精华内容
下载资源
问答
  • Python定量交易策略包括MACD,Pair Trading,Heikin-Ashi,London Breakout,Awesome,Dual Thrust,Parabolic SAR,Bollinger Bands,RSI,Pattern Recognition
  • Python应该已经占据了量化交易系统开发的半壁江山,大部分打着量化名义的课程都变成了Python教程,而忽略了能带来持续盈利的交易思想。Python作为开发交易系统的必知必会工具之一,重要性是毋庸置疑的,这一系列文章...

    Python应该已经占据了量化交易系统开发的半壁江山,大部分打着量化名义的课程都变成了Python教程,而忽略了能带来持续盈利的交易思想。Python作为开发交易系统的必知必会工具之一,重要性是毋庸置疑的,这一系列文章将会介绍在开发量化交易系统中用到的Python的基础知识,并结合实例加深理解。

    安装Python

    作为一门主流的开发语言,Python支持Windows、Linux和MacOS。

    Windows下的安装

    Anaconda集成包算是当前比较流行的一种安装方式,它将科学计算和数据分析所需要的依赖包全部集成在了一起,省去了到处找软件包的麻烦。可是,问题恰恰也是因为Anaconda集成了太多的软件包,对于多数人来说是臃肿的,自带的一些工具也有一定的学习门槛。因此,这里采用更简洁的安装方式,直接使用Python官方安装包,当前官方的最新版本是3.7,可以从官网下载(下载页面),选择安装包,如下图:
    这里写图片描述
    下载完成后,直接双击安装文件,打开安装引导:
    这里写图片描述

    安装完成后,测试一下,是否安装成功,打开command窗口:
    这里写图片描述
    从上图中可以看出,输入python命令后,进入到了交互式的Python控制台,显示版本号为3.7.0,证明已经安装成功,并且可用。
    下面再验证一下pip是否也已经被安装,
    这里写图片描述
    pip是python用来管理依赖的工具,上图中显示安装了两个包pip和setuptools。

    Linux (CentOS为例)下的安装

    CentOS自带了Python,但是版本比较低,可以通过源码安装,安装过程中使用的命令清单:

    # yum -y install gcc-c++ automake openssl-devel
    # cd /opt
    # wget https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz
    # tar xzvf Python-3.7.0
    # cd Python-3.7.0
    # ./configure
    # make
    # make install

    安装完成后,会生成一个python3命令,和系统自带的python区别,同理pip3是与其对应的软件包管理工具。测试一下:
    这里写图片描述
    上图的操作系统中安装的Python3.6.4。

    PIP的使用

    pip是Python包的管理工具,下面是几个最常见的几个使用场景。

    1. 安装

    比如要按照numpy

    # pip install numpy
    Collecting numpy
      Downloading http://mirrors.aliyun.com/pypi/packages/6a/a9/c01a2d5f7b045f508c8cefef3b079fe8c413d05498ca0ae877cffa230564/numpy-1.14.5-cp27-cp27mu-manylinux1_x86_64.whl (12.1MB)
        100% |████████████████████████████████| 12.1MB 79.0MB/s 
    Installing collected packages: numpy
    Successfully installed numpy-1.14.5
    2. 查看

    pip list命令查看已经安装的软件,列表包名称和版本号

    # pip list
    ...
    numpy (1.14.5)
    ...
    3. 卸载

    pip uninstall命令可以卸载一个软件包

    # pip uninstall numpy
    Uninstalling numpy-1.14.5:
      Would remove:
        /usr/bin/f2py
        /usr/lib64/python2.7/site-packages/numpy-1.14.5.dist-info/*
        /usr/lib64/python2.7/site-packages/numpy/*
    4. 升级

    pip install安装时指定upgrade选项,就可以升级一个软件包

    # pip install --upgrade numpy 
    Requirement already up-to-date: numpy in /usr/lib64/python3.7/site-packages
    # pip install --upgrade pip
    Collecting pip
      Downloading http://mirrors.aliyun.com/pypi/packages/0f/74/ecd13431bcc456ed390b44c8a6e917c1820365cbebcb6a8974d1cd045ab4/pip-10.0.1-py2.py3-none-any.whl (1.3MB)
        100% |████████████████████████████████| 1.3MB 73.7MB/s 
    Installing collected packages: pip
      Found existing installation: pip 8.1.2
        Uninstalling pip-8.1.2:
          Successfully uninstalled pip-8.1.2
    Successfully installed pip-10.0.1
    

