- 博客(52)
- 资源 (9)
- 收藏
- 关注
原创 用机器学习方法重构期货商品板块
以上是通过机器学习方法,暂且抛开产品特性、证券机构和交易所的划分,仅通过实时日行情数据的价格涨跌联动,通过机器学习算法进行聚类分析板块结构,通过流形学习技术进行降维可视化,用距离稀疏和远近来描述品种间价格涨跌联动的强弱,得到了与现实很接近、但又有独特视角的聚类表现及可视化结果,具有现实的应用意义。通过实时行情数据及平台实际应用,实现了基于AP算法实时动态地重构和分析——期货市场板块及各商品的聚合关系,并直观可视化地了解各个商品的价格联动变化情况。
2024-02-15 16:56:05
566
原创 8. 详解低门槛搭建个人量化平台 - vnpy+backtesting策略回测(7)
上篇谈到简单使用backtrader+pyfolio 做策略回测。这篇使用vn.py backtesting引擎,做策略回测,并将结果展示在自己的量化平台的web页面上。在vn.py 下载最新的开源软件包,按照提示一步步安装(这里我使用的是之前下载的 vnpy2.1.7.1,python3.7.7版本)。vnpy的run.py中:插入下面代码,确保 CTABacktesterAPP的开启:from vnpy.app.cta_backtester import CtaBacktest
2022-05-05 11:55:02
1536
原创 8. 详解低门槛搭建个人量化平台 - backtrader+pyfolio 做策略回测(6)
记录最近用backtrader+pyfolio 做策略回测。安装 backtrader 和 pyfolio :pip install backtraderpip install pyfolio 导入 backtrader 和 pyfolio :import backtraderas btimport pyfolio as pf在代码中,先定义策略 class(以EMA cross策略为例)。EMACross:EMA(Exponential Moving Average)是指
2022-04-29 22:53:22
808
原创 8. 详解低门槛搭建个人量化平台 - (1) 消息追踪及日志管理
前面介绍了,平台怎样实现交易跟踪和复盘分析以及模拟回测。本篇结合平台操作,介绍怎样开始新闻事件追踪和日志管理, 对新闻事件追踪和日志管理,来把握和分析中长期基本面;以及进行日常走势形态追踪分析;怎样基于talib及tradingview,进行量化策略分析及回测。一、基本面分析基本面分析是投资的基础之一,应用于所有资产类别。基本面分析,着眼于对商品进行基本面供需分析,追踪新闻消息及驱动因素,分析价格上涨或下跌的驱动原因,来预判未来的价格走势,并从中获利。如果一个商品的当前市场价格,与该
2022-03-24 21:45:00
605
原创 7. 详解低门槛搭建个人量化平台 - 交易跟踪和模拟回测
本章作为专栏--低门槛搭建个人量化平台的补充材料。根据前面文章,不仅可以在自已的量化平台上修改K线图形及各式设置,在图表上显示一些自定义数据或指标,而且还可以随心所欲增加自己感兴趣的个性化扩展定制内容,例如自定义预警功能。本篇简要介绍,平台怎样实现交易跟踪和复盘分析,以及模拟回测。一、交易追踪及复盘分析这节介绍将自己的实盘交易操作信息,同步记录并显示在K线图上。下面是通过 tradingView GET /marks 方法实现的,说明如下:Request:GET /marks?
