国内量化交易平台

国内量化交易平台

（安信期货聂延龙）

中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略，高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。

从广义上讲，量化交易是指投资者利用计算机技术、金融工程建模等手段将自己的金融操作用很明确的方式去定义和描述，用以协助投资者进行投资决策，并且严格按照所设定的规则去执行交易策略（买卖、价格、数量等）的交易方式。

按照数学模型的理念和对计算机技术的利用方式，量化交易可以进一步细分为自动化交易（Automatic Trading）、量化投资（Quantitative Investment）、程序化交易（Program Trading）、算法交易（Algorithm Trading）以及高频交易（High Frequency Trading）。这五种量化交易方式的侧重点各有不同，是量化交易技术发展到不同阶段的产物，也是不同量化交易用户群的不同交易方式。

量化交易平台是指能分别满足上述五种交易方式的平台，要求其从交易系统的行情和基础数据、交易和执行、策略研发和运营三个主要方面既要做到大而全，也要做到深而精。这对目前大中型金融机构的IT以及实际运营部门是很大的挑战，同时也提供了发展机遇。

目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面，分为中低端和高端量化交易平台。

中低端量化交易平台

中低端平台只支持复杂度不高的脚本语言实现策略逻辑，多数的实现只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。

中低端平台一般采用的技术架构是投资者使用平台商提供的客户端软件，采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器，投资者在本地运行的策略触发后，通过经纪公司的普通交易席位进行交易。由于技术架构的限制，行情、交易有一定的延时。

受策略脚本解析和执行效率、技术架构的限制，中低端平台对于多品种、多周期、多账户、多交易市场、多策略、复杂金融工具包等复杂系统架构的支持都有一定的限制。一般的系统实现流程为：投资者的策略在本地接收市场数据后，根据策略简单计算的触发条件，进行简单的账户持仓、资金计算和管理，进而下达买卖方向、数量、价格等指令，进行自动交易。

中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略，是目前市场上个人投资者应用最多的一类大众化的量化交易平台。

国内中低端量化交易平台

国内应用的中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统、达钱&multicharts、安翼金融终端等。

1.文华赢智程序化交易平台

文华赢智采用麦语言开发技术指标模型，产生买卖信号后驱动交易下单。在量化模型研发方面，赢智提供了国内股票和期货的全部品种多周期的时间序列历史行情数据和近期的TICK数据，同时提供了丰富的行情函数、账户和交易的部分函数和一些统计函数用于策略开发，还提供了丰富的策略回测报告项作为策略绩效评估的依

据。在量化交易方面，赢智提供支持最多24个品种进行的多线程独立的程序化交易，同时使用下单精细化组件，实现了部分算法交易的功能。由于采用客户端的技术架构，虽然赢智实现了高频交易的功能模块，但是在实际应用中，高频交易建议托管在文华机房。现阶段，赢智以其程序化实现简单、性价比高等特点，在中低端量化交易平台中占有一定的优势。

2.交易开拓者程序化交易平台

交易开拓者（TB）采用语法类似Pascal的TBL语言开发策略模型，根据账户持仓状况和图表买卖信号驱动交易下单。在量化模型研发方面，TB提供了国内期货多周期的历史行情数据和近期的TICK 数据；提供了较为全面的行情数据函数、账户和交易函数、统计函数用于策略开发；提供了丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面，单个TB终端支持20—30个单品种的图表并发接收行情并交易，但由于客户端技术架构的限制，其对于高频和更复杂策略的支持不足。现阶段，TB市场推广做得较好，合作的期货公司较多，在中低端量化交易平台的市场占有率较高。

3.金字塔决策交易系统

金字塔决策交易系统（下称金字塔）采用VB脚本语言开发策略模型，使用较复杂的账户函数和交易函数进行资金管理，既可以使用图表买卖点，也可使用非图表的交易判断驱动交易下单。在量化模型研发方面，金字塔提供了国内股票和期货的历史行情数据和TICK数据，也可以使用外盘数据；提供了更为全面的行情数据函数、较多的账户和交易函数、统计函数用于策略开发，同时也支持外接统计数据库和专业的统计分析软件Lib库做扩展；提供了较为丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面，除了支持图表驱动的程序化交易外，也可以进行篮子交易、算法交易和较复杂的对冲交易的实现，但是同样受客户端的技术架构限制，其对于高频交易、全市场策略的交易等更复杂的策略支持不够。现阶段，金字塔合作的期货公司逐渐增多，在中低端量化交易平台的市场占有率较高。

4.达钱&multicharts自动化交易

达钱&multicharts自动化交易系统（MC）采用power language 开发策略模型，达钱提供行情和交易网关，multicharts实现策略开发和执行平台。在量化模型研发方面，由达钱提供的一段时间内的国内期货历史行情和TICK行情。MC承袭了TradeStation的丰富的函数库和策略库，以及便捷的开发特点，提供了更为完善的回测和绩效评价体系，为策略的研发提供了完善的评估。在量化交易方面，MC只支持程序化和自动化交易，对于高端的量化交易模式支持不够。由于MC进入国内不久，在中低端量化交易平台的市场占有率还不高。

5.安翼金融终端程序化交易

安翼金融终端（下称安翼）采用技术指标的通用脚本语言开发交易模型，进行图表驱动的自动化交易，是由某券商独立开发的进行国内股票和期货的自动化交易工具。目前安翼提供了国内股票和期货的历史行情，可以进行相对简单的图表交易和股票、期货的对冲交易，程序化交易工具免费使用。虽然安翼只能用该券商交易通道进行交易，但却标志着国内股票和期货的量化交易已经提升到一个全面发展阶段。

高端量化交易平台

高端量化平台除了支持复杂脚本语言实现策略逻辑外，均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑，一般为了追求执行效率，不采用界面显示图表，而采用多进程、多线程方式进行自动化交易、程序化交易、算法交易，甚至为了追求极致，使用硬件技术进行高频交易等量化交易方式。

高端交易平台通常采用的技术架构是使用服务器执行策略的架构，行情使用转发路径最少的极速、深度行情，交易通道采用专用、直连的交易通道进行交易。行情和交易的延时都要求尽可能最低。

高端交易平台定位于资产管理，在系统架构上严格区分策略研发和策略运营执行两个阶段。对于策略研发阶段，需要多品种、多周期、多账户、多交易市场、多策略、复杂金融工程包的支持，以实现复杂的策略逻辑；对于策略运营执行阶段，系统架构要保证各种风控、应急处理、交易方式和策略的平稳有效执行。系统的实现流程除了满足交易本身的要求外，还要满足机构本身的业务流程和规范，以及监管层的要求。

高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。随着国内金融市场创新的提速，机构投资者对高端交易平台的需求和潜在需求呈快速上升趋势。

