【图文】第三讲. 量化交易策略的构建实战_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
第三讲. 量化交易策略的构建实战
大小：2.75MB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢量化交易策略——KDJ指标_量化交易者_新浪博客
量化交易策略——KDJ指标
期货和股票市场上最常用的技术分析工具——KDJ指标，全名随机指标（Stochastics），
由乔治·莱恩博士(George Lane)所创。融合了动量观念、强弱指标一些优点的KDJ指标，
通过特定周期内出现过的最高价、最低价、收盘价三者之间的比例关系为基本数据进行计算，
将得出的K值、D值与J值连接成曲线图，就形成了反映价格波动趋势的KDJ指标。
计算方法：首先要计算周期的RSV值，然后再计算K值、D值、J值。以9日周期的KDJ为例：
& RSVt=(Ct-L9)/(H9-L9)*100 &
&（Ct=当日收盘价；L9=9天内最低价；H9=9天内最高价）
& K值为RSV值3日平滑移动平均线，公式为：Kt=RSVt/3+2*t-1/3
& D值为K值的3日平滑移动平均线，公式为：Dt=Kt/3+2*Dt-1/3
& J值为三倍K值减两倍D值，公式为：Jt=3*Dt-2*Kt
& KDJ指标在应用时需要考虑的几大方面：
1.K与D的取值，范围是0-100，80以上行情呈现超买现象，20以下呈现超卖现象。
& 2.买进信号：K值在上涨趋势中﹤D值，K线向上突破D线时；
&卖出信号：K值在下跌趋势中﹥D值，K线向下跌破D线。
& 3.交易不活跃、发行量小的股票并不适用KD指标，而对大盘和热门大盘的准确性却很高。
& 4.在KD处在高位或低位，如果出现与股价走向的背离，则是采取行动的信号。
& 5.J的取值﹥100为超买，﹤0为超卖，都属于价格的非正常区域。
& 6.短期转势预警信号：K值和D值上升或者下跌的速度减弱，倾斜度趋于平缓
& 通常K、D、J三值在20-80之间为徘徊区，宜观望.
就敏感度而言，最强的是J值，其次是K，最慢的则是D了，而从安全性来讲，就刚刚相反。
具体细节可以看一下
import numpy as np
import pandas as pd
from pandas import DataFrame
import talib as ta
start = '' & &
&# 回测起始时间
end = '' & &
& &# 回测结束时间
benchmark = 'HS300' & &
& # 策略参考标准
universe = set_universe('HS300')
capital_base = 100000 & &
&# 起始资金
refresh_rate = 1 & &
& & # 调仓频率，即每 refresh_rate
个交易日执行一次 handle_data() 函数
longest_history=20
MA=[5,10,20,30,60,120] & &
#移动均线参数
def initialize(account):
& account.kdj=[]
def handle_data(account): &
& # 每个交易日的买入卖出指令
& sell_pool=[]
account.get_history(longest_history)
#data=DataFrame(hist['600006.XSHG'])
stock_pool,all_data=Get_all_indicators(hist)
& pool_num=len(stock_pool)
& if account.secpos==None:
& & & print
& & & for i
in stock_pool:
buy_num=int(float(account.cash/pool_num)/account.referencePrice[i]/100.0)*100
& & order(i, buy_num)
& & & for x
in account.valid_secpos:
all_data[x].iloc[-1]['closePrice']0.05 :
& sell_pool.append(x)
& order_to(x, 0)& &
account.cash&500 and pool_num&0:
& sim_buy_money=float(account.cash)/pool_num
& for l in stock_pool:
& & & #print
sim_buy_money,account.referencePrice[l]