    PyPi是Python包的索引网站,如果需要使用某一方面的功能,却不知道应该安装哪个包,可以去这个网站上搜索。

    选择IDE

    Python作为一个解释性的语言,不需要编译即可运行,因此通过安装完毕后,通过记事本就可以编写程序了。不过,为了提高效率,我们是需要自动缩进、代码提示、程序调试等基本的辅助功能,所以就要选择一个合适的IDE。

    Sublime Text + Python插件

    SublimeText是一款强大的文本编辑器,通过插件的方式支持多种开发语言,可以打造成一个轻量级的集成开发环境,可以通过官网下载安装文件。SublimeText可以一直免费试用,但是在保存文件会弹出让购买授权的对话框,如果可以忍受这种体验,一直试用就行了。
    1. 安装Package Control

    SublimeText通过包管理器(Package Control)安装插件,安装完成后,需要安装package control
    这里写图片描述
    2. 安装anconda插件

    打开package control
    这里写图片描述
    打开安装包命令
    这里写图片描述
    安装anaconda插件包
    这里写图片描述
    3. 测试插件

    插件安装完毕,写一个小程序测试一下:
    这里写图片描述
    输出结果:
    这里写图片描述

    Sublime Text的Python开发环境就设置完成了。

    PyCharm

    PyCharm是JetBrains推出的一款特别好用的IDE,下载地址。它包含了两个版本专业版和社区版,其中专业版功能强大,是收费的;社区版包含基本功能,是免费的,根据需求选择就行了。
    PyCharm自身就提供了很好的指导文档,我就不再抄一遍了。

    至此环境准备完毕,在后面的文章中如果有涉及到的软件包,就随用随装。

    展开全文
  • 本篇开始正式在优化回测系统的过程中,开始检验各类策略的可行性。 _ _ Episode 4.1. 双均线dif指标的策略 其实很多技术面的分析方向,无非就是对应震荡和单边两种行情的预测,最后落实到算法反而异常简单明了,为...

    前言

    本篇开始正式在优化回测系统的过程中,开始检验各类策略的可行性。另外从这一篇开始就粉丝可见拉,感觉干货会慢慢多起来。
    _
    _

    Episode 4.1. 双均线dif指标的策略

    其实很多技术面的分析方向,无非就是对应震荡和单边两种行情的预测,最后落实到算法反而异常简单明了,为防止自己在研究过程中被各路‘投资大神’绕进去而迷信各类指标,倒不如决定一下自己的策略研究方向。

    首先来分析一下两种行情:
    1、震荡:所谓震荡行情的本质,是在周期内市值不发生明显变化,这样的行情非常适合诸如均仓、网格交易等等方法的算法套利手段,并且都有非常不俗的表现,而长期的熊市风险就成了一颗定时炸弹一般随时有可能引爆;
    2、单边:不管是合约交易还是现货交易,判断对买卖多空的时机后长期持有就成了说起来容易做起来难的策略手法,这无异于未卜先知。

    于是结合这两类的理解,很多人开始思考有什么稳定又不依靠趋势的交易策略,从而衍生除了搬砖,也就是利用在各个交易所之间套利的策略。

    我的第一套策略也就随之诞生,在发生非趋势类的上涨或下跌时(也可以解释为有大资金在某一交易所做了一笔市价交易发生了单交易所变动),此时搬砖机器人首先就会平衡各大交易所之间的价差,而我作为一个小资金体量的散户,在这个时候执行对应的卖出和买入操作就是我的核心思想。

    使用一个简易版的dif指标,长短均线的差值来表示抵消趋势后的交易方向,从而决定是否交易。
    此时自己做回测系统的优势也便体现了出来,在参数上你可以做无限大的循环来跑出最优解。

