Python机器学习与量化交易
1. 量化交易简介
1.1 量化交易的历史
➢ 全球量化交易的发展历史：
- 量化投资的产生(60年代)：1969年，爱德华·索普利用他发明的“科学股票市场系统”(实际上是一种股票权证定价模型)，成立了第一个量化投资基金。索普也被称之为量化投资的鼻祖。
- 量化投资的兴起(70~80年代)：1988年，詹姆斯·西蒙斯成立了大奖章基金，从事高频交易和多策略交易。基金成立20多年来收益率达到了年化70%左右，除去报酬后达到40%以上。西蒙斯也因此被称为"量化对冲之王"。[计算机、金融专业和数学等专业]
- 量化交易的繁荣(90年代)：991年，彼得·穆勒发明了alpha系统策略等，开始用计算机+金融数据来设计模型，构建组合。
➢ 国内量化交易的发展历史：
- 量化投资元年：2010年，沪深300股指期货上市，此时的量化基金终于具备了可行的对冲工具，各种量化投资策略如alpha策略、股指期货套利策略才真正有了大展拳脚的空间，可以说2010年是中国量化投资元年。
- 量化投资高速发展、多元化发展：2013-2015年股指新政之前可以说是国内量化基金有史以来最风光的一段时期。国内量化投资机构成批涌现，国内量化投资高速发展。
2012年到2016年量化对冲策略管理的资金规模增长了20倍，管理期货策略更是增长了30倍，增长的速度是所有策略中最快的。相比美国量化基金发展历程，中国现在基本处于美国90年代至21世纪之间的阶段。
1.2 什么是量化交易
量化交易(量化投资)是借助现代统计学和数学(机器学习)的方法，利用计算机技术来进行交易的证券投资方式。学习量化交易，我们需要掌握：金融策略、挖掘技术和计算机技术。
量化交易从庞大的历史数据中海选能够带来超额收益的多种“大概率”事件以指定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导，以求获得可持续的、稳定且高于平均收益的超额回报。
1.3 量化交易分类
- 趋势性交易：适合一些主观交易的高手，用技术指标作为辅助工具在市场中如鱼得水的，但如果只用各种技术指标或指标组合作为核心算法构建模型，从未见过能长期盈利的。一般也会做一些量化分析操作，使用编程如 Python/matlab 。适合金融专业出生的，对财务、金融市场非常了解，如交易员、基金经理等。
- 市场中性： 在任何市场环境下风险更低，收益稳定性更高，资金容量更大。适合一些量化交易者，发现市场中的alpha因子赚取额外收益，例如股票与股指期货的对冲策略等。会做一些量化分析操作，使用编程如 Python/matlab。适合计算机出生，擅长编程、机器学习、数据挖掘技术（量化分析），真正的量化交易人员。
- 高频交易：在极短的时间内频繁买进卖出，完成多次大量的交易，此类交易方式对硬件系统以及市场环境的要求极高，所以只有在成熟市场中的专业机构才会得到应用。适合一些算法高手，使用C/C++ 编程语言去进行算法交易，对软硬件条件要求比较高。
1.4 金融产品及衍生品的投资策略
- 股票：市场中性投资占大多数、涉及少量的趋势性交易
- 期货：趋势性策略占大多数（期货不属于金融产品）
1.5 量化交易的优势
- 严格的纪律性
- 完备的系统性：首先表现在多层次，包括在大类资产配置、行业选择、精选个股三个层次上我们都有模型；其次是多角度，量化交易的核心投资思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；再者就是多数据，就是海量数据的处理。人脑处理信息的能力是有限的，当一个资本市场只有100只股票，这对定性投资基金经理是有优势的，他可以深刻分析这100家公司。但在一个很大的资本市场，比如有成千上万只股票的时候，强大的定量化交易的信息处理能力能反映它的优势，能捕捉更多的投资机会，拓展更大的投资机会。
- 数学模型取胜：股票实际操作过程中，运用概率分析，提高买卖成功的概率
- 股票的量化投资可以说是一种价值投资(价值投资是很多量化公司、基金公司所推崇的)，我们所做的也是去挖掘市场中的价值股票，而并非去预测股票涨跌来进行投资等等（至少目前机构不会采取这种方式指导投资），这需要大家明确的一个问题。其实，由于中国散户太多，有些公司本身公司不怎么样，但股票也涨得很厉害。美国的量化投资稳定一些，主要是因为美国几乎没有什么个人投资者，他们都是找一些基金公司代理去做投资。
- 最终量化分析是众多投资机构的工具、分析手段而已。
1.6 如何做量化交易项目
量化投资涵盖整个交易流程，需要一个完整的作为研究的量化回测框架和实盘交易系统作为支撑。
➢ 量化交易研究流程
量化回测框架提供完整的数据，以及回测机制进行策略评估研究，并能够实时进行模拟交易，为实盘交易提供选择，我们的研究一般在回测平台中做。
- 获取数据：行情数据、基本面数据
- 数据挖掘：这部分很重要，大多数在公司会做这个部分。需要用到机器学习算法、特征工程等来分析结果，指导我们的策略。
- 构建策略
- 策略回测
- 策略分析：策略不是一直有效的，基金公司频繁去分析数据、挖掘数据，更新策略。
- 模拟交易
- 实盘交易
➢ 什么是策略
量化策略是指使用计算机作为工具，通过一套固定的逻辑来分析、判断和决策。 量化策略既可以自动执行，也可以人工执行。其实策略也可以理解为，分析数据之后，决策买什么以及交易时间。
➢ 流程包含的内容
- 获取数据：公司财务、新闻数据；基本行情数据。
- 数据分析与挖掘：传统分析方法、机器学习，数据挖掘方法；数据处理，标准化，去极值，中性化分组回测，行业分布。
- 构建策略：获取历史行情，历史持仓信息，调仓记录等；止盈止损单，限价单，市价单。
- 回测：股票涨跌停、停复牌处理；市场冲击，交易滑点，手续费。
- 策略分析：订单分析，成交分析，持仓分析。
- 模拟交易：接入实时行情，实时获取成交回报；实时监控，实时归因分析。
- 实盘交易：接入真实券商账户。
➢ 量化开发和研究岗位要求
- 基于交易市场数据，研究、开发交易策略，进行基础建模
- 负责对交易策略进行回测、跟踪、分析、优化
- 定期对交易策略的运行结果进行总结，给出分析报告，评估市场适用度
- 负责数据挖掘、处理,数据统计分析，从数据中发现规律，为量化分析提供支持，开发量化模型策略
- 与基金经理合作跟踪优化股票市场量化策略在实盘的表现