buy_num=int(sim_buy_money/account.referencePrice[l]/100.0)*100
#buy_num=10000
& & & order(l,
& & except Exception as e:
& #print e
def Get_kd_ma(data):
& indicators={}
& #计算kd指标
indicators['k'],indicators['d']=ta.STOCH(np.array(data['highPrice']),np.array(data['lowPrice']),np.array(data['closePrice']),\
fastk_period=9,slowk_period=3,slowk_matype=0,slowd_period=3,slowd_matype=0)
indicators['ma1']=pd.rolling_mean(data['closePrice'], MA[0])
indicators['ma2']=pd.rolling_mean(data['closePrice'], MA[1])
indicators['ma3']=pd.rolling_mean(data['closePrice'], MA[2])
indicators['ma4']=pd.rolling_mean(data['closePrice'], MA[3])
indicators['ma5']=pd.rolling_mean(data['closePrice'], MA[4])
indicators['closePrice']=data['closePrice']
& indicators=pd.DataFrame(indicators)
& return indicators
def Get_all_indicators(hist):
& stock_pool=[]
& all_data={}
& for i in hist:
indicators=Get_kd_ma(hist[i])
& & all_data[i]=indicators
& & & except
Exception as e:
& & #print 'error:%s'%e
indicators.iloc[-2]['k']indicators.iloc[-2]['d']:
& & stock_pool.append(i)
& & & elif
indicators.iloc[-1]['k']&=10 and
indicators.iloc[-1]['d']&=20 and
indicators.iloc[-1]['k']&indicators.iloc[-2]['k']
and indicators.iloc[-2]['k']
& & stock_pool.append(i)
& return stock_pool,all_data
量化交易者
博客等级：
博客积分：0
博客访问：16,413
关注人气：0
荣誉徽章：谈谈量化交易
我的图书馆
谈谈量化交易
& 一、&引言“投资交易的未来是什么？”“是量化交易（Quantitative&Trading）！”这是华尔街资深交易员、量化交易公司WorldQuant的创始人伊戈尔·图利钦斯基（Igor·Tulchinsky）的回答。伊戈尔认为，通过研发大批的量化金融模型，使基金公司变身“全球工厂”，手握更多信息资源，从而在投资交易时，立足于不败之地。这就是未来的交易模式。&美国在量化交易或量化投资已经有超过三十年的历史。据统计，美国80%以上的大型基金以及亚洲三分之一的大型基金，均使用量化投资策略和量化手段。美国证券市场有60%的指令是由程序发出的。股神巴菲特的价值投资理念已经深入人心，他利用个人经验和智慧判断进行的投资受到投资界的推崇。而在美国投资界，相比声名显赫的巴菲特，西蒙斯虽罕为人知，但他所管理的大奖章基金，从1989年到&2006年的平均年收益率高达38.5%，净回报率已超过巴菲特。即使在2007年次贷危机爆发当年，该基金回报仍高达85%，西蒙斯也因此被誉为“最赚钱基金经理”、“最聪明亿万富翁”。其实西蒙斯的投资成就，就是来自于量化交易。如今，在全球范围内，量化投资已然成为资产管理领域主要的投资手段之一。不光是美国这样成熟的发达金融市场，量化金融交易在发展中国家也同样潜力无限。自2010年以来我国股指期货上市以来，量化交易这艘“大船”开始逐渐在国内金融市场顺势扬帆起航。如今5年时间过去，中国以量化投资交易策略为主的资产管理规模达到千亿元级别，可谓发展迅猛。