1.量化交易-vnpy_efinance-VeighNa框架数据服务接口
2.代码编程期货量化交易系统代开发策略(Python天勤)
3.vn.py学习笔记(八)vn.py utility、量化BarGenerator、合约化合ArrayManager源码阅读
4.一大波国外高清量化网址正在袭来...
5.硬核福利量化交易神器talib中28个技术指标的源约a源码Python实现(附全部源码)
6.文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
量化交易-vnpy_efinance-VeighNa框架数据服务接口
我们之前对vnpy_ctastrategy相关回测源码进行了解析:
回首凡尘不做仙:VNPY源码分析1-vnpy_ctastrategy-运行回测
回首凡尘不做仙:VNPY源码分析2-vnpy_ctastrategy-撮合成交
回首凡尘不做仙:VNPY源码分析3-vnpy_ctastrategy-计算策略统计指标
相关历史数据可以通过各类数据服务的适配器接口(datafeed)下载,目前vn.py支持以下接口:
然而,码量上述接口需要注册或付费才能获取数据。量化
为了帮助初学者更好地理解和学习量化交易以及vn.py框架,合约化合呼源码我开发了基于efinance数据接口的源约a源码vn.py的datafeed。
开源地址为:github.com/hgy/vnpy...
编译安装:
下载源代码后,码量解压并在cmd中运行:
dist目录下vnpy_efinance-x.x.x-py3-none-any.whl包
使用:
安装完成后,量化在vn.py框架的合约化合trader目录中的setting.py中进行配置:
注意:此处只需配置datafeed.name,username和password无需配置。源约a源码
配置完成后,码量可以通过以下示例进行调用:
同时,量化这里分享一个efinance数据下载及入库方法:
然而,合约化合efinance在获取分钟级别数据方面并不友好。源约a源码对于需要获取分钟级别数据的初学者来说,我们可以使用天勤免费版的数据接口:
回首凡尘不做仙:量化交易-数据获取-vnpy_tqsdk免费版
代码编程期货量化交易系统代开发策略(Python天勤)
期货量化服务全新上线!
您是否梦想着将自己的交易策略转化为高效的自动化交易系统?现在,这不再是梦想,我们的服务让每一个交易者都能做到。借助流行的金融编程语言Python,结合天勤量化平台的强大功能,我们的系统支持国内5大交易所、商品期货、金融期货(包括股指期货、国债期货),轻松实现期货量化交易。
我们深知期货市场的两大痛点:交易者往往缺乏编程技能,而程序员往往对市场运作了解不够。为此,我们提供免费代写服务,帮助您将想法变为现实,实现期货自动化交易,解放您的时间和双手。
私人定制期货量化策略,将为您带来以下显著优势:
1. 策略完全属于您,无认知盲区,易于理解。
2. 策略符合您的投资风格,避免与市场同流合污。
3. 个性化策略设计,提高实战有效性,避免策略同质化。
服务承诺:提供终身免费维护,网游搭建源码确保您的交易系统持续稳定运行。
对于汇飞量化合作期货公司的客户,只要满足一定的交易手数,即可享受免费代写服务,市场价起的费用由此得到覆盖。策略完成后,可用于模拟盘交易、历史回测及实盘交易,同时享有终身免费维护(不包含新增功能)。
对于希望在其他期货公司开户的客户,我们提供有偿策略代写服务,费用根据策略复杂度而定。服务流程如下:
1. 提交策略文本。
2. 评估工作量并报价。
3. 预付%定金。
4. 技术人员开始编写代码,预计1-2周完成。
5. 提交策略供客户测试一周,免费修改,如需增加功能,根据工作量加收费用。
6. 完成后,客户支付剩余款项,获得源代码。
所有合作代写策略的客户,都将获赠一款价值元的趋势追踪量化交易系统,让您的交易策略更加全面、高效。
vn.py学习笔记(八)vn.py utility、BarGenerator、ArrayManager源码阅读
在量化投资的探索中,作者对vn.py产生了浓厚的兴趣,并投身于相关学习。目前,作者主要专注于vn.py在A股市场量化策略的学习,面临的主要技术难点包括获取和维持日线数据、实现自动下单交易、开发全市场选股程序、编写选股策略回测程序,以及运用机器学习进行股票趋势预测。作者计划通过阅读vn.py源码,深入了解其架构机制,并通过分享形式记录学习心得,橘子源码网以便更好地理解vn.py。
相关github仓库地址:github.com/PanAndy/quan...