2022-03-15 22:40:12
653
原创 6. 详解低门槛搭建个人量化平台- 存储及自定义预警功能
本章作为专栏--低门槛搭建个人量化平台的补充材料。本文继续讲解平台是怎样实现自定义预警,平台与同花顺的预警信息,进行实时同步通信。下面通过一个实际案例,讲解平台如何将同花顺软件的预警信息出现在tradingview的图表中,及平台中自己所设定和绘制的画线预警,如何显示在同花顺预警界面中(这样可以通过电话/短信通知用户)。一、tradingview 原始信息存储和加载上期讲到tradingview 图表等各种信息的存储、加载(如历史画线分析、日志、警报、交易记录等),功能是在分享代码 save
2022-03-14 15:56:54
1405
原创 5. 详解低门槛搭建个人量化平台- 自定义技术指标
本章作为专栏–低门槛搭建个人量化平台的补充材料。前面介绍了基于python环境和web服务框架,获取和处理了实时行情数据,并实时存储在自己的数据库中,也基于tradingview框架,建立了一个最基础的图表展现和分析平台。本文继续讲解平台是怎样实现,快速简便地实时计算和显示技术指标的方法。从简单应用到平台框架应用,不同场景下,基于python快速简便地实时计算和显示技术指标的方法,总结如下(鄙人之前走了不少弯路,以下几种场景实现及安装避坑方法,分别介绍给各位朋友,请借鉴或给与建议)。一、最先尝试——tr
2022-03-13 13:44:39
4171
原创 每日自动备份你的数据
为防止宕机灾难,我用python的schedule库定时做每日数据自动备份。参见共享代码中 db_backup.py.import scheduleimport timeimport xconfig as Cimport util.xtool as xtoolimport util.tradeDate as TDimport util.dbcom as dbcomimport dataMan.dbMan as dbManrunTime = "23:30:00"print('backup
2022-03-10 21:47:23
1132
原创 4. 详解低门槛搭建个人量化平台- 基础框架
本章作为专栏–低门槛搭建个人量化平台的补充材料。前面介绍了基于python环境和web服务框架,获取和处理了实时行情数据,并实时存储在自己的数据库中。本文将用金融工具或框架,建立一个最基础的图表展现和分析平台。一、最先尝试在基础框架搭建之前,我最先的尝试,是先自己尝试画一个K线图。最基础的方法是用 python matplotlib库方法画K线图。其中candlestick_ohlc方法标准化数据画出蜡烛图K线。(参考【1】)如图:但是不够美观,功能不够丰富,不推荐。另外可以考虑用echart在
2022-03-09 16:03:49
1374
原创 3. 详解低门槛搭建个人量化平台- 实时数据
本章作为知乎专栏–低门槛搭建个人量化平台的补充材料。前面介绍了怎样搭建python环境和web服务框架,并建立了自己的数据库,本文介绍如何获取和处理实时行情数据。量化平台必须捕捉瞬息万变的市场信息,进行实时量化分析。因此数据的实时性、准确性和易用性是量化平台的根本,量化平台,必须建立自己独立、安全、快速、可靠的、包含实时/历史行情数据的数据仓库,并进行行情数据的管理,包括历史tick数据,实时/历史tick数据,实时/历史bar数据, 数据的存储,读取、清洗、合并、预处理等。几点有帮助的说明如下:1、
2022-03-08 11:44:32
2773
3
原创 2、详解低门槛搭建个人量化平台-python环境及Web框架
本章作为专栏–低门槛搭建个人量化平台的预备工作,介绍怎样安装python环境,及其搭建自己的web服务。1、pythonwindow下使用python 3.7版本:https://www.python.org/downloads/windows/Python 3.7.7rc1 - March 4, 2020ubuntu 16.04 已经默认安装python 3.5版本也可以。python3.5 版本下,如果使用pip3 有问题,可以用下面安装pip3:wget https://bootstra
2022-03-07 11:46:34
737
原创 1、详解低门槛搭建个人量化平台--数据库
本章作为专栏–低门槛搭建个人量化平台的预备工作,介绍怎样搭建自己的数据库,包括MySQL、mongoDB在window及linux下的安装、及客户端的安装使用。Mysql 数据库MySQL关是一种关系数据库管理系统,所使用的 SQL 语言是用于访问数据库的最常用标准化语言,其特点为体积小、速度快、总体拥有成本低,尤其是开放源码这一特点,在 Web应用方面 MySQL 是最好的。window/ubuntu 环境: 建议使用 XAMPP(1) window环境https://www.apachef
