今天给大家分享一位好朋友的六年量化程序开发历程,最后他的策略实现了很高的收益,身边有很多朋友也都是主业码农,副业量化,这种搭配是现在非常流行的,量化代码给大家放在了文章末尾,看完后希望对你有所启发与帮助~
Python 的学习者中,有相当一部分是冲着爬虫去的。因为爬虫可以帮你解决很多工作和生活中的问题,节约你的生命。不过 Python 还有一个神秘而有趣的应用领域,那就是量化交易。 量化交易,就是以数学模型替代人的主观判断来制定交易策略。通常会借助计算机程序来进行策略的计算和验证,最终也常直接用程序根据策略设定的规则自动进行交易。 Python 由于开发方便,工具库丰富,尤其科学计算方面的支持很强大,所以目前在量化领域的使用很广泛。市面上也出现了很多支持 Python 语言的量化平台。通过这些平台,你可以很方
vnpy [1] 基于python的开源交易平台开发框架。项目的用户包括:私募基金,证券自营、资管,期货公司,高校的金融研究院系,个人投资者等,机构用户加起来至少20多家。 该项目拥有较为丰富的Py
Python 的学习者中,有相当一部分是冲着爬虫去的。因为爬虫可以帮你解决很多工作和生活中的问题,节约你的生命。不过 Python 还有一个神秘而有趣的应用领域,那就是量化交易。
在本篇文章里小编给大家整理的是一篇关于Python爬虫回测股票的实例讲解内容,有兴趣的朋友们可以学习下。
本文展示了如何基于基础ARMA-GARCH过程(当然这也涉及广义上的QRM)来拟合和预测风险价值(Value-at-Risk,VaR)
金融科技&大数据产品推荐:量子金服投研管理平台
写着写着,突然发现之前的标题“常用命令介绍”已经跟内容有点脱轨了,写的已经不只是命令了……
Backtrader 是 2015 年开源的 Python 量化回测框架(支持实盘交易),功能丰富,操作方便灵活:
为了让这个策略能让计算机执行,首先,要使策略符合“初始化+周期循环”框架,像这样:
大数据文摘作品,转载要求见文末 编译 | 徐宇文,蒋晔、范玥灿 卞峥,yawei xia 技术早已成为金融业的一项资产:金融交易的高速、高频与超大数据体量结合,促使金融机构在一年一年不断地加深对技术的关注,在今天,技术已经切实成为了金融界的一项主导能力。 在金融界最受欢迎的编程语言中,你会看到R和Python,与C++,C#和Java这些语言并列。在本教程中,你将开始学习如何在金融场景下运用Python。本教程涵盖以下这些方面: 基础知识:对于金融入门阶段的读者,你将会首先学到股票和交易策略,什么是时间序列
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量,也被投资组合经理等从业者用来解释未来市场风险
今天内容不多,也不复杂。首先,之前写的stock_util补充一个获取指定日期前某个交易日期的函数,毕竟后期写到买卖点指标的时候,难免要用到前后两个交易日指标值的计算。接着,data包中再新增一个从数据集中提取数据的模块。
SignalFactorAnalyse单因子测试框架哪些因子可以为组合提供超额收益?这是构建多因子模型的第一步,也是最关键一步。 特征选择非常关键,只有把握关键特征才能对数据达到重要性认识,选择好的因子,才能获取超额收益率。 对于传统交易经验、金融理论、微观市场、机器学习、深度学习等不断挖掘出来的巨量待验因子,一个快速且有效的因子测试框架,将是Multi-factor策略系统中最为关键的一环。 因子模型测试思路 因子有效性的判断与筛选: •备选因子确定: 数学意义、经济意义、统计意义 •预处理: 数据空缺与
量化回测,苦于MySQL久矣,特别是进行股票日内因子构建分析或全市场因子测试的时候,每当按下回车时,MySQL就跟丢了魂一样,查询费时,大吞吐量读取也非常耗时。虽然MySQL的优化技巧足够写一本书,但这些都需要交给专业的DB工程师去做,量化打工人没有能力更没有时间倒腾这些。那有没有省时省力,高效存储股票行情数据的解决办法呢。带着这个问题,编辑部简单的搜索了一下,总体分为几个方案:
Alpha是投资者获得与市场波动无关的回报,一般用来度量投资者的投资技艺。比如投资者获得了12%的回报,其基准获得了10%的回报,那么Alpha或者价值增值的部分就是2%. 小编将推出一系列Alpha策略,希望能起到抛砖引玉的作用。如有不足之处,欢迎批评指正~~ 策略设计 在这里就不对alpha作介绍了,想了解alpha的读者可以去看看前两天Thomas大大推的《多因子系列之二》~ 那我们就直接从策略开始吧。作为alpha系列的第一篇,我们先来实现一个简单的Alpha策略。 首
本文作者是一位从事量化交易的实战者,他将他的实战心得写成一个量化交易系列,本篇则是系列的第一篇,从文中你会对整个量化交易的框架、流程、以及策略思路的来源地都有相应地说明。接下来就和文摘菌一起来看看量化交易应该如何入门吧!
