精华内容
下载资源
问答
  • 系统交易方法

    2018-07-31 16:35:28
    系统交易方法是非常完整实用的金融交易系统化的教程,对于系统交易感兴趣的朋友,有着很大的启发和帮助。
  • 系统交易方法.pdf

    2018-05-16 22:21:29
    本资料系统的介绍交易需要的几个要素,以及再开发交易系统时的各种注意细节
  • 高频交易系统

    热门讨论 2012-07-11 09:09:32
    高频交易文档,设计高频交易系统的基本原则与方法,适于对高频交易和量化有兴趣者
  • 波涛著,非常实用的一本交易学教材,炒股必备
  • 下面的代码可以实现把金字塔中的交易信号,对接到宽客帮策略执行系统中,从而实现自动交易: 测试宏 Sub Test() Dim QuantOrder '定义宽客帮下单COM组件 Dim nCount Dim bRet Dim Info '创建组件对象 Set ...

    金字塔提供了VBA方式的二次开发接口,而VBA是可以很容易调用COM自动化接口组件来实现下单的。下面的代码可以实现把金字塔中的交易信号,对接到宽客帮策略执行系统中,从而实现自动交易:

    测试宏

    Sub Test()

    Dim QuantOrder '定义宽客帮下单COM组件

    Dim nCount

    Dim bRet

    Dim Info

    '创建组件对象

    Set QuantOrder = CreateObject("ZMOrder.QuantTrade")

    '指定应用类型,256默认为金字塔

    QuantOrder.AppType = 256

    '指定宽客帮定时扫描文件变化定时器,毫秒

    QuantOrder.ScanTimer = 500

    '添加名称为策略3的策略,返回策略编号,在宽客帮对接插件管理中也可以先编辑维护好策略列表信息

    nQuantID = QuantOrder.AddQuant("策略3",1)

    '启用金字塔策略信号

    QuantOrder.Enable = true

    '取当前已存在的策略数量

    nCount = QuantOrder.QuantCount

    '根据策略ID取策略信息

    Info = QuantOrder.GetQuant(1)

    '根据策略遍历序号取策略信息

    Info = QuantOrder.QuantByIndex(0)

    '下单编号5,股票代码600000,数量1000股,价格10.30,买入,策略ID是1,Date可指定交易时间

    bRet = QuantOrder.AddTrade("5","600000",1000,10.30,true,1,Date)

    '下单编号6,股票代码000001,数量2000股,价格11.5,卖出,策略ID是2,Date指定交易时间

    bRet = QuantOrder.AddTrade("6","0001",2000,11.5,false,2,Date)

    '保存下单指令以生效

    QuantOrder.Save()

    '取今日已存在的交易委托数量

    nCount = QuantOrder.TradeCount

    '根据交易委托ID取委托信息

    Info = QuantOrder.GetTrade(5)

    '根据交易委托遍历序号取委托信息

    Info = QuantOrder.TradeByIndex(0)

    Set QuantOrder = Nothing

    End Sub

    代码中用到的COM组件及宽客帮策略执行系统,请在这里下载:https://download.csdn.net/download/quanthelper/10800430

    下载程序解压后,按文档配置好,对金字塔的插件配置如下:

    双击QuantHelper.exe启动配置程序,点击“文件策略”后的界面再点击对接插件管理,选择股票软件类型为金字塔(确保金字塔行程序名称为WinStock.exe)可以点击按钮“自动检测软件”扫描本机安装的金字塔行软件,如果没有找到,请先启动金字塔行软件后再执行一次,另外点击一次按钮“安装插件”以便实现注册COM组件(如果您的程序是64位调用,请手工注册宽客帮程序X64子目录下的COM组件ZMOrder.dll,命令行 regsvr32 X64版实际目录+ZMOrder.dll写入一个bat批处理文件保存后,右键以管理员权限执行一次)。然后编辑维护好自己的策略列表,系统会自动生成策略的编号,而在调用交易函数中需要直接传入这儿的编号,在COM组件接口中也可以直接通过函数实现编辑策略信息。关于这个COM组件的接口说明,请参考程序包里的说明。

    展开全文
  • 交易系统可能不是技术难度最深的,但是业务复杂度最高的,一个订单从提交到最后真正生产成功要经历几十个系统,涉及的接口交互,MQ等可能达上百个。任何一个环节出问题都会导致这一单的异常,而且交易不像单纯的资讯...

