七天打造一套量化交易系统
七天打造一套量化交易系统,难度还是很大的,完全从零开始基本是不可能。好在有多年摸爬滚打的经验,各种工具、轮子也造了不少,但不成体系。最近准备写一系列文章,重新梳理整个框架,一步步完善,打造一套完备的量化交易系统。
第一天 数据分类、获取、清洗与存储
数据是量化交易的基础,重要性不言而喻。无论是股票、期货、期权、基金、ETF等等,甚至包括比特币,这些投资标的历史行情数据都可以用作回测分析,本篇将分享如何选择可靠的数据源,如何进行数据获取,如何清洗常见的错误数据,如何进行有效地存储,方便后期使用。
第二天 量化交易策略基本模型及要点
“高抛低吸,趋势跟踪,横盘突破…”这些常见的交易策略术语如何转化成行之有效的代码逻辑?它们背后代表的最基本的交易策略模型是什么?以及这些交易策略模型的要点是什么?如何进行选择?这些是本篇分享内容的重点。
第三天 回测系统的选择、搭建及改造
有了可靠的数据和交易策略模型,本篇将结合目前市面主流的开源框架,选取一种交易策略进行回测、绩效分析,包括backtesting.py、vectorbt以及自己之前搭建的mini回测系统,相同的数据和策略在不同回测系统下会呈现怎样的结果?对比之后,希望你能选择适合自己的回测系统,行动起来!
第四天 仓位管理与风险控制的重要性
在前面交易策略回测的基础上,如何进行优化,从而提高年化收益率、降低最大回撤?本篇会分享几种常用的仓位管理方法,以及止损止盈的方法,将这些逻辑加入其中,一起来看看最终的回测结果是否会有所提升。
第五天 搭建信号通知系统–选股模型
前面的篇幅主要针对的是技术面分析,对标的历史交易行情数据进行回测,在股票投资中,基本面分析也同样重要,本篇将分享一个技术面与基本面相结合的选股模型,每天定时按照提前设定的选股条件,也可以做到盘中实时选股,并将结果通过微信接口进行通知、自动添加到东方财富软件或者同花顺软件的自选股中。
第六天 人工智能在量化投资中的应用
本篇将通过K-means算法,对A股所有股票的季度财务报告中的数据进行聚类,并对初始聚类中心不断优化,从而选择出kmeans算法的最优初始化点,也就是股票财务指标的各阈值,从而得到平均收益最高股票组合。回想前一篇选股模型系统中,针对选股条件的设定,是不是可以采用人工智能算法训练出来的选股模型?
第七天 实盘交易接入方式与注意事项
交易系统的核心要素包括选择投资标的、资金的分配、何时入场、何时止损或者止盈退出,以及从你无数的想法中,一个个进行回测、优化、训练出的交易策略。具备了这些要素之后,本篇将分享接入实盘交易接口的方法,包括股票交易接口、期货期权交易接口等。至此整个量化交易系统搭建完成,但是找到一个好的交易策略模型,仍然有很长的路要走,欢迎大家一起交流探讨。