精华内容
下载资源
问答
  • 量化交易资料,如何建立自己的算法交易。交易系统,策略,回测,资金管理,风险管理
  • 揭秘人人都能学的量化思维投资数字货币在上一篇中,我们介绍了量化交易的一般流程、基本概念以及一些基本的策略设计思路,在这一篇中,我们将要利用上述成果,手把手教您构建第一个量化交易策略!我们以比特币作为...

    投资数字货币新思路—零门槛量化交易投资全解

    年收益率近40% !揭秘人人都能学的量化思维投资数字货币

    在上一篇中,我们介绍了量化交易的一般流程、基本概念以及一些基本的策略设计思路,在这一篇中,我们将要利用上述成果,手把手教您构建第一个量化交易策略!

    我们以比特币作为交易标的,遵循科学的研究方法,将策略设计划分为数据获取,数据整理,编写策略,评估结果四大流程。

    一、 数据获取

    我们首先必须获得高质量的历史价格数据,这里我们从CoinMarketCap网站中下载,网址是https://coinmarketcap.com/,在这里我们可以轻松下载到日频数据。我们选择的回测时间是2017年6月11日到2019年6月11日。

    jiazaitu.jpg

    在excel中可以完美显示如下图,

    jiazaitu.jpg

    二、 数据整理

    一般情况下,往往需要对多个来源的数据进行交叉比对,有时还需要进行去重,填补空缺值,求指数等操作。由于CoinMarketCap已经将数据整理好了,整理数据这一步我们需要做的工作很少。

    三、 编写策略

    我们来尝试一个日频率的趋势跟随策略,参考价格是比特币每日收盘价格,我们用python来实现算法。

    这个策略的想法非常简单,如果当日收盘价高于前ahead天的收盘价,就做多,反之,如果当日收盘价低于前ahead天的收盘价,就做空,否则空仓。python代码如下,在这里我们假设ahead=3,并且每天投入的仓位始终为1个单位:

    jiazaitu.jpg

    四、 评估结果

    那么这么一个简单的策略效果如何呢?我们来看一下其两年时间的累积盈利,见下图:

    jiazaitu.jpg

    也就是说,你在两年前投入1单位资产,在两年后你可以收获1单位利润,赚了1倍。看起来赚的不多,但是让我们来比较一下,假设你在两年前购买了一个比特币并且坚定持有,它的收益曲线在适当缩放后与上述曲线进行比较如下,

    jiazaitu.jpg

    可以看到单纯“价值投资”的收益稳定性要差很多!请注意,单纯追求收益是没有意义的,你总可以通过加杠杆博取更高的收益,你必须关注风险,换句话说,风险调整后的收益才是有参考价值的。

    这里就涉及到我们在前文中提到的信息比率,注意,它等于收益除以风险,即单位风险下的收益水平,这是我们想要的!那么,这两种投资方法,信息比率分别是多少呢?

    用python进行简单计算可得,趋势策略的信息比率为0.076,而简单持有的信息比率只有0.017,这就是说,在同样风险的情况下,趋势策略可以获得简单持有策略超过4倍的收益!

    但是赚钱不是那么简单的,实际在运行中,必须要考虑以下问题,

    1. 这里我们假设比特币可以做空,实际上,就我们所知,大部分数字货币交易所并不支持做空,所幸的是,比特币交易量最大的交易所BitMEX支持比特币期货交易,即支持做空比特币。

    2. 这里我们假设可以以当日收盘价成交任何交易,现实中,滑点和手续费是必须考虑的问题,实际上,这两项费用是吞噬利润的黑洞!手续费理解起来简单一些,它是与交易量成正比的一个值,滑点则要复杂很多,很难精确预测每一笔交易滑点有多大,实践中往往只能够根据经验设定一个值。回测要尽可能模拟真实的交易环境,必须考虑这两点费用。

    总结

    本篇,我们向大家展示了量化交易策略从一个点子开始到最后评估的全部流程。显然,这个策略还很不完美,距离最终能够真正赚钱还有一定距离,不过万事开头难,接下来我们尝试用更加精细和复杂的技术来打磨这个策略,让其能够更加稳定和强大。

    ©本文仅代表作者本人观点,与趣币网无关。趣币网对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。若以此作为投资依据,请自行承担全部责任。转载请注明出处:趣币网

    展开全文
  • 标星★置顶公众号 爱你们:heart_suit:  量化投资与机器学习编辑部出品 相关热点文章 量化投资界:2019年度最佳论文出炉! 0 前言 我们整理了一些在2019年较好的量化、交易、策略论文供大家学习。...4、151种交易策略
  • 最近刚开始学习量化交易,在聚宽网上看了几...我的理解是,一个好的量化交易系统,不一定要用到高深的算法和技术,但是必须包含很多种简单的算法和技术。换句话说,你得从最基础的算法开始,一个模块一个模块地加上...