机器学习和深度学习已经成为量化对冲基金常用最大化其利润的常用的新的有效策略。 作为一名人工智能和金融爱好者,这是令人振奋的消息,因为它结合了我感兴趣的两个领域。 本文将介绍如何使用神经网络预测股票市场,特别是股票(或指数)的价格。 这篇文章基于我的GitHub中的python项目,在那里你可以找到完整的python代码以及如何使用该程序。 此外,对于更多这样的内容,请查看我自己的页面:Engineer Quant
作者:Wanxin Sun 来源: https://www.ricequant.com/community/topic/2095/?tum_source=tab 本文通过讲述 [单股票均线策略] 在
RiceQuant 是一个云端的框架, 可以帮助我们随时, 随地的开发袭击的交易策略, 验证资金的投资思路.
程序员,或许内心深处都怀揣着一个量化投资的梦想,渴望凭借自己的编程和人工智能技能,再补点基础的金融知识,我们便可以构建一个量化交易系统,轻松实现财富自由。这样的理想确实诱人,似乎让我们看到了轻松实现个人价值的可能性,也让我们看到了用代码改变世界的力量。
在迅速变化的金融领域中,数据分析和解释的能力至关重要。本文探讨了Python在金融数据分析中的应用,包括使用Pandas、NumPy和Matplotlib等Python库,它们能够处理股票市场数据、展示趋势并构建交易策略。无论你是经验丰富的金融分析师还是初入投资领域者,这些见解和技巧都将增强你的分析技能,拓宽对金融市场动态的理解,并帮助你在股票市场做出明智的决策。
在该项目中,研究者把股票市场的历史价格走势看作一个复杂的不完全信息环境,而智能体需要在这个环境中最大化回报和最小化风险。相比于其他传统机器学习算法,深度强化学习的优势在于对股票交易任务进行马尔可夫决策过程建模,没有将识别市场状况和交易策略执行分开,更符合股票交易的特点。尽管基于深度强化学习的量化策略研究仍处于早期探索阶段,部分算法已经能够在特定的交易任务中展现出良好的收益。
投资理财是几乎是每个人的人生必修课,修的好,能带来很多睡后收入。但是没有丰富的投资知识,不要进入股市。假如你有一些闲钱,这些钱如果没了,对你的生活质量丝毫不受影响,那么,可以用这些闲钱玩一玩股票,记住一点,不可以使用杠杆,如果没有闲钱,那就玩模拟炒股吧。
摘要:BigQuant平台上的 StockRanker 算法在选股方面有不俗的表现,模型在 15、16 年的回测收益率也很高 (使用默认因子收益率就达到 170% 左右)。然而,StockRanker 在股灾时期回撤很大 (使用默认因子回撤 55%),因此需要择时模型,控制 StockRanker 在大盘走势不好时的仓位。 LSTM(长短期记忆神经网络) 是一种善于处理和预测时间序列相关数据的 RNN。本文初步探究了 LSTM 在股票市场的应用,进而将 LSTM 对沪深 300 未来五日收益率的预测
QUANTAXIS量化金融策略框架,是一个面向中小型策略团队的量化分析解决方案,是一个从数据爬取、清洗存储、分析回测、可视化、交易复盘的本地一站式解决方案。 我们通过高度解耦的模块化以及标准化协议,可以快速的实现面向场景的定制化解决方案.QUANTAXIS是一个渐进式的开放式框架,你可以根据自己的需要,引入自己的数据,分析方案,可视化过程等,也可以通过RESTful接口,快速实现多人局域网/广域网内的协作。
