但是一个量化交易可以通过回测系统建立信心然后让其一如既往的运行,以达到让钱生钱的目的,并且是自动的。
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
前几天我的前老板 T 跟我聊了下他正在着手筹划的 algo options trading 项目,他拜托我帮他找找合适的工程师。我仔细研读了他的计划书,感觉还有点意思。基本思路是:跟随股票的涨跌趋势,在 该股的 option 市场选择合适的合约下注。如果预测股票上涨,则购买相应的 Call option,否则购买 Put option。他目前有一个运作还不错的策略,在手工执行和测试中。未来,他希望这个项目不仅可以为自己公司的 fund 赚钱,还能逐渐转化成一个平台,简化人们做程序化交易的难度,就像 Robinhood 简化大家买卖股票的难度一样。T 会为他的初始团队提供丰厚的,有竞争力的工资,以及交易系统盈利的一部分作为奖金。
貌似三个月没有更新博客园了,当时承诺的第二篇金融数据分析与挖掘这几天刚好又做了总结,在国内经济不景气的现在来对这个话题结个尾。
Zipline 是一个用于回测的 Pythonic 事件驱动系统,由众包投资基金 Quantopian开发和使用,作为回测和实时交易引擎。自 2020 年底关闭以来,托管这些文档的域名已过期。该库在Stefan Jansen所著的《机器学习算法交易》一书中被广泛使用,他正努力保持该库的更新,并使其对读者和更广泛的 Python 算法交易社区可用。
最近,一位常年研究股票系统的开发者 pythonstock 用 Python 写了一个股票分析系统,发布数天就获得了不少关注。
用户授权 给本地用户mql分配可对所有数据库的所有表进行所有操作的权限,并设定口令为123456。
股市跌宕起伏。7 月初 A 股飙升,股票瞬间成为大家的热门讨论话题,「现在入场还来得及吗?」几乎成为新的问候语。
在Reddit的Algotrading网站上发现了一个关于优化 MACD 设置的帖子。
Echarts 是一个由百度开源的数据可视化工具,凭借着良好的交互性,精巧的图表设计,得到了众多开发者的认可,而 Python 就不用多说了。
本文是用 Python 做交易策略回测系列文章的第四篇。上个部分介绍了以下几个方面内容:
作为一套被业界广泛应用的开源技术分析库(包含技术指标计算和K线模式识别等),TA-Lib自2001年发布以来已经有了十多年的历史。TA-Lib中一共包含大约125个技术指标的计算函数,同时提供了包括C/C++、Java、Perl、Python等多种语言的API。
目前Python的版本已经到了3.8.5,但是在实际的开发中并木有太多的使用者,或者说很的多包和插件都还不支持。(我java猿一枚)目前自己属于一个量化的初学者,对python生态还不是很了解。全程靠着伸手党的本事,在搜索引擎的海洋里打怪升级,今天在这里记录下升级的心酸。
找到 talib 库下载源:https://www.lfd.uci.edu/~gohlke/pythonlibs/#ta-lib
这个库我们之前就介绍过了,AkShare 是基于 Python 的开源数据接口库, 目的是实现对期货, 期权, 基金等衍生金融产品和另类数据从数据采集, 数据清洗加工, 到数据下载的工具, 满足金融数据科学家, 数据科学爱好者在数据获取方面的需求。那么这个提供金融数据的库目前也采集了网易和丁香园的疫情数据提供给大家。如果在做项目时需要爬数据的话,可以先来看看有没有提供处理好的数据,如果有还是很方便的~
看过来,带大家看看本周GitHub仓库趋势排行榜,有哪些不错的项目,值得我们关注的。
获取源码 wget http://prdownloads.sourceforge.net/ta-lib/ta-lib-0.4.0-src.tar.gz
如果你的系统是x86平台,在安装了anaconda 的基础上,可以直接使用pip安装,命令如下:
此版本更新了 Zipline,使其与 Python >= 3.7 以及当前版本的 Pandas、scikit-learn 等相关的 PyData 库兼容。
相比TA-Lib在技术分析领域的地位,QuantLib在金融工程领域的地位可以说有过之而无不及。
以试运行(dry-run)或实时模式(使用 freqtrade trade )启动 freqtrade 将启动机器人并启动机器人迭代循环。这也将运行 bot_start() 回调。默认情况下,bot 循环每隔几秒运行一次 ( internals.process_throttle_secs ) 并执行以下操作(这个循环将一次又一次地重复,直到机器人停止):
从数学角度来分析,MACD指标是根据均线的构造原理,对股票收盘价进行平滑处理,计算出算术平均值以后再进行二次计算,它是属于趋向类指标。
我们将使用Tensorflow创建和开发一个简单的模型框架,以及提出一些对初步结果改进的意见。
作者:邢不行 原文链接: http://bbs.pinggu.org/thread-3631776-1-1.html (本文已获作者授权转载,如需转载请与原作者联系) ---- 【量化小讲堂-pyth
据wind资讯,摩根大通要求基金经理必须学python。对于传统的基金经理而言,还是蛮有挑战的事情。怎么看这件事及其影响呢?其他机构会跟进吗?
