标签（空格分隔）： 量化交易

《量化交易之路》代码学习

总结一下，书中最重要的内容，主要分为以下这么几个部分。

在这一部分中，主要高速我们这么几件事情：

1. 什么时候买入股票，什么时候卖出股票。（择时）
2. 买入股票时，应该怎么给股票报价；卖出股票时，应该怎么给股票报价。（定价）
3. 假如我有本金X元，买次买股票，应该花多少钱呢？（仓位控制）

这一部分，书中主要介绍了《海龟交易法则》中的两种策略：

1. 趋势跟踪
2. 均值回归

趋势跟踪：

基本思路：认为股票在一段时间内的上涨，意味着它在之后也会上涨。
1. 当第x天收盘后，如果当天的收盘价，高于前k天（不含第x天）的最高价，那么在第x+1天买入。
2. 当第x天收盘后，如果当天的收盘价，低于前k天（不含第x天）的最低价，那么在第x+1天卖出。
特点：
1.导致胜率较低。
2.每次的盈利高于每次的亏损

均值回归：

基本思路：认为股票的上涨和下跌是暂时的，股票的票价是围绕一个价值上下波动的
1. 将历史数据分为以某个时间点分为两部分，前半部分作为训练集，后半部分作为回测集。
2. 计算训练集收盘价的均值mean，和标准差std。我们以mean+std作为卖出的价格节点，mean-std作为买入的价格节点。
4. 当价格低于mean-std时，我们就买入股票，并保持持有，直到价格高于mean+std；
5. 当价格高于mean+std时，我们就卖出股票，保持空仓，直到价格再一次低于mean-std。
特点：
1.属于统计套利模型，大机构高频交易可能更加适合。

这里定价模型采用的是相对简单的方式：

1.当我在第x天确认，在第x+1天需要买入/卖出时。
2.我的价格选择为第x天的最高价high，与第x天的最低价low的平均值，即p=(high+low)/2

保证存活是最重要的！

相比于择时策略是让我们赚更多的钱，仓位控制是让我们在可能亏得时候不至于亏太多。

具体而言，仓位控制，采用的是在股票交易领域修正后的凯利公式：

                f=Pwin-【Ploss/(收益期望/亏损期望）】

计算出来的f，就是仓位比例，比如我有100w本金，f算出来是0.1，那么我每次买，就应该只买10w。

关于如何计算Pwin，Ploss以及收益期望，亏损期望，会在下一章补上。

不是所有股票都有投资价值的，选股的目的就是从股票中挑选出有价值的股票，来进行投资。

这个其实和代码关系不大，更重要的是策略。

那么对于策略而言，书中介绍的其实就两种：

1. 基于趋势。
2. 基于最低最高值。

基于趋势选股：

1. 当拿到股票的历史数据后，我用直线去拟合这部分数据。
2. 若拟合直线的斜率为正，表示它的总趋势是上涨，值得买入；相反，则不值得入手。

基于最低最高值选股：

1. 如果在历史数据中，它的股价一直在某个价格以上，那么值得买入。

裁判系统，是通过总结回测结果中失败的交易的模式，得到什么时候应该阻止买入信号生效的系统。

其实裁判可以看做是择时的补充，择时告诉我们什么时候该买，裁判告诉我们什么时候不该买。

传统上，我们可能需要通过手工编写策略，来完成裁判系统。

但是，现在，我们可以通过机器学习的方法，得到交易失败的一般模式，并提取该模式的特点，来进行交易的拦截。

想象一下，足球场上，有的裁判是看是否越位，有的裁判是看你是否撞人，不同的裁判看得特征点不同。

那么，在这里也是一样，不同的裁判通过不同的特征，去寻找交易失败（即这次交易亏损）的原因。

• 1）在这里，我们选择每次买入时，往回看21，42，69，252天的拟合角度。 其中，result=1表示此次交易成功，result=0表示此次交易亏损。

• 2）然后，我们使用GMM聚类，将这些数据聚成40~84个。（相当于要跑GMM 44次） 54_32表示它是将所有数据分成54类中的第32个簇 lcs：簇中样本总数, lrs：簇中样本失败率, lps：交易获利比例综合, lms：每笔交易的平均获利。

• 3）选择出这些所有类别中，亏损交易所占比例（失败率）最多的那一个簇，查看它的角度特征。（这里发现是第62_47号簇）

• 4）对该簇失败率这么高进行宏观分析，如若发现该簇的21角度平均值远高于总体的21日角度均值，而60日角度均值远低于总体的60日角度均值。我们就可以解释说，这些交易是因为在过去3个月股票下跌的时候，因为短时快速拉升而选择买入，终将自己套牢而亏损。

• 5）我们发现了亏损的原因，那么如何来使用这个原因来减少亏损呢？现在，我们知道了哪个簇里面的交易不能执行，那么，我们只需要查看新进来的交易是否属于这个簇就好。

• 6）这里，我们认定说对于将数据分为62个簇，并且其中的第47号簇不能要。我们就对新进来的数据，对他进行分类，看他数据62个簇中的哪一个，如果属于47号簇，那就不能要。

• 7）这个时候，ml的思想促使我们思考，只选择亏损最大的簇作为丢失好吗？在簇评价中，我们使用ics,irs,ips和ims进行评价，其中ics是数量，可以不用在意。那么，剩下三个参数，是否存在一个最优组合，选出一些需要被剔除的簇，使得剩下的交易收益最高？

• 8）我们对irs,ips和ims使用grid-search方法，使用（拦截交易个数/总交易个数）*（拦截交易的失败率-拦截交易的成功率）作为评分，得到了新的参数，irs，ips和ims。

• 9）那么，任何满足irs，ips和ims条件的簇，都需要被剔除，不再执行。这样，新进来的交易也需要来判断，是否属于这些簇，从而决定是否被拦截。

####3.2 提升 有时候发现，这些裁判带来的提升并不是特别高，那么，可以考虑从以下几个方面来加强：

1. 寻找更多的特征，构造更多的裁判
2. 让裁判之间进行更复杂的综合裁决，让裁判之间配合
3. 为每个裁判赋予不同的权重，进行综合裁决
4. 用更多的数据来提升裁判的效用。
5. 添加边裁。

这部分其实是介绍了一些金融学上面的知识，用于度量股票的一些走势。 比如：

• 1）策略收益：（股票卖出总价-股票买入总价）/(股票买入总价)*100%
• 2）策略年化收益：（一年的交易天数/策略执行天数）*策略收益
• 3）平均获利期望：一个统计周期内，执行策略产生盈利的所有交易的平均收益。每次收益按照百分比算，比如只盈利的两次，第一次盈利10%，第二次30%，那么平均收益就是20%。
• 4）平均亏损期望：同理。

还有一些专业的金融量：

• 1）夏普比率：每承担一份风险，可以获得多少超额报仇；这个值越大，说明获得的超额报酬越高，策略越好。

• 2）信息比率：表示单位主动风险带来的超额收益，大信息比率的策略比小的好

• 3）策略波动：该值越高，表示风险越大

• 4）阿尔法：表示交易者从市场获取的与市场走势无关的交易回报

• 5）贝塔：量化了交易风险。

另外，记住，一般的量化交易策略的有效期，大概在2~7个月，所以要不停开发不停尝试。 而且，能够从别人那里看到的策略一般都是失效了的，所以还要修炼内容，开发自己的策略啊。