|
|
如何制定一条量化交易的学习路线？
计算机专业在校大学生，从零开始，想要使自己在量化交易这方面能够做出点成绩，请问合理有限的学习路线该如何制定？怎样才能一步步掌握？希望能得到指点以及相关…
关注者
78
被浏览
34,988
9 个回答
题主是计算机专业的，那就再好不过了，至少编程这个拦路虎就可以轻松迈过去了，那我根据个人之前的量化学习经验，腆着脸给你推荐一条快速简洁的量化交易学习路线吧，认可的话可以参考一下，如下：
投资想法 -> 量化基础 -> 量化平台 -> 量化策略
这是抽象的概括，下文会把每个步骤详细讲讲，这里需要确定快速入门的学习原则： 适度学习，够用就行 。
2021版《新华字典》中，收录了13000多个汉字，而日常生活中只需要用到其中3000多个，也就是说，不用啃完编程书籍等大部头才可以开始，按常用按需学习就行。
一、投资想法
很多人做量化，都是因为自己有初始的投资想法，想验证正确性提高交易胜率，或想解放双手追求效率，全自动程序化盯盘交易，量化跟人工智能AI一样，都是手段，用来实现自己想要的目的，不是为了量化或AI本身而学习。
有初始的投资想法，在开始学习的时候有一个好处，就是可以在学习量化时有的放矢，听到相关的知识点的时候，脑子就会在想，我想要的功能能不能这样实现。 比如，你想实现均线交易策略，那么你在学习pandas模块时，听到rolling和 mean函数 ，就会有“确认过眼神，找到对的人”的赶脚。
如果在投资想法这边还是没有感觉，没初始思路的话可以看看我之前的文章，里面很多策略想法都是从交易书籍、研报论文和市场观察中发现的。
股票&ETF相关策略：
《Barra太复杂，唠一个适合萌新Quant上手的量化基本面多因子模型F-Score》
《 从股价上涨驱动力出发，构建分析师一致预期成长量化策略 》
《两个简单的GARP因子，帮这位量化基金经理，跻身同类Top10（含复现）》
《手把手教你，利用机器学习模型，构建量化择时策略（附全流程代码）》
商品期货相关策略：
《唠一唠曾在全球量化策略热榜上排名第9的TrendModelSys策略》
《又来唠一个另类异质量化策略：20后的Trendflex策略》
《『导数』在量化策略中的妙用：日内波动极值vs低阶多项式拟合策略》
《量化本无妙手，背后都是坚实的本手：波动率不对称性RSJ量化策略》
《量化同质越来越严重，如何保持策略的长久优势？（附异质化另类量化策略）》
二、量化基础
这里面主要包含两大部分，一个是量化通识，另一个是编程基础。
关于量化通识，看量化故事类的书籍都可以有所了解，以前我也列过一个书单。
如果没有那么多时间，想快速了解量化投资的方方面面，开始的时候只看这本就够了。
关于编程基础，因为不同量化平台的编程语言都不一样，这里只好拿在量化界广泛使用的Python举例。
对于Python的快速学习，墙裂推荐 廖雪峰 老师的Python教程 ，不仅免费写得非常简单易懂，而且每个小节之后，都有编程互动小题目给你即时反馈，非常有趣，不用再想着自己啃完编程大部头再去编写策略，教程链接：
https://www. liaoxuefeng.com/wiki/10 16959663602400
廖老师的教程非常详尽，连Web开发都讲了，但是再次重申咱的快速入门学习原则：不贪多，够用就行。对于量化基础而言，学到“错误、调试和测试”章节就可以了，后面等有时间再看。
遗憾的是，里面没有讲到量化常用的numpy和pandas模块，这个可以在学了廖老师课程之后，再单独度娘学习一下。
三、量化平台
对于量化初学者而言，不建议自己搭建量化框架/平台，应该以实现量化策略为主，把数据获取清洗、回测框架搭建和对接实盘接口等工作交给专业团队打理， 因此强烈建议使用现成的第三方量化平台，这里给大家推荐一些。
如果你打算做股票量化交易，可以选择以下5个量化平台，在他们的官网的“帮助中心”里面，都可以找到对应的上手教程和策略模板。
聚宽JoinQuant ：
优矿Uqer ：
米筐RiceQuant ：
掘金量化 ：
迅投QMT ：
如果你打算做期货/期权/大饼的量化交易，可以选择以下5个量化平台。
交易开拓者TB ：
vn.py ：
文华 ：
金字塔 ：
MultiCharts ：
TB研究策略和回测什么的都是免费，只有开启实盘时才会在基础手续费上加收一些，以个人观察，现存的很多系列源码，都是以TB居多。
