Leitores de longa data devem saber que eu negociei ações por mais de dois anos.
Do fundo inicial às ações posteriores, o valor foi pequeno e foi adicionado a 300.000 no máximo.
Quando o rali está no seu melhor, há um lucro flutuante de quase 10.000 todos os dias e, ocasionalmente, há um lucro flutuante de quase 20.000 .
Esses bons tempos chegaram ao fim desde que o mercado de ações entrou em um modo difícil em fevereiro.
No início do ano, a maior parte do lucro flutuante de dezenas de milhares de yuans também foi perdida. Além disso, o plano era usar muito dinheiro este ano e o corpo foi esvaziado.
O investimento no mercado de ações é muito mais conservador, basicamente fixado em uma posição baixa em torno de 100.000, e o foco está na participação.
Sempre houve leitores que quiseram ler meus artigos sobre gestão financeira, primeiro concordaram, depois pensaram bem.
Você disse, eu sou um blogueiro técnico e escrevo sobre gestão financeira. Não é um bom trabalho ?
Além disso, eu não tenho formação financeira, embora tenha ganhado algum dinheiro no mercado de ações por sorte, afinal não somos profissionais e não ousamos dar ordens aleatoriamente.
De repente, mudei de ideia recentemente, gestão financeira + tecnologia, posso fazer isso ~
Gosto de aprender novos conhecimentos , não se limitando apenas a informática, mas sempre ser curioso e querer aprender tudo.
Coincidentemente, pretendo publicar um vídeo de negociação quantitativa em um futuro próximo para discutir a aplicação da tecnologia de inteligência artificial no investimento no mercado de ações.
Aprendendo e aprendendo, descobri que a água aqui é muito funda, “não aguento”.
A negociação quantitativa não é tão fácil de fazer quanto eu pensava, e há muito conhecimento para aprender.
Em um fim de semana, eu cheguei na porta.
Hoje, vamos resolver e compartilhar os conceitos básicos de negociação quantitativa e aquecer para o vídeo.
Negociação quantitativa
A negociação quantitativa é um método de investimento em valores mobiliários que usa tecnologia de computador para negociar com a ajuda de estatísticas e matemática modernas.
Os principais pontos de conhecimento abordados são os seguintes:
Você pode entender matemática, programação, finanças e algoritmos, e pode compensar onde não pode.
Plataforma Quantitativa
Segure dados, escreva estratégias e negocie on-line. Se você fizer isso sozinho, o custo será muito alto, o que não é propício para o aprendizado inicial.
Eu investiguei algumas plataformas de análise quantitativa que podem nos ajudar a focar na aprendizagem de estratégias para negociação quantitativa.
Acho que as plataformas que podem ser usadas para começar são:
-
Poli largo
-
vnpy
Existem muitas plataformas para negociação quantitativa, como Nuggets, Mikuang, Youkuang, etc.
Mas para iniciantes, você pode olhar diretamente para este polykuan e vnpy.
A comunidade Jukuan é ativa e existem muitos tutoriais técnicos, adequados para iniciantes.
https://www.joinquant.com/study
Há muitos pontos de conhecimento aqui que podem ser aprendidos, e também há muitos figurões compartilhando suas estratégias.
A razão pela qual o vnpy é recomendado é que ele é de código aberto e pode aprender sistematicamente como construir um sistema de negociação quantitativo.
https://github.com/vnpy/vnpy
Se você deseja implementar uma estrutura de negociação quantitativa, pode consultar muitos códigos daqui.
Picadora de pequeno porte
O uso da plataforma de negociação quantitativa Jukuan é relativamente simples.
Tomamos esta plataforma como exemplo para explicar uma estratégia quantitativa simples.
Voltamos à essência do problema , comprar ações nada mais é do que dois pontos:
-
Qual ação comprar
-
quando comprar e quando vender
1. Qual ação comprar
Investidores, escolhendo ações, a maneira mais direta é olhar para as demonstrações financeiras .
Pelo menos inclua o balanço patrimonial, a demonstração de lucros e perdas, a demonstração do fluxo de caixa, essas três tabelas.
Há muitos dados aqui, e cada tabela tem uma variedade de métricas.
Esses dados indicadores, na negociação quantitativa, são chamados de fatores.
Entendo que é um recurso que costuma ser dito em nosso aprendizado de máquina, e cada fator pode ser contado como um recurso de uma dimensão.
