入浅出。

第三章：Backtesting 回测

和传统的投资管理程序不同，量化交易流程是先需要把交易策略运用于历史数据、检验交易策略历史表现如何。尽管你找到了一个策略，并且有完成详细的历史表现，但是你仍然需要亲自的去检验回测策略。这样做有几个好处，一是你可以完全的理解别人的策略思想，而是你可以接触到不同类型的策略，这些策略都可以被重新定义或者升级为更牛逼的策略。

在这个

写这篇文章的目的，是为广大想从事量化交易行业的朋友提供一个简单的行动指南。这两天一直有朋友问我如何搭建一个简单的量化交易系统，这篇文章就是一个初步的解答和步骤。因为时间有限，我没有办法完全一对一的互动，因此会以先写一篇攻略，解答共性多的问题，然后再单独回答一些特例的问题，再把特例总结成共性这样交替进行的方式实现。

量化交易本来是一件非常简单的事情，但是由于市面上很多书籍和教学内容过于深入量化交易的某一方面，比如如何写python代码，或者某一种特定的策略，而让很多初学的人产生了很多误解。有些人花了几个月去学习某一种编程语言，学会了语言，却依然不知道量化怎么做；有些人看了很多策略的样例，但是光

导语：本周为大家推荐五项国外有关深度学习和机器学习的实践性研究。希望能帮助大家更好地获取信息、学习知识。BigQuant拥有海量的数据和主流开源AI框架，附能每一位爱好机器学习/深度学习和量化交易的人。

• 《Neural networks for algorithmic trading. Multimodal and multitask deep learning》

关键词：神经网络、机器学习

本文介绍了如何训练神经网络的方法，这绝不是直接训练一

故不积跬步，无以至千里；不积小流，无以成江海。--《荀子·劝学篇》

1.机器学习用于选股，对财务数据的特征学习，居然还是小市值NB....

2.机器学习，海量数据预测股票的未来趋势，+Model的研究

3.机器学习之神经网络入门

4.[随

一、量化策略思想的来源

（一）经典理论

技术分析理论（包括交易量、持仓量以及各类技术指标分析）、

道氏理论、

趋势理论、

形态理论（包括反转形态、持续形态等）、

波浪理论、

时间周期理论

（二）逻辑推理

行业轮动量化策略

市场情绪轮动量化策略

上下游供需关系量化策略

（三）经验总结

能长期稳定盈利的投资人士，将对市场的看法和交易思路形成策略

（四）数据挖掘

比如用聚类技术对投资标的进行规律挖掘，以及基于关联规则的板块轮动。

（五）机器学习

二、量化数据库的搭建

（一）数据收集

基本面/财务数据、交易数据以及行业/市场/板块相关的指标数据等。

（二）数据库

上个月，华尔街日报发表了一篇题为“The Quants Run Wall Street Now” （量化分析师称霸华尔街）的文章，讲述了十几年间量化投资从边缘到主流的迅猛发展。

近年，随着计算机深度学习、人工智能的发展，“量化投资”这四个字越来越频繁地出现在人们视线里。

在2013年，量化交易占到美股总交易量的14%，到2017年，已提高到27%。运用量化策略的对冲基金在2017年一季度的资产管理规模达到9320亿美元，占整个行业的比例接近三分之一。

量化投资的发展速度之快，超乎人的想象。

快到让所有人都忘了，量化投资的教父级人物是谁。

这是一个故事，得从最开始说起。

19