    最近刚开始学习量化交易,在聚宽网上看了几篇教程,对操作流程有了大致的了解,接下来打算好好研究一下交易策略。

    据大奖章基金的Simons透露,他那个每年收益率20%以上的系统,一点都不费解(complicated),但是非常复杂(complex)。

    我的理解是,一个好的量化交易系统,不一定要用到高深的算法和技术,但是必须包含很多种简单的算法和技术。

    换句话说,你得从最基础的算法开始,一个模块一个模块地加上去,选股、择时、风控、资金管理,每个方向都要综合考虑好几种不同的指标,才能打造出一个不费解但很复杂(not complicated but complex)的交易系统。

    爱因斯坦说过,上帝只做加法。

    也许基于人工智能(AI)的交易系统构造起来不用这么麻烦,这个以后有空再研究。

    眼下先从择时技术开始,先看看最简单的MACD,也就是双均线策略。

    MACD指标

    MACD系列指标由三个指标沟构成,分别是DIF,DEA和HIST。DIF是12日指数移动平均线(EMA12,又称快线)与26日指数移动平均线(EMA26,又称慢线)的背离程度: $$DIF=EMA(12)−EMA(26)$$

    DEA是DIF的9日指数移动平均线: $$DEA=EMA(DIF,9)$$

    HIST是DIF与DEA的差值乘以2: $$HIST=(DIF−DEA)×2$$

    HIST又称MACD柱,是MACD系列指标中最重要的一个,有些人只根据它来决定是否买入卖出,但我查询了一番文献,还进行了一系列的试错,发现还是综合考虑另外两个指标更好。

    废话不多说了,上代码。

    Python代码

    第一步:导入各种库

    import numpy as np

    import pandas as pd

    import talib as ta

    # 这个是聚宽网(joinquant)的数据下载API,免费账户每天能下载100万条数据

    from jqdatasdk import *

    # 登录验证

    auth("你的手机号", "你的密码")

    import matplotlib.pyplot as plt

    %matplotlib inline

    第二步:下载数据

    # 下载2015-2018年的沪深300指数,频率为每天,只要收盘价

    price = get_price("000300.XSHG", start_date="2015-01-01", end_date="2018-12-31", frequency="daily", fields=['close'])['close']

    # 用python自带的tseries库中的pct_change()函数计算日收益率

    ret = price.pct_change()

    # 画图

    plt.figure(figsize=(18,8))

    ax1 = plt.subplot(2,1,1)

    ax1.plot(price)

    ax2 = plt.subplot(2,1,2)

    ax2.plot(ret)

    plt.show()沪深300指数和日收益率

    这4年间,沪深300指数的走势还是很典型的:2015年暴涨暴跌,2016-2017两年间温和上涨,2018年快速下跌。

    第三步:计算指标

    # 用talib库中的相应函数计算MACD指标

    dif, dea, hist = ta.MACD(price)

    # 计算EMA12和EMA26

    ema12 = ta.EMA(price, 12)

    ema26 = ta.EMA(price, 26)

    第四步:生成交易信号

    这里只考虑做多,不考虑做空的情况。

    为了方便比较,我尝试了集中不同的策略。

    # sig1只考虑HIST指标,HIST转正时开仓买入,转负时清仓

    sig1 = (hist>0)

    # sig2同时考虑HIST指标和DEA指标,只有当HIST转正,且DEA在0以上时,才开仓买入,任何一个指标变负即清仓。

    # 这是文献中建议的方法

    sig2 = (hist>0) & (dea>0)

    # sig3同时考虑HIST和EMA指标,只有当HIST为正,而且当前价格在慢线(26日指数加权平均价)上方时,才开仓买入,任何一个指标转负即清仓。

    # 网上有人建议过这种方法(如果我没有理解错的话)

    sig3 = (hist>0) & (price>ema26)