摘要:虽然 GitHub 是一个学习技术的好去处,但是除了学习,它还集提高“搬砖”效率于一身。GitHub 上散落着各式各样的小工具,比如本周特推的 Adobe 开源的 React 组件库 react-spectrum 就能帮助开发者提升用户体验,微软开源、专为 Linux 打造的 ProcMon-for-Linux 则提供了简便有效的方式来跟踪系统调用,Forem 这个可快速搭建社区的小工具更不用说了,它集合了群组、话题等内容… 以下内容摘录自微博@HelloGitHub 的 GitHub Trendi
DolphinDB为海量结构化数据的极速存储、检索、计算与分析提供了一站式解决方案,特别适合金融行业用来处理大规模数据,尤其是L1,L2以及逐笔委托的行情数据。
随着Python编程语言的流行和普及,越来越多人对如何应用Python做金融数据分析和量化交易充满兴趣。但是不少人对量化投资本身存在一定的误解或认识不清,有的人过于异想天开,认为可以躺着挣钱(怕是只有岛国老师吧);有的人则因循守旧,认为没啥卵用;也有的人盲目追求模型的复杂性,在编程和数学中迷失了方向。
本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测
本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测 ( 点击文末“阅读原文”获取完整代码数据******** )。
本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测。
BigQuant – 你的人工智能量化平台 – 可以无门槛地使用机器学习、人工智能开发量化策略,基于python,提供策略自动生成器
因子挖掘是量化交易的基础。随着历史交易数据日益增多,交易市场量化竞赛的不断升级和进化,量化投研团队开始面对数据频率高、因子数量多的场景,以10分钟线10000个因子5000个股票为例,一年的因子数据约为 2.3T 左右,1分钟线的数据量达到23T,3秒线的数据量将达到460T。如此量级的数据就对因子存储方案提出了很高的要求。
Python常用的模块非常多,主要分为内置模块和第三方模块两大类,且不同模块应用场景不同又可以分为文本类、数据结构类、数学运算类、文件系统类、爬虫类、网络通讯类等多个类型。
如果 `number` >= 0,`number` 的绝对值为 `number`,否则为 -`number`。
交易日历代表单个市场交易所的时间信息。时间信息由两部分组成:时段和开/闭市时间。这由 Zipline 的TradingCalendar类表示,并作为所有新的TradingCalendar类的父类。
在机器学习领域,监督学习是一种很重要的学习模式。它指的是我们在数据有正确标签的情况下建立模型,并通过这一正确标签让模型进行自我修正,使其预测结果不断地朝着正确的方向迈进。
尽管预测股价确实是一个老问题,至今仍然没有被解决。事实十分简单:股票的价格由多种因素决定,而股票的历史价格仅仅是众多原因中的一小部分。因此,预测股价走势是一个非常困难的问题。
抛物线转向(抛物线停止和反向)是J. Welles Wilder, Jr.设计的方法,以找出交易市场价格方向的潜在逆转。
概述 和Python计算环境中的tushare包一样,在R中我们使用quantmod包接入第三方数据源,实现自定义量化分析平台的构建。 本文打算以陌陌的股票分析为背景,介绍如何通过quantmod包构
注意我并有把 open 和 close 翻译成开盘价和收盘价,因为这条数据并不是按日来收集的,而它对应的时间精确到 387 毫秒。
互联网上有很多关于强化学习交易系统零零碎碎的东西,但是没有一个是可靠和完整的。出于这个原因,我们决定创建一个开源的Python框架,使用深度强化学习,有效地将任何交易策略从想法转化为实际应用。
在本文开始前,作者并没有提倡LSTM是一种高度可靠的模型,它可以很好地利用股票数据中的内在模式,或者可以在没有任何人参与的情况下使用。写这篇文章,纯粹是出于对机器学习的热爱。在我看来,该模型已经观察到了数据中的某些模式,因此它可以在大多数时候正确预测股票的走势。但是,这个模型是否可以用于实际,有待用更多回测和实践去验证。
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 源代码请点击阅读原文 在QIML公众号官方GitHub查看 前言 上一篇Qlib的分享中,我们主要介绍了如何将外部数据导入qlib中,转换为qlib的数据格式。 Qlib来啦:数据篇(一) 顺便要给大家介绍一下我们之前
日线数据是股票每日收盘后的信息。这块数据不用实时抓取,所以并不占用宝贵的交易时间的资源。于是我们抓取完数据后直接往切片后的数据库中保存。(转载请指明出于breaksoftware的csdn博客)
可以根据历史数据预测股票价格吗?最直接的回答可能是:“不能”。这是因为股市价格波动很大,并且取决于很多因素。量化所有这些因素几乎是不可能的,因此预测股价仍然是一门没人能掌握的艺术。撇开所有的负面因素不谈,有没有什么方法可以尽可能接近股价?有很多方法可以回答这个问题,但是在这里我们将看到机器学习是如何处理这个问题的。
Backtrader 是 2015 年开源的 Python 量化回测框架(支持实盘交易),功能丰富,操作方便灵活:
领取专属 10元无门槛券
手把手带您无忧上云