二、&量化交易的定义所谓量化交易是指借助现代统计学和数学的方法，利用计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。量化交易以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。手工交易中交易者的情绪波动等弊端越来越成为盈利的障碍，而程序化交易天然而成的精准性、100%执行率则为它的盈利带来了优势。行为金融学认为，投资者是不理性的。任何一个投资个体的判断与决策过程都会不同程度地受到认知、情绪、意志等各种心理因素的影响。基金经理和投资研究员在一段时间跟踪某只股票之后，由于时刻关心股价的表现和基本面的变动，可能出现不同程度的情感依赖，“和股票谈起恋爱”。即使出现了下跌趋势，也可能因为过度自信、抵制心理等不理性的分析出发点而导致投资、荐股时的行为偏差。而量化投资依靠计算机配置投资组合，克服了人性弱点，使投资决策更科学、更理性。&三、量化交易的优势1.&严格的纪律性&量化交易有着严格的纪律性，这样做可以克服人性的弱点，如贪婪、恐惧、侥幸心理，也可以克服认知偏差。一个好的投资方法应该是一个“透明的盒子”。我们的每一个决策都是有理有据的，特别是有数据支持的。如果有人质问我，某年某月某一天，你为什么购买某支股票的化，我会打开量化交易系统，系统会显示出当时被选择的这只股票与其他的股票相比在成长面上、估值上、资金上、买卖时机上的综合评价情况，而且这个评价是非常全面的,比普通投资者拍脑袋或者简单看某一个指标买卖更具有说服力。&2.&完备的系统性&完备的系统性具体表现为“三多”。首先表现在多层次，包括在大类资产配置、行业选择、精选个股三个层次上我们都有模型；其次是多角度，量化交易的核心投资思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；再者就是多数据，就是海量数据的处理。人脑处理信息的能力是有限的，当一个资本市场只有100只股票，这对定性投资基金经理是有优势的，他可以深刻分析这100家公司。但在一个很大的资本市场，比如有成千上万只股票的时候，强大的定量化交易的信息处理能力能反映它的优势，能捕捉更多的投资机会，拓展更大的投资机会。&&3.&妥善运用套利的思想&&量化交易正是在找估值洼地，通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会。定性投资大部分时间在琢磨哪一个企业是伟大的企业，那个股票是可以翻倍的股票；与定性投资不同，量化交易大部分精力花在分析哪里是估值洼地，哪一个品种被低估了，买入低估的，卖出高估的。&4.&靠概率取胜&&这表现为两个方面，一是定量投资不断的从历史中挖掘有望在未来重复的历史规律并且加以利用。二是在股票实际操作过程中，运用概率分析，提高买卖成功的概率和仓位控制。&四、潜在风险量化交易一般会经过海量数据仿真测试和模拟操作等手段进行检验，并依据一定的风险管理算法进行仓位和资金配置，实现风险最小化和收益最大化，但往往也会存在一定的潜在风险，具体包括：1、历史数据的完整性。行情数据不完整可能导致模型与行情数据不匹配。行情数据自身风格转换，也可能导致模型失败，如交易流动性，价格波动幅度，价格波动频率等，而这一点是目前量化交易难以克服的。2、模型设计中没有考虑仓位和资金配置，没有安全的风险评估和预防措施，可能导致资金、仓位和模型的不匹配，而发生爆仓现象。3、网络中断，硬件故障也可能对量化交易产生影响。4、同质模型产生竞争交易现象导致的风险。5、单一投资品种导致的不可预测风险。&为规避或减小量化交易存在的潜在风险，可采取的策略有：保证历史数据的完整性；在线调整模型参数；在线选择模型类型；风险在线监测和规避等。&五、量化交易策略&&量化交易的流程，我们分为策略寻找，数据回测，通过虚拟交易系统检验执行，最后才会去做实盘。策略寻找，大家有不同的能力，不同的风格，你需要找适合你自己的策略，包括你的各方面因素：时间投入，编程能力（可不可以做自动化），你的资金量等因素。量化交易策略是量化交易的“灵魂”，很大程度决定了量化交易是否有效，是否盈利。一般量化投资者不会公开其策略，但从量化交易策略设计思想来看，目前主流量化交易策略主要有如下九类：&1·量化选股量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池，如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类&2·量化择时股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。