国内高端量化交易平台

国内应用的高端量化交易平台主要有Progress Apama、龙软DTS、国泰安量化投资平台、天软量化平台、飞创STP、易盛程序化交易、盛立SPT平台等。

1.Progress Apama

Apama采用EPL和JAVA语言开发或者定制策略模型，通过行情、资讯等驱动CEP引擎进行交易、风控等操作。在量化模型研发方面，Apama使用第三方的行情授权，提供了各市场行情接口和各种柜台交易接口的接入，可以接入国内股票和期货多周期的时间序列历史行情数据和TICK数据；提供了丰富的金融工具包进行复杂策略开发；提供了便捷的studio开发工具，可以进行复杂策略的快速开发和定制；提供了1万倍加速测试进行策略回测，可以方便地定制测试报告。在量化交易方面，Apama提供了150万笔/秒的交易并发处理能力，进行高频交易、算法交易。Apama高端的并发处理能力，使全市场的多品种并发套利、对冲等交易策略和实时风控策略可以高速执行。现阶段，Apama在国际投行的自营、资管、经纪业

务中占有很大的市场份额。从2012年开始，Apama逐步拓展国内的业务，几家较大的证券和期货公司已经开始正式上线推广Apama和相关的量化交易应用。

2.龙软DTS

DTS采用LUA脚本语言开发策略模型，通过平台提供的历史和实时行情、基本资料数据、宏观数据的统计分析，实现投研和交易。在量化模型研发方面，DTS既可使用平台自有的数据源，也可以接入第三方数据源。DTS还提供了一些金融工具包，进行复杂策略开发、回测和绩效评价。在量化交易方面，DTS提供的可以扩展的服务器端技术架构，保证了策略的高并发和高速执行，其在程序化交易、量化交易、算法交易、对冲和套利交易方面都有实际应用。

3.国泰安量化投资平台

国泰安量化投资平台分为研究平台（QIA-Lite）和交易平台（QRC），采用matlab的toolbox的形式无缝兼容了matlab的研发环境，由交易平台实现策略交易。在量化模型研发方面，国泰安投研平台使用自有的行情源、基本面数据、高频数据、量化因子数据库，完全兼容matlab所有的函数，实现了模型的研发和回测。在量化交易方面，其支持了国内主流证券和期货的柜台，在股票和期货的程序化交易、算法交易等方面都有实际应用。

4.天软量化研究和交易平台

天软量化研究和交易平台采用天软特有的TSL语言开发策略模型，通过天软的交易网关，实现量化交易的执行。在量化模型研发方面，采用高性能数据仓库提供的历史和TICK行情、基础资料数据、宏观数据等数据源，同时提供了7000种开源的函数库，进行策略的研发、回测、绩效分析。在量化交易方面，其基本实现了自动交易、程序化交易、算法交易等量化交易方式。

5.飞创STP

飞创量化交易平台采用JAVA语言，通过可定制的模板开发策略模型，进行高频交易。STP通过统一的开发和资管运营平台，实现策略的研发、回测、风控和资管运营。由于使用了高速的柜台交易

接口，其主要面向高频套利、程序化交易等交易模式的用户。

6.易盛程序化交易平台

易盛程序化交易既可采用类似Easy Language的语言开发策略模型，实现程序化交易和套利交易，也可以根据易盛柜台提供的行情和交易API，采用C++开发外接应用的方式，实现期货、股票的更复杂的量化交易。在量化模型研发方面，易盛程序化提供的EL开发模型，类似于中低端的量化交易平台，但在行情的速度、交易和账户函数的实时性和精细化处理方面，达到了高端量化交易平台的要求。在量化交易方面，易盛柜台的行情和交易速度具有一定的比较优势，量化交易平台支撑的应用主要是期货的程序化交易、自动交易、对冲和套利交易。

7.盛立SPT平台

盛立金融软件的SPT平台，采用C++语言和定制的策略开发模板进行策略研发，采用独立的运营和回测平台进行模拟和真实交易。虽然SPT平台在国内应用不多，但凭借其100万笔/秒的行情并发处理能力、交易的毫秒级别的延迟，在量化交易平台中引人注目。SPT提供了一些策略模板，可以很方便地实现程序化交易、套利和对冲交易、算法交易、高频交易等。

现阶段，除了上述几个相对成熟且具有一定应用客户的高端量化交易平台外，也有较大金融机构使用像Sysbase CEP、StreamBase等高频中间件来构建量化交易平台。此外一些传统的交易柜台厂商如金仕达、恒生等，也在逐步推出高端量化交易平台。

责任中心可分为5个层次-利润中心、收入中心、费用中心、成本中心、投资中心

责任中心 利润中心 什么是利润中心 从战略和组织角度，利润中心被称为战略经营单位（Strategic Business Unit,SBU）或事业部。在公司内部，利润中心视同一个独立的经营个体，在原材料采购、产品开发、制造、销售、人事管理、流动资金使用等经营上享有很高的独立性和自主权，能够编制独立的利润表，并以其盈亏金额来评估其经营绩效。 一般说来，利润中心应将其产品大部分销售给外部客户，而且对于大部分原材料、商品和服务都有权选择供应来源。在利润中心，由于管理者没有责任和权力决定该中心资产的投资水平，因而利润就是其唯一的最佳业绩计量标准。但同时这些利润数字水平还需要补充大量短期业绩的非财务指标。采用适当方法计量的利润是判定该如中心管理者运用他们所取得的资源和其他投入要素创造价值能力的一个短期指标。

在利润中心，管理者具有几乎全部的经营决策权，并可根据利润指标对其作出评价。 利润中心的类型 利润中心的类型包括自然利润中心和人为利润中心两种。 自然利润中心具有全面的产品销售权、价格制定权、材料采购权及生产决策权。 人为利润中心也有部分的经营权，能自主决定本利润中心的产品品种（含劳务）、产品产量、作业方法、人员调配、资金使用等。 一般地说，只要能够制定出合理的内部转移价格，就可以将企业大多数生产半成品或提供劳务的成本中心改造成人为利润中心。 利润中心的成本计算 在共同成本难以合理分摊或无需共同分摊的情况下，人为利润中心通常只计算可控成本，而不分担不可控成本；在共同成本易于合理分摊或者不存在共同成本分摊的情况下，自然利润中心不仅计算可控成本，也应计算不可控成本。 利润中心的考核指标 （1）当利润中心不计算共同成本或不可控成本时，其考核指标是利润中心边际贡献总额，该指标等于利润中心销售收入总额与可控成本总额（或变动成本总额）的差额。 （2）当利润中心计算共同成本或不可控成本，并采取变动成本法计算成本时，其考核指标包括：利润中心边际贡献总额； 利润中心负责人可控利润总额； 利润中心可控利润总额。 利润中心的运作机制 企业为追求未来的发展与营运绩效，现行的功能性组织已无法适应。利润中心制度之推行，在于变革组织结构以达成公司的策略规划。 利润中心与目标管理 企业采用利润中心，事实上就是实施分权的制度。但为求适当的控制，总公司的最高主管仍需对各利润中心承担应负的责任：即由双方经过咨商订立各中心的目标，同时负于执行的权利，并对最后的成果负责。在目标执行过程中，设置一套完整的、客观的报告制度，定期提出绩效报告，从中显示出的目标达成的差异，不但可以促进各中心采取改善的措施，还可作为总公司考核及奖惩的依据。 因此，利润中心的推行，必须结合目标管理制度，才不致空有组织构架，缺乏达成公司目标及评估各

