量化交易日记 基础概念篇

联系方式 17710158550
NBEATS (Neural Basis Expansion Analysis for Time Series)、NHiTS (Neural Hierarchical Interpolation for Time Series Forecasting)、LSTNet (Long Short-Term Memory Network)、TCN (Temporal Convolutional Network)、Transformer、DeepAR (DeepAR Probability Prediction)、Informer 都是先进的深度学习模型，专门用于时间序列分析。下面我将简要介绍这些模型的特点：

1. NBEATS: NBEATS 是一个纯粹基于回归的模型，它通过堆叠多个所谓的“块”来构建，每个块都试图模拟时间序列的一个组成部分。这种结构使得模型能够灵活地捕捉和预测时间序列中的各种模式。
2. NHiTS: NHiTS 是一种基于层次结构的预测模型，它使用插值器来预测时间序列的未来值。该模型能够处理多尺度的时间序列数据，并能够有效地捕捉时间序列的长期和短期依赖关系。
3. LSTNet: LSTNet 结合了循环神经网络（RNN）和卷积神经网络（CNN）的特点，用于处理时间序列数据。这种结构使得模型能够同时捕捉时间序列的长期依赖关系和局部模式。
4. TCN: TCN 是一种基于卷积的模型，特别适用于处理序列数据。它通过使用扩张卷积来扩大感受野，从而能够捕捉长距离的时间依赖关系。
5. Transformer: Transformer 是一种基于自注意力机制的模型，最初用于自然语言处理任务。它通过自注意力机制有效地捕捉序列数据中的长距离依赖关系，因此在时间序列预测中也表现出色。
6. DeepAR: DeepAR 是一种基于概率的预测模型，它使用循环神经网络（RNN）来建模时间序列的分布。这种模型能够提供关于未来值的概率预测，而不是点估计，因此在处理不确定性和风险方面非常有用。
7. Informer: Informer 是一种长序列预测模型，它通过使用自注意力机制和概率预测来有效地处理长序列数据。该模型在处理具有高噪声和复杂模式的时间序列数据时表现出色。

这些模型都各有特点，适用于不同类型和时间跨度的时序数据分析和预测任务。

量化交易是指使用数学模型来识别投资机会，并使用算法自动执行交易。一个完整的量化交易过程通常包括以下步骤：

1. 数据获取：收集历史价格数据、交易量、财务报表、新闻、社交媒体情绪等可能影响资产价格的信息。
2. 数据清洗：处理缺失值、异常值，确保数据的质量和完整性。
3. 数据预处理：包括数据归一化（将数据缩放到一个固定的范围，如0到1之间），以及对数据进行转换、编码等操作，以便模型能够更好地处理。
4. 特征工程：从原始数据中提取有用的特征，这些特征可能有助于模型的预测。
5. 数据分割：将数据集分为训练集、验证集和测试集，以便在不同的数据集上训练和评估模型。
6. 模型训练：使用训练数据集来训练选定的量化交易模型，如NBEATS、NHiTS、LSTNet、TCN、Transformer、DeepAR、Informer等。
7. 自动调参：通过网格搜索、随机搜索或贝叶斯优化等方法自动找到最优的模型参数。
8. 模型评估：使用MAE（平均绝对误差）、MSE（均方误差）等指标来评估模型的性能。
9. 回测：在历史数据上模拟交易，以测试策略的表现。这一步骤包括确定交易信号、执行订单、计算盈亏等。
10. 性能指标计算：计算最大盈利率、最大亏损率、平均获益率等指标来评估策略的风险和收益。
11. 交易回测：在实际市场中模拟交易，以验证策略在实时条件下的表现。
12. 风险控制：实施风险管理和资金管理规则，以控制潜在的损失。
13. 实盘测试：在真实交易环境中运行策略，但通常以较小的资金量开始，以进一步验证策略的有效性。
14. 优化和迭代：根据实盘测试的结果，对策略进行进一步的优化和调整。

量化交易是一个不断迭代和优化的过程，需要不断地评估和调整策略，以适应市场的变化。此外，量化交易策略的成功在很大程度上取决于数据的质量、模型的适用性以及交易执行的速度和效率。

