1.准备学习下量化,国外国外发现市面上有很多量化平台,量化量化聚宽,源码源码米匡,网站网站BIGQUANT等等,国外国外大家使用感受怎么样?
2.LOC度量指标
3.量化交易-vnpy_efinance-VeighNa框架数据服务接口
4.量化回测终极指南,量化量化鲨鱼选股源码以backtrader为例
5.vn.py学习笔记(八)vn.py utility、源码源码BarGenerator、网站网站ArrayManager源码阅读
6.啄木鸟Woodpecker外汇智能量化对冲机器人,国外国外典型的量化量化短命资金盘!!源码源码
准备学习下量化,网站网站发现市面上有很多量化平台,国外国外聚宽,量化量化米匡,源码源码BIGQUANT等等,大家使用感受怎么样?
探索量化投资之路:用户分享各平台体验
作为一位有着6年多量化投资经验的专业人士,我见证了量化投资市场的变迁。从最初的中低频策略,到如今的日间高频交易(T0),我尝试过市面上众多的量化平台,包括聚宽、米筐、BIGQUANT等,下面是我对这些平台的一些深入体验和见解。
年是量化投资的转折点,牛市与互联网的结合孕育了量化投资的热潮。各大平台,如米筐、聚宽,都是在那一年崭露头角,它们以Python编程环境、基础研究数据和活跃的社区吸引着投资者。那时的平台,不论是界面设计还是盈利模式,都以用户增长为核心,像互联网产品一样追求用户基础的翻译包网站源码积累。比如米筐,它的Barra研究体系就像量化投资的入门指南。它通过提供一键式函数实现Barra功能,社区里则充斥着丰富的源码和实践案例,让新手可以轻松上手。
然而,这种模式在年后开始面临挑战。市场波动和政策变化使得许多策略失效,量化投资的圣杯似乎不再那么简单易得。优矿依托于通联数据,保持了其数据质量的优势。聚宽则走出了一条多元化道路,不仅服务券商T0业务,还拥有自己的策略团队,这在一定程度上意味着它们在寻求更深度的投研结合,但同时也放弃了部分线上用户。米筐则转向了机构服务,提供本地部署和自动化解决方案,继续深耕量化领域。
对于BIGQUANT,虽然我使用经验有限,但从市场反馈来看,其发展路径可能与上述平台有所不同。如果你正准备学习量化投资,我建议你通过这些早期的论坛去寻找资料,尽管一些社区可能已不再活跃,但早期的框架和理念仍值得了解。但请记住,寻找所谓的"圣杯"不再是关键,更重要的是理解和掌握投资的复杂性,理解财务基本面和有效因子的挖掘需要更深入的学习和实践。
总结来说,每个平台都有其特色和局限,而量化投资的真正挑战在于深度学习和持续适应市场变化。在这个过程中,意识到投资的自动做任务源码困难是成长的第一步,也是通往成功的关键。
LOC度量指标
LOC度量指标主要用于量化软件代码量。它关注的是源代码行数,能提供一个对代码规模的直观了解。LOC指标常用于软件开发项目的规划、评估以及比较不同程序的大小。
在软件开发过程中,LOC指标被用于衡量代码量,帮助开发者估算完成任务的时间,以及预测程序的维护成本。然而,LOC指标也存在局限性。它不能反映代码的质量或效率,更侧重于代码的物理长度。
对于、Flash等非文本文件,LOC度量指标无法应用。因为它主要针对文本文件,统计文件数量、文本行数和字符数。文件数量提供文件的总体计数,文本行数反映文本内容的长度,而字符数则是所有字符的总数。
例如,对于文本文件的分析,通过LOC度量指标可以得到文件的详细信息,包括文件数量、文本行数和字符数。这有助于理解文本文件的大小和复杂性,对文档的管理以及查找和替换操作提供方便。
比如,对于某个项目,统计得到文件数量为个,文本行数为,行,字符数为,个。这表明项目包含大量文本文件,北京超同步源码且每文件平均有行和1,个字符。这样的信息有助于项目团队了解项目规模,制定合理的时间和资源分配。
而“LOC”在中文中的含义是“代码长度”,来源于英文“Length of the code”。它是一个软件开发中的度量指标,主要用于量化源代码的大小。通过统计代码行数,LOC度量指标提供了一个直观的度量单位,便于评估代码规模,指导项目管理。
例如,LOC指标可以用于评估某个软件项目的工作量。在进行软件开发时,项目经理可以利用LOC指标来估算开发时间、预算和资源需求。这有助于在项目规划阶段进行合理的成本和时间估算。
总结而言,LOC度量指标是一个有用的工具,能够提供关于代码量的清晰、直观的度量。通过分析文件数量、文本行数和字符数,可以得到关于项目规模、复杂度和工作量的重要信息。然而,值得注意的是,LOC指标仅关注代码的物理长度,而忽略代码的质量、可读性和维护性。因此,在使用LOC度量指标时,需要结合其他评估指标,以获得更全面的项目理解。
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,乐友联盟源码上述接口需要注册或付费才能获取数据。
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,我开发了基于efinance数据接口的vn.py的datafeed。
开源地址为:github.com/hgy/vnpy...