Wind量化平台-交易专题

Wind 量化接口交易专题 上海万得信息技术股份有限公司 Shanghai Wind Information Co., Ltd. 地 址: 上海市浦东新区福山路33号建工大厦9楼 邮编Zip: 200120 电话Tel: (8621) 6888 2280 传真Fax: (8621) 6888 2281 Email: sales@https://www.wendangku.net/doc/8d3609236.html, https://www.wendangku.net/doc/8d3609236.html, ——中国金融数据及解决方案首席服务商

目录 1交易接口概览 (1) 1.1函数说明 (1) 1.1.1tlogon（登录） (1) 1.1.2tlogout（登出） (2) 1.1.3torder（下单） (2) 1.1.4tcancel（撤单） (3) 1.1.5tquery（查询） (3) 1.2L OGON ID、R EQUEST ID和O RDER N UMBER (4) 1.2.1LogonID (4) 1.2.2RequestID (4) 1.2.3OrderNumber (4) 2账户登录与登出 (6) 2.1登录模拟交易账户 (6) 2.1.1登录单个模拟交易账户 (6) 2.1.2登录多个模拟交易账户 (6) 2.2登录实盘交易账户 (6) 2.2.1登录单个实盘交易账户 (7) 2.2.2登录多个实盘交易账户 (7) 2.3查询登录账户 (7) 3交易与查询 (8) 3.1下单 (8) 3.2查询委托 (8) 3.3撤单 (10) 3.4查询成交 (10) 3.5查询资金 (11) 3.6查询持仓 (11)

1交易接口概览 Wind交易接口包括5个函数，分别为tlogon（登录）、tlogout（登出）、torder（下单）、tcancel（撤单）、tquery（查询）。将这5个函数串联起来的是LogonID、RequestID和OrderNumber。 1.1函数说明 1.1.1tlogon（登录） 【登录函数】tlogon(BrokerID,DepartmentID,LogonAccount,Password,AccountType) 【参数说明】 模拟交易账号规则和支持的市场品种见下表： 【例】如果Wind金融终端账号是W0813652，那么W081365201是证券模拟账号，W081316502是期货模拟账号，W081316503是衍生品模拟账号。 【注2】AccountType参数

量化交易系统构建思路1-7(待续)

程序化交易策略构建思路 1.基于商品价差的通道突破系统 1)公式名称：CL_SpreadChannelBreakout 2)策略构建思路: 本策略是以通道突破为基础的“四周规则”交易系统的价差交易版，策略本身和经典的“四周规则”并无区别，不同之处是将交易标的从单个商品合约变为两个商品的价差。 3)建立系统的步骤 首先，策略会按照设定的两个商品的交易手数计算出商品的价差，并根据价差的开盘价、最高价、最低价、收盘价画出价差K线图。由于价差的计算是基于两个商品的K线数据而不是详细的Tick数据，所以只有价差的开盘价和收盘价能够准确计算，最高价和最低价则取开盘价差和收盘价差的最高和最低。 4)进场策略 计算价差的一定周期的最高价和最低价，形成上下两条通道，当价差突破上通道时做多，价差突破下通道时做空，突破时反向仓位先平仓再反手。

5)出场策略 止损方面，引入价差的更小周期的最高价和最低价作为止损点。 至此，本策略的构建描述完毕，本策略是基于对外盘行情的观察和理解进行的K线组合交易策略，由于策略特性和国内行情的特性，该策略会出现丢失行情的情况发生，但不失为一种交易思路供使用者思考，请使用者仔细理解口进行选择、修改和使用。 2.基于均线交叉与通道突破相结合的交易系统 1)公式名称：CL_MovingAverageCrossOver【MACO】 2)策略构建思路: 传统的移动平均线交叉系统寻找快速均线和慢速均线的交叉来捕捉趋势，在快速均线上传慢速均线时买入，期待市场趋势上涨，反之卖出，期待趋势下跌。 这种技术在有趋势的市场很有效果，但当市场横向整理或者起伏不定时，均线反复交叉从而产生许多导致亏损的假信号。 【MACO】系统充分利用趋势的同时尽量避免或者减少假信号的产生，方法是识别趋势后并不立即进场，而是确定这是一波行情的开始之后再作为。 系统使用快速均线和慢速均线的交叉来识别一波潜在趋势，直到上升趋势或者下降趋势确定后才发出买入或者卖出的信号。

牛津博士王宁：大数据和量化金融从机器交易高频交易到大数据交易 数据派 数据观 中国大数据产业观察

牛津博士王宁：大数据和量化金融，从机器交易、高频交易到大数据交易数据派数据观中国大数据产业观察 牛津博士王宁：大数据和量化金融，从机器交易、高频交易到大数据交易 时间：2015-09-02 10:53:21 作者：数据派 本讲座选自2015年8月27日在2015中国国际大数据大会主题论坛五──牛津大学NIE金融大数据实验室、数据科学高级研究员、博士王宁所做的题为《大数据和量化金融，从机器交易、高频交易到大数据交易》的演讲。 王宁：很高兴来到这里，我是第二次参加这种会议了。我这次是以第二个身份来的，就是牛津大学NIE金融大数据实验室，代表实验室过来，今天主要分享一下我们实验室做的关于量化金融的思考跟案例。 首先简单介绍一下我们的大数据NIE实验室，是一个全新的实验室，是2013年11月正式成立的，我们实验室的定

位是世界主要大学的第一个以金融大数据为研究方向的实 验室，我们是交叉学科的实验室，目的是把数据科学运用到金融领域，包括很多学科交叉在一起。因为我们的接口是牛津大学金融数学系，这个系框架上有金融、计算机、统计，我们致力于做一个产学研交流合作的平台。 我们主要研究的方向：包括行为金融学、第二个是机械学习在金融领域的应用。第三是一些金融的模型，特别基于数据的金融模型，数据来源主要是结构和非结构化数据。第四就是金融决策，就是我们说的情感分析，怎么用互联网包括社交媒体大数据帮助我们做一些金融决策。最后就是风险控制，也是我们常说的互联网金融怎么样能够把风险控制下来。 我们主要的提出的问题是几个挑战： 金融大数据对行业带来的挑战是什么？ 大数据具体在金融领域的主要应用是什么？要真正对 行业起到推进作用。 金融更多是关注未来的东西，怎么样能够更好预测未来的东西，降低风险？ 最后是决策，怎么设计科学合适的机制，基于大数据机制，最终通过人或者机器进行自动化的决策？