Podemos usar esses dados conhecidos para construir dados de recursos multidimensionais e, em seguida, entregá-los ao algoritmo de aprendizado de máquina para permitir que o algoritmo julgue se vale a pena comprar a ação.
Isso remonta à velha questão de fazer algoritmos, quais recursos escolher para ajustar os dados.
É isso, a engenharia de recursos começa.
Esses recursos de nível mais baixo pertencem a um fator básico.
Na negociação quantitativa, mais fatores de "alta dimensão", ou seja, recursos, também podem ser calculados com base nesses dados.
Por exemplo, o retorno sobre os ativos líquidos, a abreviação em inglês é chamado de ROE.
O ROE é a proporção percentual do lucro após impostos de uma empresa dividido por seus ativos líquidos .
Ou seja, ROE = lucro líquido/ativo líquido
Lucro líquido, na demonstração do resultado, e patrimônio líquido, no balanço patrimonial.
O ROE reflete o nível de retorno sobre o patrimônio líquido e é usado para medir a eficiência do uso de capital próprio de uma empresa.
Quanto maior o valor do indicador, maior o retorno do investimento . Este indicador reflete a capacidade do capital próprio de obter lucro líquido.
O ROE é um recurso de "alta dimensão" calculado por meio de alguns recursos de "baixa dimensão".
A seleção de ações é realmente baseada nesses indicadores, escolhendo ações nas quais você acha que vale a pena investir.
Para simplificar a estratégia, aqui está um uso simples e único deste ROE, como um indicador de nossas ideias de seleção de ações de valor.
Simples e violento, calcule o ROE de todas as ações atuais, classifique de grande a pequeno e selecione top10 como nossa posição de estoque.
2. Quando comprar e quando vender
Os investidores querem comprar na baixa e vender na alta .
10 yuans para comprar, 100 yuans para vender, faça a diferença, ganhe 90.
A essência desse problema é: compre na baixa e venda na alta.
Mas a realidade é muitas vezes cruel.
Quando comprar e quando vender, na negociação quantitativa, existe um indicador, a força relativa de resistência e suporte, que é o RSRS.
Para entender a força relativa do suporte de resistência, você deve primeiro saber o que são resistência e suporte.
O nível de resistência refere-se à pressão que pode ser encontrada quando o preço-alvo aumenta, ou seja, o preço pelo qual o trader acredita que o poder do vendedor começa a ultrapassar o comprador, de modo que é difícil que o preço continue subindo ou recuar de lá;
O nível de suporte é o preço pelo qual os traders acreditam que o poder do comprador começou a ultrapassar o vendedor, interrompendo assim o declínio ou a recuperação.
A força relativa de resistência e suporte é uma maneira de usar resistência e suporte. Não considera mais resistência e suporte como um valor fixo, mas como uma variável, que reflete a percepção do trader sobre o topo e o fundo do estado atual do mercado. julgamento.
Ilustramos a lógica de aplicação da força relativa de suporte e resistência classificando diferentes estados de mercado:
O mercado está em um mercado em alta:
-
Se o suporte for significativamente mais forte que a resistência, o mercado em alta continua e os preços aceleram
-
Se a resistência for significativamente mais forte que o suporte, o mercado em alta pode estar chegando ao fim e os preços atingiram o pico
O mercado está agitado:
-
Se o suporte for significativamente mais forte que a resistência, um mercado em alta pode estar prestes a começar
-
Se a resistência for significativamente mais forte que o suporte, um mercado em baixa pode estar prestes a começar
O mercado está em um mercado de baixa em queda:
-
Se o suporte for significativamente mais forte que a resistência, o mercado em baixa pode estar chegando ao fim e os preços atingiram o fundo do poço
-
Se a resistência for significativamente mais forte que o suporte, o mercado em baixa continua e as quedas de preços aceleram
Os preços máximos e mínimos diários são uma espécie de níveis de resistência e suporte, que são a resistência e o suporte reconhecidos pelo comportamento de negociação de todos os participantes do mercado naquele dia. Uma ideia natural é construir uma regressão linear de altos e baixos e calcular a inclinação. qual é:
Quando o valor da inclinação é grande, a força de suporte é maior que a força de resistência. No mercado de alta, a resistência está ficando menor e o espaço superior é grande; no mercado de baixa, o suporte está ficando mais forte e o impulso descendente está prestes a parar.
