都说Python可以用于量化投资,但是很多人都不知道该怎么做,甚至觉得是非常高深的知识,其实并非如此,任何人都可以在只有一点Python的基础上回测一个简单的策略。Backtrader是一个基于Python的自动化回溯测试框架,作者是德国人 Daniel Rodriguez,是一个易懂、易上手的量化投资框架。今天我们就来试试用Backtrader进行简单的量化策略回溯。当然,第一篇文章将会使用最简
文章目录​​学习目标:​​​​投资组合​​​​一、定义​​​​二、如何查看投资组合信息​​​​portfolio - 投资组合信息​​​​stock_account - 股票资金账户信息​​​​portfolio对象​​​​股票position对象​​​​三、代码​​​​四、查看交易情况界面​​学习目标:说明投资组合的定义 了解投资组合的市场价值和资金价值那么当我们选好了股票之后,其实就可以选择购
原创 2023-01-23 11:36:00
297阅读
一、线性回归一般的,线性回归模型表示为\[ h_{\theta}(x)=\theta_0+\theta_1x_1+...+\theta_nx_n=\sum_{i=0}^{n}\theta_ix_i=\theta^Tx \] 上式中令\(x_0=1\),这样\(x\)实际上是\(n+1\)维,\(x=[1,x_1,x_2,…,x_n]^T\).当我们知道训练数据集后怎样得到参数\(\theta\)的
一、什么是多因子模型?寻找那些对股票收益率最相关的影响因素,使用这些因素(因子或指标)来刻画股票收益并进行选股。核心思想在于,市场影响因素是多重的并且是动态的,但是总会有一些因子在一定的时期内能发挥稳定的作用。二、理论背景证券组合超额收益=alpha + beta*市场组合超额收益马科维茨论文:开创性地引入了均值和方差来定量刻画股票投资的收益和风险(被认为是量化交易策略的鼻祖),建立了确定最佳资产
python量化投资从基础到实战——常用的量化策略及其实现量化投资概述量化投资简介量化投资策略的类型年化研究流程行业轮动理论及其策略行业轮动理论简介行业轮动的原因从产业链的角度来看行业轮动从行为金融学的角度来看行业轮动行业轮动投资策略策略介绍市场中性Alpha策略市场中性 Alpha 策略的思想和方法大师策略麦克·欧希金斯绩优成分股投资法杰拉尔丁·维斯蓝筹股投资法CTA策略趋势跟随策略双均线突
转载 2023-08-31 17:08:36
43阅读
中低端量化交易平台,支持复杂度不高的脚本语言实现策略逻辑,多数是在图表上加载技术指标,进行自动化交易的。一般说,Python语言是中低端量化交易平台最普遍的选择。为什么现在大多数量化交易都在用Python?Python 编程语言是世界上发展最快的编程语言。Python 可以让程序员更加高效地工作和集成系统。Python 的语法优先考虑了可读性,同时支持较少的代码行。动态类型、内置数据结构、功能强大
转载 2023-08-28 16:32:51
119阅读
文章目录1.什么是量化交易?2.分析展示3.逻辑解读4.代码展示 1.什么是量化交易?我们利用计算机技术,通过建模分析、优化参数等手段,从历史金融数据中挖掘出影响投资的指标,使用程序进行自动交易来获得“超额”的收益,这种投资方法就叫做量化交易。现在,很多量化机构将人工智能和机器学习与量化策略相结合。国内的一些顶尖私募,比如:九坤、幻方、朱雀等都在使用AI量化策略,从各大公司的招聘公告上也可以看出
量化必备技能进程、线程、协程最近再做量化系统的时候,由于 python 不是很熟悉,日行情下载数据和数据清洗计算等都是单线程处理的,其速度无法忍受。 例如:日行情数据的更新,5000 左右个,更新一次,等待的时间可以把你验证想法的热情都浇灭,单线程的情况下,更新行情数据,你是可以去喝茶了,喝完茶再来看吧。还有后续的数据清洗计算、指标计算呢,时间指数级别递增。为了解决这个痛点,学习了并发,并行的
现代投资组合理论(ModernPortfolioTheory,MPT)告诉我们投资者应该分散投资来实现最小化风险最大化投资回报。大邓刚开始学习这方面知识,用了将近一天的时候才搞懂MPT理论的推导,顺便复习了部分高中数学知识,这样会让我们更加有新信心的去使用自己编写的代码。现在我们从实战开始接触理论。一、资产组合理论导论1.1风险厌恶(Riskaversion)在投资组合理论中,我们常常使用方差来刻
原创 2021-01-02 23:33:20
5011阅读
【摘要】当今世界充满了各种数据,而python是其中一种的重要组成部分。然而,若想其有所应用,我们需要对这些python理论进行实践。其中包含很多有趣的的过程,然后将其用于某些方面。其中一种应用就是python量化。今天环球网校的小编就来和大家讲讲python量化。关于python的优势就不说再多了,地球人都知道,还不知道的去面壁思过。因为不想当韭菜,所以还是自己老老实实写代码吧。记录些pytho