&3·股指期货套利股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同(但相近)类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。&4·商品期货套利商品期货套利盈利的逻辑原理是基于以下几个方面&：(1)相关商品在不同地点、不同时间对应都有一个合理的价格差价。(2)由于价格的波动性，价格差价经常出现不合理。(3)不合理必然要回到合理。(4)不合理回到合理的这部分价格区间就是盈利区间。&5·无风险套利利用市场的无效性，当市场上某一投资组合定价出现偏差(该偏差大于此次套利交易的成本)，并且该偏差在未来一段的时间内会确定消失，交易该组合并在其价值回归时平仓，即可在不承担市场风险的前提下获取确定的回报。当前，A股市场的无风险套利机会主要包括股指期货的期现套利、跨期套利、ETF套利、封闭式基金套利、可转债套利等。&6·统计套利有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利在方法上可以分为两类，一类是利用股票的收益率序列建模，目标是在组合的β值等于零的前提下实现alpha&收益，我们称之为β中性策略；另一类是利用股票的价格序列的协整关系建模，我们称之为协整策略。&7·期权套利期权套利交易是指同时买进卖出同一相关期货但不同敲定价格或不同到期月份的看涨或看跌期权合约，希望在日后对冲交易部位或履约时获利的交易。期权套利的交易策略和方式多种多样，是多种相关期权交易的组合，具体包括：水平套利、垂直套利、转换套利、反向转换套利、跨式套利、蝶式套利、飞鹰式套利等。&8·算法交易算法交易又被称为自动交易、黑盒交易或者机器交易，它指的是通过使用计算机程序来发出交易指令。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。根据各个算法交易中算法的主动程度不同，可以把不同算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。&9·资产配置资产配置是指资产类别选择，投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。量化投资管理将传统投资组合理论与量化分析技术的结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。它突破了传统积极型投资和指数型投资的局限，将投资方法建立在对各种资产类股票公开数据的统计分析上，通过比较不同资产类的统计特征，建立数学模型，进而确定组合资产的配置目标和分配比例。总而言之，量化交易技术就是把人的投资交易思想规则化、模型化，基于金融数据得出投资结论，并选用计算机去执行交易。未来随着证券市场改革的深化，我国金融市场的进一步成熟和金融创新产品规模不断扩大，量化交易将会成为我国证券市场一种很重要的交易方式，具有广阔的前景。
TA的最新馆藏[转]&
喜欢该文的人也喜欢如何识别优秀的量化交易策略
我的图书馆
如何识别优秀的量化交易策略
来源 | 投资干货（微信号：touziganhuo）虽然量化交易存在的历史已经有几十年了，但是直到2010年，量化投资才逐渐进入大陆投资者的视野。这两年，采用量化投资模型的产品尤其火（一听名字就高大上啊），一旦跟量化沾上边（不管是真量化还是假量化），很容易受到投资者的追捧。学习和研究量化交易的人越来越多，小善也在与时俱进，细读了不少相关书籍。我们将结合自己的经验，分3篇来分享《量化交易--如何建立自己的算法交易事业》这本书的精华内容，普及量化投资的相关知识。原书作者是欧内斯特·陈，感兴趣的朋友可以自己深入阅读。这本书不是量化交易技术或术语的百科全书，也不会专门介绍一些特殊的盈利策略，而是一本教你如何自己去寻找盈利策略的书。它会告诉你好的策略的特征是什么、如何识别策略的陷阱、如何通过对一个策略进行优化和回测来确认其是否具有良好的历史业绩以及评估策略的稳定性和可靠性。另外，它还会教你一些风险管理的基础知识，让你更好的长期在市场中生存下来。这个读书精华总结分三篇，主要涉及的内容是如何寻找或者发现策略，以及如何迅速评估一个策略的优劣。这些方法在股票、商品、外汇等领域都是适用的。第一篇我们先来看看如何识别优秀的量化交易策略。科普部分什么是量化交易？量化交易也称为算法交易，是严格按照计算机算法程序给出的买卖决策进行的证券交易。大家容易把量化交易与技术分析混淆，实际上量化交易的内容丰富的多。许多量化交易系统在进行建模和运算的时候会用到基本面数据，比如估值、市值、现金流等，还有的算法将新闻作为变量进行计算。而技术分析基本只需要用到交易标的的量价数据。