Quando o valor da inclinação é pequeno, a força de resistência é maior que a força de suporte. No mercado de alta, a resistência está ficando mais forte e o impulso ascendente é gradualmente interrompido; no mercado de baixa, o suporte é enviado gradualmente e o espaço descendente está ficando cada vez maior.
Existem dois métodos para calcular o indicador RSRS: o primeiro método é usar diretamente a inclinação como valor do indicador e o segundo método é padronizar com base na inclinação.
Tomando o segundo método como exemplo, a estratégia de temporização do subíndice padrão da inclinação RSRS é a seguinte:
Picadora de pequeno porte
OK, qual ação comprar, quando comprar e quando vender, esses dois problemas estão resolvidos e podemos começar a escrever código.
Aqui você precisa dominar primeiro, como usar o Jukuan e algumas APIs.
Essa parte é relativamente simples, basta ir direto ao manual oficial da plataforma.
Escreva o seguinte código:
'''
策略思路：
选股：财务指标选股
择时：RSRS择时
持仓：有开仓信号时持有10只股票，不满足时保持空仓
'''
# 导入函数库
import statsmodels.api as sm
from pandas.stats.api import ols
# 初始化函数，设定基准等等
def initialize(context):
# 开启动态复权模式(真实价格)
set_option('use_real_price', True)
# 过滤掉order系列API产生的比error级别低的log
# log.set_level('order', 'error')
set_parameter(context)
### 股票相关设定 ###
# 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱
set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
## 运行函数（reference_security为运行时间的参考标的；传入的标的只做种类区分，因此传入'000300.XSHG'或'510300.XSHG'是一样的）
# 开盘前运行
run_daily(before_market_open, time='before_open', reference_security='000300.XSHG')
# 开盘时运行
run_daily(market_open, time='open', reference_security='000300.XSHG')
# 收盘后运行
#run_daily(after_market_close, time='after_close', reference_security='000300.XSHG')
'''
==============================参数设置部分================================
'''
def set_parameter(context):
# 设置RSRS指标中N, M的值
#统计周期
g.N = 18
#统计样本长度
g.M = 1100
#首次运行判断
g.init = True
#持仓股票数
g.stock_num = 10
#风险参考基准
g.security = '000300.XSHG'
# 设定策略运行基准
set_benchmark(g.security)
#记录策略运行天数
g.days = 0
#set_benchmark(g.stock)
# 买入阈值
g.buy = 0.7
g.sell = -0.7
#用于记录回归后的beta值，即斜率
g.ans = []
#用于计算被决定系数加权修正后的贝塔值
g.ans_rightdev= []
# 计算2005年1月5日至回测开始日期的RSRS斜率指标
prices = get_price(g.security, '2005-01-05', context.previous_date, '1d', ['high', 'low'])
highs = prices.high
lows = prices.low
g.ans = []
for i in range(len(highs))[g.N:]:
data_high = highs.iloc[i-g.N+1:i+1]
data_low = lows.iloc[i-g.N+1:i+1]
X = sm.add_constant(data_low)
model = sm.OLS(data_high,X)
results = model.fit()
g.ans.append(results.params[1])
#计算r2
g.ans_rightdev.append(results.rsquared)
## 开盘前运行函数
def before_market_open(context):
# 输出运行时间
#log.info('函数运行时间(before_market_open)：'+str(context.current_dt.time()))
g.days += 1
# 给微信发送消息（添加模拟交易，并绑定微信生效）
send_message('策略正常，运行第%s天~'%g.days)
## 开盘时运行函数
def market_open(context):
security = g.security
# 填入各个日期的RSRS斜率值
beta=0
r2=0
if g.init:
g.init = False
else:
#RSRS斜率指标定义
prices = attribute_history(security, g.N, '1d', ['high', 'low'])
highs = prices.high
lows = prices.low
X = sm.add_constant(lows)
model = sm.OLS(highs, X)
beta = model.fit().params[1]
g.ans.append(beta)
#计算r2
r2=model.fit().rsquared
g.ans_rightdev.append(r2)
# 计算标准化的RSRS指标
# 计算均值序列
section = g.ans[-g.M:]
# 计算均值序列
mu = np.mean(section)
# 计算标准化RSRS指标序列
sigma = np.std(section)
zscore = (section[-1]-mu)/sigma
#计算右偏RSRS标准分
zscore_rightdev= zscore*beta*r2
# 如果上一时间点的RSRS斜率大于买入阈值, 则全仓买入
if zscore_rightdev > g.buy:
# 记录这次买入
log.info("市场风险在合理范围")
#满足条件运行交易
trade_func(context)
# 如果上一时间点的RSRS斜率小于卖出阈值, 则空仓卖出
elif (zscore_rightdev < g.sell) and (len(context.portfolio.positions.keys()) > 0):
# 记录这次卖出
log.info("市场风险过大，保持空仓状态")
# 卖出所有股票,使这只股票的最终持有量为0
for s in context.portfolio.positions.keys():
order_target(s, 0)
#策略选股买卖部分
def trade_func(context):
#获取股票池
df = get_fundamentals(query(valuation.code,valuation.pb_ratio,indicator.roe))
#进行pb,roe大于0筛选
df = df[(df['roe']>0) & (df['pb_ratio']>0)].sort('pb_ratio')
#以股票名词作为index
df.index = df['code'].values
#取roe倒数
df['1/roe'] = 1/df['roe']
#获取综合得分
df['point'] = df[['pb_ratio','1/roe']].rank().T.apply(f_sum)
#按得分进行排序，取指定数量的股票
df = df.sort('point')[:g.stock_num]
pool = df.index
log.info('总共选出%s只股票'%len(pool))
#得到每只股票应该分配的资金
cash = context.portfolio.total_value/len(pool)
#获取已经持仓列表
hold_stock = context.portfolio.positions.keys()
#卖出不在持仓中的股票
for s in hold_stock:
if s not in pool:
order_target(s,0)
#买入股票
for s in pool:
order_target_value(s,cash)
#打分工具
def f_sum(x):
return sum(x)
## 收盘后运行函数
def after_market_close(context):
#得到当天所有成交记录
trades = get_trades()
for _trade in trades.values():
log.info('成交记录：'+str(_trade))
#打印账户总资产
log.info('今日账户总资产：%s'%round(context.portfolio.total_value,2))
#log.info('##############################################################')
Escreva o código à esquerda, insira o tempo e o valor do backtest e você poderá executá-lo.
Eu testei diretamente o efeito de janeiro de 2010 a janeiro de 2020 e o retorno do investimento por dez anos:
Decolou diretamente, o capital inicial era de 500.000, e fez vários milhões, muito estável!
Fiz o backtest dos retornos por um ano e meio de janeiro de 2020 a junho de 2021:
Ele teve um desempenho inferior ao mercado em 8,35%, mas não perdeu dinheiro, e a taxa anualizada também pode ser de 11,40%, o que é bom.
Resumir
Essa estratégia, sem usar dados históricos, é baseada em alguns indicadores atuais para tomar decisões.
Investimento e gestão financeira, conhecimento nesta área, ainda precisa ser aprendido, não investir na bolsa de valores, comprar um banco regularmente também é bom.
Estudamos muito na janela fria, por um lado, queremos aprender alguma coisa, ganhar dinheiro e viver uma vida confortável.
As escolas nos ensinam todo tipo de conhecimento básico, mas raramente nos ensinam diretamente como ganhar dinheiro, administrar dinheiro e administrar nossa riqueza.
Então, ensine-se. A vida é sobre jogar, e aprender todos os tipos de conhecimento é muito bom e interessante.
Agora, embora o mercado de ações seja um modo difícil, ainda há muitas oportunidades, e também podemos usar esse tempo para complementar nosso conhecimento.
Essa edição é hardcore, amigos que gostarem, encaminhem, curtam e deixem eu ver.
Interessado, continue a sair mais tarde.
Por fim, darei a você uma cópia para me ajudar a obter a estrutura de dados da BAT e de outros fabricantes de primeira linha . Ela foi escrita por um mestre do Google e é muito útil para alunos que possuem algoritmos fracos ou precisam melhorar:
Notas de escovação Leetcode do Google e Ali
Assim como a rota de aprendizado do engenheiro de algoritmos BAT, livros + vídeos , rotas de aprendizado completas e instruções que compilei , com certeza ajudará aqueles que desejam se tornar engenheiros de algoritmos:
Como me tornei um engenheiro de algoritmos, caminho de aprendizado super detalhado
Eu sou Jack, até a próxima!