缠中说禅量化交易系统

缠中说禅量化交易系统 函数使用说明 1.Chdlm 缠论动力调用函数， CHDLM(CLOSE,1)：返回的动力数值， CHDLM(CLOSE,2)：返回值1表示动力底，返回值-1表示动力顶, CHDLM(CLOSE,3)：返回值1表示底背离买点，返回值-1表示顶背离卖点。 可以结合其他函数，进行画线，画标识，选股，预警等。 使用例子：CHDL 2.Macdnum 返回MACD的参数 MACDNUM(1)：返回周期数值1，供MACD函数调用 MACDNUM(2)：返回周期数值2，供MACD函数调用 MACDNUM(3)：返回周期数值3，供MACD函数调用 使用例子：三级别MACD 3.Kxian K线的初始化 KXIAN（HIGH,LOW）; 所有与笔有关的调用，必须先进行此函数的调用 使用例子：CHFB 4.Chbi 返回缠论笔顶底，返回值1笔的顶，返回值-1笔的底 CHBI(P)：P参数可以选择11,12,21,22,31,32；51（高级版选用） CHBI(11) 严格新笔 CHBI(12) 严格老笔 CHBI(21) 不考虑第一元素和第三元素对顶底的包含的新笔 CHBI(22) 不考虑第一元素和第三元素对顶底的包含的老笔 CHBI(31) 考虑第一元素不考虑第三元素对顶底的包含的新笔 CHBI(32) 考虑第一元素不考虑第三元素对顶底的包含的老笔 CHBI(51) 将分型直接相连，不考虑包含及共用K线 使用例子：CHFB 5.Chbinum 返回缠论一笔中K线的根数 CHBINUM(P)：P参数可以选择11,12,21,22,31,32；51（高级版选用） P的取值参考CHBI 使用例子见：CHFB 6.Chibs 返回缠论笔的状态（向上，向下，顶分型，底分型） CHBIS(P)：P参数可以选择11,12,21,22,31,32；51（高级版选用） P的取值参考CHBI 返回值1，代表顶分型， 返回值-1，代表底分型

量化投资入门到进阶

教材目录第一章：量化基础知识 第一节 量化投资的概念和优势 第二节 量化投资的历史和未来 第三节 量化投资的流程与应用 第二章：量化策略入门 第一节：MindGo量化交易平台 第二节：MindGo API介绍 第三节：我的第一个量化策略 第三章：Python编程 第一节：Python介绍 第二节：数据类型 第三节：条件与循环 第四节：函数 第五节：numpy 第六节：pandas基础 第七节：pandas进阶 第四章：经典量化策略集锦 第一篇：投资高股息股票 第二篇：从“二八轮动”中学择时 第三篇：网格交易—动态调仓策略 第四篇：进军交易系统，从Dual Thrust中学“趋势”第五篇：布林强盗，一个霸道的交易系统 第六篇：交易系统终结者—海龟交易法则 第七篇：向彼得林奇投资大师学习PEG选股 第八篇：CAPM模型的应用 第九篇：Fama-French三因子模型应用 第十篇：动量类多因子之择时中选股 第五章：量化研究专题 第一篇：用matplotlib绘图函数实现数据可视化 第二篇：运用Scipy模块实现统计技术 第三篇：10分钟学会用Python做线性回归 第四篇：统计套利：利用相关系数进行配对交易 第五篇：数据处理专题：去极值、标准化、中性化

第六篇：数据挖掘专题：分类与预测 第七篇：算法交易入门—VWAP 第八篇：Python实现马克维兹投资组合理论 第九篇：隐马尔科夫模型【机器学习+数据挖掘】 第十篇：机器学习之神经网络入门

第一章：量化基础知识 第一节 量化投资的概念和优势 量化投资的概念 量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。 量化投资区别于定性投资的鲜明特征就是模型，对于量化投资中模型与人的关系，打个比方来说明，我们先看一看医生治病，中医与西医的诊疗方法不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，定性程度上大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。 医生治疗病人的疾病，投资者治疗市场的疾病，市场的疾病是什么？就是错误定价和估值，没病或病得比较轻，市场是有效或弱有效的；病得越严重，市场越无效。投资者用资金投资于低估的证券，直到把它的价格抬升到合理的价格水平上。 但是，定性投资和定量投资的具体做法有些差异，这些差异如同中医和西医的差异，定性投资更像中医，更多地依靠经验和感觉判断病在哪里；定量投资更像是西医，依靠模型判断，模型对于定量投资基金经理的作用就像CT机对于医生的作用。在每一天的投资运作之前，我会先用模型对整个市场进行一次全面的检查和扫描，然后根据检查和扫描结果做出投资决策。 量化投资的优势 量化投资的优势在于纪律性、系统性、及时性、准确性和分散化。 1.纪律性：严格执行投资策略，不是投资者情绪的变化而随意更改。这样可以克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差。 2.系统性：量化投资的系统性特征包括多层次的量化模型、多角度的观察及海量数据的观察等。多层次模型包括大类资产配置模型、行业选择模型、精选个股模型等。多角度观察主要包括对宏观周期、市场结构、估值、成长、盈利质量、市场情绪等多个角度分析。此外，海量数据的处理能力能够更好地在广大的资本市场捕捉到更多的投资机会，拓展更大的投资机会。 3.及时性：及时快速地跟踪市场变化，不断发现能够提供超额收益的新的统计模型，寻找新的交易机会。 4.准确性：准确客观评价交易机会，克服主观情绪偏差，从而盈利。

国内量化交易软件补充 (1)

1.天软量化研究和交易平台 天软量化研究和交易平台采用天软特有的TSL语言开发策略模型，通过天软的交易网关，实现量化交易的执行。在量化模型研发方面，采用高性能数据仓库提供的历史和TICK 行情基础资料数据、宏观数据等数据源，同时提供了7000种开源的函数库，进行策略的研发、回测、绩效分析。在量化交易方面，其基本实现了自动交易、程序化交易、算法交易等量化交易方式。 2.大智慧DTS 起初由龙软软件公司开发，后被大智慧收购。DTS采用LUA脚本语言开发策略模型，通过平台提供的历史和实时行情、基本资料数据、宏观数据的统计分析，实现投研和交易。在量化模型研发方面，DTS既可使用平台自有的数据源，也可以接入第三方数据源。DTS还提供了一些金融工具包，进行复杂策略开发、回测和绩效评价。在量化交易方面，DTS提供的可以扩展的服务器端技术架构，保证了策略的高并发和高速执行，其在程序化交易、量化交易、算法交易、对冲和套利交易方面都有实际应用。 大智慧特色： 1、多市场行情和套利分析，资讯分析系统； 2、DDE深度数据挖掘决策系统，基于新行情，对已成交委托单的统计和分析功能； 3、SuperView(超赢)数据分析系统； 4、主力资金流向实时监控。 3.eSignal 除了欧美市场之外，eSignal 在亚洲市场的支援度很广。除了常见的日本、香港、新加坡的股票及期货交易所之外，泰国、越南、马来西亚、印尼、菲律宾的主要交易所都有支援。在台湾部分，台股、台指期、台指选择权、股票选择权都有。大陆股市部分则涵盖了上证、深交所及大连商品交易所等几个主要交易所。不过很遗憾的它目前并没有 CSI300 期货报价，没有中文接口。 4.同花顺 同花顺引进欧美技术，推出汉化量化交易，产品采用近百种高端交易算法，提供选股择时、统计套利、跨市场交易（股票、基金、期货）、多资金账户。能为投资者提供文本、超文本（HTML）、信息地雷、财务图示、紧急公告、滚动信息等多种形式的资讯信息，能同时 提供多种不同的咨询产品（如港澳资讯、巨灵资讯等），能与券商网站紧密衔接，向用户提供券商网站的各种资讯。同花顺为中国投资者提供专业的证券信息服务，专注于金融数据分析、平台系统集成建设、提升信息服务品质，是一家以互联网为平台的高科技软件服务提供

