量化课堂

2017年10月13日

第23节 美股UMP决策

上一节A股的主裁训练示例了使用两个内置主裁和两个自定义主裁的组合,本节只先使用四个内置主裁的组合: AbuUmpMainDeg, AbuUmpMainPrice, AbuUmpMainJump, AbuUmpMainWave 下面开始训练主裁,第一次运行select:train main ump,然后点击run select,如果已经训练过可select:load main ump直接读取以训练好的主裁:
2017年10月13日

第22节 美股全市场回测

在第19节‘数据源’中分别获取了各个市场的6年交易数据,本节将做美股市场全市场回测,以及ump主裁,边裁优化示例。 买入因子,卖出因子等依然使用相同的设置,如下所示:
2017年10月13日

第21节 A股UMP决策

上一节通过切割A股市场训练集测试集symbol,分别对切割的训练集和测试集做了回测,本节将示例A股ump主裁,边裁决策。 下面读取上一节存储的训练集和测试集回测数据,如下所示:
2017年10月13日

第20节 A股全市场回测

在第19节‘数据源’中分别获取了各个市场的6年交易数据,本节将做A股市场全市场回测。 买入因子,卖出因子等依然使用相同的设置,如下所示:
2017年10月13日

第19节 数据源

abupy除了之前章节讲解示例时使用的内置沙盒数据外,也内置了几个数据源,支持实时获取美股,A股,港股,期货和比特币等类型数据,内置的数据源仅供学习使用,abupy提供了接入外部数据源的接口和规范,本节的示例将讲解内置数据源的切换,以及接入用户外部的数据源的接口规范。
2017年10月13日

第18节 自定义裁判决策交易

与之前章节一样,本节示例的相关性分析只限制在abupy内置沙盒数据中,和上一节一样首先将内置沙盒中美股,A股,港股, 比特币,莱特币,期货市场中的symbol都列出来,然后组成训练集和测试集,买入卖出因子等相同设置:
2017年10月13日

第17节 UMP边裁交易决策

上一节示例了ump主裁的使用以及回测示例 本节将示例ump边裁交易决策。 受限于沙盒中数据限制,本节示例的相关性分析只限制在abupy内置沙盒数据中,完整示例以及代码请阅读《量化交易之路》中相关章节。 和上一节一样首先将内置沙盒中美股,A股,港股, 比特币,莱特币,期货市场中的symbol都列出来,然后组成训练集和测试集,买入卖出因子等相同设置:
2017年10月13日

第16节 UMP主裁交易决策

上一节示例了ump角度主裁的训练分解步骤,对任何比赛一个裁判是远远不够的,本节将训练更多的裁判。受限于沙盒中数据限制,本节示例的相关性分析只限制在abupy内置沙盒数据中,完整示例以及代码请阅读《量化交易之路》中相关章节。 和上一节一样首先将内置沙盒中美股,A股,港股, 比特币,莱特币,期货市场中的symbol都列出来,然后组成训练集和测试集,买入卖出因子等相同设置:
2017年10月13日

第15节 量化交易和搜索引擎

虽然我们无法对市场做到确定性的预测,但是股票市场也并不是杂乱无章的,预测和混沌之前存在着一种状态,这种状态可以使用使用概率来描述。《量子物理史话》中薛定谔方程说整个宇宙,你和我都是概率,波恩对波动方程的解释为:电子电荷在空间中的实际分布是电子在某处出现的概率,我们只能预言概率!电子有90%的可能出现在这里, 10%的可能出现在那里,我们也同然可以使用统计来预言概率,如某个策略在某种情况下失败概率为90%,成功概率为10%。 本节将介绍abu量化系统中的ump模块,它使用了多种机器学习技术,来实现我上面说的预测概率。