编译安装:
下载源代码后,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,在vn.py框架的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。
配置完成后,可以通过以下示例进行调用:
同时,这里分享一个efinance数据下载及入库方法:
然而,efinance在获取分钟级别数据方面并不友好。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
量化回测终极指南,以backtrader为例
这篇文章提供了一个深入的量化回测指南,尤其以backtrader为例,旨在帮助那些寻求在量化交易领域取得成功的人。
backtrader是一个开源的回测框架,其源代码可在GitHub上获取,进行深入学习。首要步骤是准备行情数据,无论是付费还是免费资源,这将对后续步骤产生影响,但在此处我们暂且不讨论。
对于初学者,如果你的目标是学习回测框架的编写,可以直接从GitHub下载源码进行实践。回测的主要目的是检验和优化交易策略,backtrader因其知名度而广受关注,网络上有许多相关教程。
然而,作者强烈建议避免使用现有的回测框架,因为它们往往功能受限,无法提供基本的交易功能,导致测试结果不准确。除非你的策略简单,否则这些框架可能无法提供有用的数据。为了获得精确有效的结果,你可能需要从零开始自己编写框架,或者借助少数成熟量化基金内部的专属工具。
接下来,作者通过实例解释了为什么选择一个强大的回测框架至关重要。例如,一个好的框架应能支持用户在任何可行的价格点下单,无论历史K线走势如何。此外,作者列举了几个场景,展示了现有框架在处理交易策略中的局限性,如订单执行、跳空等情况,这些都揭示了现有工具的不足。
最后,作者指出,回测的微小误差可能对最终结果产生重大影响,而现有的回测框架往往无法准确模拟交易细节,导致策略测试结果偏差。尽管有人可能觉得自己有能力自建框架,但在数据处理阶段,仍可能遇到各种挑战,这表明完全掌握量化回测并非易事。
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,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。
啄木鸟Woodpecker外汇智能量化对冲机器人,典型的短命资金盘!!
本文揭露了名为啄木鸟Woodpecker外汇智能量化对冲机器人的投资骗局,它被定性为典型的短命资金盘。项目方声称与香港尚乘集团(AMTD)关联,但实际上存在诸多虚假信息和不实背景。团队成员身份虚假,如所谓的金融顾问Jason实际上是军工集团Leonardo的CEO,而项目方的股权结构和融资声明也存在问题,缺乏实质性的证据支持。
该机器人的盈利模式不可靠,所谓的自动套利被质疑为虚假陈述。项目方的包装手法低劣,通过请外国演员自导自演和操纵媒体宣传来营造虚假形象。且公司没有必要的金融托管资质,其业务在法律上可能不合法。此外,网站源代码中的汉语拼音暴露了项目团队的真实国籍,进一步揭示了其中国背景。
啄木鸟项目的制度设计也是其短命的关键因素,晋升难度低且团队收益有限,导致投资者主要追求静态收益而非拉人发展,这与典型的资金盘模式截然不同。因此,它的存活周期一般不超过三个月,风险极高。鉴于此,建议谨慎对待并避免参与此类投资,因其多半是短期诈骗行为。
请问国内哪家量化平台比较好?
推荐澎博财经的真格量化。云端运行,行情和交易速度都经过专业优化。
支持期货、期权和ETF的tick级别回测。
有完善的文档和培训教程。
支持编程语言为Python2.7和Python3.5.
上手很快,对用户非常友好。
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,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,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!