智讯云投资系统适合量化自动交易

智讯云投资系统适合量化自动交易 对新手而言最大的问题是如何在低成本条件下快速进入股票行业，股票界很多老股民都有一个永不倒的经验：“不在股票行业花费数以万计的学习费是难以入门的”。这也是很多新手葬送在起步之路的真正原因。智讯MT4轻松实现个性交易策略，学习门槛低、完整的教程和培训、适应的复杂策略、专业的互动社区。这样一来；新手遇到的问题可以和其他股民一起互动解决，当然也可以让平台的分析师帮你解决；在较短时间成本内就可以学到所需的交易知识。 智讯云投资系统适合量化自动交易、手动交易、半自动交易，根据您级别和习惯而定，初级投资者由于缺乏交易知识和经验，可以在智讯云投资的引导下，即量化自动交易。熟练的投资者由于对股市的整体把握能力、股市动态的预判能力等都较为成熟；操作整个期货已是轻车熟路，通过系统设置自己的经验定制，手动交易比较适合这一股票界的“老司机”。当然了，智讯MT4也考虑到私募投资机构，为他们提供了半自动交易模式。 在智讯云投资平台系统的搭建中，数据的准确、快速与稳定，和平台的客户体验度往往是息息相关的。有的搭建公司采用的是二次转接数据，相对一手专线数据而言，有一定的延迟和点差，长此以往，很有可能造成客户的流失。智讯云投资期货CTP交易账户云托管、无论MT4还是CTP交易账户都托管在云服务器上，稳定快速高效执行（毫秒级），同时带给客户最优的体验。 过去的一年里，很多大宗商品交易所转型MT4交易平台，对分

支机构及其对应业务实行集中统一管理，顺应政策对结算的透明化要求，采用第三方清算机构进行统一登记、资金存管、统一结算。智讯云投资使用国际先进的量化投资客户端（MT4）对接国内CTP期货账户，实现毫秒级实时量化投资交易，快速方便的量化投资模型分析，实现高精度模型历史回测，拥有多种快捷交易方式，拥有开源的数以万计的量化交易系统库，强大的国际流行交易软件，造就了良好的交易员及个人投资者的使用体验，超越现有期货交易软件的专业功能，瞬间提升专业交易能力，创造更大盈利机会。 值得注意的是，智讯云投资平台在风险控制上比交易所模式更有优势，投资者可以实现期货手工交易和程序高频交易，系统实现了投资者交易模型的开发、回测、实盘。平台支持进行自模拟交易训练和期货CTP账户对接模拟交易、支持正向、反向、倍数交易设置、支持全程动态状态监控和报警设置。

量化交易系统开发源码技术

量化交易系统开发找我是李小姐今年是199个月的2757和2910分钟 zhidian”量化交易系统开发源码量化交易现成系统出售 “量化交易”有着两层含义:一是从狭义上来讲，是指量化交易的内容，将交易条件转变成为程序，自动下单;二是从广义上来讲，是指系统交易方法，就是一个整合的交易系统。即为根据一系列交易条件，智能化辅助决策体系，将丰富的从业经验与交易条件相结合，在交易过程管理好风险控制。 量化交易至少应该包括五个方面的要素: (1)买入和卖出的信号系统。 (2)牛市还是熊市的方向指引 (3)头寸管理以及资金管理。 (4)风险控制，运用信号源来确定止损位置，利用资产曲线和权益曲线来加以判定和管理。 (5)投资组合，不一样的投资品种、不相同的交易系统(不同功能和参数，有快有慢)以及不相同时间周期组合.，现分散组合，让交易账户波动更加稳定。 2.量化交易的特点 量化交易是一个比较新的概念，它最鲜明的特征就是运用模型。量化交易主要的特点如下所述。

(1)投资视角广。凭借计算机高效、准确地对海星信息进行处理，在所有市场里去寻找更广泛的投资机会。 (2)纪律性。严格的纪律性是量化交易明显区别于主动投资的重要特点。纪律性的好处有许多，能够克服人性的弱点，比如恐惧、贪婪、侥幸心理，也能够克服认知偏差等。 (3)系统性。多层次模型主要包括行业选择模型、大类资产配置模型以及精选个股模型等。多角度观察主要包括对宏观周期、估值、成长、盈利质量、市场结构、分析师盈利预测以及市场情绪等多个角度的分析。 (4)及时性。及时、迅速地跟踪市场变化，不断发现能提供巨额收益的新的统计模型，去寻找新的交易时机。 —————————各种软件可定制——————————— 我司是一家资深定制APP开发公司，市场流通系统均可开发类似 有限的生命时光里，好好珍惜家人。 匆匆生活里，能够温暖你的，始终是家里那盏泛着黄晕的暖光，那双关切唠叨的眼睛，那抹真实淳朴的微笑。 这一生，都要用力去爱父母，爱儿女，爱伴侣，别吝啬拥抱和亲吻，带着感恩的心去相处，不给亲情留遗憾，这辈子才值得。

主流量化交易策略

主流量化交易策略 专访北京泰铼投资管理有限公司合伙人兼总经理王文伟。主持人：贵公司的情况介绍?投研团队有多少人?团队的特色和优势在哪里? 王文伟：本公司是由四位投资经理组成为创始团队组建的有限责任公司，创始团队持股比例占公司总股本的94%。创始团队是公司的核心投研力量，公司另有两名资深的量化交易员和系统工程师，负责交易和系统的搭建维护。公司的创始团队成员具有专业的投资背景，兼具海外对冲基金和国内市场的长期投资管理经验。在成立泰铼投资之前，团队所管理的资金超过30亿元。团队成熟、稳定，成员包括投资经理、量化交易员、系统工程师，成员之间彼此共事多年，配合默契。团队分工明确，在量化投资、高频交易、衍生品、股票多空等诸多领域，均具备丰富的经验。团队成员包含多个投资经理，均有经实盘检验的良好业绩。团队采用自主开发的算法交易系统，经过国内外市场多年的实盘运作和改进，兼具稳定性和高效性，能有效的降低交易对市场的冲击，提高量化交易模型的运行效率和稳定性，增强收益。通过频繁细小的价差收益累积获取长期稳定回报主持人：贵公司的投资理念和投资策略是怎么样的? 王文伟：公司采用量化投资，旨在市场的波动中获取不依赖于市况的稳定的超额回报(alpha收益)。资本资产定价模型

将投资组合的期望收益由两部分组成：alpha收益为投资组合超越市场基准的收益，beta收益为投资组合承担市场系统风险而获得的收益。通过对冲交易剥离或降低投资组合的系统风险(beta收益)，获取纯粹的alpha收益，可以使得投资组合无论在市场上涨或下跌时均能获取稳定的绝对收益。在股票市场的波动中，alpha收益源于资产的相对定价偏差：通过寻找市场中相对定价发生偏差的资产，并识别偏差的程度，在偏差足够大的时候进行交易，可以获取资产相对定价回归的alpha收益。因此，投资组合通过频繁的、细小的价差收益的累积，获取长期稳定的回报。候选模型的设想和构思、有效性检验和综合模型的建立主持人：具体的投研流程是怎么样的? 王文伟：①研究流程——量化模型的建立量化模型的建立是量化投资的核心，模型的有效程度直接决定量化投资的业绩表现。模型的建立主要分为候选模型的设想和构思、有效性检验和综合模型的建立三个步骤。候选模型的设想和构思依赖两方面的能力，一方面对大数据的处理分析能力，通过对历史数据的学习，依靠计算机和统计知识寻找有效策略;另一方面依赖于对经济逻辑的理解和市场经验。两方面能力的结合产生更多、更有效的策略是增强模型有效性和提高收益率的关键。候选模型的有效性检验基于历史数据回溯检验，考察策略的收益率、波动率、夏普比、收益回撤比，与市场或其他策略的相关性等，当策略的各类指标