    '''
    symbol_交易标的
    ini_account_dict_初始账户余额
    fee_费率
    days_回测天数
    period_长均线长度
    short_p_短均线长度
    dif_rate_指标水位线
    trade_cold_完成一次交易后静默时间与较短均线的倍率
    ifchart_是否绘图
    complex_control_是否进行多组数据复合回测
    '''
    
    symbol='BTC/USDT'
    ini_account_dict={'init_balance':15000,'init_stocks':0}
    fee = 0.002
    days='max'
    net_step=0.2
    period= 30
    short_p=2
    dif_rate=0.01
    trade_cold=4
    
    回测结果:
    账户余额:{'balance': 3128.9102, 'stocks': 0.6061}
    回测周期:13.29天  回测周期内收益率:17.51%  年化收益率:7698.66%
    ---------------------------------------------------------------------
    周期内价格波动:37.76%  最低点:-7.86%  最高点:26.92%
    策略最大收益率:18.23%  最大回撤:-3.65%  平均仓位:69.18%
    

    交易历史,仓位,收益曲线在写下博文的那一天起往回退1min级别的13.29天的数据,相对优秀的策略大概是这个交易结果,而不难发现,我的平均仓位在69%,而这样的一个半网格类操作的收益应当符合以下公式:

    max_profit_rate/position_rate > max_market_rate
    #18.23%/69.18%=26.35%    <37.76  无效
    

    也就是只有上述成立 我的策略才是有效的,不然只是因为只做单边交易在无限上涨行情中的顺带收益罢了。所以说计算下来这部分策略其实是无效的,而在交易记录中也可以看出端倪,当中有很长一段时间没有交易,理论上的搬砖平衡价位的时间早已过去。

    从结果上说 虽然这部分简单的套利逻辑是无效的,但也明确了我的一个研究点,使用自建的回测系统的最大优势:

    可一次性跑多组数据组合来探测市场的交易习惯

    从这个点深挖的话其实有很多东西可以做,通过不断学习一些策略和算法,对算法交易来做更高级的‘圈养’,将参数调到最优,其实这也是很多期货庄家在做的事,而数字货币这样一个24小时交易的市场,实在太适合深挖这个套利方向了。

    今天就更到这里。

    展开全文
  • 基于Python语言的量化策略设计与应用优化.pdf
  • Dual Thrust是一个趋势跟踪系统,由Michael Chalek在20世纪80年代开发,曾被Future Thruth杂志评为最赚钱的策略之一。本策略回测收益率24.14%,最大回撤20.65%,夏普比率1.99
  • 量化策略开发是一个很容易让人迷失的领域,很多人在quant,quant trader,quant dev之间不停的跳来跳去,这点撸主自己也是一样的。其实说白了,还是没有搞清楚自己的定位。量化交易是对个人的综合能力要求很高的:数学...

    James Ge:

    1. 数学,统计学功底-------没有想象中的重要。我的数学能力说实话还停留在高中水平,虽然是硕士毕业。。。因为在国外学的是会计和金融,算是文科。统计是在coursera上跟着视频学的,虽然写论文的时候也尝试着去用GARCH之类的,不过也是用了就忘,工作中从来没遇到过。我们公司倒是有个数学博士,但是也不知道怎么用他。留着是因为撑场面+很便宜。

    2.  编程。------- 这个吧,说来惭愧,python在cousera上学的,matlab是自己硬撸的,反正做回测的时候就是各种土方法+效率低+将就着用。写模型,首选商业平台的,比如MC,TB,因为行情不用清洗呀。。。功能各种方便呀。

    3. 金融学的知识————这个就看自己了,一般都是上个新品种之后现学现卖,学校学的能用上,但是太基础,这点CFA课程也是一样,就是让你了解个大概,最后还是具体问题具体解决。


    ~~~~~~~~~~~~~~~~~~~~~~~~~~~~以下有主观的部分~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