    接下来,我们来直观地比较一下这三个交易信号。

    plt.figure(figsize=(18,12))

    ax1=plt.subplot(4,1,1)

    ax1.plot(price)

    ax2=plt.subplot(4,1,2)

    ax2.bar(x=sig1.index, height=sig1.values)

    ax3=plt.subplot(4,1,3)

    ax3.bar(x=sig2.index, height=sig2.values)

    ax4=plt.subplot(4,1,4)

    ax4.bar(x=sig3.index, height=sig3.values)

    plt.show()交易信号

    看起来策略1最激进,策略2最保守。后者完美地避开了15年和18年的两段暴跌,期间一次买入指令也没有发出过,但在16-17年的缓慢回升中,参与度似有不足。

    第五步:模拟交易

    简单起见,这里不考虑手续费。

    以策略2为例,作图比较该策略和“买入-持有”策略的表现。

    # sig2滞后一期、去除空值、转换成整数

    sig2_lag = sig2.shift(1).fillna(0).astype(int)

    # sig2_lag与股票日收益率相乘,即可得策略日收益率。python能自动对齐时间序列的日期。

    sig2_ret = sig2_lag*ret

    # 计算策略累计收益

    cum_sig2_ret = (1+sig2_ret).cumprod()

    # 把股票价格转换成从1开始,方便比较

    price_norm = price/price[0]

    # 开始作图

    plt.figure(figsize=(18,8))

    plt.plot(price_norm)

    plt.plot(cum_sig2_ret)

    plt.legend(["benchmark", "strategy cumulative return"], loc="upper left")

    plt.show()累计收益率

    由此可见,策略2在股市暴涨暴跌期间表现出色,它几乎完整地抓住了15年上半年的暴涨,却完美地避开了15年下半年和18年的暴跌。但是,在股市温和上涨的16、17年,该策略的表现却落后于大盘。

    总而言之,该策略简单归简单,表现却不俗,在大盘下跌近20%的4年中,实现了近60%的收益,目测最大回测不超过10%。

    当然,这款策略还有改进的余地,比如说,如果把交易频率调低,也许表现会更好。

    接下来,我打算寻找:

    1. 一个更加适应温和上涨行情的策略;

    2. 一个能有效区分暴涨暴跌行情和温和涨跌行情的指标。

    请大家积极发言献策!

    展开全文
  • 2.1 量化交易策略的基本研发流程 大部分情况下,买卖这一最为基本的组成部分还是与收益的关系最大,研究者也应该在研发这一组成部分时,着重考虑收益情况的具体影响。...前面已经提到了买卖是量化交易策略最为...

    2.1 量化交易策略的基本研发流程

    大部分情况下,买卖这一最为基本的组成部分还是与收益的关系最大,研究者也应该在研发这一组成部分时,着重考虑收益情况的具体影响。
    对量化交易策略风险的控制可能会影响到量化交易策略中的买卖设置,但是在更普遍的情况下,风险这一因素主要影响的是交易仓位的设置。
    当交易者希望将风险处理到一个特定的水平时,调整仓位是一个比较方便的手段
    前面已经提到了买和卖是量化交易策略最为基本的组成部分,实际上仓位的设定是根据买卖决策和风险两个因素共同形成的,不建立在买卖之上的仓位选择是空洞没有意义的。此外还有一个更为极端的情况,仓位的正确设定有助于进
    一步优化策略的整体收益,第 10 章第 1 节所要介绍的凯利公式的意义正在于此。。不过在实际使用中,凯利公式所导出的仓位设定往往过于偏激,超过正常风险控制下的最高仓位值,因此仓位仍然与风险的关系更为紧密。
    在图 2.1 这个较为松散的量化交易策略研发流程中,交易成本是和买卖以及仓位具有同等地位的组成部分。在实际操作中,就是首先基于对收益和风险的判断得出合适的买卖和仓位选择,然后在买卖和仓位共同组成的量化交易策略当中考虑交易成本,


