1、量化交易简介

1.2 量化交易（投资）分类

1. 趋势性交易：适合主观交易高手、技术指标，很少编程—— [金融专业出生]
   • 期货CTA
2. 市场中性 （量化分析）：量化交易人员，alpha因子，超额收益—— [计算机专业出生，擅长编程、机器学习技术、数据挖掘等]
   • Alpha 策略
     • 对冲
     • 量化选股、择时
   • 统计套利
3. 高频交易—— [非常擅长算法编程，c/c++ 做交易]
   • 程序化交易

金融产品以及衍生品投资策略：

• 股票：市场中性，少量趋势
• 期货：趋势，少量市场中性

研究流程：

获取数据 数据挖掘 构建策略 策略回测 策略分析 模拟交易 实盘交易

2、量化回测框架介绍

ricequant, joinquant —— 数据质量不好，指标不完整；策略在远端服务器，一般在本地运行，不给别人看的
米筐提供：策略研究、历史回测、模拟交易、米筐数据（质量不是很好）

2.2 策略运行流程

• 初始运行信息
  • 起始日期：回测区间（5~10年）
  • 初始资金：有多少钱用于策略投资
  • 回测频率（日，分，市场中性周期更长）
• 编写策略逻辑
• 运行顺序
  都有一个context参数，全局变量，用于传参
• 策略结果分析

2.3 数据获取接口

数据获取API、回测交易API

• 数据获取：指定行业、板块股票列表
  • index_components("")
• history_bars - 指定股票合约历史数据（行情数据、交易信息
  • history_bar(order_book_id, bar_count, frequency, fields=, ...) 不能在init中调用
  • 把频率改成1m, 回测频率必须为分钟回测
    • his = history_bars(context.s1, 5, '1m', ['open','close'])
  • bar_dict对象也可以获取行情数据
• get_fundamentals - 查询财务数据（基本面数据、公司数据）
  • 回测的时候主要拿来去选股
  • q = query(fundamentals.eod_derivative_indicator.pe_ratio)
    过滤指标条件：
    • query().filter：过滤大小
    • query().order_by：排序
    • query().limit()：限制数量
    • fundamentals.stockcode.in_()：在指定的股票池当中过滤
  • 按 月、周 获取：scheduler 定时器
    • 必须在init当中使用
    • scheduler.run_daily - 天
    • scheduler.run_weekly - 周
    • scheduler.run_monthly - 月
      • scheduler.run_monthly(get_data, tradingday=1)
      • def get_data(context, bar_dict):

2.4 回测交易接口

• 交易逻辑

2.5 策略评价指标

• 年化收益：正常在15~30%较好
• 最大回撤：最好不超过30%
• 夏普比率：1.5以上较好