2023-05-26

一说到量化交易，一下子蹦出一堆牛逼的词汇，比如:FPGA，微波，高频，纳秒级别延迟等等。这些都是高频交易中的词汇，高频交易确实是基金公司做起来比较合适，普通人搞起来门槛比较高。但是，需要明确一点：量化基金不等同于高频交易。

交易如果根据频率来划分的话，可分为：

高频： ticke纳秒级别的 1s级别

中低频：1s~1h级别

超低频：1d~1w 等长线投资

高频交易对延迟，性能和稳定性要求非常高，需要大量的硬件的成本和人工成本。但是中低频交易对硬件要求就会低很多。个人与基金公司差距主要体现在算法上，普通程序也有能力捕获到这一频度的交易信号。

老夫废话不多说，就一个字，直接干！

如果想要分析A股，或者比特币，就需要自己搭建一套环境。一般搭建一个量化平台需要这些步骤：开设证券账户>开发环境搭建>数据准备>交易策略开发>回归测试>模拟交易>实盘交易

一、开设证券账户（此处略过，上文有）

二、开发环境搭建

目前主流的两种平台是，python和R语言。这两个语言有提供回测框架，时间序列分析，统计分析的库，（C++ 和 java也可以，不过门槛相对比较高）。

Python:目前应该是最普遍的个人量化技术首选语言，因为相关的开源框架相当丰富。

R:高级算法比较方便，社区比较活跃。

我选择的是Python，常用的回测框架用的是ZipLine和BackTrader。

三、数据准备

国内的股票数据，有一些服务商提供，比如通联数据、tushare；国外证券数据可以从http://xignite.com获取。还有一些信息，比如新闻，汇率。需要自己写爬虫去抓取，如果用爬虫你就能体会到Python的好处了，爬取数据还是很方便的。

得这些数据后就可以导入到数据库去。关于数据库的选择，一般使用Mysql ,如果数据量比较大(>100G)可以使用mogodb，一般个人不会这么大数据量。

四、交易策略开发

说到交易算法，往往会联想到机器学习、马尔可夫模型、大数据分析、深度学习、神经网络等这些牛逼的AI词汇，但是，普通玩家基本用不到。对于普通交易者可以选用简单高效的算法：

1、将自己操作和想法程序化，比如：三连阳 ，买低价股 或者你听说过什么神奇的操作手法都是用代码实现，然后使用历史数据进行回测。

2.传统的指标交易：均线，MACD ,布林带等，蜡烛图理论，RSI, 波浪理论。 这些纯技术分析指标需要在特定的场景才能有作用，大家都听说过海龟交易法，可能都觉挺有道理的。但真实情况如何，用A股或者外汇数据测试一下，就会发现长期收益率不是特别好。

3.多因子选股：每个股民都有自己的选股理论，比如有人会看市盈率，换手率，市盈率，行业情况，成交量。这些筛选因素很简单，但要是从几千股票里去筛选，往往需要大量精力。程序就能特别好解决这些问题。

如果你是高级玩家也可以尝试一下高级算法。比如机器学习，大数据分析等。大数据在金融交易领域应用还是处于开始阶段。从目前信息来看，大数据基金收益的还算不错，比如百度和广发合作的百发指数基金，腾讯和嘉实合作的大数据基金。

五、回归测试

如果回测效果不错，收益率，最大回撤率，Sharp值，等指标，都在可接受的范围内容，你肯定就会兴奋，急着要上真实交易，甚至开始计划成立私募基金 ，但是，别急，最好模拟交易一下。

六、模拟交易

但在实盘交易前，还需要做一两个月模拟交易(paper trading) 。很多回测效果很好的策略不一定在模拟交易时候就表现的好。历史数据是固定，回测的时候可以通过不断调整参数，让各项指标趋于完美，有时候会导致算法过度拟合，因为市场总是千变万化，太过意死板的算法是无法适应市场变化。模拟交易最终效果一般取决于你的程序是否灵活，是否良好的风险和资金管理算法。

以上就是今天的分享，觉得有用的朋友点点赞和关注，有问题可以私信，我们下期见

！