量化交易主要有哪些经典的策略

量化交易主要有哪些经典的策略？ 这是一个对于刚入门的投资者的好问题。讲之前，先推荐一本好书《Efficiently Inefficient》（作者：Lasse Heje Pedersen）。它对于想了解对冲基金的朋友，是一本很好的启蒙书籍。不说废话，讲正题。从对冲基金的角度，交易策略可以有以下分类（来自《Efficiently Inefficient》）：我们可以先把交易策略大体分成三类：1）股票策略2）宏观策略3）套利策略。其中，股票策略和宏观策略的收益主要来自投资目标的实际价值（absolute value）的变化，而套利策略的收益来自一对或一组投资目标的相对价值（relative value）的变化。这三者不是完全的独立，比如套利策略也有应用于股票市场，宏观资产配置也会借鉴股票策略中基本面分析方法。之所以这么分是因为三者有各自显著的特点。下面我们来逐一介绍：1）股票策略：股票策略主要指的是单一的应用于股票市场的交易策略。按照人的主观和计算机在策略的参与程度，我们把股票策略分成主动权益投资和主动量化投资。这里的主动投资更准确的翻译是决定型交易，之所以称为主动权益投资，是因为这是业界一般的称呼。主动权益投资主要是靠投资者的主观判断，他们通过对行业和企业的深入调查，形成自己的投资逻辑，然后进行筛选股票。这里又根据交易的限制分为多空策略，做多策略和做空策略。这里提一

下做空策略（见于国外），只做空的投资者往往会把目标锁定在，那些对外披露的报告和实际表现不符的公司，然后去调查该公司的财务状况是否作假。该策略类型的代表就是浑水公司（Muddy Waters Research）。相较于主动权益投资，主动量化投资是把自己的逻辑输入计算机，通过计算机的快速运算，来构建自己的投资组合。它和主动权益投资的区别体现在研究的深度和广度上。量化投资依赖于数据。换句话说，对于那些不是以数据形式存在的信息（比如与他人的谈话），计算机是没法获得的，也无法转化成交易信号。从这个角度来看，量化投资对单一股票的研究深度不如主动权益投资。但是，借助于计算机的快速处理能力，量化投资所构建的自动化模型，能在短时间内消化各种类型的数据信息，并且把它转换成有价值的交易信号。从这个角度来看，量化投资在研究的广度上比主动权益投资更具有优势。在中国的股票市场，目前主要存在的量化交易策略是多因子选股模型（具体不在这里做介绍）和一些基于流动性的高频交易策略。前者更适用于资金规模大的公募基金，后者则适用于追求短期高回报的私募基金。2）宏观策略：宏观策略的投资范围不局限于单一类型的市场，而是进行全类型市场的投资。这一类型的策略又可以分成以期货为投资工具的CTA策略，和宏观资产配置策略。CTA策略是动量策略的代表作。动量策略又称作趋势型策略。它研究的是价格的变化趋势，基于行为金

完整量化投资策略四个特征

完整量化投资策略的四个特征 量化投资注重数理分析与逻辑推导，不依赖主观判定形成交易决策，当模型思想来源于投资者市场体会，基于历史数据所作的几率统计，也可以是技术指标，甚至基本面分析，只要能形成一定数理逻辑并得到市场验证即可作为量化投资策略。 量化投资是指将投资理念或市场洞见转化为数学模型，并依据历史数据对模型进行测实验证，总结收益-风险特性以及相关参数，最后通过运算机技术实现自主化交易的投资方法。量化投资主要运用在具有高流动性与历史数据丰盛的金融投资市场，就期货市场而言，既可以在商品类品种也可以在股指等金融类品种上进行。 总的来说，一个完整的量化投资策略具备四个方面的特征： 一是具有特定的定量分析策略。量化投资是基于一定的市场逻辑或依据历史数据作出的几率统计，形成特定的数学模型用以分析和评判市场表现，进而形成交易策略，这与当前大多数分析师所采用的定性分析方法有很大区别。量化投资注重数理分析与逻辑推导，不依赖体会主义和主观判定形成交易决策，当然其模型思想仍旧是来源于投资者的市场体会，这种来源可以是基于历史数据所作的几率统计，也可以是一些技术指标，甚至可以是来源于基本面分析，只要能形成一定数理逻辑并得到市场验证即可作为量化投资策略。 二是绩效具有可追溯性。量化投资是基于特定的交易模型，可以用历史数据输入模型进行绩效检测，从而运算出交易策略的胜算率、期望收益与风险度等，并且可以根据这些检测值来预判模型未来的收益表现。相反基于体会主义的主观交易方法无法通过历史数据进行合理的检测，不具有可追溯性，也无法对以后的交易行为进行合理的预估。 三是具有极高的纪律性，量化投资是依据经过历史验证的模型进行分析和交易，从而规避了主观判定带来的局限，而在具体操作上大多采用运算机程序实现自动化交易，不会呈现主观交易中经常会呈现的人性弱点。 四是在信息处置上具有主观交易不可比拟的优势。当前金融投资品种非常丰盛，以国内商品期货市场为例，品种已经超过二十个，加上每个品种有数份合约同时交易，可供选择的标的组合可以达到成百上千个，倘若再考虑海外商品市场以及金融类市场，信息将更是几何倍递增，处置如此海量的数据，显然依赖数学模型与运算机程序处置的量化投资比传统交易方法效率更高。 从特性上看，量化投资相较主观交易方法具有许多优势，所以自上世纪七十年代诞生以来受到很多投资者尤其是机构投资者的追捧。经过三十多年的发

Chinascope数库多因子量化投资平台

Chinascope数库多因子量化投资平台

多因子模型通过寻找与股票未来收益最相关的因子作为选股标准，综合运用多因子构建模型对股票进行评价，选取综合得分高的股票，以期获得超额收益。数库多因子量化平台，是数库团队依托金融大数据开发的量化平台，克服了传统策略开发过程中的种种问题，力求做到数据权威、因子丰富、回测精准、评价全面、个性化功能更加丰富。 传统策略开发过程中的问题 1. 数据维护耗时耗力：数据量庞大，从原始数据到因子数据，任何环节出错就会 造成策略失真 2. 计算处理能力受限：个人电脑在处理批量计算时，速度缓慢 3. 回测结果无法有效保存：无法有效的形成统一规划的可视化输出，策略结果随 意保存 4. 策略不能及时跟踪：策略更新需重复运行代码，无法有效跟踪策略绩效 数库能做到的 1. 更高效、权威、及时的原始数据 2. 更加全面、丰富的因子库、 3. 更加精准的回测算法 4. 更加权威、全面的因子评价指标 5. 更丰富的自定义功能 因子分类【因子目录】 财务因子：估值、盈利能力、成长能力、资本结构、运营、流动性 技术因子：动量型、趋势型、波动型、成交量型、超买超卖型

?