    量化策略开发是一个很容易让人迷失的领域,很多人在quant,quant trader,quant dev之间不停的跳来跳去,这点撸主自己也是一样的。其实说白了,还是没有搞清楚自己的定位。量化交易是对个人的综合能力要求很高的:数学,统计,金融,计算机,交际(你总要拉投资吧?)。如果你在大机构,或者一个很成熟的团队,那么恭喜,你不用考虑这个问题。但是以国内的量化交易发展水平来看,还是高手在民间,很简单,因为赚钱机会多,资金多,模型容易开发,那么这种时候肯定是自己干来钱快。举个栗子,比如我们做套利,券商自营的收益率可能跟我做的差不多,但是僧多,粥就少。

    题主应该是想继续在量化交易这条路上走下去,但是不知道应该提升自己哪个方面,是IT?数学?还是别的?因为跟量化交易相关的东西实在太多了。撸主自己去年也问过问题,但是被某位大神一句话打脸:

    “你踢足球,需要会做球鞋吗?”

    所以说,想要提升技能要找准定位,找准定位就有很多方法啦。简单的来说:

    如果把量化交易当成职业,那么现在最好加入一个团队,然后你很自然的会知道自己要提高什么。

    如果想从交易上赚到钱,那还是好好学习怎么交易吧。。。量化不量化,其实没个毛关系。

    郭睿:
     

    这个问题,在术的层面上大家已经答的很好了,所用到的知识无非就是数学(统计居多)、计算机编程(matlab\python)、二级市场的庞杂的交易知识和理念(行为金融、技术面分析、基本面分析等)。

    量化是对金融交易的有效辅助,是用算法和模型帮助人处理大量复杂的信息,并在相当长的时间内严格遵守人制定的交易纪律。是定性投资和定量投资的一种结合,所以本质仍然是金融,仍然是对【金融表象、经济内核和人性的认识】,如果不能在核心层面融汇贯通,最多也只能做个外表光鲜的量化码农。

    我主要想来谈一些“道”的层面的内容,有句老话叫“明此道术势,大业终可攀”,知道为什么做,向哪个方向做比知道怎么做更重要。

    策略能不能做出来,能不能做好,是要看运气的。

    当然,只有足够努力才可能有运气。

    量化这个领域,就像是一个金字塔,真正能走到塔尖的人少之又少,在顶点区间的人基本上可以靠自己的几套策略(本质上是几个发现,几种联系)而得到很多。

    下面的人会不断的往上爬,坏处是竞争确实存在,而且你根本不知道自己做的策略是不是能够做出来,你的总监或者经理只会在思想上指导你,而绝对不会把自己的策略告诉你,这点大家应该可以理解,看家的行规不能破。

    好处是,【每个人的背景和指导思想不一样,开发策略的路径不一样】,这就好比都要登天,但每个人一个自己的梯子,不用担心互相打架,无非只是担心你的梯子搭的对不对,够不够长。

    来讲讲我的两个同事,我觉得是非常是非常具有代表性的。

    同事一,30岁,国内优质211大学本科,中国知名财经学院计量经济学博士,留学美国,正统的科班出身,是很多量化童鞋的模板。

    同事二,33岁,本科211,地方性名校,立志金融报国,先后就职于国内知名的衍生品交易公司,很早就开始在市场上摸爬滚打。

    同事一坚决的信奉科学主意。非常的严谨和有逻辑,他开发策略的逻辑有几个关键词【拿来、优化、简单不复杂】。举个例子,通过大量的阅读国内外研报、论文等等,就是最简单的呈现结果一定要好,但是有明显的缺陷,再去改进这个缺陷。坚决不去使用或者研究看似复杂的模型,因为他信奉简洁的才是美的。

    他的指导思想就是两个主体:

    1、计量金融学:核心是确定因果关系(用模型可以精准确定)

    2、行为金融学:试图找到定价过程中由于人的因素所导致的错误。

    就这两条,可以这么说,他开发策略的逻辑和过程就像是在搭积木,一层一层的向上,虽然过程很慢,但是每一层都严谨,有据,部分之间不会存在错误。

    在美国,很多知名的对冲基金都是由数学、经济等等方面的教授在运营,他们的策略逻辑就跟他一样,step by step,但要求每一步都坚实。可以说这是一种牺牲了速度,但是精准的开发方式。

