作者:石川,北京量信投资管理有限公司创始合伙人,清华大学学士、硕士,麻省理工学院博士。
看多了前面的铺垫,接下来写一写可以实操的。本篇给出写择时策略回测的详细步骤,并用代码展示全过程,代码用python写,数据和代码后台回复“择时”获取,可以自己测试。
绩效指标也被称为风险指标,它们也是量化投资的基石,正因为有这些指标我们可以横向对比不同模型。
在查找如何使用Python实现滚动回归时,发现一个很有用的量化金融包——pyfinance。顾名思义,pyfinance是为投资管理和证券收益分析而构建的Python分析包,主要是对面向定量金融的现有包进行补充,如pyfolio和pandas等。pyfinance包含六个模块,
报告认为高阶矩可以刻画资产价格的变化,并且有一定的领先性,可以以此构造指数择时策略,原理见研报(在公众号后台回复“高阶矩”获取研报和代码)
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!
举个简单的例子,如果你有1万元资金,投资时间为5年,年化收益率为10%。五年后,你一共能拿回多少呢?按照上面的公式,结果就是:
择时系列第三篇,分享一篇来自HSBC的一篇论文。作者讨论了趋势策略的溢出效应,并基于溢出效应构建交易策略,改进传统的择时策略。
前四期传送门: 【系列54】因子的有效性分析基于7种机器学习算法 【系列53】基于XGBoost的量化金融实战 【系列52】基于Python预测股价的那些人那些坑 【系列51】通过ML、Time Series模型学习股价行为 今天,继续我们的机器学习应用量化投资系列。本期我们介绍一篇杨勇团队撰写的研究报告。希望大家在写策略注意这些问题。 前言 从高频到低频 机器学习在高频量化策略上应用更加容易。 从线性到非线性 机器学习下的非线性比线性更能榨取数据的价值,但也更容易过度拟合,因此需要合理使用。 从单次分析
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。
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
相信大家都听说过股票,很羡慕那些炒股大佬,觉得量化投资非常高深,本文教大家用python实现简单的量化交易策略。在这强调一下,本文仅供交流学习参考,不构成任何投资建议。炒股有风险,投资需谨慎。
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。
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
今天我想做一个带有实际预测的金融时间序列结论:我们将用神经网络强化经典移动平均策略,证明它真的改善了最终结果,并且审查新的预测目标。 训练神经网络的代码地址:https://github.com/Rachnog/Deep-Trading/blob/master/strategy/skew.py 主要思路 我们可以预测不同的价值——从价格变化到波动率。在我们把这些预测看作是一种抽象的东西之前,只是看这些“up-down”的预测就尝试交易,即使这些预测并不是很好。但我们也知道,有很多其他的交易策略都是基于技术分
机器学习是为了预测某个值而利用算法来学习数据中模式的科学。利用足够的数据,在所有输入变量与待预测值之间建立映射。在有限的输入变量的情况下,系统更容易预测一个新的值。这种方法不同于传统,传统方法是基于先前设臵的规则开发的,而机器学习模型是使用数据驱动的。
在上一篇文章中,我们使用深度强化学习创建了一个可以赚钱的比特币自动交易智能体。虽然这个智能体能够做到自动交易比特币获得收益,但它的收益率并没有让人眼前一亮,今天我们会大幅度改进这个比特币交易智能体,从而提高它的收益率。
正如1986版壮志凌云(Top Gun)中Maverick所说“I feel the need,the need for speed”,在趋势跟踪策略中,如何快速有效的对市场的极端行情做出反应是所有趋势跟踪策略迫切需要解决的问题。正如我们接下来讨论的,快速的趋势跟踪策略在这方面比慢速的趋势跟踪策略更有吸引力。
公众号为全网读者带来Backtrader系列自推出第一期以来,受到了众多读者的喜爱与点赞,QIML也会继续把这个系列做好。 让那些割韭菜的课程都随风而去吧!!! 公众号将为大家多维度、多策略、多场景来讲述Backtrader在量化投资领域的实践应用。同时,我们对每段代码都做了解读说明,愿你在Quant的道路上学有所获!