2022-03-04 18:03:30
615
原创 基于python plotly 进行数据可视化
希望随时间和种类变化,用不同粗细的立体线来表现。线段粗细不仅随着品种的不同而不同,而且随着每个时间段,都有不同变化。但找遍各种可视化引擎,都没有适合的解决方案。各种尝试和努力,最后选用 plotly 的3d-mesh方案, 效果不错。
2022-03-01 22:29:48
366
原创 基于python快速简便地实时计算金融技术指标
从简单应用到平台框架应用,不同场景下,基于python快速简便地实时计算金融技术指标的方法,总结如下(鄙人之前走了不少弯路,以下五种场景实现及避坑方法,分别介绍给各位朋友,请借鉴):一、tradingview的方法库如果你要基于tradingview框架做量化系统和策略,那就非常直接简单容易了。我敢说,几乎所有你想到的、和没有想到的技术指标,都已经集成在tradingview的方法库和框架中了。最重要的是,在你开发的量化平台中,直接使用 tradingview的方法库,而且可以自定义和开发新的自己的技术
2022-02-10 21:37:17
2737
原创 用python 自动生成期权到期日的算法
在个人量化平台搭建中,上篇( 阿岛格:2022年股市法定交易日期 )介绍了自动生成获取新一年的交易日期数列的简单python方法,本文介绍自动生成期权行权到期日的方法。到期日是指期权合约到期的日子。期权行权的意思就是期权的权利方(买方)按照期权合约约定的时间、价格(执行价)和方式来行使权利。在期权中,美式期权与欧式期权的行权日是有区别的,50ETF期权是欧式期权,可以选择在到期日是否行权。而美式期权,在美式期权中期权买方可以在到期日以及到期日之前的任何一个工作日要求进行行权。在期权交易到期日,投资者一
2022-02-08 11:35:43
1618
原创 用不了tradingview?那自己捣鼓一个属于自己的量化分析平台
现在很多国内用户用不了tradingview,原因很多,不赘述。其中一个原因是数据源使用了国外数据源。实际上,只要建立自己的实时行情数据库进行实时更新,加上自己做一个简单web服务,同时将所有日志、品种信息、警报等等,全部换成本地web服务、或国内web云服务,就不存在问题了。我做了一个本地实现版的,现在一直在实际使用操作(期货/期权/股票等等都可以一样使用)。该版本是以python搭建web构架,以 Tradingview 为核心金融量化分析平台。效果见视频。低门槛搭建你的个人量化平台-演示关键步骤
2022-01-23 21:55:00
8064
原创 第三方API(jqdatasdk)获取实时行情数据
这里介绍使用使用JQData的jqdatasdk获取实时行情数据,并实时存入数据库中(mongodb和myslq)。JQData是聚宽数据团队专门为金融机构、学术团体和量化研究者们提供的本地量化金融数据服务。使用JQData,可快速查看和计算金融数据,无障碍解决本地、Web、金融终端调用数据的需求。JQData适用Windows、Mac、Linux多种操作系统,支持python2、python3和以及任意编程语言。详细参见聚宽官方网站。1、引入库import pandas as pdimport
2022-01-07 10:50:41
1407
原创 用机器学习(聚类) 来理解期货品种的关联变化和板块结构
期货市场中,许多品种有较强的相关性,想了解各个品种变化趋势的协同性, 原来的常用方法是利用协相关矩阵来分析。下面用AI 机器学习的方法,探讨和分析期货市场的结构,以及各品种的协同变化。为下一步建立自己量化分析的实时板块结构,提供依据。具体办法是:1. 聚类方法使用无监督学习技术和聚类方法,将不同期货品种的变化行为,相类似的组合在一起。在scikit-learn中的各种聚类技术中,选择使用Affinity Propagation。它的优点是自动从数据中选择聚类的数量,不强制执行size大小相等的聚类。聚
2021-12-16 10:23:34
1884
原创 让AI多智能体学习合作、竞争和交流
1、多智能体强化学习为什么需要多智能体(multi-agent)学习?人工智能学习的梯度下降算法寻优方法,类似从山顶放置小球向下滚,希望寻找最快最好的路径,到达最低的谷底。传统的单个智能体每次只使用一个小球,学习训练并使用一条路径,重复多次。而多个智能体类似放置一群小球,同时分别学习训练并使用各自的多条路径,向下滚动过程中互相联系通信,相互告知自己的位置及状态,团队合作,引导共同到达最低的谷底。参见上图,多智能体(multi-agent)学习,相比单智能体:多智能体智能体保持各自独特性和总体