    同事二以市场为导向,有非常好的市场感觉和判断力,在交易市场上摸爬滚打多年的他,总是有很多天马行空的想象,会去主动发掘和开发很多新鲜的策略,用最快的速度开发出啦,不断矫正。可以说就是市场驱动。他的做法就是大量的阅读,大量的行业交流,大量的测试,最终找到好的策略。

    事实上,同事二是我们的研究总监,指导全盘的策略开发工作。而同事一是我们研发的中流砥柱,海外策略开发的核心人员。

    二人非常互补,配合很默契,所以你可以看出,需要什么样的基础知识大同小异,而且在量化的领域中这真的不是问题的核心。

    核心是【依据自己的经验和教育体系,找到自己策略开发的主线,持之以恒的去做】。想通这一点,我想在很多细节上就不会那么纠结,我很赞同这句话“毕竟我是来踢球的,为什么要会做球鞋呢?”

    总结一句,策略开发如登山,好在每人都有自己的梯子,找到自己的主线,持之以恒的攀登吧。

    (来源:知乎)

    ------------------------------------------

    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
  • Python量化投资与A股量化实战课程概述 越来越多的投资者和机构对量化投资及程序化交易产生了兴趣。也许你想求得一份量化投资的相关工作,但又觉得量化投资很神秘,不知道从何学起。马云说,对于新兴事物,绝大多数人...

    <<<****【点击】传送门-加入 Python量化投资与A股量化实战课程(网易云课堂)>>>>>
    header

    Python量化投资与A股量化实战课程概述
    越来越多的投资者和机构对量化投资及程序化交易产生了兴趣。也许你想求得一份量化投资的相关工作,但又觉得量化投资很神秘,不知道从何学起。马云说,对于新兴事物,绝大多数人第一看不见,第二看不起,第三看不懂,第四来不及。如果你对量化投资处于“看不懂”阶段,不想等到“来不及”阶段。不妨来听听在量化投资行业的资深从业者为量化小白们定制的量化投资课程

    课程适合人群

    • 金融工程/数学专业背景的同学/工作人士,希望进一步学习Python编程以及在量化投资的实战应用

    • 非金融工程专业背景的同学/工作人士,希望迅速成为宽客

    • 金融相关人员,希望学习如何系统的做量化策略

    • 个人投资者,希望系统学习掌握量化投资相关的实务技能,从模型开发,回测,策略改进,搭建稳定的量化交易系统

    讲师介绍
    Rudy

    课程目录

    章节1:量化投资前导课程

    • 为什么学Python?

    • Python 环境搭建

    • Jupyter Notebook 介绍及插件安装

    • Python 第三方包安装

    • 量化投资介绍、特点及优势

    章节3:Python 基础

    • 数据结构与操作示例

    • 数据类型:字符串、整数、浮点数

    • 数据类型:列表

    • 数据类型:元组

    • 数据类型: 布尔值, 字典

    • 运算符 与 控制流

    • 函数

    • 全局变量与局部变量

    章节4:Python 进阶

    • numpy

    • pandas

    • 数据可视化分析

    • 数据统计与分析

    章节5:Python 高级

    • 15如何更改python,创建虚拟环境、安装新Spyder

    章节6:量化平台介绍

    • 优矿平台介绍

    • 策略回测框架介绍1

    • 策略回测框架介绍

    • CONTEXT策略编写环境讲解

    • 账户相关属性讲解

    • 因子选股策略代码讲解

    章节7:多因子系列

    • 多因子模型理论背景

    • 多因子模型构建流程

    • 因子数据预处理- 去极值,中性化,标准化

    • 单因子分组回测代码模板讲解

    • 数据预处理后的单因子分组回测

    • 单因子分组回测结果分析 (原始因子 VS 数据处理因子)

    • 多因子选股策略代码讲解

    章节8:MongoDB数据库管理

    • MongoDB 数据库介绍

    • 数据库安装及可视化工具安装

    • 数据库配置

    • 使用Python 操作MongoDB数据库

    **章节9:量化CTA策略 **

    • 基于MACD的策略(回测收益280%,年化47%,2015.06- 2018.11)

