版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u011331731/article/details/88916980
读书笔记，李尉的作品，看豆瓣还行就买来看看
第一章 期货基本策略概要
国内平台：开发，回测，模拟，实盘均在一个平台实现较为方便，并且费用较低。
连续合约：跳空问题
指数合约：无法直接交易
淘宝策略：低手续费，无滑点，使用了连续合约的跳空优势
采用日内策略可避免调控影响，本质是风险管理，不过也牺牲了利润，至少手续费和滑点是不可避免的。
国内股指期货策略：较好的5日1次开仓机会，收益/回撤:1-2之间。
CTA日线为主，当日收盘前下单。
相对于传统的灵感或规则的策略开发，基于统计or机器学习相对死板，但好处在于容易批量化。
商品高频：买卖价差为主要成本，手续费次要。
MAR：年化收益/最大回测,
趋势策略胜率40-50%，盈亏比2-3之间，夏普1-2相对不错的。
高频：被动成交的返佣，另外暗池也提供了优势
人工下单优势：多信息源，多种类信息，比如文字机器就无法很好的快速处理
作者目前主要中低频：5日分钟线为主。
价差合约需要留意：
时间戳是否一致
可能存在负数，负数无对数
高频市场中性策略：配置类策略，一种思路是技术指标头尾多空。
基本面：线性回归的预测
算法交易：VWAP
第二章 数据处理
分笔数据信息：时间，最新价，持仓，新增持仓，成交量，成交额，买一价/量，卖一价/量
数据获取途径：CTP下载，万德，国泰安，淘宝
存储：csv文件，二进制文件
5分钟k线：
过滤噪声
提高速度
频率适中
提速：Rcpp（c++实现），多核心支持
异常数据：夜盘，涨跌停，盘口信息
第三章 预测因子
R语言的TTR库中有大约64个技术因子，可以进行建模尝试
评估：
自身与未来收益相关性：合约数（空间角度），均值/方差（时间角度）
同指标对不同周期的未来收益效果不同
特征不重要，（这一点我不大同意，机器学习中特征是最为重要的，这里不重要可能是所有特征都基本无效，所以基于此特征的导出特征也价值有限）
M顶等形态：模式识别？机器学习，效果不佳
因变量：
上涨，不变，下跌
对数收益
点数收益（期货）
小波过滤去噪
高频因子：挂单量，成交量，成交价，价格变化，（补充，成交量变化也可考虑吧）