    就是在建立仓位和退出仓位等操作中扣除所需要承担的交易成本。随后再次判断该量化交易策略所代表的收益和风险情况,只有这两个因素仍然在接受范围之内,才能确认这是一个可行的量化交易策略。虽然最后用来执行的组成部分只有买卖和仓位,
    但是交易成本作为对量化交易策略的一个实际化修正,也是策略研发流程中一个不可或缺的组成部分。
    就作者看来,评判一个策略的标准中最重要的仍然是策略在整个交易过程下的收益情况,一个负收益的量化交易策略根本无需考虑其风险即可排除。
    而当收益为正时,再结合风险的度量进行具体的取舍,就可以直观的给出量化交易策略是否合格的评判标准了。作者心目中最重要的风险指标是策略净值的回撤水平
    一些量化交易策略在进行收益和风险情况的判断时,仅仅针对策略自身的净值走势进行研究是不够的,给出一个合理的基准来进行对比往往是更为有效的判别方法。例如后面的案例中会涉及到的量化选股策略,当交易选择仅限为对具体的股票进行持仓,而不考虑空仓或者卖空时,选取一个特定的基准进行对比就会是一个更为有效的判别方法。
    上述所有的操作,都需要建立在对历史数据的分析之上,在量化交易领域当中一般称之为回溯测试,或者简称回测

    2.2 量化交易策略研发流程的进一步论述

    买卖和仓位虽然是更为通用的说法,但是更适合于描述择时策略,放在选股策略的研发框架中会显得比较突兀,因此图 2.2 将买卖换成了选股,仓位则换成了配比,这样更容易让读者领会该研发流程的含义

    略有不同的是风险在量化选股策略研发流程中的具体含义。由于选股策略的仓位操作涉及到多个股票之间的配比问题,因此这里的风险不仅包括单支股票的风险,也涉及到多支股票之间的风险程度,后一种风险一般采用股票收益之间的相关性来进行描述。
    图 2.3 给出了相应的流程刻画,如图所示,

    在判断收益因素时,同时考虑交易成本对于收益的影响,从而优化出更为实际的买卖设置。再根据相应的风险控制,结合买卖点的选择,得出最后的仓位设置。在确定了买卖和仓位这两个部分之后,就获得了一个完整的量化交易策略。



    而在量化交易策略研发流程的诸多框架类型当中,则选取作者认为的最为基本的流程进行研究和阐述,即量化择时策略采用图

    2.1 的研发流程,量化选股策略。
    采用图 2.2 的研发流程。希望读者能够根据最为基本的框架举一反三,并在实践中慢慢掌握如何根据具体的研发环境选择最为合适的流程框架。

    展开全文
  • 一、算法交易的概念起源  起源:   Algorithmic Trading 算法交易,简称Algo Trading, 起源于美国。80年代后期及90年代,美国证券市场的全面电子化成交电子撮合市场ECN(Electronic Communication Networks)...

    一、算法交易的概念和起源
      
    起源:
      
    Algorithmic Trading 算法交易,简称Algo Trading, 起源于美国。80年代后期及90年代,美国证券市场的全面电子化成交和电子撮合市场ECN(Electronic Communication Networks)开始发展。纽约证券交易所NYSE在1997年就批准了从分数制报价方式改为十进制小数点报价的方案,这个推进的过程用了三四年。2000年8月开始小范围试点,到2001年才完成,NASDAQ后来在证监会的压力下也跟进这个改革方案。股票报价的最小变动单位由1/16美元或者1/32美元,调低到了0.01美元。买卖之间的最小变动差价大幅缩小了七八成,也减少了做市商的交易优势,因此降低了市场的流动性,(买卖报价被稀释在更多的报价单位上),这些情况改变了证券市场的微观结构。市场流动性的降低导致机构投资者使用计算机来分割交易指令,用以执行到更优越的均价。这种计算均价的标准用VWAP和TWAP来表达,就形成了最初的算法交易的概念。

    何为算法交易?
      
    在维基辞典上,这个词语的解释是使用计算机程序执行交易指令,通过计算机算法来决定特定的一些参数,比如时间、价格、以及最终指令的数量。算法交易可以使用在任何交易策略,包括做市、跨市场价差套利、统计套利及纯投机(包括趋势跟随)等。从速度上来说,算法交易系统每秒可以产生数千个交易指令,其中许多指令顷刻间就可能被取消或被新的指令所取代。算法交易可以把大额委托分割为小单发送,以致不会对整个市场产生太大冲击,还可以寻求最佳的成交执行路径,得到市场最好的报价,从而降低了交易的总体的成本(包括冲击成本和跨市场的差价成本)。波士顿的一家咨询公司Aite Group估计,未来所有欧洲和美国的股票市场中算法交易在2010年末将达到53%的水平。