    背景

    交易系统可能不是技术难度最深的,但是业务复杂度最高的,一个订单从提交到最后真正生产成功要经历几十个系统,涉及的接口交互,MQ等可能达上百个。任何一个环节出问题都会导致这一单的异常,而且交易不像单纯的资讯门户可以靠静态化或者缓存抗住大并发,交易系统里面涉及到大量的资源(库存,优惠券,优惠码等)消费,订单生成等需要写入持久化的操作不是单纯的异步或者缓存化可以解决的,而且对库存等敏感信息不能出现并发扣减等。

    细节的设计非常多,下面挑出比较典型的一些方面,给大家介绍下京东到家交易系统的架构设计和关键问题的处理方案。

    历程

    系统Set化

    初期的订单系统和首页,单品页,购物车业务逻辑层等都是在一个大项目里。非常适合初期人员少,业务复杂度低,快速迭代,不断探索试错的过程,但是随着业务的发展,出现了以下问题:

    • 系统的流量和业务复杂度也越来越大,大家共用一个大项目进行开发部署,相互影响,协调成本变高;

    • 不同的业务模块,流量和重要级别不同需要的部署策略和容灾降级限流等措施也不一样,要分而治之; 

    解决方案
    项目Set化,这个过程中要注意Set化的边界问题,粒度太大了效果不好,太小了设计过度了,反而会增加维护和开发成本; 

    分库分表

    问题
    随着订单的并发量的不断攀升,特别是在双十一,618等大促的时候,单组DB(一主多从)存在着明显的压力,单个主库的连接数是有限的。大单量,大并发的时候,数据库越来越成为了我们的瓶颈。

    解决方案
    针对接单数据库我们采取的常规做法分库,根据订单号进行Hash分布到不同的多个数据库中,代码方面我们是继承了Spring的AbstractRoutingDataSource,实现了determineCurrentLookupKey方法。对业务代码只有很少的耦合。

    另外下发到个人中心数据库的订单信息,每天不断的累计到DB中,存在以下风险:

    • MySQL的单表容量超过单机限制

    • 穿透缓存到达DB的数据查询也是非常有问题的。

    目前我们采取对个人中心的表按照pin进行分库分表。
    但是对于后端生产系统对于订单数据的查询操作,特别是涉及到多条件组合的情况,由于数据量大,多个表数据的关联,无论分不分表或者读写分离对这个场景都不能很好的解决。

    这种场景下我们采用了ES,在写入DB的时候同步写入ES。你可能会问ES失败了,数据不一致怎么办,ES失败了DB回滚,Worker标识状态,重新迎接下一次轮询。

    前端下单和后端生产分离

    问题
    ToC端和ToB端的业务场景不同,前端对互联网用户的更多的是快速响应,抗住流量压力,而后端的场景需要稳定的全量的数据,要在接单的数据库基础上进行补全数据;两个端职责不同,不能互相影响;

    解决方案
    ToC和ToB分离,前端App或者H5用户下单和后端订单真正的生产相分离;前端订单系统挂掉了,不影响后端的生产;后端的生产挂了,对用户的下单也是无感知的。只是对配送的时效体验上会有影响,不是阻断性的。

    我们ToC的订单系统和ToB的是两个不同的独立数据库,互不影响;订单管道的Woker都是基于TBSchedule的分布式管理,多个Woker并行处理,下发时机都在毫秒级; 

    并行控制提升效率

    问题
    交易的流程依赖的系统非常多,拿提单按钮来举例,结算页的”提单”按钮,点一次就会触发20+个接口。随着业务复杂度的提升,单纯的串行执行效率越来越低,前端用户的体验越来越差。我们要求TP999在500ms以内的响应速度。

