量化投资与算法交易(二)

· 当我尝试用计算机科学去做股票分析的时候，我知道我的路走窄了，但是真的很赚钱； ---西蒙斯（数学家）

术语与概念

本来是直接开讲回测系统(backtest)，但是线下有朋友反应很多术语以及概念不是很清楚，这样直接开讲回测系统的搭建就比较尴尬，所以为了更快的让大家知道怎么搞量化投资与算法交易，我将费点口舌一一介绍；

金融交易术语

• 1，超额收益：我们一般叫alpha，就是你超出大盘的收益，举个demo：大盘1个月上涨17%，而你1个月上涨5%，表面上看上去你赚钱了，其实你是个憨憨，你亏了12%，也就是说，你的alpha是-12%。。。

• 2，最大回撤：用来描述买入产品后可能出现的最糟糕的情况。后面会慢慢细说这个指标，很多公司会把这个题目当做算法题，有兴趣的同学可以去写个代码算一下收益曲线的最大回撤；

• 3，夏普比率：1单位风险所获得的收益，这个比较普遍；

• 4，市价单：以市场价进行买入的一笔合约；

• 5，限价单：以低于市场价格挂在市场上的合约；

• 6，一手：就是100个股票；

• 7，前复权：复权就是对[股价]和[成交量]进行权息修复，按照股票的实际涨跌绘制股价[走势图],并把成交量调整为相同的[股本]口径。[股票除权]、[除息]之后，股价随之产生了变化，但实际成本并没有变化。如：原来20元的股票，十送十之后为10元，但实际还是相当于20元。从K线图上看这个价位看似很低，但很可能就是一个历史高位。（很多人看上面这句话都不知道在说啥，一脸懵逼，没事，我详细给你解释一下：假设原来你有20个锤子，每个锤子1块钱，突然你会魔法，又变出20个锤子，但是，锤子对于这个世界来说，所有的加起来就值20快，所以，相当于你一个锤子变成0.5块了，但是实际你的总价值还是20块）

• 8，后复权：复权后价格=复权前价格×(1+流通股份变动比例)+[现金红利]

• 9，K线图：就是统计学上的箱线图，没有任何区别，通过K线图可以知道当前时间过的最高价，最低价，成交量等信息；

金融宏观术语

• 牛市：市场总体偏好，就是大盘涨，持续时间长的那种时候的市场；

• 熊市：和上面的相反；

• 对冲：狭义的讲：在两个同样标的的不同市场，比如螺纹钢A期货和螺纹钢A股票，一个做多，一个做空，这样叫对冲，背后的数学物理意义如下

  1,假设在未来，股票市场市涨的，那么常识来讲，期货市场应该涨的稍微缓慢一点；所以，如果我股票市场做多（低买高卖）赚到的钱应该大于我期货市场做空（借货物，用未来某个价格买入货物，归还货物，如果期货是涨的，相当于我本来的货物20元能买到，但是我愚蠢的花了未来的24元买了这些货物，亏了4元）上述的情况，可以任意组合，你应该回发现对冲对于降低风险的意义；

• 配股：股票复制，价格不变，一般需要消费者出钱；

• 高送转：股数增加，股价变小，总票面价值不变；

• 拆股：将股票股数复制N倍；

• 冲击成本：自己的交易行为对自己的损失；

• 做空：希望货物在未来便宜，所以现在借货物，卖掉，未来用市场价买入，再归还货物；

• 做多：希望低买高卖；

算法和策略

• 任何可以让金融衍生产品增值的哲学，在没有形成系统的数量化之前，都叫策略，在有高级数学表示的时候，我们称为算法；所以，我们接下来为了方便术语的统一，要明确一点，我们的标的是A股市场；

• 我们必须明确一点：所有算法和策略的时效性市非常短暂的，这个是常识，应该放弃我们在学自然科学的那套理论，在和人类打交道的时候，随机性已经大于传统算法的稳定性要求了；