?1、2、3月底采用上一年Q3的数据； ?4、5、6、7月底用本年Q1的数据; ?8、9月底用本年Q2的数据; ?10、11、12用本年Q3的数据。 （注：此处Q为财务季度，区分后文Q1，Q5） 基本参数设置 股票池：沪深300中证500中证800创业板综指全部A股 调仓期：周月季 IC计算方法： normalIC rankIC 组合加权：平均权重市值权重 因子方向：升序降序 起止时间：2007.01.01至今 选择组别：5组10组15组20组30组 Ⅰ. 首页 ?多因子平台首页热力图呈现各类因子近12个月表现排名对比，通过选择指标可选择想要对比的指标(Q1收益率或Q1-Q5收益率)； ?单击热力图上因子名称，可呈现该类因子近12月的表现； ?页面下方统计表格为近12月各类因子的信息系数、收益率及换手率等相关评价指标，指标说明详见算法说明; ?单击风格因子名，可切换到该类风格因子的因子目录界面。

量化交易系统系列-期货交易者的资金管理策略

量化交易系统系列-期货交易者的资金管理策略 一、引言 最近在研究CTA策略，发现资金管理这块还是挺欠缺的，就买了两本资金管理的书籍：《期货交易者的资金管理策略》和《资金管理方法及其应用》。目前刚刚看了资金管理策略，收获蛮大的，那就把这里的一些内容整理下。这本小册子有效页数就100张左右，内容比较简单，没有涉及太多的数学内容，里面有一些小例子有助于理解。 这本书认为资金管理的步骤可以分为5步： 商品合约的选择。通过考察预期利润、风险和投资数额等来设定客观标准，选择交易品种。 控制总体暴露风险。这里要确认一个最优的暴露风险比率和考虑各个品种之间的相关性。 各个品种之间风险资本的分配。通过胜率和报酬率确定各个品种交易之间的差异，然后根据差异分配每个品种的风险资金。 评估和制定每一笔交易的最大损失水平。主要通过止损策略进行。 确定每个品种交易的数量。确定每个品种交易的数量后，再根据盈利情况使用金字塔加仓法进行加仓。

二、破产风险 在讲资金管理之前，作者介绍了破产风险相关知识。人们常说：想要避免破产的最好办法就是至少经历过一次破产，但是这对交易者心理和经济方面影响巨大。所以了解破产的相关理论和知识意义重大。破产风险是以下因素的函数： 成功概率 报酬率（平均盈亏比） 用于交易的资本比例 通过现有破产风险模型模拟的方法，可以发现：交易成功概率越高，破产风险越低。报酬率越高，破产风险越低。交易成功概率和报酬率是决定性因素。在此基础上，用于交易的资本比例能够减轻破产风险，比例越小，越不容易破产。活下去比赚大钱对于投资来说是更紧迫的需求。 三、商品合约的选择 期货交易中降低风险有两种方式：第一，减少用于投资的比例。第二，分散投资。投资单独商品的历史回报波动率高于非正相关的多个商品。首先应明确不要同时交易正相关或者相关性非常高的两个品种。除了用常规的统计学检验外，确认相关性是否真实的一个好方法是：在更小的时间范围内再次计算相关性，如果互斥且连续的时间区间内相关性不连续，应该质疑长期的相关性水平。