    解决方案
    我们梳理了服务的依赖关系等,对没有前后依赖的接口进行放到线程池里面异步执行,类似:查询库存,查询商品信息,查询促销信息等都并行执行。此步执行的时间,是并行接口里面最长的一个执行的时间。这样一来整个提单的操作提升了几百毫秒。

    另外资源(库存,优惠券,优惠码,促销等)的消费和回滚,我们也采用了并行的方式,每一种资源类都实现消费和回滚的接口。如下图:

    每个资源类都是一个Task的成员变量,Task实现了Callable接口。这样一来,不但整个提单大接口的效率提升了,对于资源消费和回滚环节,程序和业务的扩展性提升了很多。比如新增一种资源,这时候只需实现消费和回滚接口,然后扔到线程池里面就完成了。 

    异步

    在服务端可能需要针对提单请求做一些附属的事情,这些事情其实用户并不关心或者用户不需要立即拿到这些事情的处理结果,这种情况就比较适合用异步的方式处理这些事情,思路就是将订单交易的业务整理出来,哪些是不影响主流程的,例如:发短信,保存最近使用地址,清除购物车商品,下发订单给个人中心等等。这些都是在提单之后的异步线程去做。对于下发给个人中心的操作,如果失败,我们会有Woker补偿机制; 

    我们这里使用的是线程池的模式进行异步处理的,处理过程中有几个问题需要注意下:

    1. 线程池的队列不建议使用无界队列,它的默认大小是整数的最大值,这样在突发流量的时候会导致内存暴涨,影响服务;建议使用ArrayBlockingQueue

    2. 不推荐使用CallerRunsPolicy,即在线程和队列都达到max的时候,退回此请求到主线程。这样在突发流量或者接口提供方性能下降的时候导致主线程数暴增,影响整体服务。可以直接使用拒绝的策略,后续的Woker可以对异常单就行补偿;

    依赖治理

    订单交易上百个接口,几十个系统交互。各服务直接的依赖关系如何治理是一个很重要的问题。如下图: 

    问题
    一个服务依赖这么多服务,每个服务除自身的原因外,还受到网络原因等其他外部因素的影响,高并发情况下任何一个依赖的服务的波动都会造成整个大服务的阻塞,进而导致系统“雪崩”。

    解决方案
    那这些服务特别是不是阻断流程的服务,我们可以采用降级的处理,例如调用超时了给设定默认值,调用量比较大,所依赖的服务严重超时并影响整个调用方时,可以通过配置直接提供有损服务,不调用此服务。

    我们解决此类问题是使用自己开发的基于Zookeeper的“鲁班系统”,其原理就是Zookeeper相应的Znode节点下的数据做为对接口的开关或者降级情况的配置等。当相应的节点的数据发生变化的时候,对此节点监听的所有服务器都会受到通知,并将此变更同步到本地的缓存中;本地缓存我们使用的ConcurrentHashMap。当然也可以使用Guava Cache等开源组件,注意并发的场景就可以了; 

    然后再结合我们的UMP监控系统对系统的可用率,调用量等情况进行降级时机的判定,对Zookeeper相应节点的数据做动态配置;

    履约

    问题
    针对订单履约的过程清晰可追溯,我们自己开发了UDP上报系统,对一次提单中操作的所有接口,几十个系统的交互进行了详细记录;

    解决方案
    出参入参,是否异常,IP等信息均做了上报。通过Spring的AOP方式,开发了一个自定义注解,对添加了注解的方法UDP方式写入到ES集群中;而且我们实现了工具化,任何项目引入我们的Jar包,做简单配置就可以向我们的UDP服务端上报信息了。随着现在的信息量变大,我们正在考虑升级架构,UDP Client端发送信息到Kafka,然后Storm实时在线分析形成最终需要的数据落地到ES集群中;

    此系统大大提升了我们定位解决问题的效率。

    未来展望

    多渠道分拆

    微信,app,h5等多渠道隔离,单独部署单独发布。各渠道互不影响。以后再灰度就要单台->单set->单渠道->全量

    监控

    画了一个效果图,服务依赖的治理根据透明可视化。一个大服务依赖的接口众多,如果像下面我画的这个图这样,不同颜色代表不同的接口状态。鼠标附上去会展示详细信息;以后还可以做成,图形和后台服务程序联动,图中的一个节点就是一个服务,通过拖拽等方式,实现和后台程序联动达到降级的效果; 

