低門檻搭建個人量化平臺 - 欄主的話
金融交易是賭場還是科學?交易市場中超額收益可能嗎?金融服從於怎樣的規律?怎樣看待金融市場中的黑天鵝和小機率事件?技術分析派不懈努力靠什麼盈利?當代人工智慧、量化分析工具、量化交易值得信賴嗎?
對許多初入量化的朋友,希望有一個低門檻量化分析的平臺。一方面,自己能不斷循序漸進地、入門瞭解市場變化與學習量化分析的方法,另一方透過完全開源自主化的個性設計、配置和改進,來驗證自己的一些想法和策略。
一、本專欄導讀綱要
為方便閱讀,現將本專欄的閱讀綱要和索引介紹如下。
1、前言部分
為什麼要做量化交易系統?
低門檻量化平臺幾個關鍵點,個人獨立開發完成一個量化系統可行嗎?
幾點特別說明
見 阿島格:低門檻搭建個人量化平臺 — 第一天:前言
之後是6天大致瞭解預備工作、
搭建過程
及
核心步驟
;之後為文章
詳解內容
。
2、六天瞭解基本過程
阿島格:低門檻搭建個人量化平臺 — 第一天:前言和預備工作
阿島格:低門檻搭建個人量化平臺 — 第二天:基礎框架
阿島格:低門檻搭建個人量化平臺 — 第三天:基礎配置
阿島格:低門檻搭建個人量化平臺 — 第四天:實時資料
阿島格:低門檻搭建個人量化平臺 — 第五天:自定義功能
阿島格:低門檻搭建個人量化平臺 — 第六天:總結再出發
3、
詳解內容
(1)
預備工作
搭建平臺的準備工作:包括Python環境、Web框架、以及資料庫的搭建。
Python環境及Web框架,包括Python Flask(作為Web服務的框架)、Eclipse+Pydev的安裝等。
資料庫(MySQL、MongoDB)在Windows/Ubuntu環境的搭建見詳解2,也包括常用資料庫客戶端軟體的安裝和使用。
詳解3介紹怎樣獲取實時行情資料,包括第三方免費介面(包括AlgoPlus,Pytdx,Jqdatasdk,AKS hare,Tushare)獲取資料的方法和基本功能使用。
(2)詳解搭建過程
整體搭建過程包括詳解4到詳解8。
基於TradingView的基礎框架和配置見詳解4。該章也包括平臺框架與資料來源的連線方法。在本章開始部分,介紹了簡單的幾種主介面K線圖的畫法,然後詳細介紹了圖示庫Charting Library的配置方法及其基礎API 的應用方法。
自定義技術指標和引數見詳解5。包括透過TradingView 自定義指標的方法、基於TA-Lib和QuantLib的安裝方法,以及定計算技術指標的簡單案例。
圖表、日誌、分析的儲存和載入見第6章。使用者不僅可以在自己的量化平臺上修改K線圖形及各式設定,在圖表上顯示一些自定義資料或指標,而且還可以個性化定製內容,如自定義預警功能等。
第7章介紹平臺怎樣實現交易跟蹤和覆盤分析,以及模擬回測,包括怎樣將交易記錄在K線上,進行交易追蹤和模擬回測。
詳解8結合平臺實際操作,介紹怎樣開始新聞事件追蹤和日誌管理;以及進行日常走勢形態追蹤分析;怎樣基於TA-Lib及TradingView工具,進行量化策略分析及回測。
專欄2(基於人工智慧的量化投資)是下一步工作介紹
專欄3(人工智慧和量化投資)是量化投資相關框架及其他介紹材料。
(3)詳解目錄
預備工作——資料庫:1。 詳解低門檻搭建個人量化平臺- 資料庫
python環境及Web框架:2。 詳解低門檻搭建個人量化平臺- python環境及Web框架
實時行情資料:3。 詳解低門檻搭建個人量化平臺- 實時行情資料
基礎框架和配置:阿島格:4。 詳解低門檻搭建個人量化平臺- 基礎框架
自定義技術指標:阿島格:5。 詳解低門檻搭建個人量化平臺- 自定義技術指標
儲存及自定義預警功能:阿島格:6。 詳解低門檻搭建個人量化平臺- 儲存及自定義預警功能
交易跟蹤和模擬回測:阿島格:7。 詳解低門檻搭建個人量化平臺 - 交易跟蹤和模擬回測
訊息追蹤、日誌管理
、
形態分析
、
歷史波動
、
簡單策略案例
等。阿島格:8。 詳解低門檻搭建個人量化平臺 - 訊息追蹤及日誌管理(1)、品種關聯及板塊聚類(2)、 形態分析(3)、歷史波動(4)、簡單策略案例(5)
4、番外
(番外)阿島格:(番外)關於金融交易的底層邏輯和個人機會
(番外)阿島格:當前國內的程式化交易量化交易,有哪些好的框架和工具?
二、演示影片及網站
1、演示影片
(影片) 阿島格:低門檻搭建你的個人量化平臺-演示
(影片) 阿島格:打造個人的量化平臺(期權)
2、網頁演示版本
http://
adog。net。cn/news
(注意是http, 不是https)
http://
120。48。5。78:9095/
參考:
本人自己現在用Google的tensorflow。作者是先從scikit-learn, theano,keras,到tensorflow的。現在看來有點走彎路,實際上可以從python,直接到tensorflow或pytorch,不清楚的再回看scikit-learn,感覺這樣的學習路徑更高效些。