    • CTA策略介绍 【主观 VS 量化】

    • 双均线策略103:20

    • 均线突破策略 【商品期货】【收益441%,16年至18年】【聚宽】

    章节10:本地搭建Python回测框架

    • 项目介绍及安装,更新数据

    • 运行策略

    • 账户设置及策略运行的不同方法

    • 策略编写流程

    • 如何获取数据

    • 订单管理

    • 定时器使用方法

    章节11:本地搭建聚宽Python回测平台

    • 如何本地使用聚宽回测

    • 编写策略回测

    • 模拟交易

    • 实盘交易接口配置

    章节12:Python策略管理

    • 择时策略

    • 多因子选股策略

    • 动量策略

    章节13:自动化交易

    • 自动化交易API介绍

    • 自动化交易解决方案

    • 自动化接口推荐1

    • 自动化接口2

    • 自动化接口3

    章节14:数字货币方向【赠送课程】

    • CCXT 万能交易所接口项目介绍

    • 使用CCXT连接BITMEX交易所获取行情需购买观看

    章节15:开源量化交易平台框架系列【Bonus】

    • 初始开源交易平台开发框架

    • 开源交易平台配置

    image

    ##常见问题

    Q1、你是否看到别人投资期货暴富撒钱的新闻以及自动化交易赚钱的神话而蠢蠢欲动?

    A1: 参加课程,快速学习。无需编程基础,小白从零开始也可入门,从数据,回测框架、回测报告数据可视化及报告分析、实盘接口及经典策略等一整套的PYTHON期货解决方案教学及代码都在这了,从0到1学习量化,节省时间,短时间获得老师数年编程经验。你还在犹豫什么呢?学完课程,也可以服务其他人,往往1个任务就能赚回学费!

    Q2、您是否有一个好的投资策略想法,但是不知道实盘结果?

    A2: 章节6会教你如何管理数据,章节5会教你如何构建自己的事件驱动系统,轻松回测您的策略并画出资金曲线等盈利指标进行分析, **

    **也可以在过程中记录你想要的数据,进行个性化的分析。

    Q3、我是否需要自己搭建一套回测系统?

    答案是 Yes, 有一套自己的回测框架及实盘体系是非常重要的。 然而,编写自己的事件驱动的回测系统是一种很好的学习经历。首先,它迫使您考虑交易基础设施的所有方面,而不仅仅是花时间修改特定策略。 不过,您也可以学习使用开源的框架进行修改学习。

    课程咨询

    在这里插入图片描述
    有任何问题都可以咨询老师微信: 82789754

    关注微信公众号 量化投资学院

    回复**“Python“**领取Python与量化投资入门课程

    回复**“量化礼包“ **领取区块链,量化,AI,金融工程,PYTHON精选书等资料

    更多资讯可查看 www.studyquant.com

    展开全文
  • Python 实现你的量化交易策略

    千次阅读 2018-05-24 23:07:00
    2019独角兽企业重金招聘Python工程师标准>>> ...
  • 量化投资:以Python为工具》主要讲解量化投资的思想和策略,并借助Python 语言进行实战。《量化投资:以Python为工具》一共分为5 部分,第1 部分是Python 入门,第2 部分是统计学基础,第3 部分是金融理论、投资...
  • 邢不行的系列帖子“量化小讲堂”,通过实际案例教初学者使用python进行量化投资,了解行业研究方向,希望能对大家有帮助。 【历史文章汇总】请点击此处 【必读文章】EOS期现套利,一周时间,15%无风险收益 10年...
  • 【vn.py】量化策略开发