    接单xml数据化

    如果以后订单量持续增加,每次操作多张表,单量上升的时候系统压力会上升,我们可以对订单库的表数据存储进行XML化,每个订单只操作一张表,存储一条数据,(XML化相对JSON可能解析的时候性能会稍微差一些,但是对于问题的查询可视化程度更高)然后在下发到后台的ToB生产数据库的时候,异步Worker还原成多表;

    结算页缓存化

    这个其实我们已经有技术方案,流程图已经出来了。后期就会上。目前提单的时候众多参数是从结算页从URL里面带过去的。虽然我们做了数字签名但是,在安全性和接口数据传输效率上还不是最好的。大致方案就是在用户进入结算页后将数据缓存化,当用户刷新结算页的时候,非敏感信息直接从缓存取,不用重复调用接口,提交订单的时候也入参就很简单了,一个Key就可以了。

     


    =>更多文章请参考《中国互联网业务研发体系架构指南》https://blog.csdn.net/Ture010Love/article/details/104381157

    =>更多行业权威架构案例、领域标准及技术趋势请关注微信公众号 '软件真理与光':

    公众号:关注更多实时动态
    更多权威内容关注公众号:软件真理与光
    展开全文
  • 大家都知道大规模系统中Web服务器不止一台,也不是几十台,很可能是...你设计的架构如果不能支持这种通过加机器来扩充系统方法的话,以后随着流量的增大,领导和群众都会疯掉;系统重构估计是不可避免的。  显然

    大家都知道大规模系统中Web服务器不止一台,也不是几十台,很可能是成百上千台。系统必须是可扩(Scalable)的;特别是Web服务器必须是可扩的,因为大型系统的流量会是非常大的。

        最简单最便宜的方法就是加Linux机器来作为Web服务器。你设计的架构如果不能支持这种通过加机器来扩充系统的方法的话,以后随着流量的增大,领导和群众都会疯掉;系统重构估计是不可避免的。

        显然,要做到这一点,每台Web服务器上是不能保存(交易/请求/session。。。)的状态的。就是说每台Web服务器上是Stateless的。

        有人要说,我偏偏要在Web服务器上保留状态,咋啦?。我在Web服务器的前面放一个分流服务器,把每个请求按Cookie把请求分流到相应的有状态的Web服务器上,上一次Cookie去哪台,这次请求我还是分流去那台;不就解决问题了吗?咋啦?

       得,您要这么做。还是那句话,小系统可能没问题。大系统你一定疯掉。先不说你那个分流服务器能承载多大压力,会不会是瓶颈。就说那万一上次去的那台Web服务器挂掉了,你这新的请求往哪儿送?傻眼了吧。。

       所以,一定要记住:Web服务器,千千万万不要是有状态的,不要保留(Session/交易)等信息。这些信息请保留到后台数据库服务器里去。

       这也是为什么大型交易系统强调Session的管理的原因。Session要集中管理,供每个Web服务器使用。这样,任何一个Web服务器挂掉,都不会影响交易的继续进行。

    展开全文
  • 1. 量化交易系统框架 2. 阿尔法模型 2.1 阿尔法模型的定义 2.2 阿尔法模型的分类 2.2.1 理论驱动型阿尔法模型 2.2.2 数据驱动型阿尔法模型 2.3 实施策略的方式 1. 量化交易系统框架 下图简要描述了量化...