    算法交易不仅仅是传统意义上的程式交易。一般我们说程式交易,或者叫计算机程序化交易,是指用电脑来执行人脑想出来的交易策略,这种策略可能是根据以往的价格运动规律,图表模式或信号或者基本面或报告而产生的运动规律而总结出的,它可以是趋势跟随模式,也可以是反趋势模式,或者是其他的例如周期等交易模式。程式交易在中国的发展似乎是以波涛博士在10年前出版的那本《系统交易方法》为里程碑。算法交易的概念让程序化交易program trading传统的定义在业内引起了争议。

    算法交易对经纪商来说是个指令的执行工具。在西方金融市场上,基金等金融机构想大批买入或抛售股票而不惊动市场,只有通过手段高明且关系网超深厚的大牌经纪人才能做到,客户为此付出的经纪费用也极其高昂。随着基金的经纪商转而采用算法交易(Algorithmic Trading)直接进场Direct Access的方式,效率变得更高了。算法交易使用数量化模型,自动产生算好定时和数量的指令单流来输入市场,因此让基金经理及分析师的工作变得简单。

     

    二、算法交易的发展
      
    高度竞争的华尔街和机构投资者对阿尔法Alpha无止境的追求推动着算法交易的发展。既然算法交易能很大地提升工作效率,所以众多的华尔街公司都卷入到了这个新的历史潮流上来:

    最传统和为大家所熟悉的VWAP-Volume Weighted Average Price成交量加权平均价,让指令在大多数成交价格在指定的价格之下。这个新交易科技的保鲜期较短。一上市后,大家都在复制,很快全行业就采用了。根据TABB集团的一项研究,在2004年第二季VWAP在所有算法中占到61%,但到了2006年第二季这个比例已经下降到了16%。机构客户在追求更为复杂精细的算法,而不再是简单的VWAP或TWAP了。

    最新的较为精密复杂的算法有:
      
    个性化设置算法:(IB称为"算法指令"),在后面的算法介绍中有详述。
      
    Volume Participation"成交量份额参与"算法:根据某股票的日内某段时间内的特定比例设定交易参与的上限,以降低市场冲击成本;
      
    寻求暗池的流动性Dark pool liquidity,让交易行为变得更加隐秘(在别家的报价网络上,隐藏自己的指令群的报价);IB的用户可连接4个暗池:
      
    Liquidnet
    Knight
    ISE Midpoint Match
    Direct Edge
      
    统计套利:2006年,NYSE推出了超快的Hybrid Market混合市场(二合一市场)整合了Big Board的传统的专家体系的竞价系统和自动交易系统。当前,在华尔街赢得统计套利Statistical Arbitrage的机会变得更大。新的系统让纽约股票交易所许多股票上的平均的Turnaround时间缩短了30倍,从原来的9秒到0.3秒。
      
    以投资组合的角度来思考(而不再是单一股票的思考)管理风险和降低成本。IB在2008年推出了免费向所有客户提供的一个叫"IB风险导航"的产品。它是一个客户实时市场风险管理平台,在全球各资产种类之间提供统一标准的风险数据。

     

    智能路由:2007年3月生效的Regulation NMS要求所有的市场必须提供最好的买卖报价。这个制度的革新推动了智能路由订单的算法。Aite Group在2006年曾指出,未来数年的算法交易的浪潮将是智能算法路由,排除了人的干预,全面实现自动化。IB的交易科技在美国乃至世界都居于先驱地位。早在1999年,盈透证券就先于行业内的竞争者,开始提供多个上市股票期权 "smart routing"智能路由。客户的指令可以在单屏的IB交易平台上自动传递到众多市场中最好的配对报价。

    三、IB的算法交易科技
      
    IB集团的创始人汤姆斯·皮特菲推动了美国现代证券的电子化交易变革,他的视角在美国的金融界始终是前卫的,不计其数的公司在复制着盈透公司的智能下单系统及算法交易科技。直接进场和算法交易系统也已经被大的华尔街公司,如瑞士信贷第一波士顿、高盛、美林、摩根斯坦利等所采纳。在1999年汤姆斯向当时的SEC主席证明了电子交易系统在期权市场的有效性之后,监管当局确信交易电子化可以帮助投资者获得最有利价格,并开始强令推进使用这种交易科技。汤姆斯也向美国的交易所施加了压力,推动从喊价市场向电子自动撮合市场的转变。
      
