阿岛格
低门槛搭建Tradigview量化平台(知乎:阿岛格 http://adog.net.cn)
展开
-
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。原创 2024-02-15 16:56:05 · 577 阅读 · 0 评论 -
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。原创 2022-03-01 22:29:48 · 374 阅读 · 0 评论 -
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,投资者一原创 2022-02-08 11:35:43 · 1638 阅读 · 0 评论 -
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']...原创 2020-07-10 14:24:23 · 1005 阅读 · 0 评论 -
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.原创 2020-07-10 14:18:40 · 1003 阅读 · 0 评论 -
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 .原创 2020-07-10 13:57:26 · 283 阅读 · 0 评论 -
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...原创 2020-07-06 11:07:05 · 841 阅读 · 0 评论 -
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...原创 2020-07-06 10:42:14 · 876 阅读 · 0 评论 -
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....原创 2020-07-02 11:54:23 · 241 阅读 · 0 评论 -
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原创 2020-07-02 11:21:09 · 324 阅读 · 0 评论 -
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原创 2020-06-19 11:15:49 · 1773 阅读 · 0 评论 -
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。强化学习的原创 2020-06-18 10:49:08 · 2655 阅读 · 0 评论 -
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...原创 2020-06-15 11:44:59 · 1197 阅读 · 0 评论 -
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原创 2020-06-15 11:12:15 · 1173 阅读 · 0 评论 -
第三章 基础数据和技术指标 | 实盘行情数据
实盘原始行情数据(下载) 1、期权合约及风险数据 2、50ETF实盘行情数据 3、50ETF实盘历史波动数据 4、波动率/恐慌指数VIX数据原创 2020-06-12 13:18:48 · 590 阅读 · 0 评论 -
第三章 基础数据和技术指标 | 数据指标及可视化
五、数据指标及可视化1. 基础指标T型表实时表现根据实时数据及实时更新计算生成期权希腊指标值,通过adog web 平台,实现实时更新(秒级)的期权T型表T型表实时表现2. 持仓量变化设置不同阈值(历史天数、持仓最小变化、最小持仓 ),日级别表现持仓量变化。持仓量变化代表卖方(机构方)市场观点。3. 实时波动率曲面表现实时波动率曲面的演化。设置不同阈值(开始时间、间隔为分钟或天),图引擎使用echart和plotly4. 海龟算法及指标通过金融talib库实时计算海龟算法及指标。原创 2020-06-11 10:43:27 · 1175 阅读 · 0 评论 -
第三章 基础数据和技术指标 | 保证金计算
四、保证金计算期权的卖权保证金计算很重要,以后对建模有较大影响,对实战中资金使用和风险管控也至关重要。卖权保证金计算计算如下:基本参数:M=0.12N=0.07PA=1.2注:参数可能由于不同证券商而稍有不同认购期权:认购期权虚值=max(行权价-标的最新价,0)认购期权初始保证金={合约最新价+Max(15%×标的最新价-认购期权虚值,7%×标的最新价)}*合约单位认沽期权:认沽期权虚值=max(标的最新价-行权价,0)认沽期权初始保证金=Min{合约最新价+Max[1原创 2020-06-11 10:21:42 · 720 阅读 · 0 评论 -
第三章 基础数据和技术指标 | 波动率计算
二、波动率计算波动率计算历史波动率:自行采用不同算法,包括 c2c 、parkinson 、garmanklass 、rsy 、yz隐含波动率:自行采用QuantLib/Mibian 计算实时隐含波动率波动率VIX(恐慌指数):自行编码模块实时计算VIX指数(分钟/日级别) # 计算历史某一天的iVIX # Based on http://www.cboe.com/micro/vix/vixwhite.pdf def calDayVIX(self,vixDate):原创 2020-06-11 10:06:09 · 4664 阅读 · 0 评论 -
第三章 基础数据和技术指标 | 希腊值计算及绘制
二、希腊值计算及绘制为后续系统灵活应用和模型研究,用第三方工具(QuantLib/Mibian)自行编码计算实时计算期权合约的希腊值希腊值计算过程在0.001s内,保证在线实时显示、存储。希腊值包括:ivdeltagammathetavegarpho#coding=utf-8'''MibianLib - Options Pricing Open Source Library - http://code.mibian.net/Copyright (C) 2011 Yassine M原创 2020-06-11 09:56:03 · 710 阅读 · 0 评论 -
第三章 基础数据和技术指标 | 原始数据及预处理
一、原始数据及预处理数据是整个系统的基础,大数据是量化金融的根本。相比传统数据,期权量化大数据:1、数据规模大、更新快:大数据的数据量非常大,实时更新,不能用传统静态工具和传统数据库分析工具分析。2、非结构化数据、维度高:传统数据主要在关系性数据库中分析,而大数据需要从更高维度挖掘和处理。3、数据表征处理方式不同:为以后机器学习和样本模型化表征,需要用高维度数据表征工具进行预处理,python 的 numpy 和 pandas 是基础必备的高效率工具。通过第三方数据接口及接口..原创 2020-06-10 13:40:56 · 1017 阅读 · 0 评论 -
第二章 开启一个量化投资系统
一、量化投资系统平台的特点和难点二、开启我的个人量化系统建设之旅三、ADOG软硬件构架原创 2020-06-10 11:27:53 · 655 阅读 · 0 评论 -
第一章 关于交易的思考 | 期权, 皇冠上的明珠?
第一章 关于交易的思考期权, 皇冠上的明珠?我把金融市场当成我认识世界,了解世界的一个窗口。—— 索罗斯 《金融炼金术》期权被誉为“金融衍生品皇冠上的明珠”,期权交易是高杠杆的暴利品种,然而它也是双刃剑。期权犹如一部高档车,速度快,性能优良,功能多样强大,又变化多端,可以应对不同的市场行情,不同资金量,不同交易者的需求及风险偏好,及不同的交易技术。期权可以针对任何行情,不管是急涨急跌,还是大多数时间情况下的市场盘整,都可以因应策略而动,考虑三个维度(标的的方向、波动率、时间价值),实现多维度的获利途原创 2020-06-12 09:50:01 · 965 阅读 · 0 评论 -
第一章 关于交易的思考
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》初期的交易市场从赌场到华尔街,从骰子到股票,都是概率的诱惑和未知之神的勾引。金融交易市场中,获胜的概率以及盈亏都是不可预知的,统计获得的胜率、赔率看是一个均值,却无法应对时时出现小概率的黑天鹅事件。凯利公式、波动变化都不能解释交易这个不确定性极高的领域,可以预期到的就是“永远无法预期”。有效市场假说(EMH)是金融经济学中的一个著名理论,它是...原创 2020-06-10 16:34:50 · 778 阅读 · 0 评论 -
基于人工智能的期权量化交易
基于人工智能的期权量化交易基于人工智能的期权量化交易基于人工智能的期权量化交易该文基于人工智能AI的多agent深度强化学习,进行股票期权的量化投资策略研究及回测评估。作者建立了人工智能学习及交易系统。基于实时/历史期权行情大数据挖掘,通过自行开发的人工智能多agent强化学习模型及评估系统(基于Python/Linux),对接实时交易接口进行了实盘环境的交易回测和评估。本文(节选)适合金融投...原创 2020-04-07 10:17:34 · 3366 阅读 · 1 评论