量化交易

新手学习第三弹：编辑回测模块+羊驼策略复现 回测是量化交易中非常重要的一个模块，理解bigquant上的回测机制才能编写出个性化的交易策略。 本文以羊驼策略复现为例，分享回测模块编辑的学习过程。

什么是羊驼策略

上个世纪80年代末，美国《旧金山纪事报》曾做过大猩猩选股实验，让大猩猩向写有股票代码的纸板投飞镖，投中一个代码就意味着选中一只股票，用此方法让大猩猩挑选出5只股票。然后，用大猩猩挑选的股票组合与《华尔街日报》8位知名分析师精心计算分析挑选的5只股票相比较，在持有一段时间之后，大猩猩随机抽取购买的股票票面价值竟然超过了操盘手挑选的股票。

羊驼策略就是受了大猩猩选股实验

本文主要整理量化交易相关的资源，主要是机器学习相关的资源。

我已经把一些我认为一些低质的资源。

⭐表示我认为优质的资源。

资源整理自网络，原文地址：https://github.com/grananqvist/Awesome-Quant-Machine-Learning-Trading

金融机器学习

经典书籍

· ⭐️ Marcos López de Prado - Advances in Financial Machine Learning ..

· ⭐️ Dr Howard B Bandy - Quantitative Technical Analysis

zipliner:

自从Alpha Go围棋战胜人类最强选手后，一下子吸引了世人关注。敏锐的宽客们自然也开始遐想使用新的人工智能技术战胜“市场"，从而过上纸醉金迷的生活。

我自己作为一个量化交易的票友和数据研发从业者，虽然一直对AI在交易市场上的“能耐”持怀疑态度，但对新AI技术在量化交易中的探索实践则鼓掌欢迎，甚至孜孜以求之 —— 这次我就沿着Alpha Go的足迹，使用强化学习（Reinforcement Learning）的思路，来尝试完成自动交易策略。

本着实践是检验真理惟一原则，我改造了一个gym下实现的a股股票交易模拟环境和两个keras下实现的实现的RL算法框

《AI 量化概览》：认识 AI 量化及其发展应用

《Python 编程基础》：Python 基础语法 + Numpy (Cheatsheet )+ 线上 DataSource 的使用

《Pandas 数据分析》：Panda 语法案例 + Pandas Cheatsheet 与绘图模块使用(K 线图)

![](/wiki/api/attachments.redirect?id=9c5a2a7c-89b8-4bb5-91cf-3d1a557

8月19日Meetup模板：以双均线为例

https://www.bilibili.com/video/BV1S44y1y7dc?p=4

https://bigquant.com/experimentshare/b2f44f26626a4d798d2dfecdb8e75d64

\

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

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实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

量化投资模型只是一种工具、一种方法、一种手段，能实现成熟而有效的投资理念，需要不断根据投资理念的变化、市场状况的变化而进行修正、改善和优化，换而言之，有效的模型建立在适应市场环境的有效

学习量化也有一段时间了，BigQuant平台与知乎可以说是我的主要学习战场了，一直在跟着BigQuant学院那个《AI量化训练营》学习，再从从知乎中寻找优秀文章进行补充，最终在平台进行实践，我觉的这样效率很高，我整理了知乎量化交易话题，及程序化交易、宽客、多因子模型等子话题中的精华帖，筛选了高赞的文章及回复，分享给大家，希望大家可以多多交流。

现在开始正式走上新书：Trading and exchanges : market microstructure for practitioners ，市场微观结构入门书籍，案例丰富(想做高频交易的同学绝对不可以放过的一本书)。

通过本章可以对市场的构成有个简单的了解，就像德州扑克，你只有了解了你面对的对手是鲨鱼、傻鱼、疯鱼，才能选择最适合当下的策略。交易市场是人与人博弈的市场。

THE TRADING INDUSTRY

这章主要介绍有哪些交易者、交易标的、交易地点和他们怎么安排交易。

3.1 WHO ARE THE PLAYERS?

当交易者持有多头时，价格上升

本篇将是Quantitative Trading how to Build Your Own Algorithmic Trading Business的最后一篇的上篇。主要是讲了6个主要的交易策略方向，重点预告：下一本书我将带来Trading and Exchanges，这本书堪称是交易圣经吧，每一个做交易的人都需要深入的去理解市场，价格背后的真想。这本书目前还没有任何中文翻译版，非常精彩，特别是对于order book的理解，这本书的读法呢，我就会比较慢，很细致了，希望高度还原原版的精神。