如有收获,请关注公众号以支持作者。同时,作者也收集了一些量化投资和技术相关的视频及书籍资源,欢迎关注公众号亚里随笔获取。
本文将重点探讨vn.py/trader/utility.py中的内容,主要包括工具函数、BarGenerator和ArrayManager。工具函数部分相对容易理解,主要是对通用功能进行封装。BarGenerator是K线合成器,负责根据实时tick数据合成1分钟K线,并进一步合成n分钟K线。ArrayManager是指标计算辅助类,负责维护一定量的历史数据,以供计算sma、ema、atr等常见指标。BarGenerator和ArrayManager是本次学习的重点。
工具函数部分主要提供合约代码转换、路径读取、json文件读写、数值位数设置、日志等功能,主要是对基本功能进行封装,没有复杂的算法。
BarGenerator类用于从tick数据中生成1分钟bar数据,也可以用于从1分钟的bar数据中合成x分钟或x小时的bar。BarGenerator的主要函数包括update_tick、update_bar、update_bar_minute_window、update_bar_hour_window、on_hour_bar和generate。
ArrayManager是一个时间序列容器,用于按时间序列缓存bar数据,提供技术指标的计算。ArrayManager提供的函数分为四类:init函数、update_bar、@property函数和技术指标函数。
一大波国外高清量化网址正在袭来...
随着春节的结束,工作和学习的节奏回归正轨,我开始整理各类量化资源,net mes源码为读者们提供更新内容。在海外资料的探索中,我发现了一些优质的量化资料,包括理论和源码,适合初学者入门。考虑到国内朋友们的需求,我想把这些国外的好资源介绍给大家,希望你们能从中汲取精华,提升自己。
对于国内逐渐兴起的量化交易,虽然起源于国外,但了解和学习的渠道在哪里呢?这里有一份推荐清单:《Best Quant Blogs and Websites》。这个网址是 feedly.com/i/top/quant-...
这个列表收录了个备受国外关注的量化网站和博客,如Quantocracy、Quantpedia和Quantstart等,都是经常被提及的资源。由于是国外站点,访问可能受限,但别担心,我已经将所有相关网址保存,只需回复公Z号『量化君也』的暗号即可获取。
除了上述资源,还有其他文章供你参考,如《Best Quant websites | An unconventional guide》和《TOP Useful Blogs and Websites for Quants》。国外的量化资源丰富多样,国内的朋友可以通过这些站点学习到更多专业知识。
以QuantInsti为例,这个网站可以直接访问,无需登录,它的量化文章分类清晰,是入门学习的好去处。网站的Blogs标签下,你可以找到涵盖自动化交易、机器学习等个版块的深入教程,包括《Algorithmic Trading Strategies》、《Stock Market Data Analysis》等文章。
其中,机器学习版块尤其出色,不仅有理论讲解,还提供实践案例和Python代码,非常适合学习者。如果你想尝试使用神经网络、决策树等算法进行量化交易,卫视源码论坛这里也有相关的文章推荐,如《Neural Network In Python》和《Decision Tree For Trading Using Python》等。
总的来说,国外的量化资源丰富且实用,借助翻译工具,即使英语基础一般,也能无障碍学习。希望这些信息能帮助到你,欢迎关注『量化君也』公Z号,那里有更多的量化策略和知识分享。我是@quantkoala,期待与你一起交流和进步!
