ITPub博客

2019算是完整的跑完一年量化交易，18年是实盘开始，蒙着眼大胆瞎搞，19年小心翼翼，花了不少时间做了些理论研究。这里推荐石川，刀疤连和量子动物园这几个微信公众号，相对于18年大胆交易为主，但是不知道所以然，今年倒是对于CTA的跟随趋势交易有了理论的了解。今年收益中体还是盈利，但是并不过，不过总体逐渐走好，也给了我继续做量化动力。今年实盘的主要交易策略都是跟随趋势交易，主要都是下面三个，中间断断续

经过一段时间学习和实践，感觉对于期货择时交易，跟随趋势基本上可以被认为是不二途径。那么对于CTA交易策略来说，及早发现趋势是非常重要。寻找趋势的方法很多，经典的比如均线快慢线交叉，布林带还有其他各种时序动量指标，这里推荐看看公众号刀疤连的一边大作‘和趋势做纯纯的朋友’。在实践中，发现经常陷入一个两难局面，一方面是希望即时发现趋势，这样不可避免就是的判定阈值变得敏感；往往就是敏感的指标被市场白噪声和

做python量化交易，尤其是做趋势跟踪的或者是K线指标分析跟踪的，TA-lib库基本都多多少少用到，搜索时候往往搜出来“塔利班”，所以玩笑塔利班库。尤其对于从传统K线技术分析转计算机量化的同好，基本上算是必备。第一，安装， 可以通过pip install ta-lib 进行安装，如果安装不了或者编译报错，可以直接在下载whl，然后pip install whl路径名 来安装https://www

在论坛里面看到不少关于分钟合成日线的讨论，也试着实现了。这里是针对vnpy2.0的，1.92其实基本也差不多。这里把合成的日线HLOC信息放在pandas.DataFrame里面，因为日线分析的话，对运算时间要求不是特别高，DataFrame足矣合成过程放在on_bar方法里面，对每个传入的分钟进行日线合并处理；这里用了trading == False进行判断，就是只在策略初始化过程对于历史数据进

之前做过利用机器学习做交易策略，最近也在看强化学习的。发现大多时候学习后策略都是倾向于空仓，完全不交易。当时还自嘲计算机有大智慧，空仓不玩是最好的策略。最近强化学习时候，才发现这个和回报值有关reward。如果不给空仓负回报的话，策略会在可能损失的主动交易，或者没有损失的空仓交易中，选择空仓作为自己的策略。所以，必须要引入基准利率，每天按照及基准策略计算本金损失，是的计算机避免长期空仓。可以用你的

昨天再研究lru_cache缓存读取回测优化时候，使用了性能分析工具cProfile，发现还是非常强力的分析工具，这里做个简单介绍。并结合说下一些策略提速思路。关于cProfile使用这个文章写的很详细，https://www.cnblogs.com/btchenguang/archive/2012/02/03/2337112.html 。 这里我简单接受下。安装不用安装，python一

VnTrader 2.0版本有不少提速措施，其中lru_cache是提高回测速度一个利器，让我用1.92为主的我很是羡慕。看说这个是python 3.5.2提供的功能，也就没多想。最近才发现其实有第三方在也支持python 2.7的版本，比如 functools32。还有一个用 C 语言实现的，更快的，同时兼容 Python2 和 Python3 的第三方模块 fastcache 能够实现同样的功

最近一段时间都是Jupyter Notebook做策略的最初版本设计，就是行情导入画图一类。之前做个dataframe做分析容易，这个算是简化版本。新建一个DataAnalyzer 类，这个简单很多，支持从csv和mongodb导入行情数据，和从1分钟k线整合不同分钟k线下面是导入1分钟螺纹钢数据，整合为5分钟K线from pymongo import MongoCl

刚好有个同学问怎么实现IB盈透历史数据获取，和策略回测和实盘交易。想着熟悉vnpy2.0操作，就用Jupyter Notebook都是跑了一边。VNPY2.0的整体架构设计很有扩展性，而且调用也比起v1.0先进清晰很多，引擎加载调用非常方便。讲讲注意点：IB盈透接口历史数据大多是要收费订阅的，如果收费会有报错信息提示，这里找个免费的作为使用。另外vnpy是按照最大6个月历史数据设计的。数据库定义有