    目录

    1. 量化交易系统框架

    2. 阿尔法模型

    2.1 阿尔法模型的定义

    2.2 阿尔法模型的分类

    2.2.1 理论驱动型阿尔法模型

    2.2.2 数据驱动型阿尔法模型

    2.3 实施策略的方式


     

    1. 量化交易系统框架

    下图简要描述了量化交易系统框架的主要组成部分。

    量化交易系统主要包括三个模块,即阿尔法模型(alpha model)、风险模型(risk model)和交易成本模型(transaction cost model)。这三个模型构成了投资组合构建模型(portofolio construction model)的输入,最后输出的投资组合被传递到执行模型,并通过研究被不断优化。

    其中,阿尔法模型旨在推测宽客所考虑交易的金融产品的未来趋势以及盈利的可能。风险模型旨在帮助宽客控制不太可能带来收益但会造成损失的敞口规模。交易成本模型用于帮助确定从目前的投资组合迁移到新的投资组合的交易成本。

    投资组合构建模型将前三者作为输入变量,在追求利润、控制风险和成本间进行平衡,从而确定最佳投资组合。构建模型输出决策之后,执行模型将目前的投资组合与目标投资组合进行比较,根据两者之间的差异来执行所需要的交易。

    最后,数据研究也是量化交易系统不可忽略的两个重要部分,贯穿了整个交易系统的每一个部分。

     

    2. 阿尔法模型

    2.1 阿尔法模型的定义

    通常来说,阿尔法是指扣除市场基准回报之后的投资回报率,可以理解为是仅由投资策略带来的收益,用希腊字母α表示。由于市场本身因素带来的回报率,即与投资者的投资策略无关的这一部分收益,被称为贝塔收益,用希腊字母β表示。因此,阿尔法模型就是为了增加阿尔法收益,在投资过程中所使用的一系列技巧和策略。在书中给出了阿尔法模型的一种非常规定义,即“在交易中关于买卖时机把握和持有头寸选择的技巧”。

     

    2.2 阿尔法模型的分类

    阿尔法模型主要可以划分为理论驱动型数据驱动型。此外,混合型阿尔法模型将两种或多种阿尔法模型结合起来,试图通过综合考虑多种模型的预测结果以提升预测效果。

    经验性科学家通过观察市场的变化,试图总结出一般性的规律和普适性的理论来解释市场行为,并通过过市场数据来验证他们的想法和理论。这样得到的就是理论驱动型阿尔法模型。

    另一部分人则认为,即使不对市场行为进行理论性的解释,通过过合理使用技术性的手段,我们也可以挖掘出隐藏在海量数据中的模式和规律,以及它们与市场行为之间的对应关系。这样仅仅通过数据分析方法,而不上升到理论层面而得到的就是数据驱动型阿尔法模型。

     

    2.2.1 理论驱动型阿尔法模型

    根据策略所依赖的数据类型,理论驱动型阿尔法模型可以进一步划分为依赖于价格数据的趋势型策略和均值回复型策略,以及依赖于基本面数据的价值型/收益型、成长型和品质型。最后比较特殊的一类是技术情绪型策略。

     

    2.2.1.1 基于价格数据的交易策略

    价格数据包括金融产品价格以及其他可以从交易行为中提取到的信息,比如交易时间和交易量。试图预测价格数据并从中获利的宽客,通常是在分析以下两种现象之一。一是已有的趋势是否会继续延续下去,二是目前的趋势是否会反转。前者称为趋势跟随策略(trend following)或者动量策略(momentum),后者称为均值回复策略(mean reversion)。

    趋势跟随策略的基本假设是“在一定时间内市场通常是朝着同一方向变化”。其基本经济学原理支撑是市场均衡理论。趋势跟随者试图寻找某种金融产品价格在预期方向上的显著变化,因此其绝大部分风险在于市场上价格的快速上下波动。

    移动平均线交叉指标(moving average crossover indicator)是定义趋势的一种重要方法。当短期均线位于长期均线之下时,认为市场处于下跌趋势;反之则认为市场处于上涨趋势。

    与趋势跟随策略相反,均值回复策略认为“价格终将会沿着已有趋势的反方向运动”,而不可能一直延续已有趋势。市场供需间的短期不均衡,比如超买和超卖现象,在一定程度上可以解释均值回复策略的合理性。统计套利策略是均值回复策略最著名的应用之一。

    趋势跟随策略和均值回复策略虽然在理论上是完全相反的,但是在实际应用中都能奏效。我们不需要在同一投资期限内构建这两种投资策略。一般来说,趋势通常在较长的投资期限上延续,而均值回复通常适用于短期投资期限。