硬核福利量化交易神器talib中个技术指标的Python实现(附全部源码)
本文将带您深入学习纯Python、Pandas、Numpy与Math实现TALIB中的个金融技术指标,不再受限于库调用,从底层理解指标原理,提升量化交易能力。
所需核心库包括:Pandas、Numpy与Math。重要提示:若遇“ewma无法调用”错误,建议安装Pandas 0.版本,或调整调用方式。
我们逐一解析常见指标:
1. 移动平均(Moving Average)
2. 指数移动平均(Exponential Moving Average)
3. 动量(Momentum)
4. 变化率(Rate of Change)
5. 均幅指标(Average True Range)
6. 布林线(Bollinger Bands)
7. 转折、支撑、阻力点(Trend, Support & Resistance)
8. 随机振荡器(%K线)
9. 随机振荡器(%D线)
. 三重指数平滑平均线(Triple Exponential Moving Average)
. 平均定向运动指数(Average Directional Movement Index)
. MACD(Moving Average Convergence Divergence)
. 梅斯线(High-Low Trend Reversal)
. 涡旋指标(Vortex Indicator)
. KST振荡器(KST Oscillator)
. 相对强度指标(Relative Strength Index)
. 真实强度指标(True Strength Index)
. 吸筹/派发指标(Accumulation/Distribution)
. 佳庆指标(ChaiKIN Oscillator)
. 资金流量与比率指标(Money Flow & Ratio)
. 能量潮指标(Chande Momentum Oscillator)
. 强力指数指标(Force Index)
. 简易波动指标(Ease of Movement)
. 顺势指标(Directional Movement Index)
. 估波指标(Estimation Oscillator)
. 肯特纳通道(Keltner Channel)
. 终极指标(Ultimate Oscillator)
. 唐奇安通道指标(Donchian Channel)
参考资料:
深入学习并应用这些指标,将大大提升您的量化交易与金融分析技能。
文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
在技术分析领域,文华财经软件中的指标公式提供了多种量化分析工具,帮助投资者在交易决策中获取优势。以下是一个具体示例,展示了如何构建一个智能量化系统指标源码,以实现自动化交易策略。
这个指标源码首先通过MA(移动平均)函数计算不同周期的移动平均线,包括日、日、日、日和日的移动平均线。这些平均线被视为价格趋势的重要指示器,帮助交易者识别市场方向。MA5、MA、MA、MA、MA和MA分别代表了5日、日、日、日、日和日的简单移动平均线。
接着,通过RSV(相对强弱指数)计算公式,评估价格变动的相对强弱。RSV=(C-LLV(L,9))/(HHV(H,9)-LLV(L,9))*,其中C代表收盘价,L代表最低价,H代表最高价。RSV值的计算帮助交易者识别市场的超买或超卖状态。
进一步,通过SMA(简单移动平均)计算K、D和J值,形成KDJ指标,K=3*SMA(RSV,3,1);D=SMA(K,3,1);J=3*K-2*D。KDJ指标被广泛应用于判断市场趋势和拐点,为交易者提供买入或卖出信号。
最后,通过逻辑判断和条件计算,系统能够自动识别特定的交易信号。例如,当J值穿越一个预先设定的临界值(例如J<),同时满足X和Y的条件时(X=LLV(J,2)=LLV(J,8)且Y=IF(CROSS(J,REF(J+0.,1)) AND X AND J<,,0)),系统可能会触发一个买入或卖出信号,以指示交易者采取相应的行动。
通过这样的智能量化系统指标源码,文华财经软件能够为投资者提供高效、自动化的交易策略,帮助其在市场中获取竞争优势。这种自动化的交易策略不仅节省了人力成本,还能够减少主观判断的偏差,提高交易决策的准确性。
量化交易日内策略看过来!!!(附源码)
日内交易(Day Trade)是一种交易策略,涉及短时间持仓,不保留过夜持仓。这种模式旨在捕捉入市后能迅速脱离成本的交易机会,若无法立即获利,则准备迅速离场。相比长期持仓,日内交易能降低市场波动风险。
在中国市场,日内交易的可行性存在特定条件。由于股票市场实行"T+1"交易制度,进行“T+0”操作需持有底仓,进行高抛低吸。具有丰富日内交易经验且胜率高的选手,通常在持有期间对日内交易保持高兴趣,交易频率较高。此前提隐含一个条件:仅当当天不准备卖出,才能进行“T”操作,否则可能会因微小价差得不偿失。
日内交易因其快速了结和价差较小的特点,盈利的关键在于交易来回的价差超过交易成本。按照普遍的券商佣金标准(万三),一个完整交易周期的摩擦成本略低于0.2%,低佣金使得日内交易的盈利相对容易。通过合理预期单次盈利和选择合适介入时间点,长期日内交易者能获得可观的正收益。