2021-12-16 10:19:43
1689
原创 关于金融交易的底层逻辑和个人机会
金融交易是赌场还是科学?交易市场中超额收益可能吗?金融服从于怎样的规律?怎样看待金融市场中的黑天鹅和小概率事件?技术分析派不懈努力靠什么盈利?当代人工智能、量化分析工具,或高频机器交易值得信赖吗?量化投资是对时尚科技的顶礼膜拜趋之若鹜?还是对脆弱人性极端不信任的自我救赎?非专业个人进行金融交易可能成功吗?本文为你浅解——关于金融交易的底层逻辑和个人的机会。一、交易市场是无法预测无法战胜吗?天下从事者,不可以无法仪,无法仪而其事能成者,无有也。 —— 墨子 《墨子·04章 法仪》从赌场到华尔街,从
2021-12-16 10:12:19
1869
原创 第二天:5天免费搭建个人量化平台 - 基础框架
二、搭建个人量化平台 - 基础框架市面上有许多金融量化分析平台,也有针对期货期权的指标分析、波动率预估、量化策略制定及回测等等功能,但动则上万人民币(或美元)的年费订阅对个人投资者还是难以承受。我们的宗旨是面向低门槛的个人散户,快速搭建一个免费易用的跨环境(PC,手机,IPAD、Windows/Android/IOS)的金融量化分析平台。建立自己的Web服务器因此,我们将建立自己的Web服务器:以 Tradingview 为核心金融量化平台框架
2021-07-29 08:29:44
912
原创 第一天: 5天免费搭建个人量化平台 - 预备工作
提供面向个人散户,低门槛5天免费搭建自己的金融量化平台及使用- 搭建你个人的量化平台- 低成本对接市场实时交易数据- 功能无限拓展- 对接未来人工智能学习
2021-07-29 08:01:40
3309
原创 第七章 实盘交易
第七章 实盘交易1、实盘交易中的思考及对策(1)怎样避免低级错误 数据质量问题:通过3套系统同时独立获取实时原始数据,并实时定时比较数据差异。保证原始数据一致性,没有中断和缺失。 通过数据可视化检查数据质量通讯中断问题:通过3套系统同时独立获取实时原始数据,实时检查通讯问题,如有问题实时报警并发短信和邮件通知。交易接口问题:(略)(2)实时交易监控能及时止盈止损吗?(3)自动交易批量交易可靠吗?(4)大灾挤兑交易的疯狂情绪下 人为干预中断AGOD交易.
2020-07-13 18:55:30
821
原创 第六章 模拟及回测 | 模型选取
第六章 模拟及回测模型选取考虑不同止损策略 回测2019/1/1 -2020/03/25,不同止损阈值及不同 Team13/Team15 止损策略(slw_3)在slw_3止损策略中,阈值在40%左右,最优modeler为15-seller_2 和13 -seller_14 以上二位选入专家组 param 13-seller_14 15-seller_2 ['13','15']...
2020-07-10 14:24:23
1003
原创 第六章 模拟及回测 | 止损策略
第六章 模拟及回测1、止损策略考虑buyer对冲,叠加不同止损策略(slw_1/slw_2/slw_3) ”符合某止损条件”指: 方差{Buy x, sell y} 指某买入合约亏损x%(价格1-x%) 或某卖出合约亏损y%(价格1+y%) 时候全部清仓该合约 {Buy 1, sell 999} 指不采取止损策略 风险防控,考虑不同止损策略 回测2019/1/1 -2020/03/30,观察下面不同条件下的sharpe指数、日最大亏损、日平均盈利、方差比较 不同止损策略 不同止损.
2020-07-10 14:18:40
986
原创 第六章 模拟及回测 | 风险防控
第六章 模拟及回测1、心理承受 param 13-seller_17 13-seller_14 13-seller_0 13-seller_2 13-seller_3 ['13']-mean loss% 0.31 0.32 0.34 0.38 .
2020-07-10 13:57:26
279
原创 第六章 模拟及回测 | 模型评估
第六章 模拟及回测1、单模型评估例如 13-seller14 模型从上图看到:theory pv 曲线 /model pv 曲线 /simu pv 曲线保持几乎一致性 确认模型理论计算、模拟环境与实境交易条件的一致性 相比50ETF标的涨跌起伏,模型(例13-seller14)策略平缓上升且有正收益2、多模型评测选取较好模型进入精英组 精英组所有成员都有盈利的业绩,但特色不同,有的平缓稳健,有的积极冒进3、精英模型比较 param...