哪里可以找到策略思想？小善跟大家交流的时候，发现有一个普遍的问题，就是不知道怎样去寻找交易策略的想法。其实这是一个小问题。作者认为，寻找交易理念事实上并不是打造量化交易的最困难的部分，小善对此深表赞同。因为我们可以从网络上非常容易获得优秀的交易思想甚至已经写好的策略及其回测结果。作者告诉了读者可以从金融投资方面的书籍、报纸杂志、主流媒体网站、学术论文、交易员论坛和博客等地方获得策略。无论是在国内还是国外，作者提供的这些渠道确实是可以找到很好的资料的。除了以上渠道之外，小善还经常通过以下方式学习和获得交易策略：1、各大券商的研究报告。这是一个非常好的学习资料来源，各大券商会有各种量化策略报告，包括基本面量化、技术指标量化、情绪指标量化等。这些报告中的一部分是以非常严谨的方式做的研究，得出结论的可靠程度是很高的，小善平时喜欢在WIND或者CHOICE金融终端里面打开金融工程这个专栏翻看报告，一些在量化研究里面做的很优秀的如国泰君安、海通这些大券商的报告是非常值得阅读的。来源：Wind资讯2、量化社区国内的量化投资火起来后，量化社区发展壮大的速度非常快，目前人气比较高的国内社区有优矿、聚宽、米筐等，这上面汇集了不少矿工分享和讨论量化交易策略，社区还提供免费的回测平台供缺少数据的同学使用。其实国外的量化社区更丰富，如果英文足够好，去Bing或者Google一下就找到了。截图自国内量化社区聚宽有了上面的策略检索和分享来源，我们就可以接触到量化交易领域中绝大多数的策略思想了。如何认识交易策略下面这张图是小善从网上搜来的一个策略回测图线。光看图线走势，该策略是远胜于基准的。但它对你来说一定是个好策略吗？恐怕不能仅仅依靠看图来下结论。图片来自网络我们来看看如何认识交易策略。什么更宝贵，策略本身还是甄别策略的能力？书中作者分享了一个有意思的小故事，大意是这样的，当作者在一家位于第五大道、管理着数十亿美元的对冲基金Millennium Partners工作时，亲眼看到一名交易员从他的程序员手中抢过一篇“公开发表”的论文，其实这名程序员只是碰巧从交易员的桌子上拿起来而已，但是那个交易员担心程序员知道他的“秘密”。可见，即便是绝大多数策略思想都是公开的，担心策略思想被他人知晓的也大有人在。作者看来，那些你认为是秘密的策略多半早已为他人所知。一项策略真正的独有价值和值得保密的地方是你自己的窍门和所进行的变形，而绝不是基础版。对于量化交易研究者而言，真正困难的地方并不是缺乏交易理念，而是缺乏甄别策略的能力。这种甄别能力需要我们判断一项策略是否适合自己的实际情况和交易目标（比方说大基金用的策略要求资金容量大，这可能会以牺牲收益率为代价，但是小资金完全可以用大资金没法使用的更高收益率的策略），需要在花费大量时间进行回测之前就能判断出策略是否可行。寻找适合自己的策略需要考虑哪些主要因素？1、交易时间。自己是否有时间进行日间交易？如果没有，可能需要考虑隔夜持仓的交易策略。2、编程水平。你只会Excel还是可以写Python、Java、C或者C++这些语言？如果只会Excel，可能做的交易策略会比用其他编程语言能做的交易策略简单一些。需要澄清的是：简单的未必是不好的。3、资金规模。小的资金规模能够交易的股票数量少，同时也会限制对冲策略的规模，这都会影响交易策略的选择。4、收益目标。你的收益目标需要综合考虑持有期和收益持续性之间的关系。识别貌似可行的策略及其陷阱当一个看上去不错的策略呈现在你面前的时候，如何去评价这个策略？这就是本篇文章的重点：识别貌似可行的策略及其陷阱。投资者可以使用这些方法快速评价拟投资产品所使用策略的好坏，量化交易爱好者也可以在进行严格的策略回测之前进行一次省时省力的评估。1、策略与基准相比收益如何？收益的持续性如何？这个问题主要需要回答策略能否跑赢基准和是否有够高的稳定性。2、挫跌多深、多久？用作者的话说，如果一项策略近期正在亏钱，它就正在经历挫跌。时刻t的挫跌被定义为：当前净值（假定期间内未发生任何赎回或注资）与t时刻或之前的净值曲线最大值之差。“最大挫跌”是净值曲线最大值与之后的净值曲线最小值之差。净值的最大值又被称为“高水位线”。“最长挫跌期”是指净值重返亏损前的水平所花费的最长时间。探究这个问题的意义在于搞清楚：在投资组合清盘或策略结束之前，你能承受多深和多久的挫跌？是20%和3个月，还是10%和1个月？用图比较容易理解这个定义：图片来自原书3、交易成本对策略的影响。这包括两方面，一方面是因为证券买卖都会发生手续费，交易越频繁，成本对策略的盈利的侵蚀就越多。另外一方面是流动性成本，当你以市场价格买卖证券的时候，需要支付买卖价差。如果你用限价指令买卖证券，确实可以避免流动性成本，但是却要承担机会成本，因为你可能买不到或者卖不出去。