    技术情绪类策略主要通过追踪投资者情绪相关指标来预测预期回报。这些指标通常包括交易价格、交易量以及波动性指标。因此也可以被认为是基于价格数据的一类交易策略。

     

    2.2.1.2 基于基本面数据的交易策略

    基本面数据泛指除了价格数据以外的其他所有的有用信息。依赖于基本面数据的策略主要包括价值型/收益型(value/yield)、成长型(growth)和品质型(quality)。

    价值型策略的基本理念是“收益率越高,价格越低”。通常价值型策略被认为就是低价买入的策略,实际上,价值性投资策略认为,市场倾向于高估高风险资产的风险,而低估低风险资产的风险。因此,在合适的时机买入高风险资产或卖出低风险资产,可以获得收益。

    宽客用于度量资产价值的指标绝大部分是一些基本面数据与资产价格的比率或者它们的倒数。比如市盈率(P/E)的倒数,又称之为盈利收益率(earnings yield),又比如股息收益率(dividend yield),以及税息折旧及摊销前利润(EBITDA)对企业价值(EV)的比率。利差交易(carry trade)是价值型/收益型策略的重要应用之一。通过买入估值过低的证券并卖出估值过高的证券,投资者可以从中获利。

    成长型策略试图通过对所考虑资产以往的增长水平进行分析进而对未来的走势进行预测。成长性策略认为,在其他条件都相同的情况下,“应该买入价格正在快速上涨的产品而卖出价格涨幅较慢甚至负增长的产品”。常用的成长性的度量指标比如市盈率相对盈利增长比率(PEG)。PEG越低,股价被低估的可能性越大。

    使用品质型策略的交易者认为,在其他条件都相同的情况下,应该买入或持有“高品质”的产品而做空或减少持有“低品质”的产品。品质型策略看重的是资金的安全性。

    一般地,衡量资产品质的指标可以分为五大类。第一类是杠杆比率(leverage),比如债务股本比。第二类指标是收入来源的多样性,比如公司收入的波动率(volatility of revenue)。第三类是公司领导团队的管理水平(management quality)。第四类指标是欺诈风险(fraud risk),比如量化股票多空策略中的收益质量。最后一类是有关投资者对产品发行方实力的情绪性策略,通常关注于与以上四类指标相关的前瞻性评估。

     

    2.2.2 数据驱动型阿尔法模型

    与理论驱动型策略相比,数据驱动型阿尔法模型具有两大优势。一是由于数据挖掘的技术挑战性,进入门槛较高,因此市场上少有竞争者。二是数据驱动型策略可以发掘出一些市场行为,即使目前尚未有成型的理论能够对它们进行解释。

    基本上,使用数据挖掘策略的宽客都是首先观察目前的市场环境,然后在历史数据中寻找类似的环境,来衡量市场接下类的几种走势的出现概率。在这一过程中,需要搞清楚的主要有如下问题:

    如何定义“目前的市场环境”?

    如何定义“相似”?

    如何确定历史数据的回溯时间段?

    使用什么搜索算法寻找“相似”模式?

    算法采用什么方法来给出未来各种可能情况的概率?

    此外,一般地,由于样本量越大,结论越可靠,但是计算量也越大;越近期的数据越相关,同时波动性也可能越大,等等。因此,需要权衡的因素也很多。

     

    2.3 实施策略的方式

    虽然重要的阿尔法模型数量并不太多,但是宽客实施其策略的方式却多种个多样。主要值得关注的方面包括预测目标、投资期限、投注结构、投资范围、模型设定以及运行频率等。

    阿尔法模型可用于预测方向(上升或下降)、幅度、运动的持续时间,甚至预测目标的概率和置信度。信号强度(signal strength)是量化模型的一个重要指标,可以定义为预期收益与置信度的乘积。

    阿尔法模型实施的第二个关键因素是投资期限。在不同的投资期限上采用相同的策略,有可能产生截然不同甚至完全相反的效果。通常,较短投资期限上的收益差别要大于较长投资期限的情形。这主要是因为短期投资期限上交易的频率往往很高。