马尔科夫性 如果一个过程的“将来”仅依赖“现在”而不依赖“过去”,则此过程具有马尔可夫性,或称此过程为马尔可夫过程。 函数形式:X(t+1) = f( X(t) ) HMM由来 物理信号是时变的,参数
今天我们来继续我们机器学习应用量化投资系列,本期,我们介绍一篇来自华泰证券金工的研究报告。将深入为你剖析Stacking 集成学习在量化投资中的应用!希望大家有所收获! Stacking 集成学习模型简介 Stacking 集成学习的原理 Stacking 是一种常见的集成学习框架。一般来说,Stacking 将训练一个多层(一般是两层, 本文中默认两层)的模型结构,第一层(也叫学习层)包含 n 个不同的模型,将得到的预 测结果合并为新的特征集,并作为下一层模型的输入,由下一层模型再次根据对应的数据 标签进
南洋理工大学计算机系和米兰理工数据挖掘研究组的科学家发现,虽然公众情绪已经被认为是股市预测的关键因素,但近十年来在利用公共情绪来解决资产配置问题的理论方面,学术界几乎没有什么进展。他们在论文中提出了一种可信赖和可解释的学习架构来生成市场观点,并且和其他的基线资产配置策略进行了比较。回测结果表明模拟盘在特定风险水平下的盈利能力提高了5%-10%。
我们写好策略,最好回测后,其实是很有必要看一下我们策略的效果,一般采用可视化的折线图与一些指标相结合的方式来评价一个策略。
投资中面临着系统性风险(即 \beta )和非系统性风险(即 \alpha ),\alpha 是投资者获得与市场波动无关的回报。比如投资者获得了15%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5%。
显著-偏置卷积神经网络简介 金融时间序列通常通常包含多个维度,不同维度数据的采样频率也不一致。例如螺纹钢研究员通常关心螺纹钢的因素有日频更新的现货螺纹钢价格,周频更新的螺纹钢库存,高炉开工率和线螺采购量,而月频更新的则有商品房销售面积等。如果其中某些可观测因子发生了变化,投资者对未来螺纹钢期货涨跌的预期也应发生变化,但是如何处理这些不同频率的数据是量化模型的一大难题。一种比较简单直接的方法就是降低数据的采样频率,例如把日频数据统一为周频(甚至更低如月频),再基于周频数据进行预测。但这种方法的缺点也很明显,期
近日,Medium 上出现了一篇题为《Neural networks for algorithmic trading: enhancing classic strategies》的文章,作者 Alex
其中pend是策略最终总资产,pstart是策略初始总资产,n是回测的交易日数量,那250是什么东西呢?表示一年中可交易的天数,因为我们的指标是年化收益,一年不能用365表示,要用25。
近些年来,随着金融领域数字化转型工作的推进,对金融系统的算力的要求也越来越高,经典计算机处理器已经接近制程极限。因此可以预见,算力将可能成为阻碍金融数字化转型的关键因素。量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式,有着极强的并行能力和随着量子比特数量的增加呈指数型增长的强大算力,具有远超经典计算机的算力优势,可高效快速分析海量数据,能够极大提升金融服务的数字化水平和响应速度。因此可以预见未来量子计算将改变金融行业的整体生态和竞争格局,加速推进数字经济的发展,对于国家金融安全和金融机构发展都具有一定战略意义。
之前两篇文章对若干资产配置模型进行了回测分析,本文重点关注风险平价模型及其优化,考察优化后的效果。
论文 | A Deep Trend-Following Trading Strategy for Equity Markets
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:
传统的CTA策略多为多品种多周期的趋势跟踪策略组合。其中对于趋势的定义,大都基于时间序列计算出的传统技术指标,如MACD、均线等。然后根据趋势的多空,构建多品种的多空组合。随着深度学习的发展,很多研究者在量化CTA策略的研发中,开始尝试深度学习算法。常见的作法,如直接用深度学习预测每个品种未来一段时间的收益率,并根据预测收益构建品种多空的组合。但这钟做法有以下两个缺点:
本文根据报告《The Smart Money Indicator: A New Risk Management Tool》整理,获取全文请在后台回复“SMI"。
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
择时荟萃第九篇,之前的报告多为短周期的择时,今天分享两个长周期的择时策略,一个是月频,一个是半年频,长短叠加效果更好。作者来自海外一家对冲基金。获取原文请在后台回复“择时9”。
1.量化 对于一般投资者,甚至是部分金融从业者来说,量化投资都是一门高大上的技术,充斥着模型代码和算法假设,门槛非常高。其实,生活中的量化思想无处不在。 例如,某魔都金融民工,每日上班路线是这样的:乘地铁或者公交至陆家嘴,随后步行或者乘华宝兴业免费接驳车至公司楼下。哪条路线最近呢? 此人先罗列了所有可行的路线,随后花了一个月时间,逐条路线进行多次试验,最终成功找出不出意外情况下最近的线路,完美!这就是最简单的量化思想,利用大量数据,找出大概率的最优策略,并照此执行。 海外的量化投资发展已经超过三十年
为了追求长期的超额收益,投资者们经常结合使用进攻和防守的策略。其中进攻端一般采用质量、价值、动量及低波动的因子以获取长期优于市场的回报。但是这些策略一般都具有较大的波动和回撤,这对于风险偏好较谨慎的投资者很难接受。
Moody 等人将循环强化学习算法模型(Recurrent Reinforcement Learning,RRL)应用在单一股票和资产投资组合等领域,测试了日内外汇市场(USD / GBP)、标准普尔500(S&P 500 Index)、美国短期国债等金融资产。以收益率为输入,微分夏普比率为目标函数,在交易成本为5‰的情况下进行实验。RRL 策略获得的回报超过Q 学习(Q-Learning)策略和买入持有策略,并在交易次数上明显小于Q 学习策略。
1、相对于传统的人工做法,量化交易做一次回测几分钟就可以得到结果了,它的效率是传统人工的几百倍。
因子投资已经存在很长时间了,学术界和实践中都有大量的文献致力于研究它。然而,关于它的许多困惑仍然存在。我们已经讨论过价值、动量、低风险和规模等风格因子投资的事实和误解(Fact and Fiction),这篇文章将结束本系列文章,回顾关于一般因子和多因子投资方法的事实和误解。
大家好,我是Maynor。相信大家和我一样,都有一个大厂梦,作为一名资深大数据选手,深知SQL重要性,接下来我准备用100天时间,基于大数据岗面试中的经典SQL题,以每日1题的形式,带你过一遍热门SQL题并给出恰如其分的解答。
今天给各位分享两道数据分析试题,这是腾讯数据分析面试官在面试时考察候选人喜欢出的题,属于硬性技能考察题目,特别好用。
金融科技&大数据产品推荐:量子金服投研管理平台
作者:石川| 公众号专栏作者 | 量信投资 创始合伙人,清华大学学士、硕士,麻省理工学院博士;精通各种概率模型和统计方法,擅长不确定性随机系统的建模及优化。知乎专栏:https://zhuanlan.zhihu.com/mitcshi。
猴子数据分析训练营的第2关视频课程是《如何看懂数据?》,根据同学在训练营里的讨论,我对常见问题进行了整理和回答。
类 pyalgotrade.broker.``Order(type_,action,instrument,quantity,instrumentTraits)
有一些单纯搞计算机、数学或者物理的人会问,究竟怎么样应用 ML 在量化投资。他们能做些什么自己擅长的工作。虽然在很多平台或者自媒体有谈及有关的问题,但是不够全面和完整。从今日起,量化投资与机器学习公众号将推出一个系列【机器学习该如何应用到】。今日的推文,是编辑部人员对国内的所有券商金工团队做的机器学习的研究报告做了一个系统性的整理。希望大家有所收获。 获取本推文所有研报请看文章末端 系列文章(点击即可查看) 机器学习该如何应用到量化投资系列(一) 机器学习该如何应用到量化投资系列(二) 2010年08月1
这是 Python 进阶课的第十五节 - 量化交易之向量化回测 ,进阶课的目录如下:
很多人可能都听过算法,可能也实现过一些算法,如果问他什么是算法,可能也很难的准确的说出来。确实,给一个事物下定义是很难的,因为总会有没有覆盖的点。
领取专属 10元无门槛券
手把手带您无忧上云