智能量化交易

作者：用Python的交易员原创文章，转载请注明出处最近有越来越多的朋友在知乎或者QQ上问我如何学习入门Python，就目前需求来看，我需要写这么一篇指南。针对整个vn.py框架的学习，整体上有两条不同的路线：有经验的Quant学习如何使用Python语言来做策略和交易程序的开发（编程语言是学习重点）有经验的程序员学习如何将自己的编程知识和经验应用在量化

理论上，基于日线数据的中低频趋势跟踪策略，手续费和滑点是可以忽略不计的。为了验证这个结论，进行对比测试，如图所示。右图为包含手续费和滑点版本的海龟策略，其中手续费设置为交易所手续费的1.1倍，滑点设置为期货合约的最小价格变动。其结果是总手续费为635364，总滑点为636794，加上手续费和滑点后，其影响在于：结束资金从77605953降低至76333794， 年化收...

上一笔盈利过滤的意思是，若上一次交易为盈利的，则当前的交易信号无效，即当前不进行交易。基于20日唐奇安通道，费思认为若上一次突破是盈利的，那么新突破点可能离当前价格，因为有可能跑到55日突破点上面去；若上一次突破点亏损，那么新突破点将更加接近当前价格。若基于传统日内中高频CTA策略的视角，这是非常主观的解释：费思认为这几乎不可能连续2次出现大行情，但是事实是分钟级别的CTA策略有可...

原版海龟策略的出入场交易信号分成2个版本： 短周期版本：1）入场信号：若期货指数价格突破20日最高价/最低价，买入/卖出1个头寸单位。过滤条件是上一次突破是盈利性突破，则当前入市信号无效（其保障性突破点为在55日通道入市）。 2）离场信号：采用10日唐奇安通道突破退出法则，即多头价格跌破10日最低点离场，空头价格超过10日最高点离场。 长周期版本：1）入场信号若价格突破55日最高价...

3）3年回望周期测试选择标准：回归夏普比率>0.4a.2014-2016测试对初步筛选出来的样本进行2014-2016年回测，选择回归夏普比率>0.4的品种，然后构成组合，如图所示。根据回归夏普比率>0.4的准则，筛选出了17个品种，其历史表现和2017年预测表现如图6-31所示。投资组合在2014-2016年年化收益73.7%，百分比最大回撤-22.9...

重新构建投资组合1）初步筛选初步筛选从仅仅基于历史行情外，还加多了品种波动率和自相关性的要求，故总的来说其初步筛选条件为三点：历史行情：2014年1月1日前上市 调整后波动率比值>1 ADF值>10%根据初步筛选标准，剔除了不符合要求品种后，测试样本从调整前的35个缩小至27个，根据其调整后波动率比值的大小按从大到小排序，如图所示。结合高成交量特征，...

本章主要讲述构建海龟组合的痛点和解决方案构建海龟组合痛点在追求策略稳健性前提下，通过传统的滚动测试的方法不能筛选出盈利组合，即这种适用于日内CTA策略的检验方法针对海龟组合是无效的。构建海龟组合困难表现为以下几点: a. 历史数据过于少从2014年到2018年这5年间，其日线数据仅仅是1,200根。其数据过少导致调整回望周期的灵活性降低，即最多回望周期只能设置为2年、3年、4...

传统筛选品种的方法传统意义上，为保证策略的稳健性，应该进行样本内外检验，其具体步骤如下：设定好历史回测周期，如2年的回望周期 设置固定的筛选标准，如夏普比率大于0.6 基于筛选标准，对每个品种进行策略回测，然后选择合格的品种组成投资组合 通过样本内筛选出来的组合，去预测其未来表现，如预测1年的策略表现 回望周期向后滚动，基于新组合再次筛选品种，直到预测最新年份未知  1 初...

策略回测操作运行run.ipynb文件首先进入“examples\TurtleStrategy”文件夹，通过Jupyter Notebook中打开run.ipynb可以执行策略回测。 1）调用海龟回测引擎 %matplotlib inlinefrom datetime import datetimeimport numpy as npimport matplotlib.p...

海龟策略7大要素分别是品种选择、头寸规模、单位头寸限制、入场信号、逐步建仓、止损、止盈。由于品种选择无法通过不属于交易策略内容，故只对后面5大要素的进行代码解析。 1.头寸规模头寸规模=(1%账户资金)/(ATR 合约规模），其代码如下class TurtlePortfolio(object):...... #-------------------------------...