提供各类量化实盘&策略的免费咨询,包括编程技术解答,以及QMT策略终端、量化策略交易系统的支持。对于有兴趣了解更多有效量化策略的伙伴,可以通过留言、评论或私信联系,同时提供市场最低佣金(万一)的开户选项。
日内回转交易策略包括两个主要步骤:订阅数据和获取数据。在定义init函数中设置订阅数据,并调用subscribe函数。接着,获取已经订阅的数据进行操作,通过context.data函数调用。
在on_bar函数中,判断当前bar是否为当天交易的最后一根,以决定是否平仓。bar信息直接传递给函数。回测报告显示,选取年1月至年7月作为周期,保利地产作为标的股票,回转策略显示出在日内交易中的表现。
策略涉及股票的日内回转交易。首先在前一个交易日配置底仓,利用底仓实现“T+0”交易。交易涉及买入、卖出操作,每次交易买卖数量为股,记录在turnaround变量中。策略还利用MACD指标(异移动平均线)进行交易信号的计算,当MACD小于0时买入,反之卖出。策略代码和回测结果均显示了策略的性能,包括累计收益率、年化收益率、最大回撤和胜率。
[时空序列与量化交易] 使用convLSTM进行量化交易建模(附源码)
本文聚焦于量化交易领域,特别是多股票、多因子背景下应用时间序列分析与空间信息融合的时空建模。本文旨在探索如何通过自定义的股票池、多因子、多时间步长与多通道,预测特定标的(如单个股票或股票池对应的ETF)的时间序列。讨论将涉及量化交易中的几个关键问题,包括时空建模、多空样本不均衡、训练集与验证集的实践、训练过程中的早停策略以及CPU与GPU的并行计算设置。通过论文引用与模型介绍,我们将深入解析卷积循环长短期记忆网络(ConvLSTM)在量化交易中的应用,并提供源码示例。
一、论文与模型简介
本文引用了一篇在Keras上推荐的论文,强调了卷积循环长短期记忆网络(ConvLSTM)在降水预报中的应用。ConvLSTM是一种结合卷积操作与传统循环神经网络(RNN)的模型,能够有效处理空间与时间序列数据,具有在量化交易领域应用的潜力。
二、模型原理与数据流转
在介绍模型原理之前,我们先回顾了传统LSTM的结构与公式,并指出在ConvLSTM中,这些门控单元(Gate)转换为卷积操作,使得模型能够捕获空间与时间序列中的特征。对于数据在模型中的流转,ConvLSTM2D能够处理5D张量,数据维度为(n_samples, n_timesteps, n_indX, n_colX, n_channels),其中n_samples表示时序样本集,n_timesteps表示预测的未来时序样本数量。
三、量化交易建模实践
通过附上的Python包与类名查找,我们介绍了如何设计适用于量化交易的ConvLSTM模型结构。模型设计需考虑不同场景,如单股票预测或股票池预测,涉及多对一、多对多问题,以及时间序列预测的具体实现。对于GPU与CPU的并行计算设置,我们提供了Keras multi_gpu_model的使用方法,确保模型训练与实时预测的高效性。
四、训练与测试策略
量化交易建模强调使用未来数据外的回测策略,如timewalk roll,以动态调整训练与验证集的比例。训练过程包括在不同滚动窗口上迭代,以优化模型性能。通过Keras回调函数,实现模型训练、验证与测试的流程管理,确保模型在不同数据集上的表现稳定。
五、多空样本不平衡问题
量化交易中的多空样本不均衡是常见问题,尤其是在时间序列预测中。为解决这一问题,本文介绍了通过调整样本权重,确保模型在多空样本预测上的平衡性能。通过自定义的metric类实现样本权重的传入,以优化模型对不平衡数据集的适应性。
六、总结
通过在多股票对ETF的高频预测与交易中的应用,卷积循环长短期记忆网络(ConvLSTM)展现出了优于无时序建模方法与单纯LSTM模型的性能。本文提供的源码示例与实践指南,为量化交易领域中时空建模的应用提供了全面的参考与支持。
量化投资之工具篇:Backtrader从入门到精通(3)Cerebro代码详解
在深入理解backtrader的工具使用中,Cerebro作为核心控制器,其代码详解至关重要。它负责整个系统的协调和管理,虽然看似复杂,但实质上是将任务分发给其他组件如策略、数据源和分析器。让我们通过源代码解析来逐步揭示其工作原理。
首先,Cerebro的初始化主要设置公共属性,并接受一系列参数,这些参数在元类中统一处理,通过**kwargs传递。初始化过程中,实际上并未做太多工作,而是为后续操作准备了基础结构。
数据源的添加是通过cerebro.adddata方法,它可以处理普通数据和resample/replay数据,这个过程涉及对数据源的筛选和处理后加入到Cerebro的datas列表中。
策略的添加同样简单,只是将策略类及参数存储在strats容器中,策略会在run时实例化。
Cerebro的run函数是整个流程的驱动器,它根据传入的参数,按照时间驱动数据运行,同时协调策略、分析器和观察者等组件协同工作。run函数的代码复杂,但关键在于它如何管理和调度各个组件。
最后,Cerebro通过plot方法实现可视化输出,其自身并不直接进行绘图,而是调用plotter模块来完成。
总的来说,虽然Cerebro的代码看起来复杂,但实际上它的作用是连接各个组件,提供一个框架让策略和数据处理得以高效执行。理解Cerebro的工作原理后,后续理解其他部件如data feeds的运作就更为顺畅了。下文我们将转向数据类的解析,进一步探讨数据的管理与驱动机制。