2020年9月,微软开源了AI量化投资平台Qlib的源代码,随后得到了不少的,Qlib的主要优势在于:1.Python覆盖量化投资全过程,用户无需切换语言;内置许多深度学习算法模型,降低AI算法使用的门槛。2.内置A股、美股数据接入通道,基于qrun能够自动运行整个工作流程,提高开发效率。3.每个组件都是松耦合可以独立使用,用户能够自行选用某些组件。Qlib相比于我们之前介绍的bac
转载 2023-08-23 16:15:15
53阅读
不要自己造轮子,站在巨人的肩膀上!一、模块(module/package)分类①内置模块:datetime②第三方模块:vn.py③本地模块(自己写的):module_demo加载方式①模块加载:import datetime除非你要用这个模块的很多函数,否则也不需要模块加载②全部加载:from datetime import *不推荐,因为不同模块可能有的函数名字是一样的,可能会发生冲突③针对加
前言Python 由于其易上手、丰富的第三方库支持等优点,已经作为一种标准编程语言应用在金融数据的量化分析中。尽管 Python 上手很快,但是当我们着手搭建一个系统时,需要考虑软件的移植、扩展和维护。作为一门面向对象的语言,掌握 Python 的面向对象编程思维和方法至关重要。本场 Chat 以股票量化交易中经典的动量策略为例,从面向对象的思维、方法、过程和实现等角度介绍用 Python 面向对
知乎上很多人在讨论做量化是金融知识重要还是编程重要,尤其发现很多机构培训量化的都是对编程大讲特讲。那到底学习量化我们是该侧重金融还是该侧重编程呢?关于这点,首先我们要明白量化是什么?量化不是统计,也不靠理工背景,量化需要的是对市场的深刻理解和认知。然后基于这些认知和理解搭建模型。而且量化这个行业,分化特别严重,严重到什么地步?0.1%的人吃香喝辣,99.9%的人吃土。最后因为吃土的人太多,大家打起
量化的软件推荐:python常用的量化软件有python、matlab、java、C++。 从开发难度而言python和matlab都比较容易,java和C++麻烦一些。 从运行速度而言,C++、java要快于matlab和python。不过对于大部分人而言,尤其是初学者,开发占用的时间远大于运行时间。如果追求运行速度的话,先将策略开发出来,再用C重写也不迟。另外,从量化资源而言,python资源
转载 2024-04-28 16:45:08
25阅读
四、如何在真格平台上做到这一切现在我们想在真格量化上实现自己的策略,需要怎么做呢?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,如果直接用C++调用CTP的API进行下单委托,您可能需要写这些代码:在真格量化,您只需要一行Py
看《量化投资:以python为工具》这本书,第一部分是python的基础知识。这一部分略读了,只看我还不知道或不熟的。定义复数 x = complex(2, 5) #2+5j也可以直接定义 y = 3-6j 用id()可以得到变量的内存地址 z = 3-6j print(id(y), id(z)) y和z的内存地址是一样的。 531269809744 531269809744 python可以为不
本次场外篇来介绍下传说中的backtraderbacktrader属于功能相对完善的本地版Python量化回测框架。既然业界好评如云,我们作为量化交易者理应集所有好用的工具于一身,就让我们来体验一下这个框架。backtrader的使用方法在官方文档上介绍的挺详细的。大体分为两步:创建一个策略,创建一个策略类,这个类要继承自backtrader.Strategy,然后就可以自定义里面的方法。策略类中
//// Created by win10 on 2021/11/16.//#include <thread>#include <iostream>#include <vecto
原创 2023-03-02 00:41:16
62阅读
欢迎大家订阅《教你用 Python 进阶量化交易》专栏!为了能够提供给大家更轻松的学习过程,笔者在专栏内容之外已陆续推出一些手记来辅助同学们学习本专栏内容,目前推出的扩展篇链接如下:在专栏的16小节《股票交易数据可视化:技术分析常用指标绘制》介绍了使用TA-Lib库实现MACD指标,当前TA-Lib库的使用文档多为英文版的官网内容,缺乏完整的中文介绍文档,本次场外篇笔者对TA-Lib库的一些使用频
  • 1
  • 2
  • 3
  • 4
  • 5