LSTM Networks(长短期记忆神经网络)简介 LSTM Networks 是递归神经网络(RNNs)的一种,该算法由 Sepp Hochreiter 和 Jurgen Schmidhuber 在 Neural Computation 上首次公布。后经过人们的不断改进,LSTM 的内部结构逐渐变得完善起来(图 1)。在处理和预测时间序列相关的数据时会比一般的 RNNs 表现的更好。目前,LSTM Networks 已经被广泛应用在机器人控制、文本识别及预测、语音识别、蛋白质同源检测等领域。基
从大二开始接触A股,有幸见证了15年疯牛,最后落荒而逃,现在工作了又开始买入,可惜大A真是专治各种不服。。。现在的行情真是越来越难做了,所以还是想多多利用手头上的Python来换一套投资理念。接下来的文章,是我从Google上看到的,个人翻译给国内的好友们,希望大家喜欢。
本文总结单因子测试的分层测试法。与回归法相比,分层测试法相对繁琐,但能展示更多细节。 分层测试法的思路是在统一的规则下, 利用单因子构建投资组合进行回测,然后对投资组合的表现进行全面评价,通过投资组合的表现说明因子的有效性。
在回测区间的各个调仓日选出的股票数在18只-86只之间,2009年4月-2009年7月、2014年10月-2015年2月、2015年10月-2016年3月三个时间段的股票数较少,从2017年后半年至2018年前半年的一年时间里选出的股票数较多。
ai量化系统架构的思考 背景 现在很多群体,尤其是有点金融背景或兴趣的程序员群体,“大量”进入量化交易这个领域。 以quantopian为蓝本,做出to c的quant平台。这个前文说过,受众肯定是非常窄的。有能力的人,不需要平台;编码对于大多数人也是一个门槛。 另外,即便像果仁或ricequant也出了向导式写策略,门槛降下来不少。但还是不对。用户还只能从经验出发,或者去试。 回测只是一个结果,本质是构建策略思路的过程。比如盈利目标,短线的话,看基本面意义不在,一个季度基本面都不会变的(变了你也不知道)。
上一篇文章,我用了4000字这样比较长的篇幅,介绍了一些金融和量化交易相关的基本知识,还大概说了下人工智能在金融方面使用的优劣。这篇文章我们将用一个具体代码来进行一波股票价格预测的实战。
BigQuant – 你的人工智能量化平台 – 可以无门槛地使用机器学习、人工智能开发量化策略,基于python,提供策略自动生成器
这节要写的是从网站爬取财务报表信息,然后写入自己的数据集中。财务信息有了,接着就可以自己算各个股票的PE市盈率了。
相信很多买过股票的同学应该都听过PEG估值选股法,这个策略是美国的传奇基金经理彼得林奇极力推广的。
说到基金股票,不仅仅是金融小白会一头雾水,就连资深股民都难逃买啥啥就跌的痛苦。近期数据侠实验室,DT君邀请到了Merkle高级数据分析师周秀丽、秦溱,自称金融小白的她们将会从大数据这一独特的角度带你走进股票和基金。
LSTM Networks 简介 LSTM Networks是递归神经网络(RNNs)的一种,该算法由Sepp Hochreiter和Jurgen Schmidhuber在Neural Computation上首次公布。后经过人们的不断改进,LSTM的内部结构逐渐变得完善起来(图1)。在处理和预测时间序列相关的数据时会比一般的RNNs表现的更好。目前,LSTM Networks已经被广泛应用在机器人控制、文本识别及预测、语音识别、蛋白质同源检测等领域。基于LSTM Networks在这些方面的优异表现,
