Morgan教你学习量化投资与程序化交易 (EP4:写专属自己的第一个交易策略)
Hi, I graduated from National Cheng Kung University in Taiwan.
My maximum strength is to cover 2 professional area (IT & Finance). I have worked as a senior programmer in financial technology company, as a trader in the proprietary department and the quantitative strategies analyst in the biggest mutual fund in Taiwan.
I have gotten many financial licenses both in Taiwan and China and designed many fintech platforms.
In past 10+ years, I worked and lived in Taipei, Shanghai, ShenZhen and Hong Kong. Have surveyed and understanding many kinds of Financial 又有哪些程序化的策略？ markets, products and quantitative investment methods in China and oversea.
程序化交易
01 引言 近年来，随着技术的发展，机器学习和深度学习在金融资产量化研究上的应用越来越广泛和深入。目前，大量数据科学家在Kaggle网站上发布了使用机器学习/深度学习模型对股票、期货、比特币等金融资产做预测和分析的文章。从金融投资的角度看，.
【手把手教你】Python实现基于事件驱动的量化回测
2021-03-15 期货量化研究者 阅读(725) 评论(0) 赞( 3 )
TRIX CROSSOVER外汇交易系统
2021-03-11 期货量化研究者 阅读(1236) 评论(0) 赞( 3 )
「指标精选」支撑阻力外汇交易系统
2021-03-11 期货量化研究者 阅读(1554) 评论(0) 赞( 3 )
支撑阻力外汇交易系统的目标是协助交易者在每个交易日交易。它自动生成价格水平线，以及根据先前的价格，在MT4主图上生成方形价格区域。支撑线和阻力线的价格范围，是取决于水平线经过的最高价和最低价。 阻力线是橙色的，支撑线是蓝色的。 支撑阻力外汇.
量化交易：顺着突破方向进行交易
2021-03-11 期货量化研究者 阅读(4124) 评论(0) 赞( 6 )
某些突破系统称得上是历史最悠久、结构最单纯与胜算最高的交易系统。 突破的定义 所谓突破，可能是指行情突破支撑或压力、创最近 X 天新高价、突破趋势线，很多交易者偏爱在这种关键时刻进场。突破系统之所以广受青睐的原因，一方面因为交易者可以顺着市.
量化交易：防套牢与如何解套
2021-03-11 期货量化研究者 阅读(623) 评论(0) 赞( 3 )
量化交易：突破与假突破
2021-03-11 期货量化研究者 阅读(620) 评论(0) 赞( 3 )
什么是突破，我该如何利用突破行情进行交易？ 又有哪些程序化的策略？ 和你在青春期挤青春痘所经历的“突破”又有哪些程序化的策略？ 不同，在交易世界中我们所说的突破是另外一回事。 当价格摆脱某一横盘整理态势，或脱离区间整理状态，突破行情则以后可能出现。 突破行情也可能见于价格穿越某一特.
有哪些程序化交易方面的 GitHub 作者值得關注？
quantdigger 也可以看看，還沒研究過，等後續補充
====================================================
看了下quantdigger代碼，作者寫的還是挺好的，挺用心的一個項目，主要對比pyalgotrade說個細節吧：
quantdigger對策略事件的定義種類還是略顯單薄: https://github.com/QuantFans/quantdigger/blob/e0263311f46d7f70a58ddecf13f0214521fb073c/quantdigger/engine/qd.py
pyalgotrade的策略事件定義義:https://github.com/gbeced/pyalgotrade/blob/2c78a21cc3f93f6457c20541c23c74d00e1b1533/pyalgotrade/strategy/__init__.py
確實開源項目上不服老外不行。
====================================================
Python Backtesting 又有哪些程序化的策略？ Libraries For Quant Trading Strategies
交易和回測
介紹：實時獲取新浪 / Leverfun 的免費股票以及 level2 十檔行情 / 集思路的分級基金行情， 很小，但非常實用。
Python
順手把我人大經濟論壇上的一個帖子內容轉過來：分享自己手敲的python+tushare+pyalgotrade獲取數據加回測體系 - 量化投資 - 經管之家(原人大經濟論壇)
前面把國內開源的python量化項目讀了一遍，後來打算在自己用的pyalgotrade基礎上抄各家之長，近期將在github上頻繁更新。
具體已實現或待實現的包括:
1.最早的支持pandas以及mongodb,postgres的示例
2.使用pyalgotrade各種方法，如talib等你能想到開發的過坑的示例