海龟策略文档在运行策略回测前，至少要对策略代码有一个整体的概念，便于以后的策略调试以及改进。v1.9.1提供了两个版本的海龟策略，分别是基于ctaTemple开发的，针对单标的的简化版，以及针对多标的的完整版。这里只介绍完整版的海龟策略，该模块在"examples\TurtleStrategy"文件夹下，打开如图2-4所示。在这里只需关注4个文件  setting.csv：用于...

理想解决方案 上一篇介绍了海龟策略在实现中遇到的困难。本章主要讲其解决方案，那就是vn.py啦！vn.py1.9.1新增完整的投资组合级别的海龟策略实现，经过多次测试发现，这一次海龟策略本地化实现的完成度很高。其投资组合回测资金曲线如下。投资品种选择了12个，分别是：上期所的铝、铜、螺纹钢、锌 郑商所的普麦、一号棉花 大商所的玉米、铁矿石、焦煤、焦炭、豆粕、聚氯乙烯。回测...

海龟本地化实现困境海龟策略如此出名，但当前国内还没有发现能够完全复制海龟策略的（至少从网络上公开的资料来看）。普遍存在的问题如下：海龟策略运行的是日线级别数据，但还是要求K线内成交，即前一日确定第二天的入场、出场、止损位置，当价格到达指定位置时，立即发出交易委托；而不是基于股票多因子框架下以收盘价成交。 原版策略的是期货指数的投资组合数据；但是国内回测要么在股票上跑，要么是基金上跑，并且...

首先呢，还是那副图，现在介绍剩下的3个关键要素5.逐步建仓在突破点建立1个单位的头寸，然后按0.5*ATR的价格间隔一步步扩大头寸。（1/2的间隔以上一份订单的实际成交价格为基础的）这个过程将继续下去，直到头寸规模达到上限，即单个合约最大4个单位头寸。该书举了纽约商品交易所（COMEX）黄金期货指数的例子作为说明6.止损止损曾经在入场信号中简单提及，即价格反方向偏离2*A...

海龟策略7大要素原版海龟策略出现在《海龟交易法则》最后章节的附录中，有兴趣的朋友可以详细看看，在这里我们概况一下海龟策略的7大要素，如图所示。（由于内容有点多，故拆分成上下两部分，这里只介绍到第四大要素，即入场信号）1.品种选择书中明确表示海龟策略选择标准是流动性高的期货品种，另外两个隐含的条件是具有历史大波动并且无人为干预的品种（例子：肉类交易厅场内交易员腐败问题）。在国内，...

（本系列主要在于探讨海龟策略在国内市场的可行性，目标群体是有一定基础的量化新手。） 海龟策略的故事海龟策略是一个基于日线级别期货数据的中低频趋势跟踪策略。其高盈利性名扬海外，同时也创造出非常多赚钱的案例。其实海龟策略背后还隐藏一个有趣的故事，而且与赌局有关，你信么？1983年两位交易大师理查德.丹尼斯与威廉.埃克哈特之间的一次赌约，赌约的内容是伟大的期货交易者能否通过后天的培养产...

这里讨论的不是如何画k线，而是如何生成特定周期k线的最高价，最低价，开盘价，收盘价。在vnpy的vn.trader的ctaDemo中，群主大人给出了生成1分钟K线的数据的方法：只要tick.datetime.minute不同就是一条新的K线。但怎么生成3分钟，5分钟，10分钟，15分钟的k线呢？从群里的讨论，目前有两种方式：1、利用tick.datetime.minute， 如

为了朝着量化交易的方向努力行进，数学和编码是必须提高的垫脚石，财务分析则属于业余爱好加分项。数学方面借着报名“七月在线 — 机器学习数学班”重温数学基础以图从机器学习的角度入手，而编码则再次翻开数据结构和算法导论用以弥补计算机基础不足的同时，一方面尝试配合小伙伴重写C++版本vn.py用于实盘交易框架储备，另一方面则研究Zipline用于指标及策略回测框架学习研究。Zipline是一个自动化交易回

vn.py实现了2个维度上的单位头寸限制，分别是单品种头寸上限是4，单个方向整体头寸上限是10。那么现在测试一下适用于国内期货品种的新海龟策略，其最优单位头寸限制数值是否与原版海龟策略一致。实现步骤：对单品种头寸上限分类，直接分成3、4、5， 然后基于各自的单品种头寸上限再对当个方向的整体头寸上限进行细分，分别是8、9、10、12、14、无限大。 故一共构成了3*6 = 18个测...