谢谢大家的支持!现在该公众号开通了评论留言功能,你们对每篇推文的留言与问题,可以通过【写评论】给圈主留言,圈主会及时回复您的留言。 想在市场上赚钱,必须同时具备两样能力: 研究:做出正确的能够获利的决策,也就是寻找Alpha的能力 交易:基于研究的结果和交易信号,执行相应的下单风控等操作,也就是将Alpha落实到你账户盈利上的能力 研究方面 python编程能力: python基础编程,必须掌握,不仅仅是会语法,还有各种语言细节的坑(当然比C++少很多)。对于常年使用R MATLAB SAS的研究人员来
量化开发类笔试题目,开卷 48h。第一题倾向于逻辑题和算法题相结合的形式。第二题是项目题,考察候选人对C++编写项目和回测系统的理解和认识,可以看出系统设计能力和相关代码经验,区分度明显。
随着Python编程语言的流行和普及,越来越多人对如何应用Python做金融数据分析和量化交易充满兴趣。但是不少人对量化投资本身存在一定的误解或认识不清,有的人过于异想天开,认为可以躺着挣钱(怕是只有岛国老师吧);有的人则因循守旧,认为没啥卵用;也有的人盲目追求模型的复杂性,在编程和数学中迷失了方向。
之前公众号分享过网友自行编写的WorldQuant 101因子源代码,大家有需要可以点击链接进行免费获取。
不知不觉,2019过半了。最近节奏有点慌乱,看了点玄学,一晃2个周过去了,然而,并没有收获多少,感觉自己不是这块料
随着科技的不断发展,自动化交易成为了投资者们追逐的一种高效、智能的投资方式。Python作为一种简洁、灵活且功能强大的编程语言,被广泛应用于自动化交易领域。本文将介绍如何使用Python进行自动化交易,并提供一些示例代码。
从第三方获取到的数据,其实有挺多内容要自己填充完善的,比如股票停牌日的信息,要知道停牌日的个股信息是空的,如刚好持仓股遇到停牌,是无法交易的,计算持仓市值时,停牌日没有信息会报错算不出该股当日数据(因为股价信息都是空白的),于是就需要参考停牌前交易日的数据,填充到停牌日中。另外,还有复权因子的计算,比如持仓股刚好遇到除权除息,如未进行相应的换算,持仓值会出现错误。
data_crawler.py虽然早就写出来了,但总要完整的爬取一遍才敢投入应用中,果然,随便一爬就有问题,速度贼慢,龟速……
1 在浏览器中打开 www.joinquant.com 2 编写策略代码 点击顶部的“我的策略”,选择子菜单“我的策略”,在左侧输入python代码 def initialize(context): #初始化 g.security = '600050.XSHG' # 股票名:中国联通 def handle_data(context, data): # 每日循环 last_price = data[g.security].close
本帖讲解第一节 Basic Quantopian Lessons,旨在说明如何使用 Quantopian 的研究环境和回测环境。目录如下:
机器学习和深度学习已经成为定量对冲基金常用的新的有效策略,以最大化其利润。作为一名人工智能和金融爱好者,这是令人激动的消息,因为它结合了我自己感兴趣的两个领域。本文将介绍如何使用神经网络预测股票市场,特别是股票的价格。这篇文章的源码在我的GitHub中的python项目,如下:
最近"量化交易"成为了热门话题,具体缘由我就不多说了,之前觉得"量化交易"非常地神秘,"量化交易"是什么?它和"程序化交易"有什么区别?找些资料了解下。
领取专属 10元无门槛券
手把手带您无忧上云