4、数据有无存活偏差？股票价格的历史数据库往往不包括由于破产、退市、兼并或者收购而消失的股票，因为回测数据库中只有幸存者，所以会存在所谓的存活偏差。使用有存活偏差的数据进行回测是很危险的，因为这样会夸大策略的历史业绩。5、策略的业绩如何随着时间的变化而变化？这是一个很重要的问题，因为有很多策略早些年的业绩要远远好于现在，在出色的多年累计业绩之中，早些年或者某些年的贡献特别突出，我们应当对这种非常隐蔽的误导提高警惕，这背后主要有两方面的原因：一方面是数据的存活偏差导致，回测回溯的越早，消失的股票也越多，偏差就越大。另外一方面是金融市场随着制度变化或者交易者的构成的变化会在底层生态上面存在“状态转换”，因此可能出现在之前某段时间内该策略表现特别好但是后来表现平平的情况。考虑到这两方面的原因，我们应当重点关注某个策略近几年的表现。6、策略是否存在数据迁就偏差？数据迁就偏差的本质是通过对参数进行过度的优化，令策略历史业绩看上去非常棒，这会产生什么问题呢？数据迁就偏差的本质是经过过度优化之后呈现的数据模式已经远远偏离真实世界，使得模型与过去发生但是未来不会再重现的任何偶然历史事件吻合，其结果就是该策略的未来业绩与回测结果截然不同。一般而言，策略的规则越多，模型的参数越多，就越有可能发生数据迁就偏差。用通俗的话说，如果用一个集所有你喜欢的女星之优点的美女作为模板去找老婆，能找到才怪。最重要的一点：深刻认识盈亏同源说了这么多，小善觉得无论对于投资者还是交易者而言，以上对量化交易策略优劣的快速评价方法应该都是很有启发的。但是小善在这里还想特别强调一个事情，即天下没有完美的策略，就如同天下没有完美的老婆一样。如果一个策略是整体来看是赚钱的并且你打算使用，你就要忍受他的缺点，如果你无法忍受缺点，那你就不要用这个策略，或者不要买使用这个策略的产品，因为盈亏同源。任何一个策略，都无法做到百分之百盈利，亏损是策略的一个不可分割的部分。用更为通俗的话来说，你的盈利和你的亏损的本源是一致的，这同样的本源带来了收益也同时带来了亏损，如果你试图躲开亏损，那你必然也同时躲开了盈利。只有正确深刻地认识到这一点，你才有可能以正确的态度面对策略中的亏损、正确的评估最大挫跌和最长挫跌自己是否可以忍受，只有正确地认识了亏损，你才有可能稳定和持续地盈利。
馆藏&55332
TA的最新馆藏
喜欢该文的人也喜欢今天学学外汇中的量化交易策略【交易员吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：3,982贴子：
今天学学外汇中的量化交易策略收藏
第一步，利用现成指标构建逻辑。软件内置了众多的技术指标，取出一个，写入买卖点，回测下历史行情，这样就可以得到一个简单的策略了。随着策略经验的积累，这里的逻辑选择会越来越多样化。　　当然这样的策略一般是不赚钱的，所以我们第二步，进行参数优化。　　选择参数遍历，观察不同参数对于策略会产生怎样的影响。一般情况下我们会得到几组看起来比较赚钱的参数，然后我们进行第三步，样本外检测。　　比如说我们之前遍历的参数是2014年的数据得出的几个表现好的参数，那么我们就用的数据对这些参数进行检测。一般来说，这一参数会在样本外惨淡无比，完全没有样本内优化出来的威武。这时第四步，进行观察，判断策略失效的原因是什么。　　假设发现策略失效原因是样本外某一两次特殊的行情导致大幅亏损，那么我们就可以设置一个硬止损来规避这种风险；如果发现策略失效是因为交易次数过少，那我们就将交易逻辑稍微放松，比如要求&x的地方改为&=x甚至是&=x-1。等等等等，这种修改就是策略的经验了。　　设置好新的逻辑后我们回到第二步，重复以上步骤。　　最终我们修改得到了一个样本内外都赚钱的策略，第五步，实盘追踪。　　在未来一段完全未知的行情中随着时间检验策略，观察策略的真实表现究竟如何。如果表现与预期相符合，那么说明策略有效，第六步，进行交易。　　随着交易进行，我们也要观察策略的有效性，当发现策略出现超出预期的亏损时，第七步，调整或终止策略。　　关于具体开发中的经验　　1 某种程度上来说做策略就是 瞎想-&尝试-&瞎想-&尝试 的循环。　　2 选择指标时一定要避免使用未来函数。　　3 参数不宜过多。　　4 参数优化中，可用的参数组越多越好，说明策略有效性高。　　5 在实盘中，策略的期望一般都要打折扣的，达到预期的50%就是合格。　　6 交易次数太少的策略一般是运气。　　7 测试出一条超级赚钱的曲线，一定是你逻辑写错了。
最后一条不错
但是有些交易员实盘能搞出一条超级牛的曲线，这不是逻辑错误，因为他不直接用量化交易策略
老是听人说量化量化，就是编程咯，说的那么高大上
登录百度帐号推荐应用}