    阿尔法模型即可以预测金融产品自身的信息,也可以预测相对于其他产品的信息。在进行相对预测时,可以选择预测小类,比如配对金融产品,也可以选择预测大类,比如依据市场板块对股票进行分类或分组。

    宽客对投资范围的第一个选择是地理范围(geography)。一个适用于美国股市的策略不一定适合香港股市。第二个是资产种类(asset class)。宽客必须确定每个策略适用的资产种类,比如外汇、股指。第三个是产品类别(instrument class)。不同产品的参与者性质和流动性特质都各不相同。

    关于模型设定,很重要的一点是模型参数设定。比如趋势策略中移动平均方法中天数的选择,又比如对模型进行调整(refitting)的频率。很多宽客在模型中使用条件变量,比如止损和止盈策略。

    运行频率(run frequency)是指模型寻找新的交易机会的频率。提高运行频率意味着更多的交易机会,同时也意味着更高的交易成本。另一方面,低频率的大宗交易会对市场既有结构造成很大的冲击,同时也容易错失良机。

    最后,对于某一种策略,按照两种预测目标(方向和振幅)、四种投资期限(高频、短线、中线和长线)、两种投注结构(绝对型和相对型)、四种资产类型(股票、债券、货币和商品),就可以得到64中不同的策略实施组合。

     

    Reference:

    《打开量化投资的黑箱》,Rishi K. Narang

    展开全文
  • 程序化交易系统大全

    千次阅读 2013-05-09 15:44:45
    程序化交易系统大全 (收集了主流程序化交易系统) 一、趋势跟踪类 1、海龟交易系统 2、趋势线突破交易系统 3、波动性突破交易系统 4、通道突破交易系统 5、四周规则 6、NEWS交易系统 7、MACD交易系统 8、EMA交易...
  • 量化交易如何建立高效的交易系统(一) http://club.jr.jd.com/quant/topic/1358346 阅读原文:http://club.jr.jd.com/quant/topic/1362380 京东金融官方资讯QQ群:456448095 有什么想咨询的都可以来询问我们 ...
  • 一步一步构建量化交易系统

    千次阅读 2019-07-12 09:34:59
    第一步:解决你的交易理念。 1.1 首先要解决的是你的交易理念,所以第一部分主要就是解决交易理念的问题,交易理念非常...1.3 如果你忽略了这一步直接开始构建系统,我可以预见你的失败。 1.4 一套能够盈利的交易...
  • 公平交易系统

    千次阅读 2005-03-13 11:31:00
    §1.1 公平交易系统基本分析(1) 设计公平交易系统的目的最基本的目的: 促进游戏中玩家的交易 在日常交易中,正常(公平状态下)的交易量要远远大于非正常的交易量(玩家出于骗人的目的和乐趣而进行的交易)。...
  • 基于Android校园跳蚤市场交易系统的设计实现

    万次阅读 多人点赞 2018-10-19 17:13:29
    本毕业设计实现一个基于Android移动平台的高校跳蚤市场交易系统,学生们随时随地可以利用本系统发布二手商品和浏览商品信息,并且操作简捷方便。  为了使系统更人性化,走访调查后需要本系统具备一下功能: ...
  • 开源分布式量化交易系统——开篇

    千次阅读 2019-04-08 16:45:16
    系统部署 策略分享 回顾后记 前言 本人是一名计算机专业毕业的普通程序员,机缘巧合踏入了这个神奇而又刺激的金融行业,不知不觉也在这个行业里面摸爬滚打了十几年。很幸运的是,5年前遇到了一位期货界资深...
  • 通达信实现自动交易系统

    万次阅读 多人点赞 2019-05-24 17:51:15
    关于股票市场,股民都知道的投资...通达信软件是多功能的证券信息平台,其他行情软件相比,有简洁的界面和行情更新速度较快等优点。通达信允许用户自由划分屏幕,并规定每一块对应哪个内容。至于快捷键,也是通...
  • 运用系统分析方法,分析校园二手交易平台的可行性 项目管理的系统观念 系统观念 一整套系统地思考事物的思维模式 系统分析 一种问题解决方法。这种方法通过确定问题的研究范围,将其分解为各个组成要素,然后识别和...
  • 什么是量化交易系统