    让我们从一系列的几乎不太容易看明白的名词中了解这些算法的先驱吧:

    1. IB风险漫游:IB风险漫游是一个免费的实时的市场风险管理平台,它将暴露在全球的多种资产统一起来进行风险评估。其易读的制表格界面从投资组合层次开始,连续向下查找获得多种报表视图中的深层细节,使用户容易地识别风险的过度暴露。栏目有Exposure, VAR, Delta, Gamma, Vega, P&L。类似的实时风险管理软件在华尔街被收取几十万美元年费。

    2. 累积/分配算法
      
    适用于股票、期权、期货和外汇。通过大定单切分为较小的、相对随机的头寸量,并将它们以随机的时间间隔发布,累积/分配算法能够帮助对大额定单执行到最优价格,而不被市场注意到。此外,综合的界面允许单个交易者轻松而有效地同时管理多个大额定单。

    3. 个性化的"算法指令":华尔街认为的Algo是个了不起的科技进步,但是在行家或程序员的眼里看来他们认为Algo更像种营销的说法,或是一种Marketing的手段,早在人家没叫这种方法为算法交易的时候,IB就已经在做这个工作了。经纪商的销售专家把程序员们认为的理所当然的技术包装成为一个潮流后,更加商业化,就成了"算法交易"这个很好听的名词。我们来介绍一下IB的丰富多彩的50多个指令单中的其中一些"算法指令":

    到达价格算法: 该IB算法尝试获得定单提交时的中点价格,并考虑用户定义的紧急/风险规避以及日交易量价值的最大百分比;

    平衡影响和风险算法:该IB算法平衡交易期权的市场影响与定单价格在时间范围内变动带来的风险,并考虑用户定义的紧急/风险规避以及日交易量价值的最大百分比;
      
    最小化影响算法:该IB算法通过将定单沿时间切分,在不超过用户定义的日交易量最大百分比的情况下达到市场平均,从而最小化市场影响;
      
    交易量百分比算法:该IB算法以用户定义的比率参与交易量;
      
    时间加权平均价格(TWAP)算法:该IB算法尝试获得从用户提交定单时开始计算直到其完成时的时间加权平均价格;
      
    交易量加权平均价格(VWAP)算法(保证价格的):股票的交易量加权平均价格的计算方法是将该股票的每笔交易价值("价格"×"交易的股数")加总再除以交易的总股数。默认情况下,VWAP定单从市场开盘开始计算直到市场收盘,对此期间内的所有交易按照交易量加权。交易平台允许用户分别使用有效时间和到期日期区域来修改截止时间和到期时间;


    交易量加权平均价格(VWAP)算法(最大努力的):该IB算法基于最大努力,在不超过用户定义的日交易量最大百分比的情况下,获得交易量加权平均价格;

    挂钩市场及挂钩中点定单:被限定以最佳要价买入和以最佳出价卖出的定单,以及被限定以全国最佳买卖报价(NBBO)的中点价买入/卖出的定单;

    隐藏订单:隐藏定单(通常是大交易量定单),既不在市场数据中也不在深层交易册中显示其存在;

    波动率定单:交易平台上的一种特殊定单,当中期权或组合的限价被计算为内在波动性的函数;

    冰山订单:冰山定单允许交易员提交一份定单(通常是大交易量定单)而仅公开透露所提交定单的一部分。比如挂1万股买单,却只显示1百股的买量;

    分段定单:分段定单指令依据最初的限价定单,自动地创建一系列有着增量式更低(更高)价格的买入(卖出)限价定单;

    一篮子订单:一组被存入单个文件并被打包提交的独立定单。

    四、算法交易在亚洲的发展
       
    美国与中国的市场特性的重要差别――路由:
      
    在美国,由于同一股票可以同时在不同的交易平台上买卖,进而报价有差异,所以考虑指令成交的路由、考虑Fragmentation零碎性是美国证券市场上的算法交易的重要课题。但在中国证券市场上,则不不存在这个因素,因为中国象许多亚洲国家的证券市场那样,是统一的。
       