基于Python工具的股票量化投资策略研究

2019年第07期20世纪80年代，一些投资者开始利用计算机研究金融数据，并初显 成效。20世纪末，投资者把计算机技术进一步应用在金融数据分析上，进行模型设计，构建股票投资组合。这时，金融数据趋于规范化，在日渐复杂的数据分析过程中，产生了更多类型的因子和更多样化的投资策略。量化投资是借助量化金融分析方法进行资产管理，量化金融分析方法是结合金融数据、个人经验、数学模型和计算机技术的一种复杂金融建模的分析方法[1]。实现量化投资的方法多达数十种，Python 、Matlab 、SPSS 、Eviews 、Excel 、SAS 、R 在量化界都是非常好用的工具，尤其是在数据分析方面。除Python 外，其余几个工具的优势都体现在数据分析方面，而量化投资是一个系统性工程，数据分析只是其中的一部分，不是全部。根据GitHub 官网统计，量化交易开源项目共145个，其中使用Python 以外的技术进行开发的项目共70个，应用Python 语言进行开发的多达75个。Python 的开源性促使开发者开发了大量的库和模块，而这些库和模块又使很多外行人能够轻松入手，反过来又促进了Python 在该领域的发展。应用Python 语言爬取数据，进行数据挖掘和深度案例分析，能够使量化投资基本实现从技术分析到金融设计，实现系统性掌控。因此，采用Python 驱动量化股票投资，对优化股票投资策略和规避投资风险具有十分重要的意义。 1基于Python 的股票量化投资交易程序1.1基于Python 的股票量化投资步骤 将Python 要应用到量化投资交易中，其步骤如图1-1所示。 图1-1股票量化交易应用模块库流程图 第一阶段是数据收集。数据收集是很多券商机构在做的业务，有影响力的模块库有Tushare 和Windpy ，其中Windpy 是Wind 公司开发的一个开源接口。国内的金融终端一般是Wind 、iFind 和Choice 终端，这些终端软件就是把企业和行业的数据收集到数据库，进行深度分析，并稍加整理成表格，然后上传到服务器中，方便客户进行相关的数据分析，一般情况下客户都需要付费来获得数据。 第二阶段是数据分析。NumPy 用来存储和处理多维数组和大型矩阵，搭配SciPy 进行计算；Pandas 解决时间序列；用Matplotlib 进行2D 绘图从而实现数据可视化。Wind 终端和Choice 终端也有相关的业务在平台上销售，而该服务的购买者通常是一些尚未具备分析能力和资格的小型机构或行外人。 第三阶段是策略研究。IPython 是一个Python 的交互式shell ，能进行变量的自动补全和缩进，支持bash shell 命令，内置了一系列有用的功能和函数；Jupyter 可以对数据进行清理和转换，进行数值模拟和统计建模等，是比较方便的策略研究工具；Zipline （国内公司开发的是RQalpha 回测引擎）对真实交易系统的运转进行模拟，利用历史数据对投资策略进行回测检验；具体的策略便可以理解为Python 代码的执行。 第四阶段是实盘交易。vn.py 是基于Python 的开源交易平台开发框架；easytrader 也是开源模块库，比较适合个人投资者。通俗来说，狭义的量化投资的应用意义到第三阶段为止，关于第四步的实盘交易还是需要经过投资者参考过量化投资的模型后作出的决定。因为工具只是投资者进行决策的辅助，人才是真实交易的决定者。 需要说明的是，数据收集及案例中的模型，直接采用第三方平台供应的API 数据源；数据分析因避免代码繁冗多杂，直接采用第三方平台的库和框架进行Python 编程，其中BOLL 指标案例的策略使用到了Sig 原nal 框架。利用第三方平台的意义及其最终达到的回测效果与纯自建量化交易策略项目无异，也非常适合个人投资者入手。本文选取A 股市场进行研究，选取样本的原因是A 股市场的数据有利于简化代码量。比如，在A 股市场上进行交易，1手即为100股，而在港股市场上，不同的股票1手的股数不尽相同，有的1手是交易50股，有的1手是交易200股，这样的数据可以简化很多代码量。 1.2基于Python 的股票量化投资流程 虽然Python 实现股票量化 交易分为4个阶段，但具体操作起来，为了更贴合实际，通常可以解析为8个流程，即：获取数据、数据分析挖掘、构建信号、构建策略、回测、策略分析、模拟交易和实盘交易。如图1-2所示。一是获取数据。包括获取公司新闻数据、关联数据，产业上下游、主营业务、所属行业主题等数据，基本行情数据，高频数据，股票Level-1数据，股票Level-2数据、期货Level-1数据等。 二是数据分析。数据分析挖 掘采用传统分析方法、新兴大数 据、机器学习和数据挖掘方法[2]； 三是构建信号。在构建信号前进行数据处理、标准化、去极值、中性化，基础信号的研究、分组回测、衰减、行业分布，将基础信号合成复杂信号。 四是构建策略。构建策略模板要兼容不同标的指标函数和参数的策略，适用于股票、基金、期货等金融资产，兼容日线、分钟线的策略，方便好用的策略函数，获取历史行情、历史持仓信息、调仓记录等，支持各种订单类型:止盈止损单、限价单、市价单。 五是回测测试。回测要符合历史的真实行情，并相应的进行股票分红送转、除权除息处理，股票涨跌停处理，股票停复牌处理，市场冲击，交易滑点、手续费、期货保证金交易，大单分笔成交处理等； 六是策略分析。包括策略归因、风险归因、实时监控，订单分析、成交分析、持仓分析、交易行为分析，多策略分析。 七是模拟交易。模拟交易需要接入实时行情、实时获取成交回报，篮子交易、算法交易，支持撤单处理，实时监控、实时归因分析。 八是实盘交易，实盘交易就是接入真实券商账户，紧紧跟随市场行情，实时进行下单，同时实时获取订单收益回报。2构建基于Python 的量化股票投资策略2.1BOLL 指标策略 利用BOLL 指标进行模拟回测，构造一个BOLL 指标买卖策略，根据个人投资者的账户情况，设置账户初始资金为10万元，策略背景与规则如下： （1）如果收盘价上穿BOLL 上轨，买入；如果收盘价下穿BOLL 下轨，则开盘卖掉；（2）回测策略时间区间设定为2018年全年，股票池为“沪深300”，参考指标为“沪深300”；（3）资金账户初始资金10万，类型为股票账户；（4）每次每只股票买20000元左右，出现重复信号时不重复买入；（5）当买入信号的股票数量比资金多时，随机挑选买入，每个交易日全仓操作。（6）策略需导入第三方库Pandas ，框架为Signal 。 利用Python 语言编辑策略代码并运行回测，得到BOLL 指标买卖策略收益回测结果，如图2-1所示。 注：粗线———沪深300指数2018年基准年化收益率线细线———基于沪深300指数的BOLL 指标策略的年化收益率线 图2-1BOLL 指标策略回测 策略回测结果显示，2018年全年，沪深300指数涨幅为-25.9%，依据沪深300制定的BOLL 策略收益率仅为-6.9%，BOLL 指标买卖策略的模拟收益曲线较平缓，波动幅度明显小于沪深300的收益率波动幅度，收 基金项目：2017年广东省本科高校教学质量与教学改革工程建设项目“省级特色专业建设项目：经济学特色专业建设”的部分研究成果，项目编 号：294。作者简介：孙丽颖（1980-），女，辽宁营口人，哈尔滨工业大学会计学硕士研究生，中山大学南方学院讲师，研究方向：公司理财。收稿日期：2019年3月19日。 基于Python 工具的股票量化投资策略研究 孙丽颖 （中山大学南方学院，广东广州510970） 摘要：在大数据快速发展的背景下，将程序算法与股票投资相结合是创新股票投资方式并实现投资收益率提升的关键。文章在量化投资理念的基础上，运用Python 语言对A 股市场的一些历史指数和个股数据进行梳理分析，针对Python 量化工具对投资项目进行初始性设计，制定量化股票投资策略，并对策略进行收益回测，进而提出量化股票投资的保障措施。 关键词：Python 量化工具；投资策略；BOLL 指标；格雷厄姆成长 股 图1-2股票量化交易流程 图市场·贸易 49

量化投资分析报告

1.概述 背景 量化投资在国外的实践已经有了40多年的发展，我国的量化投资起步较晚，从2004年开始出现量化投资的产品，由于缺乏有效的对冲手段，直到2010年4月沪深300股指期货上市之后才能算是真正意义上开始涉足量化投资。2015年的中国股市跌宕起伏，杠杆配资引发了大幅上涨和断崖式下跌，股市出现罕见的千股涨停、千股跌停、千股停牌的奇观，众多机构投资者和散户蒙受了巨大的损失。但其中少数量化投资基金在大幅波动的市场中却表现相对稳定。量化投资基金和量化对冲策略的稳健，很快引起了全市场的关注，也成为近期银行、券商、信托等机构追捧的新的产品模式。 在此背景下，结合建行现有的业务体系，本文将对量化投资的市场和可行性进行全面阐述，以分析其成为新业务模式的可能。 量化投资解读 量化投资定义 量化投资在学术界并没有严格统一的定义，现有的定义对于量化投资的定义的侧重点各有不同。本文对于量化投资的定义为： 量化投资是借助现代统计学和数学的方法，利用计算机技术从庞大的历史数据中海选出能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证

及固化这些规律和策略，然后严格执行已固化的量化策略来指导投资，以求获取可持续的、稳定且高于市场平均的超额回报。 量化投资的特点 客观执行，避免情绪因素 传统投资的分析决策，大多数方面都由人工完成，而人并非能做到完全理性，在进行投资决策时，很难不受市场情绪的影响。量化投资运用模型对历史和当时市场上的数据进行分析检测，模型一经检验合格投入正式运行后，投资决策将交由计算机处理，一般情况下拒绝人为的干预，这样在进行投资决策时受人的情绪化的影响将很小，投资过程可以做到理性客观。 支持大数据处理，提高决策效率 我国股票市场上有近3000只股票，与上市公司相关的各种信息纷繁复杂，包括政策、国内外经济指标、公司公告、研究报告等，投资者靠自己手工的筛选根本就是力不从心。量化投资的出现为这个问题的解决带来了希望。量化投资运用计算机技术快速处理大量数据，对其进行辨别、分析、找出数据之间的关联并做出投资决策，大大减少了人工工作量，提高了投资决策效率。 统计模型支撑，策略选股择时精准 传统的投资方法中认为投资是一门艺术，投资决策需要的是投资者的经验和技术，投资者的主观评价起到决定作用。而量化投资有所不同，尤其是在套利策略中，它能做到精准投资。例如在股指期货套利的过程中，现货与股指期货如果