    千次阅读 2018-04-27 11:08:43
    不过,基于量化的思想打造一个交易系统,到底是什么体验呢?于是你踏上了量化的不归路:硬生生的概念仿佛是刻在石碑上的咒文。硬着头皮往下看咯。量化系统的组成策略策略的组成要素:条件(信号)、动作策略核心的...
  • 回测系统 基础概念 在开始编写策略系统之前,需要了解一些基础概念,搞明白什么是回测系统?怎么进行回测?如何进行回测分析?并且在回测中需要注意的一些要素,真正的做到有效的策略回测。 根据回测的精度可分为...
  • 区块链技术经过10年来的不断更新,终于在近两年都有了相关的应用落地,且进入了区块链3.0时代,未来的3-5年,相信会有更多的领域需要区块链系统来支撑。下面路普达(loopodo)小编就带大家来看一下,区块链系统开发...
  • PART 一、 交易系统类经典书籍总汇 PART 二、 交易系统和程序化交易相关资料 PART 三、 顶尖交易员相关资料汇总 PART 四、 我之前已发的“交易系统”相关帖子标题及链接。 ...
  • 区块链点对点交易系统开发

    万次阅读 2018-02-08 14:44:56
    英唐众创关于区块链点对点交易系统开发近期很多人都被数字资产的市场给吓呆了吧,目前一部人都在观望状态,一部分人在想着方法去怎么规避法律问题,采取正当的途径来继续发展交易所,其实不同的事情每个人看的角度...
  • 账务实时交易系统设计思考

    千次阅读 多人点赞 2018-06-21 09:58:09
    账务交易主要是指,在资金流发生的时候,需要根据资金的流入和流出情况,对涉及的账户金额进行增加和减少操作,更新资金的时候,同时需要生成相应的账单,以便后续查询和对账等使用。 提及账务交易,大家并不...
  • 本发明公开了一种用于解决银行代理产品交易热点账户的系统,该系统包括业务受理终端、系统主机、前置处理装置和第三方单位系统,其中:业务受理终端通过网络与系统主机连接,系统主机通过网关前置处理装置连接,...
  • 【交易技术前沿】新一代证券交易系统应用架构的研究 上交所技术服务 今天 本文选自《交易技术前沿》总第三十八期文章(2020年3月) 陈镇光 丁一 / 国信证券股份有限公司 chenzguang@guosen.com.cn 摘要:随着国内外...
  • 区块链点对点交易系统方案

    千次阅读 2018-04-19 21:06:45
    近期很多人都被数字资产的市场给吓呆了吧,目前一部人都在观望状态,一部分人在...区块链点对点交易系统介绍区块链技术被认为是数字虚拟币的技术基础。所谓区块链技术,也被称之为分布式账本技术,是一种互联网数据...
  • Model/View(模型/视图)结构是Qt中用界面组件显示编辑数据的一种结构,视图(View)是显示和编辑数据的界面组件,模型(Model)是视图原始数据之间的接口。Model/View结构的典型应用是在数据库应用程序中,例如...
  • 如何建立一个良好的交易体系和交易策略呢?可以通过大量的历史数据得来,现在计算机很发达,历史数据的检测和获得比较容易。其实有志于这一行的人,可以通过历史数据获得正向系统的一个佐证。 这里也有一个很大的...
  • 程序化交易系统是一种个性期货程序化交易软件,每个普通投资者或机构投资者都可以根据自己的投资经验和智慧,编写自己的交易模型,进行电脑自动交易。 据美国权威交易系统评选杂志《Futures Truth Magazine》2011 年...
  • 获奖项目: 上海证券交易所新一代交易系统 获奖等级: 一等奖 获奖单位: 上海证券交易所 主要完成人:白硕、郑刚、武剑锋、陆素源、蒋凯、王泊、叶婧、刘经纬、 徐杰、陈彦、黄寅飞、黄俊杰、陈晨...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 151,714
精华内容 60,685
关键字:

交易系统与方法