均值回归策略VS趋势策略

交易策略能够赚钱是基于交易标的的价格形成了回归或者趋势，否则

平稳和协整

如果股票价格是平稳的，那么均值回归策略将会特别匹配，但是，多数股票价格都不是平稳的，但是如果你交易一组股票（持有空头A，多头B），那么价差可能就是平稳的，A、B股票就是协整的。通常，如果两个股票价格表现出协整，那么他们大概率都是同一领域的公司，如图所示,如果我们要买入套利组合，就是持有多头1手GLD，和空头1.6766手GDX，这个套利组合的价格就构成了一个平稳时间序列，GLD和GDX的组合比例可以通过回归方程计算。

![](/community/uploads/default/original/3X/b/5/b5ad024ced46aa46eb61857c8d6a407ec

第五章我们直接跳过，因为讲的是如何实盘系统，参考价值较为低。第六章就是展开讲了凯利公式，当然作为入门来讲，用凯利公式做资金管理是没有任何问题的，但是在实际交易中还是要按照实际的数据表现去调整自己的资金配比，找到自己最舒服的公式。

第六章：资金和风险管理

所有的交易策略都会面临偶然损失，回撤有时候会持续几分钟或者几年。做量化交易，重要的是管理风险，限制回撤幅度到可忍耐范围内，找到最优的杠杆率，最大可能的实现财富增长。

资金及风险管理的核心工具就是凯利公式（KELLY FORMULA）

假设你现在使用多个策略交易，每个策略都有自己的预期收益和标准差。那你面临一个问题，怎么把资金合理的分

本篇拖了好几天，临近年关了，工作上的事情太多

我这里随便挑了两个合约，工商银行和建设银行，因为都是国有银行，两个交易序列之间具有较高的相关性，我们统计套利的基础原理是基于价差的回归。我们使用tushare库来直接获取这两个银行2015至今的日收盘价数据，这样可以让整个程序直接在任何一台电脑上奔跑，不用依赖基础数据，建议还是把代码都自己敲一遍。

如果没有太多编程基础的童鞋，可以先看一些PYTHON入门的东西，然后就可以轻松的跟完整本书，我始终认为编程只是技能，够用就行了，重要的交易策略思维，因此整个专栏都不会去死磕技术，如果只是想学习“编程技术”的童靴，可以关注相关技术类专栏，深信都会比

英文书籍的特点就是废话是比较多的，写这个系列也是挑出精华部分，另外加上自己在实操中的一些东东，进行修改，但是是按照书的内容精神走。

英文书籍的特点就是废话是比较多的，写这个系列也是挑出精华部分，另外加上自己在实操中的一些东东，进行修改，但是是按照书的内容精神走。

回测文件格式

做交易时往往涉及到不同的交易品种，一般会按品种区分文件夹，如下图（这里是下载了所有的主力合约，就是每天交易量最大的合约）：

![](/community/uploads/default/original/3X/b/2/b26c049cb581ce92fde5b55427fde5e2aa7ac907.j

量化交易，众所周知也可以称为算法交易，是使用计算机程序来做出何时进行买入、卖出证券等资产决定的过程。简单来说，只要你能把信息转换为计算机能够理解的比特，那就可以视为量化交易的一部分。

作为刚毕业的应届生或者从程序员转行过来的初学者，一开始肯定会向各位大神问这样的问题：“有什么可以推荐的量化交易书籍呢？”。现将不同书籍整理如下（前辈们就不要在此浪费时间了，纯属方便自己和新人使用）。

1. Quantitative Trading: How to Build Your Own Algorithmic Trading Business by Ernest P. Chan——这本书可谓普及概念书

之前做衍生品定价有很详细的书单，偏向于随机分析、数值计算、C++等，现在机器学习、统计、量化交易更为流行，下面推荐几本这方面的书籍吧。

首先说说量化股票。

《Active Equity Management》, July 18, 2014, by Xinfeng Zhou, Sameer Jain

这本书的作者Xinfeng Zhou毕业于麻省理工，之前在SAC、高盛等公司都工作过，目前是股票多空组合的投资经理。这本书详细介绍了实务中量化股票的选股信号、投资组合优化、风险管理、算法交易等内容，与很多偏向理论和模型的书不同，这本书从实践角度出发，通俗易懂。另外也给出了很多参考文献，

首先，强化学习和（无）监督学习并不是完全分开的概念，强化学习的很多方法中都用到了监督学习，比如DQN。

监督学习中要求数据集是独立同分布的，但由于金融数据集的特殊性，有时候并不能满足这一要求，这时候如果直接把监督学习应用到金融数据集上，就可能会导致很多问题。而强化学习并没有这样的要求假设。