• 所有算法和策略在历史上是可以有限程度的复现的，具体受限于历史复现不能影响历史价格，历史复现不能体现冲击成本；

• 算法交易属于量化投资的一个branch，算法交易并不是超高频交易；（很多人理解错误）

如何体现算法/策略的靠谱程度

引入回测系统的概念

刚才已经明确说了，算法/策略是可以有限的在历史上复现，那么这个复现需要科学的系统和数据的统一，这就是我们所说的回测系统：

回测系统一句话总结： 在回测当时日期的时候，不能出现任何当时日期之后的数据，而且，回测系统必须保持高复用性能；

在一个handle_bar的时间段内，我们需要一直调度我们的算法，让他产生在每一个bar的某个时刻，对某个股票的交情况；举个例子：
回测日期选择的是2018年1月1号至2020年1月1号，交易频率选择的是日级别开盘交易：
那么我们的所有数据就一定是日级别的，对应的逻辑应该调整为日级别的，一个回测系统应该包含：盘前处理，盘中处理，盘后处理；

华为FinanceGo内测版本回测系统的逻辑架构

1，数据层，结构化的所有关于股票的数据，热压缩，bcolz；

2，盘前，盘中，盘后的事件驱动框架，也就是注册机制；也要做到和事实数据的对接；

3，计算层，对portfolio的计算，包括对收益等指标的每日结算；

4，交易日志层，包括每一个bar的交易状态；

5，仿真层：交易规则，税务处理原则等

一个策略在回测的表现的意义

• 可以有限的表现当前策略在历史上的虚拟表现，一般要除以2，代表踢出产生的所有成本（沉没成本 冲击成本 滑点 等）

• 可以给基金管理人一个真实的导向，排错，升级策略，制作更完善的风控；

• 可以作为研究，给整个基金提供完整的收益导向；

策略举例子

我将解释一下一个标准策略的demo，用于解释整个回测系统要做的事情：

[回测系统将在第三节种慢慢讲]

from financego import * 


__config__ = {设置回测开始结束，回测标的，回测资金，回测频率等等}

def before_bar(init):
     # 处理开盘前的逻辑，比如计算选哪些股票当做股票池

      pass

def handle_bar(init):
     # 处理信号的推理 比如在股票池中选什么股票，买/卖多少，持有多久，怎么做风控；

      pass


def after_bar(init):

      # 处理盘后，用于第二天集合竞价的时候需要做的事情，或者选择第二天需要选择的股票池，在模拟交易中，意义比较大；
      pass




def schedule_algo(period="2week"):
      # 每两周做一个事情，你自己选择需要处理啥；
      pass

run(__config__)
"""我们上述带有bar的函数，在每一个回测频率都会执行一次"""

量化交易包含什么步骤（哲学武器）

• 1，量化选股

• 使用任何算法，去选出你的股票池（可能会交易的股票的列表，注意只是可能）

• 这个任何算法已经说的很透了；你甚至

• 2，量化择时

• 使用任何算法，用回测当前所在日期之前的所有数据，选择股票什么时候买，什么时候卖，卖/买多少手，等等；

• 3，风控

• 是附加规则，发生什么情况的时候，止损；止盈；

• 4，回测

• 使用1，2，3开始回测，形成必要的调试，记住一点：你的调试必须合乎市场逻辑，否则一定是过拟合，市场会教你做人，千万不要自欺欺人；

• 4，模拟盘

• 在回测达到满意的效果的时候，对虚拟账户，采用实时数据进行交易，并通过这个稳定运行几个周期，稍微调整算法和策略；

• 5，小盘实盘

• 在模拟盘稳定的情况下，可以开始用小额资金上实盘交易；并在这个关键点发现自己的策略是否能够合乎自己的市场逻辑；

• 6，正式发布产品

• 小盘实盘可以的情况下，经过专家的风险评估，正式发布产品；

几种算法哲学

1，模式识别，价格的表现由N种因素造成，但是归根到底都会反应在价格上，因此市场上出现了很多模式识别学派；实验证明这个是可以的；包括深度学习，机器学习；

2，根因识别，价格是有几种因素造成的，那么通过特征工程可以找到相对应的因子，所以这个一定是有效果的，因此多因子打分派别诞生了；【google搜索关键词，多因子打分即可获得一些启发】

3，价值挖掘，有人认为股票价格是由公司前景决定的，因此会从财务指标的角度，长期持有某些股票；

4，高频差价学派：只要我速度够快就可以找到价差，从而达到低买高卖；实验证明这个也是可以的；

后续我们有非常具体的例子逐一对上述算法做剖析；