    有人说,在亚洲,控制、速度、匿名和成本是推动算法交易流行的主要动力,在这里股票价差大,流动性低,算法交易的意义是所增加的价値就在于帮助机构客户执行交易。
       
    2006年韩国Koscom的CEO Lee Jony Kyo说过,算法交易已大大激起了韩国金融业的兴趣。2009年,新的资本市场法律将实行,韩国的金融服务业将会有很大变化。据说,韩国的证券公司可以给投资者提供任何产品,比如OTC柜台市场的衍生品,外汇现货。他们称之为多资产和交叉指令交易multi-Asset and cross-order trading.虽然证券市场规模也许不如香港的大,但是韩国的期权衍生品的成交量早已在世界上占据领先地位。随着新开放政策的实施,我个人预计韩国的交易科技将在未来得到较大的发展
       
    东京证券交易所、香港联交所、新加坡交易所和悉尼交易所是亚太区采用算法交易的主要市场。

    算法交易倒是银行间的外汇保证金市场所应该研究的课题。中国前期暂停了中国银行(601988,股吧)业的外汇保证金业务(现已部分恢复),引用当时媒体报道的银监会创新监管与协作部主任李伏安的说法,是因为风险控制能力还不能适应外汇保证金交易的要求。如果从更专业的角度看来,其根本原因还是在于银行的交易科技有些跟不上快速发展和运动的全球外汇及其他金融市场。
      
    五、未来的交易观:全球交易与全局交易
      
    最后来分享一下笔者所理解的顶尖交易者的交易观:全球交易与全局交易。
      
    许多世界级的对冲基金操盘手在访谈中都表达过类似上面的观点。专业投资者控制下的热钱不会将资金套牢在某单个市场,他们一方面会专注于被投资的项目,一方面也具有着全局交易的视野,随时将交易热点进行切换。
      
    既然"科技就是生产力",那么金融生产力——交易科技在中国还有很大的发展空间。生产力的发展和提高,离不开政策的开放。就像30年前的改革开放释放了中国巨大的生产力一样,未来中国金融业的政策的开放,将不可避免地释放生产力。

    拓展阅读:

    1.一个量化策略师的自白(好文强烈推荐)

    2.市面上经典的量化交易策略都在这里了!(源码)

    3.期货/股票数据大全查询(历史/实时/Tick/财务等)

    4.干货| 量化金融经典理论、重要模型、发展简史大全

    5.从量化到高频交易,不可不读的五本书

    6.高频交易四大派系大揭秘

     

    展开全文
  • 算法股票交易已经成为当今金融市场的主流,大多数交易现在已经完全自动化。深度强化学习(DRL)agent被证明是许多复杂游戏中需要考虑的一种力量,如象棋围棋。我们可以把股票市场的历史价格序列走势看作是一个复杂...
  • 量化交易策略分类

    2020-01-06 14:44:19
    关于量化投资策略的种类,当前的研究成果中没有十分标准完善的总结,其原因有以下三点。首先,仅仅从量化投资的交易产品、盈利模式、策略信号、交易速度等几个方面就可以划分出非常多的策略,而实务中的策略种类更...
  • 一个量化交易策略师的自白

    万次阅读 多人点赞 2019-05-09 13:20:11
    转 一个量化交易策略师的自白         我之前在全球top5券商工作时也主要以CTA研究为主,每天都在不停的进行各种回测开发。彼时,部门的CTA交易主要集中在股指期货的日内投机上,基本市场上...
  • 文章来源:量化投资与机器学习 原文标题:《2019年度精选论文汇总:量化、交易、策略、算法》 1、多模态深度学习在股票短期波动预测中的应用 ... 2、校准波动模型:一种...4、151种交易策略 下载地址:https://paper
  • Dual Thrust交易算法介绍Dual Thrust交易算法是由Michael Chalek开发的著名量化交易策略。它通常用于期货,外汇股票市场。DualThrust的概念属于典型的突破交易系统,其运用“双推力”系统根据历史价格构建更新的...
  • 基于市净率解释模型随机森林算法量化选股交易策略设计.docx
  • 量化交易如何建立自己的算法交易,从各个角度给初学者普及知识,让你能更好的学习量化交易!让你能非常方便的生成自己的策略
  • 最近调研了一些投资公司,发现一些人说自己做的是量化交易,却搞不清楚到底什么是量化交易。 小编是个很爱学习的人,为了弄清楚什么事量化交易,特意查百度逛知乎,我是从这个问题开始的: 程序化交易是量化交易吗...
  • 最近刚开始学习量化交易,在聚宽网上看了几...我的理解是,一个好的量化交易系统,不一定要用到高深的算法和技术,但是必须包含很多种简单的算法和技术。换句话说,你得从最基础的算法开始,一个模块一个模块地加上...
  • Dual Thrust交易算法介绍Dual Thrust交易算法是由Michael Chalek开发的著名量化交易策略。它通常用于期货,外汇股票市场。Dual Thrust的概念属于典型的突破交易系统,其运用“双推力”系统根据历史价格构建更新的...
  • 本书告诉你怎么搭建自己的量化交易算法,另外告诉你怎么寻找盈利策略,值得一看
  • 【智慧金融】系列是基于人工智能系列算法为基础,实现量化交易策略的探索。 规划第一阶段将基于强化学习,推出三篇相关的算法与原代码,结合原代码介绍主要的强化学习知识应用。之后将搭建数据库与前端展示页面提供...
  • 量化交易策略实战