2020-07-06 11:07:05
831
原创 第六章 模拟及回测 | 交易模拟及评估平台
第六章 模拟及回测1、交易模拟及评估平台模拟交易平台 adogTrader 包括:根据历史数据和完全实境的交易条件的模拟交易平台数据模块 Maket_info 持仓模块 Holding 交易模块 SimuTrader 分析模块 Analysis以下回测参数及曲线定义如下:theory pv 曲线 根据模型理论计算(tensorlfow/session.run)投资交易组合价值及收益变化曲线model pv 曲线 根据历史数...
2020-07-06 10:42:14
863
原创 第五章 模型和训练 | 集成学习
第五章 模型和训练 | 集成学习集成学习集成学习Esemble Learning是在综合阶段进行集成。这里采用投票加权平均,进行综合比较。例如:2020-06-18,模型18-x modelers 建议方案选取的合约的集中度高,具有较高可靠性2020-06-08建议: W hand 10002002 510050P2006A03000 0.083 -131 10002098 510050P2006M03000 0....
2020-07-02 11:54:23
238
原创 第五章 模型和训练 | 协同学习及选拔机制
第五章 模型和训练 | 协同学习及选拔机制协同学习及选拔机制在原始模型训练基础上进行选拔,不同阶段提拔更多优秀模型进入专家组进行实战:海选训练阶段:多轮基础网络训练,多轮强化学习,优胜劣汰,保留足够成员,保留多样性基因。多线程同时训练。pool = []for dir in all_subdir: if '-' not in dir and '.' not in dir: # train only if the log dir does
2020-07-02 11:21:09
320
原创 第五章 模型和训练 | 多智能体强化学习
第五章 模型和训练1、多智能体强化学习为什么需要多智能体(multi-agent)学习梯度下降算法寻优方法类似从山顶放置小球向下滚,希望寻找最快最好的路径,到达最低的谷底。每个智能体每次只使用一个小球,学习训练并使用一条路径,重复多次。而多个智能体类似放置一群小球,同时分别学习训练并使用各自的多条路径,向下滚动过程中互相联系通信,相互告知自己的位置及状态,团队合作,引导共同到达最低的谷底。参见上图,多智能体(multi-agent)学习,相比单智能体:多智能体智能体保持各自独特性和总体多样性
2020-06-19 11:15:49
1764
原创 第五章 模型和训练 | 强化学习模型
第五章 模型和训练1、强化学习模型强化学习(Reinforcement Learning)是让计算机实现在特定的情况下,通过不断地尝试,从错误中学习,最后找到规律,找到可以获得最大回报的行为。强化学习有四个基本组件,包括输入:环境(States),动作(Actions),回报(Rewards)以及输出:方案(Policy)。和监督学习不同,强化学习没有确定的标签,需要机器自己摸索,每一个动作对应一个奖赏,最后得到一个奖赏最大的方式进行数据处理。围棋AlphaGo就是一个强化学习的实例。强化学习的
2020-06-18 10:49:08
2637
原创 第四章 数据模型表征 | 模型样本分组结构
第四章 数据模型表征1、模型样本分组结构为下面AI学习,将数据样本分成三组:train set:模型学习使用test set: 模型验证回测使用predict set:模型预测使用其中每个单元矩阵M按时间序列排列,有5个历史数据,及1个标签数据。2、模型样本采样分布模型学习将随机提取一系列(batch size)的单元矩阵作为样本。其中越新的时间的样本被抽中的概率越大,符合反几何分布的概率分布...
2020-06-15 11:44:59
1196
原创 第四章 数据模型表征 | 数据矩阵
第四章 数据模型表征1、数据矩阵每个时间的数据包括一系列的特征(input parameters):包括如下 "feature": [ "close", #期权合约价格 "iv", #期权合约隐含波动率 "delta", #期权合约delta "chicang", #期权合约持仓 "gamma", #期权合约gamma "etf_close", #标的ETF价格 "etf
2020-06-15 11:12:15
1171
用机器学习方法重构期货商品板块
2024-02-15
Pytdx接口方式获取实时行情数据
2022-05-07
CTP方式获取秒级行情数据.rar
2021-08-06
最新波动率/恐慌指数VIX数据(exce/bson/json,至2020-07-08)
2020-07-09
波动率/恐慌指数VIX数据
2020-06-14
ETF实盘历史波动数据
2020-06-14
50ETF及股票期权原始行情数据
2020-06-14
50ETF及股票期权原始行情数据
2020-06-12
中国股票期权的实时vix波指的模块
2020-04-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人