    千次阅读 2019-08-06 15:27:10
    一个完整的量化流程至少需要包括策略开发、历史回测与实盘交易三个步骤,下面就以vn.py为例,先整理一下vn.py中如何进行量化策略的开发。 开发环境 在vn.py的官方教程中使用的IDE是VS Code,这里的IDE没有什么特殊...
  • 搭建基于Python量化开发环境,首先安装anaconda,anaconda是一个开源的python包管理器,是一个可对python开发组件进行综合管理的有效平台。anaconda中本身包含了python的内核,安装完anaconda后,就自带了python。...
  • 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,外汇和股票市场。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...
  • 在进行量化策略开发时,必不可少的就是策略回测,虽然有很多量化回测平台如三大矿可以帮助我们进行策略的开发和回测。但是借助别人的平台也有一些弊端,如无法了解回测过程从而无法进行策略执行细节的研究,无法利用...
  • 借助Qlib,您可以轻松地应用自己喜欢的模型来创建更好的量化投资策略。 Qlib框架快速入门安装使用估算器获取数据自动定量研究工作流通过代码自定义定量研究工作流有关Qlib的更多信息脱机模式和在线模式Qlib Data ...
  • 火币合约(策略)自动化交易程序python,监视火币合约信息,实现自动交易,保存交易信息。使用方法就是,修改config.ini里面信息便可运行直接运行~。至于策略,看看代码即可了解。声明:使用该程序的盈亏与本人无关...
  • TqSdk天勤量化交易策略程序开发包 TqSdk是一个由发起并贡献主要代码的开源python库。依托,TqSdk支持用户使用极少的代码量构建各种类型的转换交易策略程序,并提供包含期货,收益,股票的历史数据-实时数据-开发调试...
  • 下面是常用的量化金融常用的库,以及与量化金融有关的支持库,有些需要科学上网才能打开。 文章目录python基本的数值库和数据结构金融工具和定价指标交易和回溯测试风险分析因素分析时间序列(TOD)日历金融相关数据...
  • 推荐以下内容:策略开发策略大都附有python代码,可以点击 克隆策略,在 我的策略 里进行开发。2.编程知识入门平台使用的是python语言,可以直接在 我的策略 里建立新notebook进行编程练习。掌握以上知识,从基础...
  • 价格动量分析在传统手工炒单中有大量的运用,特别是对于判定日内单边趋势有很大的帮助,老生常谈的话题,什么是顺势而为,对于顺势最好的量化就是多空双方力量的对比的量化,价格动量分析是最好的指标之一。...
  • 推荐以下内容:策略开发策略大都附有python代码,可以点击 克隆策略,在 我的策略 里进行开发。2.编程知识入门平台使用的是python语言,可以直接在 我的策略 里建立新notebook进行编程练习。掌握以上知识,从基础...
  • vn.py是一套基于Python的开源量化交易系统开发框架,于2015年1月正式发布,在开源社区6年持续不断的贡献贡献步伐成长为全功能量化交易平台,目前已有金融机构用户已经超过600家,包括:私募基金,证券自营和资本管...
  • 首先,真格量化使用Python语言编写策略。我们需要对Python语言有一些初步的了解。与C++或Java语言相比,Python是一种非常方便易用的脚本式编程语言,很适合非计算机专业的用户来上手量化交易。 举个简单的例子,如果...
  • 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...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...
  • 编程技术 + 核心量化策略 + 交易系统开发 + 讲师经验分享,学会用技术辅助理财   本课程从最基础的什么是量化开始讲起,即使对投资理财不了解同样可以学习,轻松入门无压力。   从如何获取数据开始,到...
  • 量化策略 个人理解: 就是用程序去做交易员的事情,各大交易所股票,或者区块链里面的比特币。 再通俗易懂点的就是,程序去炒股,炒币 python代码段 基于FMZ平台开发代码 import time class mid_class(): def __...
  • python实现MACD均线择时策略

    千次阅读 2020-11-01 20:48:33
    本文采用了聚宽平台接口进行量化策略设置: 1 确定策略内容 在之前的教程中,我们学习了如何通过财务指标等对股票进行筛选等操作。今天我们将以MACD为例,探究如何利用技术指标进行策略的构建与实现。 > MACD的...
  • 推荐10本量化Python书~Python非常灵活,让实验变得容易。解决简单问题的方法简单而优雅。Python为新手程序员提供了一个很好的实验室。Python具有一些特征,使其成为第一种编程语言的接近完美的选择。Python基本结构...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,479
精华内容 2,191
关键字:

量化策略开发python

python 订阅