在搞好IB盈透接口后，试了下客户端交易，但是最终目的还是使用程序化交易。发现vnpy已经提供的Script_engine来支持Jupyter NoteBook 交易的，而且非常方便调用。这里就用写了基于VNPY包，用代码实现IB盈透下的查询和交易，和一个TWVP算法交易。Script_engine的大多操作都是针对main_engine的封装，类似的逻辑，其他交易相关App，也可以用类似方法调用，

最近在看一本友人推荐的陈博士的《算法交易: 致胜策略和原理》一书，虽然书名很神棍，其实内容是很实际结合理论的，不少内容击中了我现在困惑的痛点。本文是学习书中《1.3 统计学在回测程序上的应用：假设检验》一节的理解，对概率论很久没研究，如果理解错误请指教。在交易策略设计优化完成后，都会放入一个测试集进行回测，但是不论怎么样收集，用于回测的数据集是始终是有限的，而且，无论我们计算的统计指标是什么，诸如

最近在小组内部做了一次关于风险和投资组合的内部知识分享， 主要使用了PPT和Jupyter Notebook。把PPT和Jupyter Notebook都传到我的Github 分享，有兴趣可以看看https://github.com/BillyZhangGuoping/MarketDataAnaylzerbyDataFrame/tree/master/Risk%20and%20Portfolio%

本文主要说说VNPY的价差模块的简单使用，至于自开发算法什么暂不涉及。VNPY提供价差交易模块，其实还是挺好用的，先说说使用，再说说代码。进入之后的界面如下图：使用思路：- - 定义价差组合：定义一组价差组合，可以是一个主动腿，一个或者多个被动腿    |- -指定针对价差组合算法，系统默认是Sniper交易算法，VNPY提供算法模板，可以自己新增  &nb

之前看到一篇文章，变点理论CUSUM在量化交易中；列了一堆数据和公式，说结果不错。链接如下:https://max.book118.com/html/2017/0726/124391946.shtm 或者这个，就是整理版，有很详细的公式推导，不过代码写的不清不楚的，应该没写完。https://wizardforcel.gitbooks.io/python-quant-uqer/134.html 花

之前看到一篇文章，变点理论CUSUM在量化交易中；列了一堆数据和公式，说结果不错。链接如下:https://max.book118.com/html/2017/0726/124391946.shtm 或者这个，就是整理版，有很详细的公式推导，不过代码写的不清不楚的，应该没写完。https://wizardforcel.gitbooks.io/python-quant-uqer/134.html 花

https://github.com/BillyZhangGuoping/MarketDataAnaylzerbyDataFrame

VNPY的参数优化功能，是策略优化的重要功能。主要就是按照范围生成批量的参数组合，然后成批跑完，选出最优的方法的。在ctaBaclesting.py中的addParameter方法提供了批量导入参数的方法。就是这样一个参数一个参数填入。addParameter会按照1为初始，5为介绍，2为步进，生成[1，3，5]参数队列setting.addParameter('barMins',

VNPY的参数优化功能，是策略优化的重要功能。主要就是按照范围生成批量的参数组合，然后成批跑完，选出最优的方法的。在ctaBaclesting.py中的addParameter方法提供了批量导入参数的方法。就是这样一个参数一个参数填入。addParameter会按照1为初始，5为介绍，2为步进，生成[1，3，5]参数队列setting.addParameter('barMins',

在做策略建模的时候，经常需要把K线转换为可以正态分布数据，这样可以使用那些很牛吼吼的数学模型进行挖掘。实现很简单c = ln(t1/t0)像相信研究可以看看这个https://www.zhihu.com/question/30113132在VNPY的K线序列管理工具ArrayManager，可以加入下面代码。按照属性返回百分比序列@property def percentLog(sel

在做策略建模的时候，经常需要把K线转换为可以正态分布数据，这样可以使用那些很牛吼吼的数学模型进行挖掘。实现很简单c = ln(t1/t0)像相信研究可以看看这个https://www.zhihu.com/question/30113132在VNPY的K线序列管理工具ArrayManager，可以加入下面代码。按照属性返回百分比序列@property def percentLog(sel