您描述的量化交易决策实现是一个基于简单趋势预测和价格区间判断的策略。下面是一个简化的版本，说明如何实现这一策略：

1. 数据获取：首先，您需要获取历史价格数据，包括每日的开盘价、最高价、最低价和收盘价。
2. 趋势预测：使用某种模型（如移动平均线、MACD、RSI等技术指标，或更复杂的机器学习模型）来预测未来一天的股价趋势。如果预测结果显示未来有上涨趋势，则执行步骤3；如果有下跌趋势，则执行步骤4。
3. 上涨趋势策略：
   • 预估第二交易日的最低价。
   • 在第二交易日开盘时，以预估的最低价挂买单。
   • 在第二交易日结束时，判断实际最低价是否在预估的最低价和实际最高价之间。如果是，则判定为成交，并可能获得利润。
4. 下跌趋势策略：
   • 预估第二交易日的最高价。
   • 在第二交易日开盘时，以预估的最高价挂卖单。
   • 在第二交易日结束时，判断实际最高价是否在预估的最高价和实际最低价之间。如果是，则判定为成交，并可能获得利润。
5. 风险评估和资金管理：在执行交易之前，需要设定止损点和利润目标，以管理潜在的风险。
6. 回测：在实际投入资金之前，应该在历史数据上对策略进行回测，以验证其有效性。
7. 实盘测试：在回测结果满意后，可以在实盘环境中以较小的资金量进行测试。
8. 监控和调整：在实盘测试和实际交易过程中，需要不断监控策略的表现，并根据市场变化进行调整。

需要注意的是，这种简单的策略可能无法应对市场的复杂性和随机性。在实际应用中，量化交易策略通常更加复杂，并且会结合多种技术和基本面分析，以及风险管理和资金管理规则。此外，量化交易策略的开发和实施需要专业的知识和经验。

您提到的两种交易模式，即“炮仗打法”和“上涨周期多次买入并限制买入总量，下跌周期一次按照预估价格严格清仓”，反映了不同的交易策略和风险偏好。

1. 炮仗打法：
   • 这种打法的特点是每次预测到涨幅时都增加固定仓位，类似于逐步增加投注的策略。
   • 这种策略在市场持续上涨时可能会带来丰厚的回报，但如果市场突然反转，可能会导致较大的损失。
   • 这种策略需要严格的风险管理，包括设置止损点，以避免市场突然下跌时造成的重大损失。
2. 上涨周期多次买入并限制买入总量，下跌周期一次清仓：
   • 这种策略在上涨周期内多次买入，可能会通过分批建仓来降低成本并分散风险。
   • 通过限制买入总量，交易者可以控制整体风险敞口。
   • 在下跌周期时，一次性按照预估价格清仓，可能会减少因市场持续下跌而造成的损失。
   • 这种策略需要对市场周期有较为准确的判断，并且需要严格执行交易计划，避免情绪化交易。

无论哪种策略，都需要基于充分的市场分析和技术指标，以及良好的风险控制和资金管理。在实际操作中，量化交易者会使用各种技术指标、统计模型和机器学习算法来辅助决策，并且会不断回测和优化策略以适应市场的变化。此外，交易者还需要考虑到交易成本、滑点、市场冲击等因素，这些都会影响到策略的实际表现。

根据您提供的信息，您的量化策略使用两个关键表格来跟踪交易决策和结果：预估表格和回测表格。下面是对这些表格和字段的解释：
回测表格字段：

• base_case: 基础总价。
• base_num: 基础数量，目前策略是一次买10000股 持仓最高10000股。
• money: 投资总价。
• index: 交易日坐标。
• close: 收盘价，指股票在交易日结束时的价格。
• total: 总计投资。
• sum: 总计回报。
• rate: 收益率，指投资收益与投资成本的比率。
  回测表格是可以进行可视化的 其中会采用 基础总价 投资总价 收盘价*10000 总计投资 总计回报来构建第一张回测表单
  
  第二章回测表单 观察模型交易收益率
  

每日预估表格的阶段和指标：

• 第一阶段：
  • round_value: 预估最大收益率。
  • stock_name: 股票名称。
  • low_index: 最低指数出现在未来哪个交易日。
  • low_value: 最低值，指股票在观察期内的最低价格。
  • high_index: 最高值出现在未来哪个交易日。
  • high_value: 最高值，指股票在观察期内的最高价格。
  • stock_mapping_name: 股票映射名称，可能是指用于分析和识别股票的特定代码或名称。
• 第二阶段：
  • open_loss: 开盘损失
  • high_loss: 最高损失
  • low_loss: 最低损失
  • close_loss: 收盘损失
  • pre_close_loss: 前收盘损失
  • sum_loss: 总损失，可能是指所有损失的总和。
• 第三阶段：
  • max_rate: 最大收益率，指可能获得的最高收益率。
  • min_rate: 最小收益率，指可能获得的最小收益率。
  • avg_rate: 平均收益率，指所有收益率的平均值。
  • 其他字段与第二阶段相同，用于计算和跟踪损失。

这些表格和指标表明您的量化策略涉及对股票价格波动的详细分析，包括价格的高点和低点，以及可能的损失和收益。通过这些数据，您可以评估不同交易策略的表现，并进行优化以实现更好的风险调整后收益。
联系方式 17710158550