vn.py是一款基于Python的开源量化交易系统开发框架，后来更名为VeighNa，不过大伙儿还是习惯地称之为 vn.py 。由知乎量化大V『用Python的交易员』开发，定位是量化交易平台，提供从交易API对接到策略自动交易的完整解决方案，对接了国内外诸多不同类型的金融市场：证券、期货、期权、外汇、数字货币等。
后面三个就都是收费的了，优点就是编程相对简单一些，缺点就是贵，大家也可以去看看。
四、量化策略
有了编程基础，又选定了量化平台，恭喜你，你终于有能力实现自己最初的投资想法了，量化策略是投资想法的逻辑化和程序化展现。
由于每个人的投资想法不尽相同，只好举一个简单的双均线交易策略为例进行描述，因为“双均线”这是一个接触到投资交易，都基本会听过的词儿，“专家”告诉你在金叉的时候买，在死叉的时候卖，那实际效果到底是怎么样的呢？
在聚宽JoinQuant量化平台上，拿 茅台 作为交易标的，咱定义5日均线和20日均线在出现金叉的时候，第二天一开盘就全仓买入，出现死叉时，就把所有持仓全部卖出，策略代码如下。
如果已经看完廖老师的前几章课程，这代码就大概能看懂七七八八了，剩下的再结合平台的API说明就能全部弄清楚了。
大概的实现流程就是，在初始化函数initialize中设置了交易标的、策略参数和交易费率，以及定义了一个每天在开盘运行的函数stock_trade，并且开启了“防未来函数”功能。在 stock_trade函数 里面，计算昨天和前天的5日均线和20日均线，如果金叉就买入，死叉就卖出。
# 导入函数库
from jqdata import *
# 初始化函数，设定基准等等
def initialize(context):
# 交易的股票
g.stock = '600519.XSHG'
# 长短均线参数
g.short_len = 5
g.long_len = 20
# 设定沪深300作为基准
set_benchmark('000300.XSHG')
# 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')
# 打开防未来函数
set_option('avoid_future_data', True)
# 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')
# 开盘时运行
run_daily(stock_trade, time='open', reference_security='000300.XSHG')
## 开盘时运行函数
def stock_trade(context):
stock = g.stock
short_len = g.short_len
long_len = g.long_len
# 获取股票的收盘价
# 当取日线数据时, 不包括当天的, 即使是在收盘后，没有未来
data = attribute_history(stock, long_len+1, '1d', ['close'])
# 计算双均线数据
data['ma5'] = data['close'].rolling(short_len).mean()
data['ma20'] = data['close'].rolling(long_len).mean()
# 昨日MA5和MA20数值
ma5 = data['ma5'].iloc[-1]
ma20 = data['ma20'].iloc[-1]
# 前日MA5和MA20数值
pre_ma5 = data['ma5'].iloc[-2]
pre_ma20 = data['ma20'].iloc[-2]
# 取得当前的可使用的资金
cash = context.portfolio.available_cash
# 如果昨日出现金叉，则今日开盘买入
if (pre_ma5 < pre_ma20) and (ma5 > ma20) and (cash > 0):
# 用所有资金买入股票
order_value(stock, cash)
# 输出买入信息
log.info(">>> %s 买入 %d 股 %s" % (str(context.current_dt),
context.portfolio.positions[stock].today_amount, stock))
# 如果昨日出现死叉，则今日开盘全部卖出