    2018-09-20 11:12:13
    第二课 量化交易系统综述 知识点1:回测,自动交易,策略建模,常见平台使用 第三课 搭建自己的量化数据库 知识点1:软件需求,数据获取方式,数据存储方式 实战项目:金融数据的存储,读取 第四课 用Python进行...
  • 许多量化交易系统在进行建模运算的时候会用到基本面数据,比如估值、市值、现金流等,还有的算法将新闻作为变量进行计算。而技术分析基本只需要用到交易标的的量价数据。 ◆◆ 哪里可以找到策略思想? ◆◆ 小...
  • Dual Thrust交易算法是由Michael Chalek开发的著名量化交易策略。它通常用于期货,外汇股票市场。Dual Thrust的概念属于典型的突破交易系统,其运用“双推力”系统根据历史价格构建更新的回溯期,这在理论上使其在...
  • 经典的量化交易算法

    千次阅读 2019-12-02 09:57:27
    加权平均价格算法(VMAP):以每一次交易的成交量为权重,一段时间内成交价格的加权平均值。该策略即利用历史成交量数据,将大段时间内的订单分割,成为动态发生的较小订单,目的是用接近成交量加权平均价格成交,...
  • 【实例简介】【实例截图】【核心代码】2020-08-01量化交易code├── 04-Python语言入门│ ├── bin_data.npy│ ├── cdv_data.csv│ ├── foo.csv│ ├── foo.xlsx│ ├── numpy_basic.ipynb│ ├── ...
  • 策略交易逻辑:当价格触及布林线上轨的时候进行卖出,当触及下轨的时候,进行买入。回测收益率99.77%,最大回撤:32.04%,夏普比率:0.43
  • 实现算法报单的状态更新(撤单、拆单追单) StgAlgoSmartOrder实现 实现算法报单的状态更新 测试工具 模拟Tick行情客户端 后面会提供给策略研发人员做参考 模拟算法下单策略 系统联调 系统联调 工具函数库实现 ...
  • 如何使用C++实现的量化交易策略

    千次阅读 2019-05-07 19:50:08
    原 如何使用C++实现你的量化交易策略 编者按语:本文通过基于掘金量化交易平台支持C++编程语言的金融量化模型开发,介绍使用C++语言实现您的量化交易策略模型。 一、C++  SDK 文档指引 1.快速新建策略 ◆打开...
  • 相对强弱是一种动量投资策略,它将股票,交易基金(ETF)或共同基金的表现与整体市场的表现进行比较。通过使用特定的计算,投资者可以确定与整体市场相比最强的表现者,为投资提供建议。相对强弱假设正在上涨的资产...
  • 常见商品期货量化交易策略

    千次阅读 2019-03-02 21:13:06
    转 常见商品期货量化交易策略https://blog.csdn.net/myquant/article/details/86136818商品期货套利策略 套利策略一般包括期现套利、跨期套利、跨市场套利、跨品种套利等。 对于商品期货而言,期现套利必须交易大量的...
  • 如何使用C++实现你的量化交易策略

    千次阅读 2019-04-30 10:28:58
    原 如何使用C++实现你的量化交易策略 编者按语:本文通过基于掘金量化交易平台支持C++编程语言的金融量化模型开发,介绍使用C++语言实现您的量化交易策略模型。 一、C++  SDK 文档指引 1.快速新建策略 ◆打开...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,315
精华内容 2,526
关键字:

量化交易策略和算法