监督学习模型相当于是输入输出之间的一个黑盒子，模型的可解释性较低，而强化学习在某一个状态下采取某种行为，获得某些奖励，根据奖励反馈来对行为进行比较选择的这种逻辑，与在金融市场上进行买卖操作的逻辑也是一致的。

以下是一些具体应用的方向，感兴趣的朋友可以在[BigQuant AI 30](https://

Quantlib简介

相比TA-Lib在技术分析领域的地位，QuantLib在金融工程领域的地位可以说有过之而无不及。

参考其官方网站，QuantLib中包含的的模块如下（其中个人感觉国内比较有用的添加了中文注释）：

• Currencies and FX rates（货币相关）
• Date and time calculations（日期和时间计算）
• Calendars
• Day counters
• Design patterns
• Financial instruments
• Finite-differences framework
• Lattice metho

作为一个数字货币小白，最近准备开始接触这块的量化交易，主要考虑的还是统计套利方向，虽然利润不高但是在数字货币波动这么大的市场，我个人感觉还是有利可图的。

首先当然是要去选择一个市场，目前国内用起来比较方便的应该就是火币和OKCoin，在我同事不断安利下我还是用了火币，手动投了点零花钱进去玩玩，除了这个 USDT 转到交易钱包卡了半天之外别的体验都还不错，火币官方提供的 API 也非常简单明了，所以不如就先拿火币作为我的第一个落脚点。

申请账号和币圈的一些基础知识就不提了，我们可以在这个页面登录后的右上角找到安全中心，去申请一个API KEY：

[比特币交易平台_安全的以太坊莱特币比特币交

还有很多功能再以后整理为笔记，这篇是近期最后更新关于VNPY的文章了。

实盘逻辑：

首先打开runCtaTrading.py,主函数执行： runChildProcess()

# 创建日志引擎
le = LogEngine()
le.setLogLevel(le.LEVEL_INFO)
le.addConsoleHandler()
le.addFileHandler()

le.info(u'启动CTA策略运行子进程')

ee = EventEngine2()
le.info(u'事件

我一个策略研究员，怎么就写起交易系统来了呢？

动机

作为一个Quant，我一直以来都有一个愿望，就是自己写出一整套程序化交易系统并实盘交易，相信绝大多数刚刚接触量化交易的同学也都曾经有过这个想法。但受限于编程能力，估计很少有人能自己从最底层开始写出一套完整的交易系统。

quant自己写交易系统这个事也不新鲜，开源项目vnpy的作者就是交易员，这个项目的一个宣传语我很喜欢: by trader, for trader。quant自己接入交易所的好处显而易见：能深入理解下单成交是怎么一回事，跟IT的沟通会更流畅；能更深入的研究市场微观结构；如果是研究算法交易、高频策略那自己接入交易

回顾上一篇文章，我们设计了事件驱动回测框架，用于验证与优化我们的策略；同时也开发了配套的实时交易系统，保证我们有能力将策略实盘跑起真正的资金来。


但我们要的不仅是能上策略，而是能高效且规范地上

基于Scikit-learn的向量化回测框架


回测是个老掉牙的问题了，开源社区也有不少优秀的回测框架，如zipline、backtrader等，那我们为什么要放弃他们而选择造轮子再设计一套

我出书啦！

[中国期货市场量化交易（R与C++版）李尉 人工智能大数据统计学期货市场预测建模分析方法书籍【图片 价格 品牌 评论】-京东​item.m.jd.com ](https://item.m.jd.com/product/36949374055.html?&utm_source=weixin&utm_medium=weixin&utm_campaign=t_1000072672_17053_001

这是关于股票主动投资组合管理的第一篇教程。在开始介绍正式内容之前，我先简要简要说一下《Alpha系列》的初衷。

近年来，随着国内大数据和人工智能的迅速崛起，量化交易领域也有了长足的发展。 从原来的指标驱动型程序化交易，演化到现在的以机器学习、人工智能为代表的新型量化交易。同时，量化交易的门槛与过去相比下降了许多。 不仅是因为这些年数据科学的发展带动了python及其生态的成熟和推广，更由于类似tushare、vnpy、zipline等开源项目以及像quantopian、bigquant等量化平台的出现， 使得以前做量化先造轮子到现在量化从业者可以专注于策略的研发，使得更多的人能够进入到这个领