3.在pyalgotrade中進行ctp實盤，模擬，回測的示例，支持win32,64,又有哪些程序化的策略？ linux64位，vnpy之前好像不支持win64,打算再加vnpy支持，方面vnpy用戶拷代碼或貢獻給作者
4.tick級回測，實盤支持，原生的pyalgotrade支持不好，這邊重寫了遍。
5.實盤股票行情一鍵支持tushare,並能提前載入前面的歷史行情，之前也是有人貢獻出一版，但結構不大合理，速度略慢(那個作者水平要高我一截的)，我再給重寫了版
6.把股票的雪球模擬等也給封裝進去，讓大家省省心
7.最後的目標是讓大家只設定選擇股票市場，期貨市場還是某某，然後選擇是回測，實盤，還是模擬這幾個參數，其它就關注寫策略就行。讓策略最靈活，讓其它的不用管是我的目標
8.界面放在最後更，初步打算網頁版
9.另外針對前面比較火的quicklib和vnpy罵戰，作為一個不懂交易的程序員摻和兩句，vnpy作者更實在些，quicklib底層封裝的比較虛，沒突破全局鎖，反而影響效率。當然我們封裝的ctp介面也沒能突破，就是把c++原生的方法全給抄到python里一遍
個人覺得開源軟體使用成本是個問題，作者沒有那麼多 精力去專職維護、升級，我認為一個好的框架、項目， 商業化 運營才是最好的發展規劃。使用的編程語言方面盡量是 支持多語言的，比如BotVS 同時支持 JavaScript 和 python 語言。 這樣能服務於 掌握 不同編程語言的開發者，並且對於效率和開發難度可以有更多的方案 去選擇（比如開發 高頻、效率要求高的使用C++，不追求運行效率的就用腳本語言）。
没毛病？说说程序化广告的生死劫
程序化广告（Programmatic Advertising）是利用网络算法技术高效地进行广告内容伺服的广告，极诣在以往的博文中已多次介绍。对广告主而言程序化广告的出现仿佛业界的一股清流冲刷了长达二十年的污秽。程序化广告包含多种媒体购买形式，大致包括RTB（Real-time Bidding），PMP（Private Marketplace，包括Direct Buy、Preferred Deal和Private Auction）；媒体格式上也非常丰富，除了传统的展示广告，还包含各种动态多媒体广告、视频广告、原生广告。
流量资源（Inventory）
货源的不足造成了一系列的问题，其中最大的问题是优质流量的稀缺性，这个稀缺性造成了业界良心的崩塌。你可以想象大部分广告主都希望把广告投向京沪穗深的20~40年龄段并且用iOS设备的用户后会发生什么情况，我们暂且称为A组。反过来那些连火车都还没通的四五线城市用着500元以下设备的网民，我们暂且称为B组，他们产生的流量卖给谁？为了赢得A组这些稀缺流量，如果是CPM计价的广告，你能够接受的CPM上限在哪里？如果是CPC广告，A组的网民太多Internet-Savvy，他们相较B组点击率低，你能承受的CPC又是多少？
DMP的精准度，时效性和人本营销
程序化广告的行业内有做DSP的，有做SSP的，有做Trading Desk的，在象牙塔尖的都在玩DMP（Data Management Platform）。DMP又分为第一方DMP和第三方DMP。第一方DMP是广告主自己投资用来标记客户和潜在客户的一笔大投入。第一方DMP无比精准却又非常局限，真正有强大DMP的广告主并不多，更多时候还是要依靠第三方DMP。第三方DMP主要靠媒体常年累月的积累，他们会用上百甚至上千的标签来标记每一个受众。在国内这些第三方DMP的数据往往只开放给使用第三方媒体的广告主，即便是这样，数据并不透明。大部分情况下，第三方DMP只能告诉你一个Y/N的结果。
第三个考验DMP的是它是否能够具有一些人本营销（People-based Marketing）的特性。传统的DMP基于Cookie和Device ID而不是人。能否把这些不同的设备联合起来画出整个人为基础的受众肖像是未来DMP发展的关键。
品牌营销还是效果营销
这里存在两个方面的考虑，首先B2B的营销者长期处在效果营销的模式中，他们惯性地用效果媒体，如SEM的思维来衡量展示广告，这会让他们难下决心对程序化营销坚决投入。小打小闹的结果就是没有效果，反过来去证明程序化广告不值得投入。另一方面，除了营销策略和观念，程序化广告提供的第三方DMP实在没有太多可以让B2B营销者觉得精准的东西，他们本身就处在一个niche market。比如，有家卖水泵的企业，他们可以定向一些垂直行业，但是这些行业在DMP中往往是粗线条的。即便是这些行业受众也非常非常有限。这样下来，结果就是只要是个男的，年龄在一定范围内，住在业务承接地区就是一个投放对象。这样做让程序化广告失去了其根本优势。
B2B的程序化广告还往往出现另一个问题——花不掉的预算。丰满的预算和骨感的流量是B2B程序化广告另一个头痛的问题。媒体捕获了一个访客，但是这个访客去DMP撞库的时候如果不匹配我们设置的人群条件那么DSP是不会去参与竞价的，Ad-Server也不会伺服这个广告。那么怎么办呢？一种叫作Lookalike的匹配模式被发明出来了。这种“越描越黑”的方法成为媒体“破格录取”受众的万金油。
再者，为了在极为有限的人群中花掉预算，我们常常会通过多个DSP进行操作。结果难免会造成相互竞争，形成浪费。这里有两个概念Waterfall Bidding和Header Bidding，我们下面再讲。
程序化广告采购价格问题
Waterfall Auction（左）与Header Auction（右）对比
由于Waterfall Bidding的缺陷，Header Bidding逐渐出现了。这种在萌芽中的竞价方式将会等所有Partner进场，从每个Partner处找两位最高出价（为什么是两位？因为要算最终成交价）。如此一来，媒体这个Impression就可以卖出比原先高得多的价格。